Hacker News 中文摘要

RSS订阅

Qwen3-Omni-Flash-2025-12-01：新一代原生多模态大模型 -- Qwen3-Omni-Flash-2025-12-01：a next-generation native multimodal large model

原文链接 | HN讨论 | 2025-12-11 03:26:27

文章摘要

通义千问Qwen3-Omni-Flash-2025-12-01是多模态大模型升级版，能同时处理文本、图像、音频和视频输入，并实时生成文本与语音输出。新版大幅提升了视听交互体验，优化了多模态指令的理解与执行能力。

文章总结

标题：Qwen3-Omni-Flash-2025-12-01：听懂你，看懂你，更智能地跟随！

主要内容：

Qwen3-Omni 是一款新一代原生多模态大模型，能够无缝处理文本、图像、音频和视频等多种输入模态，并通过实时流式响应同时生成文本和自然语音输出。最新版本 Qwen3-Omni-Flash-2025-12-01 在模型性能和效率上进行了多项优化升级。

核心升级亮点

  1. 大幅增强的视听交互体验

    • 显著提升对音频和视觉指令的理解与执行能力，有效解决日常口语场景中的“智能下降”问题。
    • 多轮视听对话的稳定性和连贯性大幅提升，交互更加自然流畅。

  2. 强化系统提示控制

    • 支持完全自定义系统提示，精准控制模型行为，包括人物风格（如甜美、酷炫、动漫风）、口语化偏好或输出长度限制等。

  3. 更可靠的多语言支持

    • 支持 119 种语言 的文本交互、19 种语言 的语音识别和 10 种语言 的语音合成。
    • 解决了此前版本的语言跟随不稳定性，确保不同语境下的准确性和一致性。

  4. 更自然流畅的语音合成

    • 显著提升韵律自适应控制，智能调整语速、停顿和语调，使语音输出更富有表现力，接近真人发音。

性能表现

相比上一版本 Qwen3-Omni-Flash，新模型在各项基准测试中均有显著提升：

  • 文本理解与生成：逻辑推理（ZebraLogic +5.6）、代码生成（LiveCodeBench-v6 +9.3）、写作质量（WritingBench +2.2）全面提升。
  • 语音理解：在 Fleurs-zh 数据集上词错率降低，VoiceBench 提升 +3.2，增强真实对话场景的理解能力。
  • 语音合成：中文及多语言场景下语音质量更高，韵律和节奏更接近自然人类语音。
  • 图像理解：视觉推理任务表现突出，MMMU +4.7，MathVision_full +2.2，能更精准解析复杂图表和数学图形。
  • 视频理解：语义理解能力稳步提升（MLVU +1.6），视听同步性增强，为实时视频对话奠定基础。

此次升级使 Qwen3-Omni-Flash-2025-12-01 真正实现了“听懂你，看懂你，更智能地跟随”的愿景，带来更自然、精准、生动的 AI 交互体验。

未来计划

团队将持续优化模型，包括多说话人语音识别、视频 OCR、音视频主动学习，并增强对智能代理工作流的支持。

引用说明：
若模型对您的研究有帮助，欢迎引用：
bibtex @misc{qwen3_omni_20251201, author = {{Qwen Team, Alibaba}}, title = {{Qwen3-Omni-Flash-2025-12-01：Hear You. See You. Follow Smarter!}}, year = {2025}, url = {https://qwen.ai/blog?id=qwen3-omni-20251201}, urldate = {2025-12-09} }

评论总结

以下是评论内容的总结：

  1. 模型准确性争议

    • 有用户指出AI在回答吉他踏板电阻数量时出错（实际2个，AI回答29个）
      "It replied 29 resistors... Answer is 2 resistors" - dvh

  2. 实时对话功能探讨

    • 关于Qwen3-Omni是否支持类似GPT-4o的实时对话存在疑问与确认
      "Does Qwen3-Omni support real-time conversation like GPT-4o?" - sosodev
      "It does support real-time conversation!" - sosodev

  3. 语音合成的自然度问题

    • 用户指出AI语音存在不自然的"无生命感"，表现为语调单一和语速过于稳定
      "hard to pin down reason of life-lessness... overly stable rate of speech" - binsquare

  4. 模型性能评价

    • 对GPT-4o和Qwen3-Omni的性能表示惊叹，特别是后者作为30B参数的开放权重模型
      "GPT4o in the charts is crazy" - rarisma
      "crushing 2.5 Flash on every benchmark is huge" - banjoe

  5. 本地运行与技术实现

    • 讨论如何在Macbook等设备上量化运行Omni模型，以及缺乏开源解决方案的问题
      "Is there a way to run these Omni models on a Macbook quantized via GGUF or MLX?" - terhechte
    • 开发者关注如何区分语音输出中的思考内容和最终回答
      "how to separate non-diegetic outputs from outputs meant to be heard" - sim04ful

  6. 模型可用性质疑

    • 有用户发现该模型可能仅提供API服务，无法本地部署
      "Looks to be API only. Bummer." - aschobel

  7. 模型参数与架构

    • 指出这是30B参数的MoE模型，激活参数3B，性能接近非Omni版本
      "This is a 30B parameter MoE with 3B active parameters" - gardnr