← 返回模型历史

阿里巴巴 289 个模型

模型系列(96)

发布日期 公司 模型名称 系列 类型 特性
2026-11-13 阿里巴巴 快乐虾米 Happy系列 主流 端到端整曲生成(作词、作曲、编曲、人声演唱) 支持大白话描述情绪、故事或曲风 提供“智能歌词”与“纯音乐”双路输出 包含“音乐配方”与“做同款”等复用玩法
2026-11-12 阿里巴巴 Qwen4 Qwen 主流 知识理解:拓宽底层数据库与语义解析广度,应对复杂上下文 世界感知:提升对真实世界复杂信息的综合建模与多模态感知能力 编码与智能体:代码编写、逻辑推理及自动化智能体执行表现显著提升
2026-11-11 阿里巴巴 Qwen4-Max Qwen4 主流 原生视觉能力,支持百万上下文 基于QSA的全新MoE架构,2.4T总参数仅激活71B,Token消耗减少近50% 模型内实现持续交付(Live Delivery)机制,可先生成首版并持续扩展 具备围绕复杂目标与约束进行运筹建模、求解与验证的能力,自主规划迭代 构建Work360全场景建模体系(721个细分领域),在游戏、汽车、金融、AI For Science等领域深入落地
2026-11-09 阿里巴巴 千问办公 2.0 千问办公 主流 推出协作空间与数字员工小Q,关联钉钉群聊、听记、表格、文档作上下文 自动任务按订阅事件与规则自动执行,支持纯云端运行与多端可见可改 人机共创打通对话、预览与可编辑产物,支持选中段落/单元格/幻灯片标记意见并直接修改 开放能力分三条路线:应用带入、Inside集成、Managed Agent托管接入
2026-11-02 阿里巴巴 TaoFlowForge Taobao3D 主流 采用三阶段渐进式生成策略(顶点流+拓扑流),生成轻量、可编辑且拓扑干净的网格 采用“由粗到精”的两阶段顶点生成方案,缓解八叉树误差累积 引入融合顶点连接关系与法向量的拓扑编码VAE,直接预测拓扑连接矩阵 已完全开源代码与模型权重
2026-11-02 阿里巴巴 TaoTex Taobao3D 主流 攻克几何平坦但纹理高频区域的生成难题,实现文字、Logo及精密纹理的高保真生成 支持单图和多图输入 实现多视图重建任务中各视角下纹理细节的高精度还原与无缝平滑过渡 在粗糙度、金属度等物理材质属性预测上具有综合优势
2026-10-28 阿里巴巴 千问AI耳夹式耳机 千问 主流 支持89种语言专业翻译 多语言AI实时听记 AI实时面对面翻译
2026-10-28 阿里巴巴 千问AI眼镜N1Pro 千问 主流 登上天猫智能眼镜热卖榜榜首
2026-10-17 阿里巴巴 QwenGyre Qwen 主流 弹性调度器:将GPU集群切分为独立计算单元,通过水位线监控实现推理与训练模式的无缝切换。 无损迁移机制:利用RDMA极速搬运KV-Cache,实现推理切训练(8.52秒)和训练切推理(3.46秒)的秒级切换。 轨迹处理器:采用TITO与前缀树共享机制,合并分叉路径公共前缀,避免重复计算。 过程分评估:对超时任务进行局部评估给出过程分,将中途探索经验转化为有效训练信号。
2026-10-13 阿里巴巴 千问 AI耳机 - 主流 耳夹式设计 结合Bose调音与千问AI助理 支持面对面翻译、AI听记和语音办事
2026-10-13 阿里巴巴 千问 N1系列AI眼镜 N1 主流 支持第一视角拍摄 支持物品识别 N1Pro搭载眼动追踪和虹膜核身支付
2026-10-01 阿里巴巴 Qwen3.5-4B-3D-Coder Qwen3.5 主流 根据自然语言描述生成可交互的 Three.js 3D 场景 支持参考图像引导的场景生成
2026-09-23 阿里巴巴 Qwen-Audio-3.1-ASR Qwen-Audio-3.1 主流 新增原生转写润色能力,自动去除语气词与重复表达并重组语义 支持分角色转写,呈现“谁在什么时候说了什么” 一套支持 30 种语言与 16 种中文方言,支持行业词与分级热词识别 提供低延迟流式识别,首字响应约 160 毫秒
2026-09-23 阿里巴巴 Qwen-Audio-3.1-ASR-Next Qwen-Audio-3.1 主流 识别对象从语音文字扩展为完整音频信息,能听懂人物情绪、环境声和机械声 完成声音描述、事件定位和音频问答推理 能输出字幕并回答关于整段内容的提问
2026-09-23 阿里巴巴 Qwen-Audio-3.1-TTS Qwen-Audio-3.1 主流 支持多语种与方言合成,同一音色跨语言时能自然迁移 靠指令控制情绪、语速和表达方式 强调真实表达而非只求字音正确
2026-09-23 阿里巴巴 Qwen-Audio-3.1-TTS-Next Qwen-Audio-3.1 主流 通用音频生成系统,统一生成人声、音效和环境音 支持多人音色复刻与多轮对话,连续内容里各角色音色不变 支持细粒度时间戳、声音复刻和48kHz输出,能指定语气、语速、音量、音乐风格与配器
2026-09-23 阿里巴巴 Qwen-Audio-3.1-Realtime Qwen-Audio-3.1 主流 采用全双工架构,可同时说和听、支持随时插话打断 从识别文字升级为理解情绪与交流意图,识别到用户语气低落时会放慢语速、调整措辞 支持多语言实时切换,并在对话中调用 API、知识库与业务系统工具完成任务 基于多教师蒸馏架构,在保持低延迟的同时强化了事实可靠性与安全边界
2026-09-22 阿里巴巴 Qwen-Audio-3.1 Qwen 主流 语音转写(ASR)、语音合成(TTS)和实时语音交互(Realtime)三类模型全面升级
2026-09-22 阿里巴巴 Qwen-Image-3.1 Qwen 主流 面向电商、创意、设计等真实商用场景全新优化升级;将原本数小时的视觉设计压缩至秒级交付;支持图像精准编辑
2026-09-22 阿里巴巴 Happy Shrimp 1.1 Happy Shrimp 主流 在音乐审美建模与强化学习以及世界知识与音乐领域知识融合两个技术方向进一步提升;支持百余种曲风与十余种主流语言;覆盖人声歌曲与纯音乐两大生成场景
2026-09-22 阿里巴巴 HappyOyster 2.0 Preview HappyOyster 主流 通过对模型架构、训练方法和数据体系的全面升级,显著提升了智能实时交互、记忆能力、实时响应、物理规律遵循等核心能力
2026-09-22 阿里巴巴 通义千问 2.7B 千问 主流 端侧AI生态布局 移动端AI解决方案
2026-09-22 阿里巴巴 Qwen3.8-Omni Qwen 主流 将音视频等不同模态高效纳入统一理解框架;为大模型开辟全新的思考分区
2026-09-20 阿里巴巴 Qwen3.8-LiveTranslate Qwen3.8 主流 基于Interleave架构重构,字均延迟由2.8秒降至2.3秒 支持60种语言,新增实时说话人分离能力 支持原文译文同帧同出,双语同屏显示 具备长上下文消歧能力,提升人名术语精准度 Hybrid MoE Thinker-Talker双模块设计,保留原说话人音色
2026-09-18 阿里巴巴 Qwen3.8-Omni-Flash Qwen 主流 原生全模态处理(文本、图像、音频、视频融合) 支持100万 Token 上下文窗口 音频输入成本下降超98%,音视频输入成本下降超93% 支持113种语言和方言,双声道及四声道空间音频分析 具备AI智能体能力(规划任务、调用工具、联网搜索、上下文缓存)
2026-09-02 阿里巴巴 Qwen3.8-Max Qwen 主流 具备递归自我改进(RSI)能力,可自主搭建训练流程、构造数据、设计实验并定位缺陷、在人类“零参与”情况下持续迭代超过1个月,完成33轮有效迭代、Scaling是迈向ASI的重要路径
2026-09-01 阿里巴巴 Qwen-Image-2.1 Qwen-Image 主流 统一文生图、透明图像生成与多种图像编辑能力 采用32层Single-Stream DiT结构,参数量仅7B 支持混合粒度注意力与KV Cache复用机制,优化多图输入场景效率 支持透明背景主体表情修改、文字编辑及真实照片主体提取 支持最多10张参考图输入,具备局部编辑(圈选、涂抹、独立掩码)能力
2026-08-31 阿里巴巴 智能化工大模型3.0 Pro 智能化工大模型 主流 从专业知识问答向化工任务智能执行系统跨越 搭建“大模型—智能体—专业技能与工具—应用场景”四层技术体系 具备与专业研发人员协同完成复杂任务的“智能工程伙伴”能力 实现“能规划、会执行、可验证”的新阶段
2026-08-28 阿里巴巴 Qwen3.8-Flash-Next-FP8 Qwen 主流 采用FP8量化实现高效推理 原生支持262K长上下文 保持旗舰级多模态理解与复杂推理性能 支持Agent工具调用
2026-08-27 阿里巴巴 Qwen3.8-Flash-Next Qwen 主流 高度稀疏的混合专家(MoE)设计,总参数1250亿,激活参数仅60亿、集成GDN与QSA混合注意力机制,兼顾长文本效率与信息检索精度、引入510亿参数N-gram嵌入表,通过异步预取驻留于DRAM,扩展容量且几乎不增加计算成本、原生256K上下文通过YaRN技术扩展至1M、采用门控残差连接(GR)及微块粒度选择上下文的稀疏注意力设计
2026-08-24 阿里巴巴 DAMO LiON DAMO 主流 精准识别1厘米左右微小肝脏癌变病灶、擅长识别原发性肝癌及易被忽视的肝转移、支持不同期相组合影像的迭代融合,捕捉像素级差异、在脂肪肝、肝硬化和术后肝脏等困难病例上表现提升
2026-08-24 阿里巴巴 Wan3.0 Wan 主流 单次可生成30秒视频 支持doc、xls、ppt、pdf、md等文档格式输入 角色、道具、声音、空间关系等细粒度维度稳定保持 支持真人质感、微表情与肢体动作联动 具备镜头美学,能融合风格化参考图
2026-08-20 阿里巴巴 Qwen-UI-Agent Qwen 主流 全面覆盖移动端、电脑端、网页端及深度搜索环境 支持直接执行命令行操作,单次决策中批量输出多个动作 支持超过100步的超长轨迹在线强化学习训练 内置安全机制,对高风险请求直接拒绝或主动停手说明
2026-08-20 阿里巴巴 Qwen3.8-27B-FP8 Qwen3.8 主流 基于 Qwen3.5 架构打造的紧凑型旗舰模型、集成原生视觉语言能力,支持超长上下文与多模态理解、FP8 精细量化加持,保持接近 BF16 版本性能,大幅降低显存占用
2026-08-17 阿里巴巴 HappyShrimp 1.0 主流 用生活化自然语言驱动作词、作曲、编曲、演唱全流程创作 采用端到端整曲生成技术,避免多模块拼接导致的词曲错位、听感割裂 支持复杂指令精准控制(如风格、音色、情感等复合要求) 具备高工业完成度的原创音乐产出能力
2026-08-17 阿里巴巴 Qwen3.8-Flash Qwen3.8 主流 1. 采用全新架构(QSA+GDN混合注意力、GR多分支残差、N-gram Embedding),激活参数仅6B 2. 引入N-gram Embedding增加51B参数但不增加每token计算量,参数可存Host Memory 3. 训练开销仅为前代Qwen3.7-Plus的约九分之一,收敛效率大幅提升 4. 支持26万token原生上下文,通过YaRN扩展至100万token
