记者 李莉 张迪驰

3月27日凌晨，阿里巴巴发布并开源首个端到端全模态大模型通义千问Qwen2.5-Omni-7B，记者了解到，该模型可同时处理文本、图像、音频及视频输入，并实时生成文本与自然语音输出。在权威的多模态融合任务OmniBench等测评中，Qwen2.5-Omni以全维度领先表现刷新业界纪录，大幅超越Google Gemini-1.5-Pro等同类模型，成为目前全球性能最强的全模态大模型。

据介绍，Qwen2.5-Omni采用通义团队首创的Thinker-Talker双核架构与TMRoPE位置编码算法，构建了类人“大脑”与“发声器”协同的端到端架构。通过实时流式处理，模型能统一感知所有模态信息，并高效完成语义理解与语音生成。其创新性的位置嵌入技术还实现了音视频时序对齐，使模型能以接近人类的多感官方式“立体”认知世界，甚至在交互中识别情绪，为复杂任务提供更智能、自然的反馈与决策支持。

在同等规模单模态权威基准测试中，Qwen2.5-Omni展现出跨模态的全面优势：语音理解、图片/视频解析等能力均超越专业单模态模型，其语音生成测评分数达4.51分，与人类水平持平。尤为重要的是，该模型仅以7B参数规模实现了上述突破，大幅降低全模态大模型的产业应用门槛。开发者可免费下载商用，手机等终端设备也能轻松部署运行。

目前，Qwen2.5-Omni已在魔搭社区、Hugging Face平台开源，用户还可通过Qwen Chat直接体验其多模态交互能力。