阿里巴巴发布通义千问3-Omni，中国对闭源多模态大模型的有力回应
中国杭州 — 阿里巴巴在全球人工智能竞赛中打响了重要一枪。该公司近日推出了通义千问3-Omni，这是一个能够同时处理文本、图像、音频和视频的多模态人工智能系统——它是中国首个真正意义上可与OpenAI的GPT-4o和谷歌的Gemini 2.5 Flash抗衡的开源竞争对手。
与许多华而不实但受限的人工智能发布不同，通义千问3-Omni是向公众开放的。仅此一举，便震撼了整个行业，因为西方公司一直以来都倾向于将其技术深锁在闭源壁垒之后。
实时人工智能的巨大飞跃
通义千问3-Omni不仅仅是又一个花哨的聊天机器人。它的核心是一个巧妙的“思考者-发言者”（Thinker-Talker）设计。其中，“思考者”负责处理和分析输入，而“发言者”则能立即以自然语音回复。阿里巴巴并没有将不同的模型拼凑在一起，而是构建了一个端到端的系统，该系统可以跨多种格式进行对话，而不会出现大多数AI系统所面临的尴尬停顿。
测试结果令人瞩目。在阿里巴巴自己的测试中，通义千问3-Omni在36个音视频基准测试中，有32个表现突出。它仅需234毫秒即可对语音输入做出响应——快到足以让人感觉像真实对话——并且能够转录半小时的连续语音而不会遗漏。这种速度和续航能力使其能够与西方巨头一较高下。
该模型支持119种书面语言，识别19种口语，并以10种语言进行语音回复。在幕后，它采用专家混合方法（mixture-of-experts approach），每次仅激活其300亿参数中的约30亿。这种效率意味着它能够发挥远超其自身体量的能力。
为开发者而非仅为展示而生的工具
阿里巴巴没有仅仅推出一个强大的系统，却让开发者自行解决棘手问题，而是将通义千问3-Omni与实用工具捆绑在一起。例如，即用型notebooks、完整的集成指南以及对vLLM部署的支持。对于程序员来说，这意味着可以省去数周的烦恼，直接投入开发。
除了基础模型，阿里巴巴还发布了三个定制版本：
- 通义千问3-Omni-Instruct，一个可以文本和语音对话的多模态助手。
- 通义千问3-Omni-Thinking，专为复杂的推理任务设计。
- 通义千问3-Omni-Captioner，用于深入分析音频内容。
这提供了多种选择，而非“一刀切”的解决方案——这正是开发者一直以来所期待的。
我们的内部测试结果
我们CTOL.digital的工程团队对通义千问3-Omni印象深刻，尤其是其务实的倾向。大家的赞誉集中于一点：阿里巴巴不仅是将模型权重扔到网上，更是为开发者提供了真正的开发指南、示例和可运行的代码，供他们集成到自己的项目中。对于许多人来说，这大幅降低了开发多模态应用的门槛。通义千问3-Omni凭借更好的世界知识，其事实准确性也令人惊喜，这是许多开源竞争对手所不具备的。
然而，Omni并非完美无缺。与阿里巴巴更“重”的通义千问3-Max相比，Omni牺牲了原始深度以换取速度和可用性。它在光学字符识别（OCR）等识别任务中表现出色，但在数学问题上表现不佳，有时会编造答案。在细粒度视觉方面，Max在读取微小文本或整合跨图像区域的上下文方面表现更优。但Max也有其自身特点——过多的表情符号、过度修饰的Markdown格式以及测试人员认为的机械式语气。尽管Omni有其局限性，但感觉更自然。
更广泛的研究推动
此次发布并非孤立事件。阿里巴巴与复旦大学共同，最近推出了“世界偏好建模”（World Preference Modeling）——一个用于在大规模、真实世界人类偏好数据上训练AI的框架。WorldPM并非仅仅依赖小型、人工标注的数据集，而是利用了Reddit、Quora和StackExchange等论坛的数据。
他们的发现很重要：对于编码或数学等事实性和客观性任务，更大的模型在规模扩展时表现出明显的“涌现”增益。而对于主观风格——例如，语气或写作风格——益处则不那么明确，因为人类偏好相互冲突，且噪音会悄然混入。这是向着使AI与真实人类价值观的复杂多样性保持一致迈出的重要一步。
对西方闭源主导地位的挑战
此次发布时机并非偶然。随着中西方紧张关系日益加剧，中国科技公司希望减少对外国AI的依赖。阿里巴巴决定开源通义千问3-Omni与OpenAI和谷歌日益闭源的做法形成鲜明对比。
基准测试结果表明阿里巴巴并非虚张声势。该模型甚至在事实准确性方面超越了竞争对手，捕捉到了其他模型遗漏的细微历史典故。即便如此，它在高级数学和细粒度视觉分析等领域仍有不足。有趣的是，阿里巴巴自家的通义千问3-Max在这些任务上表现更好。但在实时对话或从图像中读取文本等日常应用中，通义千问3-Omni表现出色。
放眼全球
阿里巴巴显然将目光投向了全球受众。该公司推出了英文资料，并展示了面向国际用户的演示。一个引人注目的例子是：通过可穿戴设备进行实时翻译，这暗示着与西方消费级AI产品的直接竞争。
在国内，通义千问3-Omni发布之际，阿里巴巴的夸克聊天机器人登上了中国应用排行榜，其夸克AI眼镜也已上市。这与其说是一次孤立的发布，不如说是阿里巴巴进军AI驱动消费科技领域协同推进的重中之重。
这对行业意味着什么
通过开源通义千问3-Omni，阿里巴巴降低了任何想要构建先进多模态AI的开发者的门槛。过去需要巨大资源才能竞争的开发者，现在拥有了一个坚实的基础模型。这可能激发新一轮创新浪潮，迫使大型企业重新思考他们如何严密保护自己的技术。
一位行业分析师指出：“阿里巴巴基本上提供了一个用于构建强大多模态应用的完整工具包。这改变了各地开发者的游戏规则。”
您已经可以通过通义千问（Qwen Chat）、Hugging Face演示以及阿里巴巴自己的API平台来测试通义千问3-Omni。随附的文档使集成过程比通常的反复试验要顺畅得多。
通过此番大胆举动，中国已坚定地迈入了AI开发的最高层级。而通过保持通义千问3-Omni开源，阿里巴巴确保了在西方日益闭源的生态系统之外，提供了一个真正的替代方案。