2026-08-13 阿里巴巴 Qwen3.8-2.4T-A95B Qwen3.8 主流 超大规模 MoE 架构(总参数 2.4T,激活参数 95B) 支持 reasoning_effort 调节推理深度,preserve_thinking 保留历史推理 提供 BF16 / FP8 权重,兼容 vLLM、SGLang、TokenSpeed 支持 BF16、FP8、INT8 等多种精度版本 已在平头哥、英伟达、摩尔线程、华为昇腾等9家主流AI芯片上完成适配
2026-08-04 阿里巴巴 TaoMate - 主流 递归建模与误差抑制机制,解决长时生成中的误差累积 固定容量持久记忆与动态状态分离,保证长视频一致性与同步性 阶段并行推理,在3张GPU上达到35.0 FPS完整流水线输出速度 支持实时流式交互,实现数字人在线对话与边生成边播放
2026-07-24 阿里巴巴 OvisOCR2 Ovis 主流 参数仅 0.8B(约1.7GB),紧凑型端到端文档解析模型 基于 Qwen3.5-0.8B 构建,采用混合数据引擎与多阶段(SFT、RL、OPD)训练 将文档图像直接转化为保留自然阅读顺序的结构化 Markdown 格式 精准解析文本、公式、表格及可视区域
2026-07-20 阿里巴巴 HappyOyster 1.0 HappyOyster 主流 支持通过单句指令实时生成可探索、可交互、具物理模拟的开放数字世界 支持世界探索(Adventure)与实时导演(Directing)两大核心功能 具备暂停、回溯、剧情分支等进阶交互特性 支持第一人称/第三人称视角切换及1分钟以上实时位移与镜头控制 实现音画在同一世界状态下联合解码生成,保证感官完整性
2026-07-19 阿里巴巴 Qwen3.8-Max-Preview Qwen 主流 参数规模达2.4万亿 在代码工程场景中表现突出 在专业办公场景中表现突出 支持Token Plan抢先体验 同步支持Qoder、QoderWork及千问PC端
2026-07-17 阿里巴巴 Wan-Streamer v0.2 Wan-Streamer 主流 端到端全模态理解与生成,整合听、看、说、演能力 550毫秒超低响应延迟(含网络传输) 原生流式架构,每160毫秒完成感知、状态更新、生成响应 全身数字人支持,具备视线、姿态、手势及环境交互能力
2026-07-03 阿里巴巴 Page Agent - 主流 采用DOM脱水技术,将浏览器操作从外部驱动转向页面内部直接执行 无需处理繁重的视觉信息,仅凭精简的结构文本精准定位并执行指令 无缝继承用户的Cookie和会话信息,免去繁琐的后端对接与身份验证 模型无关设计,支持任何兼容OpenAI接口的大语言模型
2026-05-31 阿里巴巴 ToolCUA-8B ToolCUA 主流 1. 提出Interleaved GUI-Tool Trajectory Scaling Pipeline,从GUI轨迹合成混合轨迹数据 2. 执行Tool-Bootstrapped GUI RFT,学习多模态工具调用知识及局部切换点 3. 实施Online Agentic RL,通过Tool-Efficient Path Reward优化路径效率与工具适用性 4. 具备跨平台泛化能力,在Linux训练数据下仍能在Windows应用上取得提升
2026-05-29 阿里巴巴 百炼 CLI 百炼 主流 将主流模型、工作流、知识库、记忆管理、联网搜索及多模态文件处理封装为轻量命令行入口 支持通过“一行命令”在Claude Code、Qoder、Qwen Code、OpenClaw、Hermes Agent等框架中调用 实现从单点模型调用向多能力复杂协同编排的跨越 收录验证20余个专家Skills及优质Showcase项目
2026-05-22 阿里巴巴 伏渊息壤 伏渊 主流 1. 构建涵盖开源安全语料、内部产品数据、日志及代码数据的五大类预训练体系 2. 提出领域罕见数据解释性标注、关联信息聚合、基于熵的长上下文数据合成及工程经验显式编排四项数据策略 3. 设计Mid-Training阶段注入复杂安全任务长程Agent能力 4. 采用GRPO算法进行多任务强化学习,包含Reasoning RL、Agentic RL及General RL 5. 实施攻防对抗自进化与漏洞自博弈机制,实现模型自进化
2026-05-19 阿里巴巴 Qwen3.7-Max-Preview Qwen3.7 主流 仅支持“思考模式” 专注高难度逻辑推理与深度计算 网页搜索和代码解释器等辅助工具暂不可用
2026-05-19 阿里巴巴 Qwen3.7-Plus-Preview Qwen3.7 主流 高性能均衡版 聚焦推理与逻辑表达 工具链同步待后续开放
2026-05-13 阿里巴巴 高德, 阿里千问 AGenUI - 主流 覆盖iOS、Android、HarmonyOS三端 端云一体架构,云侧生成A2UI JSON,端侧C++ Core统一处理 Streaming-first流式架构,支持边生成边呈现 内置22个基础组件和45项CSS属性,支持Design Token主题系统
2026-05-06 阿里巴巴 PromptEcho - 主流 无需标注、无需训练reward模型 仅通过冻结VLM的一次前向推理获得高质量reward 利用VLM预训练损失函数计算连续对数似然值 通用Reward范式,适配不同图像生成模型和优化目标
2026-04-28 阿里巴巴 HappyHorse - 主流 支持1080P超高清输出 支持港式风情、古装、新中式动漫等多种视觉风格 支持长达800词复杂指令及9张参考图输入 兼容粤语、英语、法语等多语种,支持音画同步自动生成音效与音乐
2026-04-13 阿里巴巴 QwenPaw Qwen 主流 原生支持钉钉、飞书、QQ、Discord、iMessage等主流平台 支持一键本地部署与云端部署 允许自由接入本地模型并内置多种Skills 聚焦大小模型协同与多智能体协作
2026-04-03 阿里巴巴 Wan 2.1 Video Wan 主流 支持文本、图像、视频和音频全模态输入 支持对画面结构、剧情走向、局部细节进行精确控制 支持通过指令精准调整视频元素(如删除路人、替换物体、转换背景) 支持修改角色台词、动作和镜头角度,无需重新拍摄 具备创意快速复刻和剧情延续创作功能,支持无缝衔接
2026-04-01 阿里巴巴 Wan 2.1 Pro Wan 主流 基于更大规模数据及尺寸训练;生成图像构图更加稳定;语义理解更强更精准。
2026-03-31 阿里巴巴 Qwen3.6-Plus-Preview Qwen 主流 采用更先进的混合架构,提升扩展性并降低推理能耗 相比前代在逻辑推理和代理行为可靠性上显著提升 支持100万超长上下文处理能力 通过OpenRouter平台提供零成本接入
2026-03-25 阿里巴巴 Lingshu-Cell Lingshu 主流 采用掩码离散扩散架构 (MDDM) 统一建模细胞状态分布与扰动响应 双向 Transformer 架构消除自回归顺序偏置,全局参考全基因组上下文 多尺度量化编码与嵌入空间序列压缩技术,适配全转录组超大规模建模 支持基因敲除与细胞因子刺激等多种扰动条件的高保真预测
2026-03-24 阿里巴巴 PrismAudio PrismAudio 主流 引入分解式思维链机制,先分析视频内容再生成音效 采用四重老师打分强化学习机制,确保语义、时序、美学和空间准确性 自研Fast-GRPO高效训练算法,模型轻量仅5.18亿参数 极速响应,9秒视频配音仅需0.63秒
2026-03-24 阿里巴巴 玄铁 C950 玄铁 主流 全球性能最强的 RISC-V 处理器,单核跑分突破70大关 首次实现对千亿参数大模型的原生支持 同步推出 Vector 和 Matrix 两款原生 AI 加速引擎 最高主频可达 3.2GHz
2026-03-02 阿里巴巴 Qwen3.5-0.8B Qwen3.5 主流 原生多模态能力(支持图像-文本处理) 极致小巧、推理极快 专为边缘设备优化 适合移动端、IoT设备及低延迟实时交互场景
2026-03-02 阿里巴巴 Qwen3.5-2B Qwen3.5 主流 原生多模态能力(支持图像-文本处理) 极致小巧、推理极快 专为边缘设备优化 适合移动端、IoT设备及低延迟实时交互场景
2026-03-02 阿里巴巴 Qwen3.5-4B Qwen3.5 主流 原生多模态能力(支持图像-文本处理) 性能强劲的多模态基座模型 提供出色性能与资源消耗的平衡
2026-03-01 阿里巴巴 Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled Qwen3.5 主流 融合Claude-4.6与Opus的高质量推理蒸馏能力 支持结构化思维链输出,提升数学推导与逻辑分析能力 支持基于token的流式对话生成与灵活参数调控 具备自定义system prompt与完善的会话管理能力
2026-02-28 阿里巴巴 白泽 Ostrakon-VL 主流 国内首个面向餐饮后厨及零售场景的多模态大语言模型 基于Qwen3-VL-8B架构优化复杂图像识别 实现24小时不间断后厨行为监测与违规预警 配套推出行业首个公开基准测试集ShopBench
2026-02-25 阿里巴巴 Qwen3.5-35B-A3B Qwen3.5 主流 采用混合注意力机制和高稀疏MoE架构;中等规模下性能超越更大尺寸上代旗舰;可直接部署于消费级显卡;支持1M上下文长度及官方内置工具调用。
2026-02-25 阿里巴巴 Qwen3.5-122B-A10B Qwen3.5 主流 采用混合注意力机制和高稀疏MoE架构;中等规模下性能超越更大尺寸上代旗舰;基于更大规模文本和视觉混合Token训练。
2026-02-25 阿里巴巴 Qwen3.5-27B Qwen3.5 主流 千问3.5家族中首个密集(Dense)模型;拥有更强的Agent能力和原生多模态能力;可运行于单个GPU,本地部署友好。
2026-02-25 阿里巴巴 Qwen3.5-Flash Qwen3.5 主流 基于Qwen3.5-35B-A3B的托管模型;支持1M上下文长度;提供官方内置工具调用;响应速度快、性价比高、门槛低。
2026-02-17 阿里巴巴 通义千问 3.5 千问 主流 品牌统一为“千问”,涵盖基础大模型及专业领域模型
2026-02-15 阿里巴巴 Qwen3.5 Qwen 主流 总参数3970亿,激活仅需170亿,性能比万亿参数的Qwen3-Max还要强、部署显存占用降低60%,最大推理吞吐量提升19倍、在推理、编程、智能体等核心维度上再创新高、开源且价格低,百万Tokens低至8毛,相当于Gemini-3-pro的1/18
2026-02-13 阿里巴巴 YuFeng-XGuard-Reason YuFeng-XGuard 主流 内置覆盖广泛的通用安全与合规分类体系 支持推理时动态引入自定义安全策略,无需微调 两阶段输出策略,兼顾即时防控与可解释归因 轻量化蒸馏方案,0.6B版本实现小参高效
2026-02-01 阿里巴巴 阿里达摩院 MAOSS - 主流 利用平扫CT+AI技术自动提取肝脏纹理、密度等高维特征 仅通过平扫CT同步判断肝脂肪变程度和肝纤维化分期 针对纤维化2期高风险患者识别率达52.4%,检出率提升2倍以上 利用存量平扫CT数据,不增加患者额外检查成本
