4月1日消息，阿里通义千问团队发布Qwen2.5-Omni-7B，一个全能端到端多模态模型。该模型能同时处理文本、图像、音频和视频输入，并支持文本与流式语音生成，实现了理解与生成能力的统一。

Qwen2.5-Omni-7B采用Thinker-Talker架构，其中Thinker负责多模态理解与推理，Talker则基于Thinker的输出生成流式语音。模型在多个基准测试中表现优异，如OmniBench上达到全模态理解SOTA，在MMLU、MMMU等纯文本与视觉任务上超越同规模模型。

此外，模型支持实时语音交互与端侧部署，已在GitHub和Hugging Face开源，并可在Qwen Chat体验。这标志着端到端多模态模型在理解与生成融合上迈出重要一步。