阿里旗下Qwen团队近日动作频频，接连推出两款具有突破性的AI模型——Qwen3-Omni与Qwen-Image-Edit-2509，引发业界广泛关注。其中，Qwen3-Omni作为全球首个原生端到端全模态AI模型，标志着多模态技术进入全新发展阶段。
Qwen3-Omni的核心突破在于其“一体化”设计理念。传统多模态模型常面临文本、图像、音视频处理能力难以平衡的困境，而该模型通过统一架构实现了四大模态的无缝融合。在性能测试中，该模型在36项音视频基准中22项达到行业顶尖水平，尤其在长音频理解方面表现突出——可精准解析长达30分钟的语音内容，响应延迟仅211毫秒。
语言支持能力成为另一大亮点。模型支持119种语言的文本处理、19种语言的语音输入及10种语言的语音输出，覆盖全球主要语言体系。其高度可控的特性允许开发者通过系统提示词自定义模型行为，配合内置的工具调用功能，可轻松对接各类应用服务。更值得关注的是，团队同步开源了低幻觉字幕生成模型，为音视频内容处理提供可靠解决方案。
开发团队已开放多个模型版本供全球开发者使用，包括Qwen3-Omni-30B-A3B-Instruct等指令遵循模型及创意任务模型。开发者可通过Hugging Face平台获取相关资源，web端体验入口也同步开放，用户可实时测试模型性能。
同步推出的Qwen-Image-Edit-2509则聚焦图像编辑领域，在一致性控制方面实现重大突破。该模型支持多图协同编辑，可将人物与产品、场景等不同元素无缝融合，同时保持视觉一致性。单图编辑功能同样强大：人脸特征在姿势变换、滤镜调整等操作中保持高度稳定；广告产品可维持核心设计元素；文字编辑支持内容、字体、颜色及材质的全维度修改。
技术层面，模型内置的ControlNet功能成为关键创新。开发者可通过深度图、边缘检测等控制参数，实现对图像生成的精准调控。这种“即插即用”的设计大幅降低了专业编辑的技术门槛，使复杂图像处理变得更为简便。
据开发团队透露，Qwen-Image-Edit-2509的发布标志着图像生成技术进入精细化控制时代。其详细技术说明与案例演示已通过官方博客对外公布，包含多组对比实验数据及实际应用场景展示。
两款模型的推出不仅展现了阿里在AI领域的技术积累，更通过开源策略推动行业生态发展。随着更多开发者参与模型优化与应用拓展，全模态AI技术的商业化落地进程有望进一步加速。