2026-01-29 阿里巴巴 Qwen3-ASR-1.7B Qwen3-ASR 主流 原生支持30个语种及22个中文口音与方言识别 支持10秒内处理5小时音频,128并发异步服务推理达2000倍吞吐 具备复杂文本识别能力及强噪声下的稳定性 支持离线与在线推理场景下极低实时率RTF
2026-01-29 阿里巴巴 Qwen3-ASR-0.6B Qwen3-ASR 主流 最小0.6B参数,特别适用于AI智能硬件的端侧部署 在保证语音识别准确率情况下实现最佳平衡 支持128并发异步服务推理达到2000倍吞吐 可在10秒内处理五个小时以上的音频,保持极低实时率RTF
2026-01-29 阿里巴巴 Qwen3-ForcedAligner-0.6B Qwen3-ForcedAligner 主流 自研的语音强制对齐模型 全面易用的推理框架,支持基于 vLLM 的 batch 推理、异步服务、流式推理、时间戳预测功能
2026-01-19 阿里巴巴 氢离子 - 主流 支持自然语言、语音、图片、病例文本多模态输入;内置BMJ集团70本医学期刊及国内权威机构数据,提供可溯源的医学证据链;基于PICO框架和GRADE标准进行结构化理解与精准检索;提供医学术语翻译和中英对照阅读,将文献核心内容提取时间从1-2小时压缩至3-5分钟
2026-01-08 阿里巴巴 ROME-V0.1 ROME 主流 基于ALE(Agentic Learning Ecosystem)智能体学习生态系统训练、采用environment-centric数据构建范式,拥有百万级可验证交互轨迹、三阶段训练体系:CPT(持续预训练)、SFT(监督微调)、IPA强化学习、使用iFlow CLI框架,支持标准化上下文管理与工具调用
2025-12-31 阿里巴巴 阿里通义 MAI-UI MAI-UI 主流 1. 端云协同架构:隐私敏感操作本地执行,复杂任务云端处理,2B模型成功率提升33%,云端调用减少40%以上 2. 主动理解与追问:能检测关键信息缺失并暂停执行,主动向用户询问以澄清需求 3. MCP工具调用:直接调用高德地图、GitHub、邮件等外部API,绕过繁琐UI操作,实现结构化数据获取 4. 动态环境适应:支持500多个并行环境,具备最长50步交互的在线强化学习能力,适应动态界面布局
2025-12-29 阿里巴巴 QwenLong-L1.5 QwenLong 主流 多跳推理数据合成流水线(知识图谱引导、跨文档表格引擎、多智能体自我进化)、自适应熵控制策略优化(AEPO)算法,解决长文本RL信用分配难题、突破物理窗口的记忆管理框架(Memory Management Framework)、多阶段融合RL训练,融合窗口内推理与长程记忆能力
2025-12-24 阿里巴巴 FunAudio-Chat-8B Fun-Audio-Chat 主流 超低延迟与高效设计(GPU计算资源节省近50%) 富有同理心的情感理解(感知语气、语速、停顿等情绪细节) 强大语音函数调用(支持Voice Function Calling执行复杂任务) 多语言翻译与角色扮演支持
2025-12-24 阿里巴巴 Qwen3-TTS-VD-Flash Qwen3 主流 支持通过文本指令定制声音 可精确描述声音的情感、节奏等特征 实现个性化语音生成
2025-12-24 阿里巴巴 Qwen3-TTS-VC-Flash Qwen3 主流 仅需三秒音频即可复制声音 支持十种语言进行复现 能够处理复杂文本 支持模仿动物声音 可从录音中提取声音
2025-12-18 阿里巴巴 通义万相 2.6 通义万相 主流 国内首个具备角色扮演功能,支持特定IP形象和声音生成视频 支持智能分镜控制,可将简单提示词转换为多分镜脚本 支持文生视频和图生视频15s长视频生成 支持多主体合拍及任意人或物作为主角生成视频 音画一体,保持从画面到声音的全感官全维度一致性
2025-12-16 阿里巴巴 万相 2.6 万相 主流 国内首个支持“角色扮演”功能的视频模型 单次视频时长提升至15秒 支持音画同步、多镜头生成及声音驱动 支持文生图、图像编辑、文生视频、图生视频、人声生视频、动作生成、角色扮演及通用视频编辑等10多种视觉创作能力
2025-12-15 阿里巴巴 CosyVoice3 百聆 主流 三秒录音实现多语言与情感切换 支持9种语言和18种方言 支持音色克隆 支持本地部署与二次开发
2025-12-03 阿里巴巴 Qwen3-Learning Qwen3 主流 支持跨文化、多语言解题,融合多国考试体系与真题;涵盖小学到高中全学科作业批改;兼容印刷体与手写体识别
2025-12-03 阿里巴巴 万相系列视频生成模型 万相 主流 视频生成模型,接入千问APP
2025-12-03 阿里巴巴 Z-Image-Turbo-Fun-Controlnet-Union Z-Image 主流 支持姿态、边缘与深度信息的联合输入,实现“零失真”图像操控 仅需6GB VRAM即可运行,支持4-bit量化版本便于消费级设备部署 兼容Canny边缘检测、HED边界提取及Depth深度映射等多模态控制条件 支持中英混合文本渲染,8步采样即可生成1024x1024分辨率图像
2025-12-01 阿里巴巴 Qwen3-Omni-Flash-2025-12-01 Qwen3-Omni 主流 原生全模态大模型,支持文本、图像、音频和视频实时流式响应 增强音视频指令理解与执行能力,解决口语化场景“降智”问题 支持119种文本语言、19种语音识别语言和10种语音合成语言 支持全面自定义System Prompt,精细调控模型行为
2025-11-28 阿里巴巴 Z-Image-Edit Z-Image 主流 专注于执行复杂复合编辑指令(如人物表情/动作修改+背景替换+文字添加) 在大幅修改中保持光照、身份和风格的高度一致性 避免常见的错位和失真问题
2025-11-28 阿里巴巴 Z-Image-Turbo Z-Image 主流 采用S3-DiT架构,文本与图像token统一序列处理 通过Decoupled-DMD蒸馏技术,仅需8次函数评估即可生成高清图 擅长中英文文本精准渲染及复杂排版 具备较强的语义理解和常识推理能力 轻量化设计,推理速度快,显存占用低
2025-11-27 阿里巴巴 Z-Image Z-Image 主流 以6亿参数实现照片级真实感,精细还原皮肤、发丝及光影纹理 支持复杂文本排版环境下的中英文混合渲染,保持文字清晰 具备广泛现实世界知识,能生成著名地标且细节、比例与语境相符 通过提示词增强器理解复杂任务,进行理解后的创作
2025-11-26 阿里巴巴 ROCK - 主流 基于Ray构建,分钟级拉起成千上万个并行训练环境,支持同构与异构环境混合运行 提供程序化的Bash交互能力,通过SDK和HTTP API开放Linux Shell权限,支持远程Sandbox深度调试 采用ModelService实现Agent业务逻辑与训练框架解耦,集中GPU资源用于中心推理,Sandbox运行在低成本CPU实例上 具备企业级稳定性,支持故障隔离、精细资源调度和秒级环境重置恢复
2025-11-16 阿里巴巴 AgentEvolver - 主流 通过自我提问、自我导航、自我归因三大模块实现智能体自进化 在14B模型上任务完成率从29.8%提升至57.6% 具备跨域泛化能力,合成数据训练后可迁移至新领域 学习效率极高,收敛步数大幅减少
2025-11-14 阿里巴巴 GVE GVE 主流 支持纯文本、图文组合、纯视觉3大任务类型 覆盖粗粒度、细粒度、长上下文3大领域 具备跨数据集泛化能力,实现零样本全面领先 采用模态金字塔课程训练策略,解决时空理解解耦问题
2025-10-22 阿里巴巴 Qwen3-VL-32B Qwen3-VL 主流 Qwen3-VL家族新增2B与32B模型 提供Instruct(指令微调)与Thinking(推理增强)两个版本 同步发布12款FP8量化版本模型 填补现有产品线关键档位,覆盖从边缘设备到云端全场景
2025-10-22 阿里巴巴 Qwen3-VL-2B Qwen3-VL 主流 Qwen3-VL家族新增2B与32B模型 提供Instruct(指令微调)与Thinking(推理增强)两个版本 同步发布12款FP8量化版本模型 填补现有产品线关键档位,覆盖从边缘设备到云端全场景
2025-10-15 阿里巴巴 Qwen3-VL-4B Qwen3-VL 主流 提供Instruct和Thinking版本 针对STEM推理、VQA、OCR、视频理解及代理任务优化 提供FP8量化版本以降低资源消耗 可直接在消费级硬件(笔记本、手机)上运行
2025-10-15 阿里巴巴 Qwen3-VL-8B Qwen3-VL 主流 提供Instruct和Thinking版本 针对STEM推理、VQA、OCR、视频理解及代理任务优化 提供FP8量化版本以降低资源消耗 可直接在消费级硬件(笔记本、手机)上运行
2025-10-06 阿里巴巴 Qwen3-VL-30B-A3B-Instruct Qwen3-VL 主流 拥有30亿个活跃参数 提供FP8版本以加速推理 支持数学、图像识别、文本识别、视频处理和代理控制 通过HuggingFace、ModelScope、GitHub及阿里云API开放获取
2025-10-06 阿里巴巴 Qwen3-VL-30B-A3B-Thinking Qwen3-VL 主流 拥有30亿个活跃参数 提供FP8版本以加速推理 支持数学、图像识别、文本识别、视频处理和代理控制 通过HuggingFace、ModelScope、GitHub及阿里云API开放获取
2025-10-06 阿里巴巴 Qwen3-VL-235B-A22B Qwen3 主流 指令版与推理版划分 原生动态分辨率设计 MRoPE-Interleave实现全频覆盖 DeepStack融合ViT多层特征 文本时间戳对齐机制支持秒数/HMS输出
2025-10-01 阿里巴巴 PixelRefer PixelRefer 主流 实现图像和视频中细粒度的对象中心指认、字幕生成和问答功能 采用了统一的区域级多层线性模型框架(MLLM) 结合了尺度自适应对象分词器(SAOT)以及高效的PixelRefer-Lite对象专用框架
2025-09-30 阿里巴巴 Qwen3-Omni-30B-A3B-Instruct Qwen3 主流 指令跟随
2025-09-30 阿里巴巴 Qwen3-Omni-30B-A3B-Thinking Qwen3 主流 推理
2025-09-28 阿里巴巴 Qwen3Guard Qwen 主流 Qwen3家族首款专为安全防护设计的护栏模型 支持Qwen3Guard-Gen(生成式版)和Qwen3Guard-Stream(流式检测版)两个专业版本 支持0.6B、4B和8B三种参数规模 支持119种语言及方言
2025-09-26 阿里巴巴 通义万相 2.5 通义万相 主流 一句话生成10秒1080P电影级视频 首次实现音画精准同步(人声、音效、BGM与画面精准对齐) 支持文生视频、图生视频、文生图、图像编辑全模态生成 支持多种模态组合输入(如图片+音频、文字+音频)
2025-09-25 阿里巴巴 Qwen3-VL Qwen3 主流 提供 Instruct 和 Thinking 两种版本 具备「视觉智能体」、「视觉编程」以及 3D Grounding 能力 上下文拓展至百万 tokens,视频理解时长拓展到 2 小时以上 增强 3D 检测能力
2025-09-24 阿里巴巴 Qwen3-Image-Edit Qwen3 主流 支持多图融合(人物+人物/商品/场景) 增强人物、商品、文字单图一致性 原生支持ControlNet改变人物姿势 轻松实现换装需求
