阿里巴巴开源Qwen2.5-Omni：全能端到端多模态模型

3月27日，阿里巴巴发布并开源新一代端到端多模态模型Qwen2.5-Omni。该模型可同时处理文本、图像、音频和视频输入，并流畅生成文本与语音输出，实现“全能”交互体验。

Qwen2.5-Omni采用创新的Thinker-Talker架构，其中Thinker模块负责多模态信息处理与推理，Talker模块则实时生成自然语音。模型在音频理解、图像识别、视频分析及语音合成等多项基准测试中均取得领先成绩，性能超越GPT-4o等同类模型。

目前，Qwen2.5-Omni已以Apache 2.0协议开源，开发者可通过Hugging Face、ModelScope及GitHub获取模型权重及代码，支持本地部署与二次开发。此举将进一步推动多模态AI在智能助手、教育、娱乐等领域的应用落地。