阿里云于3月27日推出的新一代端到端多模态旗舰模型Qwen2.5 – Omni，包括其特点、架构以及在测试中的表现。
在2025年3月27日上午8点40分27秒，阿里云有一则重磅消息传出。当日，阿里云正式对外宣布，推出了一款新一代端到端多模态旗舰模型——Qwen2.5 – Omni。
这款Qwen2.5 – Omni模型的核心亮点在于，它着重对全方位多模态感知能力进行了提升。在当今数字化信息爆炸的时代，数据的呈现形式日益多样化，而Qwen2.5 – Omni模型就像是一个全能的信息处理大师，能够高效地处理文本、图像、音频和视频等各种各样的输入形式。并且，它还具备实时流式响应的强大功能，在接收到输入信息后，能够迅速生成文本，同时还能进行自然语音合成输出，为用户带来更加直观和便捷的交互体验。
据阿里云官方介绍，Qwen2.5 – Omni采用了一种创新的Thinker – Talker双核架构。这一架构就像是一个分工明确的智慧团队。其中，Thinker模块可以被形象地比喻为“大脑”，它承担着对文本、音频、视频等多种模态输入进行深度处理的重要任务。经过它的精细处理，能够生成高层次的语义表征以及相应的文本内容，为后续的输出提供坚实的基础。而Talker模块则如同“发声器官”，它以流式方式接收来自Thinker模块的实时输出语义表征与文本，然后流畅地完成离散语音单元的合成，将处理结果以自然语音的形式呈现给用户。
为了验证Qwen2.5 – Omni模型的性能，相关团队进行了一系列测试。测试结果令人惊喜，在图像、音频、音视频等多个模态场景下，Qwen2.5 – Omni的表现均优于规模相近的单模态模型以及封闭源模型。像Qwen2.5 – VL – 7B、Qwen2 – Audio和Gemini – 1.5 – pro这些在业内也颇具知名度的模型，在与Qwen2.5 – Omni的对比中都稍显逊色。这充分展现出Qwen2.5 – Omni在多模态处理领域的卓越性能，也预示着它在未来的应用中有着广阔的前景。
阿里云在3月27日推出新一代端到端多模态旗舰模型Qwen2.5 – Omni，介绍了该模型提升全方位多模态感知能力的特点、创新的Thinker – Talker双核架构，以及其在多模态场景测试中优于相近规模单模态和封闭源模型的卓越表现，凸显了该模型在多模态处理领域的优势和潜力。