2025-09-24 阿里巴巴 Qwen3 Coder Plus Qwen3 主流 Qwen3 Coder 480B A35B的专有版本 与Qwen Code、Claude Code系统联合训练 推理速度更快,代码安全性提升
2025-09-24 阿里巴巴 Qwen3-ASR-Toolkit Qwen3 主流 支持小时级快速转录,突破API三分钟限制 采用智能静音切分技术(VAD)确保句子完整性 支持多线程并行上传分片,显著缩短总耗时 基于FFmpeg支持mp4、mov、mkv、mp3、wav、m4a等主流格式
2025-09-24 阿里巴巴 Qwen3-Omni-30B-A3B-Captioner Qwen 主流 无需任何提示,自动为复杂语音、影视声效等生成精准全面的描述 能识别说话人情绪、音乐元素(如风格、乐器)、敏感信息等
2025-09-24 阿里巴巴 Qwen3-Max-Thinking-Heavy Qwen3 主流 结合工具的深度思考 增加测试时的计算资源 国内首次获得数学能力评测满分
2025-09-24 阿里巴巴 通义百聆 Fun Fun 主流 包括语音识别大模型 Fun-ASR 和语音合成大模型 Fun-CosyVoice Fun-ASR 由数千万小时真实语音数据训练而成,具备强大的上下文理解能力与适用性 Fun-CosyVoice 提供上百种预制音色
2025-09-24 阿里巴巴 Qwen3-VL-235B Qwen3 主流 包含Instruct与Thinking两个版本 支持256K token上下文,可扩展至100万 token 具备视觉智能体、空间感知、视觉Coding能力 支持32种语言OCR
2025-09-22 阿里巴巴 Wan2.2-Animate-14B Wan2.2 主流 支持角色动画生成与角色替换双任务 精确复制面部表情、肢体动作及复杂舞蹈序列 擅长唇形同步(lip sync),支持多语言/口音适应 自动匹配原场景光照、色调和背景,确保视觉一致性
2025-09-20 阿里巴巴 Tongyi DeepResearch 通义 主流 支持原生ReAct Mode与Heavy Mode(IterResearch范式) 采用Agentic CPT→SFT→RL全链路训练范式 基于全合成数据(WebWalker/WebSailor/WebShaper)进行增量预训练和后训练 具备Research-Synthesis框架,支持多Agent并行探索与结论整合
2025-09-19 阿里巴巴 Wan2.2-Animate 通义万相 主流 支持动作模仿模式(将参考视频动作迁移至角色图片) 支持角色扮演模式(保留原视频动作表情环境,替换角色) 采用骨骼信号和隐式特征结合动作重定向模块,实现高精度动作表情复刻 设计独立的光照融合 LoRA 保证完美光照效果 基于大规模人物视频数据集训练,涵盖说话、面部表情和身体动作
2025-09-18 阿里巴巴 Tongyi DeepResearch-30B-A3B 通义 DeepResearch 主流 支持原生 ReAct 模式和深度模式 (Heavy Mode/IterResearch) 提供从数据合成、Agentic 增量预训练 (CPT)、SFT 到强化学习 (RL) 的全栈开源方案 采用 MoE 架构 (30B总参数量, 3B激活参数) 具备双重推理优势:基础模式无需提示工程,深度模式支持复杂多步研究任务
2025-09-17 阿里巴巴 通义 DeepResearch 通义 主流 1. 以Qwen3-30B-A3B为基座进行优化 2. 采用合成数据驱动、贯穿预训练与后训练的完整训练链路 3. 创新设计覆盖真实与虚拟环境的RL算法验证及真实训练模块 4. 结合高效异步强化学习算法及自动化数据策展流程 5. 推理阶段设计ReAct和基于自研IterResearch的Heavy两种模式
2025-09-16 阿里巴巴 FunAudio-ASR FunAudio 主流 创新Context模块,显著降低高噪声环境下的幻觉率 融合大语言模型语义理解能力 支持远场、嘈杂和多说话人等复杂条件 提供轻量化版本FunAudio-ASR-nano以降低推理成本
2025-09-16 阿里巴巴 FunAudio-ASR-nano FunAudio 主流 保持高识别准确率 降低推理成本 适合资源受限的部署环境
2025-09-12 阿里巴巴 Qwen3-Next Qwen3 主流 总参数 80B,仅激活 3B,训练成本直降 9 成、采用 Gated DeltaNet 与 Gated Attention 混合架构、高稀疏度 MoE 结构(512 总专家,10 路由专家)、引入 Multi-Token Prediction (MTP) 机制提升推理效率
2025-09-12 阿里巴巴 Qwen3-Next-80B-A3B Qwen3-Next 主流 极稀疏MoE架构,512专家中每个token仅激活约3B参数(约3.75%)、混合注意力机制(75% Gated DeltaNet + 25% 标准Attention),平衡长文本效率与全局召回、原生集成Multi-Token Prediction (MTP),提升Speculative Decoding接受率与推理速度、训练成本降低至约1/10,32K+长上下文推理吞吐提升约10倍、原生支持256K超长上下文,通过YaRN技术可扩展至百万级Token
2025-09-12 阿里巴巴 Qwen3-Next-80B-A3B-Base Qwen3-Next 主流 1. 混合注意力机制(Gated DeltaNet+标准注意力)兼顾长上下文效率与召回能力 2. 高稀疏度MoE架构(80B总参/3B激活),512专家10路由设计 3. 原生Multi-Token Prediction (MTP) 机制提升Speculative Decoding接受率 4. 32k+上下文推理吞吐提升10倍以上,训练成本仅为Qwen3-32B的9.3%
2025-09-12 阿里巴巴 Qwen3-Next-80B-A3B-Instruct Qwen3-Next 主流 训练成本低于Qwen3-32B的十分之一;32k以上上下文推理吞吐量提升十倍以上;支持256K超长上下文处理;原生Multi-Token Prediction机制提升Speculative Decoding接受率
2025-09-12 阿里巴巴 Qwen3-Next-80B-A3B-Thinking Qwen3-Next 主流 训练成本低于Qwen3-32B的十分之一;32k以上上下文推理吞吐量提升十倍以上;支持256K超长上下文处理;原生Multi-Token Prediction机制提升Speculative Decoding接受率
2025-09-09 阿里巴巴 Qwen3-ASR-Flash Qwen3 主流 支持歌唱识别,实测错误率低于8% 支持11种语言及多种方言和口音 支持任意格式文本上下文,智能匹配命名实体和关键术语 具备高鲁棒性,支持长难句、句中语言切换和复杂声学环境
2025-09-03 阿里巴巴 阿里巴巴 AgentScope AgentScope 主流 实时介入控制(支持安全中断、状态持久化和任务流无缝续接) 智能上下文管理(短期与跨会话长期记忆协同,动态/静态/混合压缩技术) 高效工具调用(标准化注册接口,统一异步流式返回) 可视化开发与监控(AgentScope Studio降低开发门槛) 模块化设计(支持分布式部署与无缝扩展)
2025-09-02 阿里巴巴 通义实验室 AgentScope 1.0 AgentScope 主流 提供覆盖智能体开发全生命周期的解决方案(开发、部署、监控) 具备实时介入控制、智能上下文管理和高效工具调用三大能力 支持短期和长期记忆协同,解决信息失忆和混乱问题 提供安全工具沙箱和高效部署运行引擎,支持多种协议迁移至云端
2025-09-01 阿里巴巴 GUI-Owl Qwen 主流 构建于 Qwen2.5-VL 之上,在大量 GUI 交互数据上进行后续训练 通过自我演化的数据生产管道生成真实应用程序导航流程 具备感知、推理、规划和执行能力的统一政策网络 能够在复杂任务中进行多轮决策,适应实际使用中的变化
2025-08-25 阿里巴巴 Vivid-VR - 主流 基于T2V基础模型与ControlNet技术融合 确保视频生成过程中的帧间一致性和内容一致性 有效修复真实视频或AIGC视频中的闪烁、抖动等质量问题 支持多种输入格式,可动态调整语义特征提升纹理真实感
2025-08-25 阿里巴巴 Mobile-Agent-v3 Mobile-Agent 主流 覆盖桌面、移动和Web全平台GUI自动化 基于云环境的全链路开源解决方案,支持Android、Ubuntu、macOS、Windows 包含GUI-Owl模型与Mobile-Agent-v3多智能体框架 具备自我进化GUI轨迹生产链路,实现数据闭环与模型迭代
2025-08-18 阿里巴巴 Ovis2.5 Ovis 主流 原生分辨率感知:采用NaViT视觉编码器,无需损耗平铺即可保留图像精细细节和全局结构 深度推理能力:支持可选“思考模式”,具备线性思维链(CoT)推理、自我检查和修订及可配置思考预算 图表与文档OCR领先:在9B和2B规模上,复杂图表分析、文档理解及OCR领域达到业内领先水平 广泛任务覆盖:在图像推理、视频理解和视觉定位基准测试中表现出色
2025-08-16 阿里巴巴 WebWatcher - 主流 整合网页浏览、图像搜索、代码解释器和内部OCR等多种工具、具备视觉理解、逻辑推理、知识调用、工具调度和自我验证能力、采用全自动多模态数据生成流程,通过随机游走收集跨模态知识链、引入信息模糊化技术提升任务不确定性和复杂性、采用Action-Observation驱动的轨迹生成方法,结合SFT和GRPO强化学习
2025-08-11 阿里巴巴 Wan2.2-12V-Flash Wan 主流 推理速度相比前代提升12倍 指令遵循能力大幅提升,支持特效提示词与运镜精准控制 稳定输出风格化图像并添加自然动态效果 价格低至0.1元/秒,性价比显著提升
2025-08-11 阿里巴巴 Ovis-U1-3B Ovis 主流 集成多模态理解 文本到图像生成 图像编辑
2025-08-11 阿里巴巴 Qwen3-Coder-30B-A3B-Instruct Qwen3-Coder 主流 代理编码 代理浏览器使用 基础编码任务 强大的上下文理解和逻辑推理能力
2025-08-07 阿里巴巴 Qwen3-4B-Instruct-2507 Qwen3 主流 非推理模型,提升通用能力、多语言覆盖和长上下文指令理解 多语言长尾知识覆盖大幅增长 主观和开放性任务中与用户偏好显著匹配 支持256K长上下文理解,可扩展至1M
2025-08-07 阿里巴巴 Qwen3-4B-Thinking-2507 Qwen3 主流 专注高级推理,专为专家级任务设计 逻辑、数学、科学及代码中的高级推理能力显著提升 通用能力显著提升,包括指令理解、工具使用、文本生成以及与人类偏好的对齐 增强256K长上下文理解能力
2025-08-01 阿里巴巴 Qwen3-Coder-Flash Qwen3-Coder 主流 原生支持 256K tokens,通过 YaRN 可扩展至 1M tokens 在 Agentic Coding、Browser-Use 和 Tool-Use 任务中达开源 SOTA 支持函数调用接口实现多平台使用 仓库级长上下文理解,改善代码碎片化局限
2025-07-31 阿里巴巴 Qwen3-30B-A3B-Thinking-2507 Qwen3 主流 原生支持256K tokens上下文,可扩展至1M tokens 具备更强的思考能力,支持更长的思考预算 在数学、代码、通用能力及Agent能力上实现全面升级 轻量体积,支持消费级硬件本地部署
2025-07-31 阿里巴巴 WebSailor-72B WebAgent 主流 大规模语言模型,负责理解用户意图、制定浏览策略并决定操作步骤 通过阿里云FunctionAI实现一键部署 采用SailorFog-QA数据集训练,具备处理“超人类”任务的能力
2025-07-31 阿里巴巴 WebDancer-QwQ-32B WebAgent 主流 端到端智能体训练框架 通过四阶段训练(数据构建、轨迹采样、监督微调、强化学习)提升AI的多步搜索能力
2025-07-29 阿里巴巴 WebShaper WebAgent 主流 引入“形式化驱动”信息检索范式,通过系统化任务形式化方法重新定义数据生成与训练流程 利用“代理式扩展器”(Agentic Expander)迭代生成并验证问题,确保数据生成过程可控且条理清晰 通过逻辑清晰的结构化生成方式,确保训练数据的知识结构与推理结构在语义上高度一致 提供WebWalkerQA、GAIA等任务的交互式演示,支持开发者调整超参数或结合DUPO算法优化性能
2025-07-29 阿里巴巴 Qwen3-30B-A3B-Instruct-2507 Qwen3 主流 支持256K长文本理解 仅激活3B参数即可媲美GPT-4o等顶尖闭源模型 在指令跟随、逻辑推理、文本理解、数学、科学、编程及工具使用等方面显著提升 支持非思考模式(non-thinking mode) 可在MLX Mac上快速运行
2025-07-28 阿里巴巴 通义万相 Wan2.2 Wan2.2 主流 业界首创MoE架构,解决Token过长导致的计算资源消耗问题 首创电影美学控制系统,支持光影、色彩、构图等关键词控制 单一模型支持文生视频和图生视频功能 采用高压缩率3D VAE架构,时空压缩比达4×16×16 仅需22G显存(单张消费级显卡)即可部署
2025-07-27 阿里巴巴 Qwen3-Reasoning 通义千问 主流 比肩顶级闭源模型Gemini2.5 pro、o4-mini
2025-07-25 阿里巴巴 Qwen3-235B-A22B-Thinking-2507 Qwen3 主流 逻辑推理、数学、科学和编码等任务上性能显著提升;能更好地遵循指令、使用工具、生成文本;支持256K原生上下文,适用于高度复杂的推理任务
2025-07-25 阿里巴巴 通义千问 推理模型 Qwen3 主流 支持256K上下文长度 在通用能力和深度思考能力上实现巨大飞跃 性能比肩顶级闭源模型Gemini-2.5 pro、o4-mini
2025-07-24 阿里巴巴 Qwen3-235B-A22B-Instruct-2507 Qwen3 主流 在知识、数学、编程、人类偏好对齐、Agent能力等基准评测中表现出色
2025-07-23 阿里巴巴 Qwen3-Coder Qwen3 主流 原生支持256K上下文,通过YaRN扩展至1M、450B总参数、35B激活参数的MoE架构、7.5T tokens训练数据,其中70%为代码数据、采用Scaling Code RL和Scaling Long-Horizon RL技术、提供Qwen Code命令行工具,支持OpenAI SDK调用
2025-07-22 阿里巴巴 Qwen3-235B-A22B-2507 Qwen3 主流 通过EigenData系统实现可执行数据闭环优化多轮Agent训练 利用可执行验证器(verifier)替代主观奖励信号,确保训练信号可归因、可验证 采用先SFT稳定用户模型、后RL优化Agent Policy的两步训练范式 引入GRPO组内相对优势学习与动态过滤机制,降低长链路交互方差
2025-07-08 阿里巴巴 HumanOmniV2 HumanOmni 主流 基于全局上下文进行多模态推理,解决“捷径问题” 支持中文、英文等多种语言指令输入 应用于智能客服、内容创作、智能决策系统 用于生成AI视频内容及辅助医疗病例分析
2025-07-07 阿里巴巴 WebSailor Sailor 主流 1. 提出SailorFog-QA大规模合成数据集,通过随机游走建图和子图采样生成高不确定性难题 2. 采用RFT冷启动训练,利用开源LRM轨迹重构Thought过程,建立ReAct式推理和工具调用习惯 3. 提出DUPO高效强化学习算法,通过双阶段动态采样策略(过滤简单样本、重复采样困难轨迹)提升训练效率2-3倍 4. 结合格式正确性和答案准确性的严格奖励设计,杜绝奖励Hack行为
2025-07-01 阿里巴巴 ThinkSound 通义 主流 引入思维链(Chain-of-Thought)技术,突破传统视频转音频技术对画面动态捕捉的局限 通过三阶段推理机制实现精准音频合成:解析画面整体运动与场景语义、聚焦具体物体声源区域、支持自然语言指令实时交互编辑 构建包含2531.8小时高质量样本的AudioCoT多模态数据集 实现高保真、强同步的空间音频生成
2025-07-01 阿里巴巴 Qwen3-Coder-480B-A35B-Instruct Qwen3-Coder 主流 采用MoE架构,参数480B,激活35B 原生支持256K token上下文,通过YaRN可扩展至1M 在Agentic Coding、Browser-Use和Tool-Use方面取得开源SOTA 代码和Agent能力优异
2025-06-28 阿里巴巴 WorldVLA - 主流 首次将世界模型和动作模型融合到一个模型中 统一了文本、图片、动作理解和生成的全自回归模型 提出动作注意力掩码策略缓解动作累计误差问题 实现图像与动作的双向理解和生成
2025-06-27 阿里巴巴 WebDancer - 主流 具备自主上网、多步推理与工具使用能力 端到端的自主信息搜索智能体 适用于GAIA和WebWalkerQA等复杂场景 支持网页遍历、信息搜索和问答
2025-06-25 阿里巴巴 ROLL - 主流 内置丰富的RL任务支持(数学、代码、推理等),一套训练循环多领域联合优化 原生支持多环境、多角色智能体-环境交互(Agentic RL) 支持PPO、GRPO、Reinforce++等算法,提供灵活策略配置 支持vLLM、SGLang、Megatron-Core、DeepSpeed等主流引擎,无缝适配异构硬件(千卡集群) 集成wandb/swandb/tensorboard,支持实时跟踪与细粒度诊断
2025-06-18 阿里巴巴 GUI-Critic-R1 GUI-Critic 主流 1. 操作前反思机制:在GUI智能体执行操作前对决策进行诊断,及时发现并提醒错误决策。 2. 纠错与建议生成:不仅能识别错误,还能分析错误原因并提供具体的改进建议(如点击特定按钮)。 3. 强化学习训练:采用RFT冷启动和S-GRPO(建议感知的组内相对策略优化)策略,提升推理与泛化能力。 4. 跨场景泛化:在Mobile和Web领域均展现出良好的泛化能力,能处理新环境和跨应用程序指令。
2025-06-06 阿里巴巴 Qwen3-Reranker Qwen3 主流 支持超过100种语言,包括多种编程语言 涵盖文本嵌入模型及文本排序模型 提供0.6B、4B、8B等不同尺寸及GGUF版本 支持自定义向量和指令以优化特定任务
2025-05-31 阿里巴巴 VRAG-RL - 主流 视觉感知驱动的多模态RAG推理框架 引入区域选择、裁剪、缩放等多样化视觉感知动作 采用多专家采样策略与细粒度奖励机制 引入GRPO算法,通过本地部署搜索引擎模拟真实场景实现零成本训练
2025-05-31 阿里巴巴 阿里通义 MaskSearch 通义 主流 通过RAMP机制模拟“填空题”训练,使AI学会主动调用搜索引擎查找缺失内容 结合DAPO算法(格式奖励和回答奖励)优化复杂任务表现 兼容Qwen系列及LLaMA等开源模型,支持小型模型性能媲美大规模模型 具备跨数据集的泛化能力,显著提升多步推理和开放域问答的准确性
2025-05-30 阿里巴巴 WebAgent WebAgent 主流 具备端到端的信息检索和多步推理能力 能够像人类一样在网络环境中主动搜索、分析和决策 由WebDancer(智能体训练框架)和WebWalker(基准测试工具)两大模块组成 利用DAPO算法提升数据效率和策略鲁棒性
2025-05-29 阿里巴巴 OmniAudio - 主流 直接从360°视频生成FOA(一阶Ambisonics)空间音频、支持360V2SA(360-degree Video to Spatial Audio)任务、采用自监督预训练与有监督微调两阶段训练方法、构建Sphere360数据集,包含103,000+真实视频片段
2025-05-28 阿里巴巴 CoGenAV 通义大模型 主流 采用“对比生成同步”策略,利用ResNet3D CNN分析唇部动作与Transformer提取音频特征进行精确对齐、通过Seq2Seq Contrastive Learning和生成同步训练提升音视频特征对应关系及跨模态融合效率、具备出色的抗噪能力和数据效率,仅用223小时唇动视频训练即可达到媲美传统模型的效果、可直接接入主流语音识别模型(如Whisper),无需修改或微调即可实现视觉语音识别功能
2025-05-27 阿里巴巴 QwenLong-L1 QwenLong 主流 渐进式上下文扩展强化学习训练 混合奖励函数(规则验证+LLM-as-a-Judge) 难度感知的回溯采样机制 具备信息定位、子目标设定、回溯和验证等推理行为
2025-05-19 阿里巴巴 WorldPM-72B WorldPM 主流 基于1500万条偏好数据超大规模训练 遵循与语言建模相似的规模化定律 专为评估和优化其他模型输出设计 在编码、数学等精确推理任务中表现优异
2025-05-14 阿里巴巴 通义万相 Wan2.1-VACE 通义万相 主流 同时实现文生视频、图像参考视频生成、视频重绘、局部编辑、背景延展和时长延展等多项基础生成和编辑功能
2025-05-09 阿里巴巴 通义千问 3 通义千问 主流 全球累计下载量突破1250万次 衍生模型数量超过13万个,跃居全球第一 在代码助手、智能客服、Agent开发等多个垂直领域获得广泛应用
2025-05-09 阿里巴巴 ZeroSearch - 主流 基于强化学习框架,无需与真实搜索引擎交互即可激发大模型搜索能力 利用大规模预训练知识转化为高效检索模块 动态控制生成内容质量 大幅降低训练成本(140亿参数模型成本降低87.93%以上)
2025-05-03 阿里巴巴 阿里云通义点金 DianJin-R1-7B DianJin-R1 主流 融合监督微调(SFT)和强化学习(RL)两阶段优化 基于 Multi-Agent System 数据合成 全面开源 Reasoning 数据集 DianJin-R1-Data 针对金融推理任务设计,支持结构化输出
2025-05-03 阿里巴巴 阿里云通义点金 DianJin-R1-32B DianJin-R1 主流 融合监督微调(SFT)和强化学习(RL)两阶段优化 基于 Multi-Agent System 数据合成 全面开源 Reasoning 数据集 DianJin-R1-Data 针对金融推理任务设计,支持结构化输出
2025-05-01 阿里巴巴 Qwen2.5-Omni-3B Qwen2.5-Omni 主流 显存使用减少50%,适合普通消费者GPU、端到端多模态处理,支持文本、图像、音频、视频、支持完全实时的语音和视频聊天功能、处理分块输入并即时输出响应
2025-04-29 阿里巴巴 Qwen3-30B-A3B Qwen3 主流 混合推理开源模型 MoE架构 激活参数仅为QwQ-32B的10%但性能更优
2025-04-29 阿里巴巴 Qwen3-32B Qwen3 主流 稠密模型,32B参数量达到可观水平、预训练数据约36万亿token、具备思考/非思考模式切换
2025-04-29 阿里巴巴 Qwen3-14B Qwen3 主流 稠密模型、预训练数据约36万亿token、具备思考/非思考模式切换
2025-04-29 阿里巴巴 Qwen3-8B Qwen3 主流 稠密模型、预训练数据约36万亿token、具备思考/非思考模式切换
2025-04-29 阿里巴巴 Qwen3-1.7B Qwen3 主流 小尺寸稠密模型、预训练数据约36万亿token、具备思考/非思考模式切换
2025-04-29 阿里巴巴 Qwen3-0.6B Qwen3 主流 最小尺寸稠密模型、预训练数据约36万亿token、具备思考/非思考模式切换
2025-04-29 阿里巴巴 Qwen3-235B-A22B Qwen3 主流 支持思考模式和非思考模式无缝切换;支持高达131,072个令牌的原生上下文长度(通过YaRN扩展);支持119种语言和方言;混合专家(MoE)架构优化推理速度和资源效率
2025-04-23 阿里巴巴 DyDiT DiT 主流 通过时间步长与空间区域的智能资源分配,将DiT模型推理算力削减51%、生成速度提升1.73倍,FID指标几乎无损、仅需不到3%的微调成本即可适配、可根据资源限制灵活调整计算量,自动适配模型参数
2025-04-07 阿里巴巴 OmniTalker - 主流 通过上传参考视频实现表情、声音和说话风格精准模仿 采用双分支 DiT 架构,同时从文本和参考视频生成同步语音和视频 引入多模态特征融合模块,提升音视频整合效果 具备零样本条件下的强大能力
2025-03-27 阿里巴巴 Qwen2.5-Omni-7B Qwen2.5-Omni 主流 Thinker-Talker双核架构,实现端到端全模态处理、支持文本、图像、音频、视频跨模态理解与流式生成、支持实时音视频交互,分块输入和即时输出、自然流畅的语音生成,超越现有流式和非流式方案、卓越的全模态性能,在同等规模单模态模型基准测试中表现优异
2025-03-25 阿里巴巴 Qwen2.5-VL-32B-Instruct Qwen2.5-VL 主流 回复更符合人类主观偏好,输出风格更细致、规范 数学推理能力大幅提升,准确解决复杂数学问题 图像细粒度理解与推理增强,解析能力更强 32B参数量,解决72B太大和7B不够强的问题,适合多模态AI Agent部署
2025-03-25 阿里巴巴 TaoAvatar - 主流 照片级逼真的3D全身可说话虚拟人 面部表情和手势根据语音内容动态生成(Audio2BS) 支持90FPS实时渲染,适配Apple Vision Pro等高清设备 低存储需求,跨平台兼容移动和AR设备
2025-03-11 阿里巴巴 R1-Omni R1 主流 首次将DeepSeek同款RLVR(可验证奖励强化学习)应用于全模态LLM 结合GRPO强化学习方法,无需单独奖励模型 具备情感识别过程中的可解释性推理能力 在分布外数据集上展现更强鲁棒性和泛化能力
2025-03-07 阿里巴巴 Babel Babel 主流 支持全球使用人数最多的前25种语言,覆盖超过90%世界人口 采用独特的层扩展技术提升模型能力,兼顾性能与计算效率 推出Babel-9B(优化单GPU推理和微调)和Babel-83B(830亿参数)两款模型 在资源匮乏语言处理上准确率提升5%-10% 聊天版本(Babel-9B-Chat和Babel-83B-Chat)性能媲美GPT-4o等顶尖商业模型
2025-03-06 阿里巴巴 通义千问 QwQ-32B 通义千问 主流 经过大规模强化学习 支持消费级显卡本地化部署 大幅降低部署和使用门槛
2025-03-06 阿里巴巴 QwQ-32B QwQ 主流 仅用320亿参数性能追平6710亿参数的DeepSeek-R1满血版、支持消费级显卡及Mac本地部署,运行流畅、采用多阶段强化学习(RL Scaling)技术提升推理能力、集成Agent相关能力,支持工具使用与动态策略调整
2025-03-03 阿里巴巴 ViDoRAG - 主流 采用多智能体框架设计,结合动态迭代推理代理与基于GMM的混合检索技术 通过多模态数据融合(视觉与文本)提升复杂文档处理性能 动态调整检索和生成过程,有效减少“幻觉”现象 专为视觉文档理解设计的检索增强生成(RAG)系统
2025-02-27 阿里巴巴 Wan2.1 1.3B Wan 主流 1.3B参数版本,支持480P分辨率 支持12GB显存的4070显卡流畅运行
2025-02-26 阿里巴巴 通义万相 2.1 通义万相 主流 1. 提供14B专业版(高性能)和1.3B极速版(低显存8.2GB即可运行)双版本 2. 采用自研高效3D因果VAE模块,实现256倍无损视频隐空间压缩 3. 基于DiT结构的Full Attention机制,有效建模时空依赖性 4. 采用6阶段分步训练法及多项训练推理优化技术
2025-02-25 阿里巴巴 QwQ-Max-Preview QwQ 主流 擅长数学、编程、与Agent相关的任务 未来将以Apache2.0许可协议开源 会有32B等本地部署版本
2025-02-21 阿里巴巴 Wanx 2.1 WanX 主流 全球首个支持中英文文字特效的视频生成模型 支持无限长1080P视频的高效编解码 精准还原碰撞、反弹、切割等复杂物理规律场景 解决传统模型肢体扭曲、动作僵硬问题
2025-02-21 阿里巴巴 Ovis2 Ovis 主流 强化小规模模型能力密度,通过指令微调和偏好学习提升思维链(CoT)推理能力 引入视频和多图像处理能力,增强多语言能力和复杂场景下的OCR能力 架构由视觉tokenizer、视觉嵌入表和LLM构成,解决模态间嵌入策略差异 采用四阶段训练方法,包括视觉模块训练、特征增强、对话对齐及多模态指令训练 开发关键帧选择算法,基于帧与文本相关性、组合多样性和序列性提升视频理解性能
2025-02-11 阿里巴巴 InspireMusic - 主流 集音乐、歌曲及音频生成能力于一体的开源AIGC工具包 支持文生音乐创作,涵盖多种曲风、情感表达和复杂音乐结构控制 提供fast模型和高音质模型两种推理模式 降低音乐创作门槛,支持通过文字描述或音频提示生成音乐
2025-02-01 阿里巴巴 Wan2.1-FLF2V-14B Wan2.1 主流 采用DiT架构与Full Attention机制,精准捕捉长时程时空依赖 引入额外条件控制分支,支持首尾帧作为控制条件实现流畅变换 采用基于线性噪声轨迹的流匹配(Flow Matching)训练方法 支持720p分辨率、5秒时长视频生成,推理采用FlashAttention3INT8与FP8混合算子量化
2025-01-28 阿里巴巴 Qwen2.5-VL Qwen2.5-VL 主流 支持超过1小时的视频理解,可搜索具体事件及分段时间总结 无需微调即可变身为AI视觉智能体(Visual Agents),实现手机和电脑的多步骤复杂操作 增强OCR识别能力,支持多场景、多语言和多方向的文本识别与定位 提升信息抽取能力,满足资质审核、金融商务等数字化需求
2025-01-27 阿里巴巴 Qwen2.5-7B-Instruct-1M Qwen2.5 主流 首次将Qwen模型上下文扩展至1M长度;采用Dual Chunk Attention (DCA)技术解决长上下文性能下降问题;引入基于MInference的稀疏注意力机制,推理速度提升3.2-6.7倍;在保持短序列性能的同时实现长序列处理能力的显著增强
2025-01-27 阿里巴巴 Qwen2.5-14B-Instruct-1M Qwen2.5 主流 首次将Qwen模型上下文扩展至1M长度;采用Dual Chunk Attention (DCA)技术解决长上下文性能下降问题;引入基于MInference的稀疏注意力机制,推理速度提升3.2-6.7倍;在保持短序列性能的同时实现长序列处理能力的显著增强
2025-01-17 阿里巴巴 EMO2 EMO 主流 支持通过单张肖像图片和任意长度音频驱动人物说话、唱歌或手势舞 生成具备高度感染力和专业水准的表情与动作 解决以往方法中肢体错乱、动作幅度不够、表现力不足的问题 通过音频与手部动作的强相关性,利用逆向运动学(IK)和像素先验知识生成自然流畅的全身动作
2025-01-16 阿里巴巴 Qwen2.5-Math-PRM-7B Qwen2.5-Math-PRM 主流 结合蒙特卡洛估计与LLM判断的混合机制 共识过滤降低数据噪声约60% 强调分步评估而非基于结果的BoN策略
2025-01-16 阿里巴巴 Qwen2.5-Math-PRM-72B Qwen2.5-Math-PRM 主流 结合蒙特卡洛估计与LLM判断的混合机制 共识过滤降低数据噪声约60% 强调分步评估而非基于结果的BoN策略
2025-01-11 阿里巴巴 淘宝星辰视频生成大模型 淘宝星辰 主流 基于海量电商数据与设计语言,自动识别并应用最适合不同类别商品的展示手法 深度理解参考图片和多语种指令(中/英),精准捕捉文本指令中的关键动作信息 严格遵循物理规律和动作规范,确保画面流畅自然,避免不符合现实的画面效果 针对人脸、商品、文字、贴纸等装饰元素,始终保持清晰、完整、无抖动或变形
2024-12-18 阿里巴巴 AuctionNet - 主流 包含大规模广告竞拍环境、预生成的5亿条记录(80GB)数据集及基础出价决策算法评估
2024-12-16 阿里巴巴 CosyVoice2.0 CosyVoice 主流 双向流式语音合成,首包合成延迟150ms 发音错误率较前一版本下降30%至50% 支持粤语、四川话、郑州话、天津话、长沙话等方言及角色扮演 支持细粒度情感控制和跨语言语音合成
2024-12-06 阿里巴巴 ClearerVoice-Studio ClearerVoice 主流 集成语音增强、语音分离和音视频说话人提取功能 大幅提升了语音降噪和分离的性能 最大限度消除背景噪声,保留语音清晰度 保持语音失真最小化
2024-12-02 阿里巴巴 ACE 通义万相 主流 支持口语化指令进行图片生成与编辑 具备可控视觉编辑、元素修改、区域重绘、分层编辑功能 支持文生图及局部风格化 内置Long-context Condition Unit (LCU)模块处理多模态条件输入
2024-11-27 阿里巴巴 Qwen2vl-Flux Qwen2vl 主流 支持图像变化,无需文本提示即可根据原图生成多幅相似图像 支持文本引导图像混合,将输入图像与文本内容融合 支持图像引导图像混合,实现角色合体或场景转换 具备网格风格迁移功能,允许对图像特定部分进行精细化修改
2024-11-20 阿里巴巴 XiYan-SQL - 主流 引入M-Schema半结构化架构表示方法,增强对数据库层次结构的理解 融合多生成器集成策略,结合提示工程和SFT优势 采用三阶段流程(架构链接、候选生成、优化筛选)确保查询准确性
2024-11-16 阿里巴巴 阿里国际 Marco-o1 Marco 主流 使用超长CoT数据进行微调(self-play+MCTS构建) 推理阶段使用MCTS扩展解空间(Step和mini-Step粒度) 创新地将大型推理模型应用于翻译任务 强调开放式问题的解决方案
2024-11-07 阿里巴巴 八观 - 主流 预测时空精度最高可达1公里×1公里×1小时;采用“全球-区域”协同预测策略;支持轻量化部署;基于多模态、多元数据集训练
2024-11-06 阿里巴巴 八观气象大模型 - 主流 时空精度最高达到1公里 ×1公里和1小时 基于自研全球气象大模型,融合场站数据、气象实况、雷达图像、卫星图像及开源地形 采用预训练和孪生 MAE 掩蔽自编码器结构 显著提升新能源发电功率和电力负荷预测准确率
2024-11-01 阿里巴巴 EcomID EcomID 主流 完美继承InstantID和PulID优势 基于200万张精选人像图像训练 支持ComfyUI原生插件 支持基础和换脸两种工作流程 支持独立调节ip-adapter模型和ControlNet权重参数
2024-10-24 阿里巴巴 开源数字人实时对话Demo - 主流 支持语音输入和实时对话 数字人形象可自定义 对话首包延迟低至3秒 基于开源技术,模块化设计,便于快速集成和定制
2024-10-24 阿里巴巴 VideoChat - 主流 支持语音输入和实时对话;数字人形象可自定义;基于开源技术模块化设计,各模块可快速更换;采用流式输出并行流水线,降低等待时间
2024-10-23 阿里巴巴 CoI-Agent - 主流 根据输入的论文主题快速生成相关的科研idea 帮助科研人员头脑风暴、发散思维 自动生成相关的关键词、研究问题、研究方法等 广泛应用于各个科研领域,提高研究效率
2024-10-16 阿里巴巴 FLUX.1-dev-ControlNet-Inpainting-Beta FLUX 主流 1. 支持1024x1024分辨率直接生成,无需放大;2. 增强细节生成与高保真复原非重绘区域;3. 改进提示词控制,减少底模能力影响;4. 填补FLUX公开修复插件空白
2024-10-16 阿里巴巴 阿里国际 Marco-MT - 主流 深入分析上下文和场景,提供精准翻译 具备文化敏感性,处理地道表达(如“光腿神器”) 支持15种语言互译,涵盖主流及小语种 基于数十亿高质量电商数据训练
2024-10-14 阿里巴巴 FLUX.1-Turbo-Alpha FLUX.1 主流 基于FLUX.1-dev训练的8步蒸馏LoRA模型 采用多头判别器显著提高了蒸馏质量 支持文本到图像生成及修复控制网 兼容Diffusers框架和ComfyUI 训练数据超过100万幅图像,具备6.3以上美学评分
2024-09-29 阿里巴巴 FLUX-Controlnet-Inpainting FLUX 主流 基于FLUX.1-dev架构,融合ControlNet技术 支持根据边缘、线稿、深度图进行精准修复 支持自然语言描述进行物体添加、移除或风格改变 分辨率高达768x768,提供详细教程和示例代码
2024-09-25 阿里巴巴 Alibaba MIMO - 主流 仅需一张静态图片和简单动作指令即可生成可操控的虚拟角色 融合2D视频信息与3D空间建模,无需多角度拍摄或单独训练 支持真人替换真人及纸片人替换视频人物的完美角色替换 能从现实世界视频提取复杂动作并应用于虚拟角色,处理遮挡和景深
2024-09-20 阿里巴巴 Ovis Ovis 主流 具备强大的图像理解和数据处理能力 支持文本、图像等多模态数据处理 支持菜品识别并提供烹饪步骤 支持数学推理、物体识别和复杂决策 支持手写文本翻译
2024-09-19 阿里巴巴 Qwen2.5-Coder Qwen 主流 支持超过40种编程语言 提供Base和Instruct两种模型 覆盖0.5B/3B/14B/32B四个尺寸 在代码生成、修复和推理方面达到SOTA水平
2024-09-19 阿里巴巴 Qwen2.5-Math Qwen 主流 支持思维链和工具集成推理(TIR) 解决中英双语数学题 开源数学奖励模型Qwen2.5-Math-RM
2024-09-19 阿里巴巴 通义万相 AI 生视频 通义万相 主流 支持文本提示词快速生成视频 优化中式元素与国风内容表现 支持多语言输入和可变分辨率生成 具备“灵感扩写”功能辅助创作 支持视频内容同步音频生成
2024-09-19 阿里巴巴 通义万相视频生成模型 通义万相 主流 生成影视级高清视频 支持文生视频和图生视频
2024-09-14 阿里巴巴 通义视频生成大模型 通义 主流 包含“文生视频”和“图生视频”两种创作模式 具备强大的画面视觉动态生成能力,擅长概念理解与组合生成 支持多种艺术风格,带来影视级质感的画面 支持多语言和适配多种规格比例的视频
2024-09-14 阿里巴巴 AddressCLIP - 主流 基于CLIP构建的端到端图像地理定位模型 支持街道级精度的街景定位 通过BLIP语义标注与地理匹配损失优化特征空间对齐 支持灵活多样的候选地址文本查询形式
2024-08-30 阿里巴巴 Qwen2-VL-7B Qwen2-VL 主流 支持实时分析长达20分钟的视频 支持静态图片分析和视频内容总结 支持英语、中文、日语、韩语、阿拉伯语、越南语等多种语言 引入 Naive Dynamic Resolution 支持不同分辨率图像 引入 Multimodal Rotary Position Embedding (M-ROPE) 系统
2024-08-30 阿里巴巴 Qwen2-VL-2B Qwen2-VL 主流 支持实时分析长达20分钟的视频 支持静态图片分析和视频内容总结 支持英语、中文、日语、韩语、阿拉伯语、越南语等多种语言 引入 Naive Dynamic Resolution 支持不同分辨率图像 引入 Multimodal Rotary Position Embedding (M-ROPE) 系统
2024-08-30 阿里巴巴 Qwen2-VL-72B Qwen2-VL 主流 支持实时分析长达20分钟的视频 支持静态图片分析和视频内容总结 支持英语、中文、日语、韩语、阿拉伯语、越南语等多种语言 引入 Naive Dynamic Resolution 支持不同分辨率图像 引入 Multimodal Rotary Position Embedding (M-ROPE) 系统
2024-08-29 阿里巴巴 月球科学多模态专业大模型 通义 主流 结合视觉、多模态及自然语言技术 采用RAG检索增强技术 在阿里云百炼专属版上进行微调及训练 支持输入撞击坑图像和问题进行多模态判定与回答
2024-08-19 阿里巴巴 mPLUG-Owl3 mPLUG-Owl 主流 极速推理:First Token Latency缩小6倍,单张A100可建模400张图片,4秒看完2小时电影、高效架构:通过Hyper Attention模块将文本Transformer扩展为多模态,无需提前拼接视觉序列,规避长视觉序列计算开销、多图推理:支持多图理解与推理,能识别图片间风格差异及角色一致性、长视频理解:支持端到端长视频理解,对电影开头、中间、结尾片段提问均能准确回答、检索增强:支持基于多模态检索知识的回复,并给出判断依据
2024-08-10 阿里巴巴 Qwen2-Math-72B-Instruct Qwen2-Math 主流 专用于数学解题,能够解决竞赛级试题 支持代数、几何、计数与概率、数论等多种数学问题 目前主要针对英文场景,支持中文题目英文回答 中英双语版本将在之后推出
2024-08-05 阿里巴巴 Tora - 主流 采用Diffusion Transformer (DiT)架构,支持长达60秒的高质量视频生成 支持文本、静态图像及动态轨迹等多种输入方式,实现精准的运动控制 引入轨迹提取器(TE)和运动引导融合器(MGF),将任意轨迹编码为分层时空运动patch 在长时间、高分辨率视频生成中保持高保真度,轨迹精度达到其他方法的3到5倍
2024-07-08 阿里巴巴 FunAudioLLM FunAudioLLM 主流 支持中英日粤韩五种语言 支持超过50种语言识别 具备情感识别和声音事件检测能力 支持多语言翻译、情绪语音对话、互动播客和有声读物等场景
2024-07-08 阿里巴巴 寻光 - 主流 PUGC一站式AI视频创作平台 支持剧本创作、分镜图生成及工作流整合 提供人物、场景、风格、运镜等十多种AI编辑功能 业界首次推出基于图层的视频编辑与融合功能
2024-07-06 阿里巴巴 CosyVoice FunAudioLLM 主流 支持中英日粤韩5种语言生成 支持3~10s原始音频模拟音色 支持以富文本或自然语言形式对情感、韵律进行细粒度控制 提供基模型、SFT微调模型及支持细粒度控制的Instruct模型
2024-07-06 阿里巴巴 SenseVoice FunAudioLLM 主流 支持超过50种语言识别 支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件检测 支持情感辨识 SenseVoice-Small为轻量级编码器模型,SenseVoice-Large为编解码器大型模型
2024-06-13 阿里巴巴 Mobile-Agent-v2 Mobile-Agent 主流 首次在手机操作任务上采用多智能体架构、延续了一代的纯视觉方案、具备更强大的复杂指令拆解能力、跨应用操作能力和多语言场景操作能力、通过规划智能体、记忆单元和反思智能体实现有效的任务进度追踪和操作反思
2024-06-07 阿里巴巴 Qwen2-72B Qwen2 主流 1. 数学、代码能力显著提升 2. 支持最高128k上下文长度 3. 增强27种非中英文的多语言能力 4. 安全性与GPT-4相当
2024-05-29 阿里巴巴 LucaOne - 主流 全生物系统的核酸语言+蛋白语言的融合基座模型 由核酸(DNA、RNA)和蛋白质序列联合训练而来 采用Transformer-Encoder架构,由20个编码器块组成,嵌入维度为2560 使用Pre-Layer归一化和旋转位置嵌入(RoPE) 涵盖169861个物种的核酸和蛋白质序列和注释信息
2024-05-10 阿里巴巴 通义千问 2.5 通义千问 主流 理解、逻辑推理、指令遵循、代码能力显著提升 中文能力突出 单次处理多达1000万字长文档,支持100份不同格式文档解析 音视频理解能力迭代升级
2024-05-10 阿里巴巴 CodeQwen1.5-7B 通义千问 主流 专业提供智能编码能力 插件下载量超过350万
2024-04-27 阿里巴巴 阿里巴巴通义实验室 AgentScope - 主流 提供拖拽式编程范式(AgentScope Workstation)与交互式编程助手(AgentScope Copilot) 内置OpenAI、DashScope、Gemini、Ollama等多种平台模型API,深度兼容大模型开源生态 支持分布式并行模式,单台机器(64核8卡A100)可运行16000+智能体实例 提供透明可控的开发过程,支持API开销自动统计、预算设置及超额报警
2024-04-02 阿里巴巴 mPLUG-DocOwl 1.5 mPLUG-DocOwl 主流 无需OCR识别即可理解文档内容 主打结构信息理解,涵盖文档、网页、表格、图表和自然图像 设计H-Reducer模块保留布局信息并减少视觉特征长度 基于400万样本训练集DocStruct4M和2.5万样本推理微调数据集DocReason25K 采用两阶段训练框架(统一结构学习+多任务微调)
2024-03-24 阿里巴巴 Champ - 主流 一张照片+一段视频即可生成视频 支持不同图像类型(黑白、油画、水彩、虚拟人物)的泛化 解决体型迁移问题,保持参考图像人体体型 显著提升人体运动视频质量及几何外观一致性
2024-02-27 阿里巴巴 EMO - 主流 输入单张参考图像和一段音频即可生成表情生动的AI视频 支持任意时长视频生成(演示最长1分49秒) 支持多种语言交谈与唱歌(普通话、广东话、英语、日语、韩语等) 支持不同画风(照片、传统绘画、漫画、3D渲染、AI数字人)
2024-02-19 阿里巴巴 SCEPTER Studio SCEPTER 主流 支持Stable Diffusion系列(SD 1.5/2.1/SDXL)模型的训练与微调 提供Web界面一站式完成模型训练、微调和数据管理 内置SCEdit微调框架,相比LoRA节约30%-50%内存开销 集成文生图和可控图像合成等推理功能及Prompt合集
2024-01-18 阿里巴巴 MotionShop - 主流 将视频中人物角色替换成3D形象,同时不改变其他场景和人物
2023-12-26 阿里巴巴 VideoLCM - 主流 仅需约4步推理去噪即可生成高保真视频 极大提升视频生成效率 基于TF-T2V模型蒸馏得到
2023-11-14 阿里巴巴 夸克大模型 夸克 主流 基于Transformer架构自主研发 每天对亿级图文数据进行训练和精调 具备不良、虚假信息识别、回答和指引能力 拥有广泛的知识覆盖、上下文理解、创造性表达、信息搜集和整合、多语言支持 具备外接专业知识增强、检索增强能力
2023-10-20 阿里巴巴 遥感AI大模型 AIE-SEG 主流 一个模型即可识别农田、农作物、建筑等地表万物 率先在遥感领域实现了图像分割的任务统一,实现“万物零样本”快速提取 支持多模态交互,可根据用户交互式反馈自动调优 提供“开箱即用”的API调用服务,支持水体提取、耕地变化监测等定制功能
2023-10-03 阿里巴巴 DAMO-YOLO DAMO-YOLO 主流 整合自研MAE-NAS技术,可低成本自定义模型以适配不同算力场景 结合Efficient RepGFPN及HeavyNeck范式,显著提升多尺度及小物体检测能力 提出全尺度通用蒸馏技术,对小、中、大模型均能无痛提升精度
2023-09-24 阿里巴巴 Paraformer-large Paraformer 主流 集成语音端点检测、语音识别、标点和时间戳功能,支持数小时音频直接识别并输出带标点文字及字级别时间戳;支持基于用户热词列表增强记忆,提升垂直领域热词召回和精度
2023-09-19 阿里巴巴 通义千问 2.0 通义千问 主流 复杂指令理解、文学创作、通用数学、知识记忆、幻觉抵御、指令遵循、工具使用、精细化创作、多模态(图片输入、文档解析)、插件功能
2023-09-19 阿里巴巴 通义灵码 通义 主流 专业提供智能编码能力 支持个人程序员及企业版本 插件下载量超过350万
2023-09-16 阿里巴巴 MSAgent-Qwen-7B MSAgent 主流 通过Weighted LM训练方法提升开源大模型工具指令调用能力 配套开源中英文工具指令调用数据集MSAgent-Bench
2023-09-04 阿里巴巴 SeqGPT SeqGPT 主流 统一任务范式:将NLU任务转化为抽取和分类两个原子任务,提供一致输入输出格式
2023-09-04 阿里巴巴 EcomGPT - 主流 基于GPT-2架构 使用电商领域指令微调 包含122个训练任务和150万条数据 针对电商场景优化(如商品标题生成、品牌识别等)
2023-06-12 阿里巴巴 VideoComposer VideoComposer 主流 通过组合式生成范式同时实现视频在时间和空间两个维度上的可控性 将视频分解为文本、空间(单张图/草图/风格)和时序(运动矢量/深度序列/掩膜/草图序列)三种引导条件 设计时空条件编码器 (STC-encoder) 保证条件驱动视频的时空连续性 支持通过单张图、手绘图等生成特定视频,以及控制目标的运动风格
2023-04-07 阿里巴巴 通义千问 通义 主流 自动写工作方案、生成应用 生成会议记录并自动总结会议纪要、生成待办事项 自动总结未读群聊信息中的要点,生成摘要和待办 拍照生成小程序(上传功能草图,无需写代码即可生成轻应用)
2023-03-20 阿里巴巴 文本转视频AI - 主流 文本转视频
2022-12-22 阿里巴巴 Paraformer - 主流 首次在工业级应用层面解决端到端识别效果与效率兼顾的难题;采用基于CIF的Predictor预测文字个数并抽取声学特征;通过GLM启发的Sampler模块增强上下文语义建模;支持GPU推理,效率提升5~10倍;使用6倍下采样的低帧率建模方案,计算量降低近6倍
2022-11-04 阿里巴巴 通义万相 通义 主流 支持中文 在线Demo体验 1行代码实现模型推理
2022-09-03 阿里巴巴 通义大模型 通义 主流 统一底座:单一模型同时处理超过10项跨模态任务,升级后可处理超过30种 架构统一:使用Transformer编解码器架构,统一预训练和微调,无需新增特定模型层 模态统一:NLP、CV及多模态任务采用同一框架和训练思路 任务统一:将单模态、多模态任务统一表达为Seq2seq生成形式
2022-07-12 阿里巴巴 FEDformer - 主流 融合transformer与信号处理(傅立叶/小波变换) 设计周期趋势项分解模块以降低波动 具有更好的鲁棒性 已应用于电网负荷预测
2022-05-05 阿里巴巴 FederatedScope - 主流 将联邦过程与模型训练行为解耦,支持自定义消息类型和处理行为 采用事件驱动编程范式,集成异步训练策略 核心框架不依赖特定深度学习后端,兼容PyTorch和TensorFlow等不同环境 集成自动调参、隐私保护、性能监控、端模型个性化等功能模块
2022-01-27 阿里巴巴 洛犀平台 - 主流 提供端云协同模型训练、部署、通信能力的一站式平台 包含端侧(Luoxi-lite)、云侧(Luoxi-cloud)及端云链路三部分 支持大小模型协同进化,实现高精度压缩与端云协同推理
2021-11-09 阿里巴巴 M6-10T M6 主流 1. 10万亿参数规模,512张GPU训练10天 2. 自研Whale分布式框架,支持粒度可控的CPU offload 3. 采用共享解除(Pseudo-to-Real)训练策略,加速收敛 4. 结合StyleGAN实现少样本图像自动生成,生成接近实物照片效果
2021-06-24 阿里巴巴 StructBERT AliceMind 主流 在BERT基础上增加词级别和句级别两个新目标函数;掌握“汉字序顺不响影读阅”能力,对语序错乱、语法不规范词句仍能准确理解;基于Transformer架构。
2021-06-24 阿里巴巴 StructVBERT AliceMind 主流 同时引入文本和图像模态;利用更高效的视觉特征和创新的交叉注意力机制;在统一的多模态语义空间进行联合建模。
2021-06-24 阿里巴巴 StructuralLM AliceMind 主流 结构化语言模型;基于Transformer架构。
2021-06-24 阿里巴巴 Alibaba DAMO Academy UED AliceMind 主流 机器阅读理解模型;基于Transformer架构。
2021-06-24 阿里巴巴 LatticeBERT AliceMind 主流 知识驱动的语言模型;基于Transformer架构。
2021-06-24 阿里巴巴 PALM AliceMind 主流 生成式语言模型;预训练目标从重构输入文本改为预测后续文本;促使模型对输入文本进行更深入理解。
2021-05-15 阿里巴巴 M6 M6 主流 采用MoE架构及改良的expert prototyping技术解决负载不均衡问题、仅用480张NVIDIA V100 GPU完成训练,实现低碳高效、生成图片分辨率提升至1024×1024,支持高清细节、具备跨模态搜索能力,支持以图搜图及语义匹配、已投入犀牛智造、支付宝、淘宝等商业场景
2021-04-19 阿里巴巴 PLUG - 主流 集语言理解(NLU)和生成(NLG)能力于一身;采用编码器-解码器双向建模;支持零样本生成与微调;提供4个文本长度选项(32~512字)
2021-02-08 阿里巴巴 FRODO - 主流 基于大规模图神经网络,线上实时识别电商虚假交易 线下主动聚类挖掘风险社群,形成联动公检法系统的自动化情报网络 结合线上多视图数据和线下时空数据,解决作弊交易识别和欺诈社区检测的多任务目标 通过少量黑种子找到异常图谱模式和线下风险社群 实现从线上社群检测到线下LBS定位,再到实地勘验取证的全链路风控流程
2020-10-21 阿里巴巴 EasyTransfer - 主流 业界首个面向NLP场景的深度迁移学习框架 支持自动混合精度、编译优化和高效的分布式数据/模型并行策略 集成预训练工具链、ModelZoo及AppZoo,提供一站式服务 支持五种迁移学习范式和10多种算法 集成知识蒸馏算法(如AdaBERT),实现模型压缩与推理加速
2020-01-01 阿里巴巴 小蛮驴 - 主流 具备量产水平,支持L4级自动驾驶 日均配送可达10万件,单车日均近300单 适应复杂校园环境和多种气候(雨雪、雾霾等) 成本低于业界平均10%达到同等精度定位
2020-01-01 阿里巴巴 太章2.0 - 主流 大规模量子开发平台(ACQDP) 实现大规模量子电路模拟 帮助大规模量子计算机、量子硬件研发
2020-01-01 阿里巴巴 阿里巴巴达摩院 AI EARTH - 主流 遥感AI平台 对卫星影像、无人机影像、实时视频流、气象数据、IoT数据等多源地球观测数据进行融合分析 实现建筑、土地、植被、河流等多种目标信息的智能解译及变化感知
2020-01-01 阿里巴巴 CT影像系统 - 主流 医疗AI 在浙江、河南、湖北、上海、广东、江苏等城市及日本、印尼等全球多个国家的600多家医院落地
2019-09-25 阿里巴巴 含光800 含光 主流 阿里云自研AI加速芯片 基于含光800的AI云服务每秒可实现1600万亿次级别深度学习计算 配合AIACC加速框架显著提升训练与推理性能
2019-07-07 阿里巴巴 ESIM - 主流 增强序列推断模型 基于强化版LSTM 包含输入编码、局部推断建模和推断合成三个部分
2019-01-01 阿里巴巴 玄铁910 玄铁 主流 基于RISC-V开源架构开发,核心针对高性能计算 单位性能7.1 Coremark/MHz,主频在12nm工艺下达到2.5GHz 性能比公开的RISC-V最好处理器提升40%,主频功耗仅为0.2瓦 采用3发射8执行的复杂乱序执行架构,首个实现每周期2条内存访问 对RISC-V指令进行系统性增强,扩展到50+条指令