Qwen2-VL：视频理解与文档识别的多模态技术突破_服务软件

1. 520，遇见国产「新模王」Qwen3.7-Max！

2. 不上云、不租卡，如何优雅地在本地微调Qwen-VL-30B？

3. 阿里开源 Qwen3.5-Plus！三千行代码一次生！超强性能超低价格

4. Z-Image 遇到对手了！Qwen-Image-2512 正式开源：本地无限生图，效果更逼真！

5. 阿里除夕夜发布 Qwen3.5 模型，哪些技术亮点值得关注？对大模型发展有何影响？

6. 百度开源全新OCR模型PaddleOCR-VL-1.5，性能超越DeepSeek-OCR2

7. Qwen3.5 开源王炸！多模态性能屠榜，本地部署 + OpenClaw 实战全流程！|零度解说

8. Qwen3.6-Plus 太猛了！免费+百万上下文+Agent，多模态能力直接拉满！| 零度解说

9. Thinking Machines首款产品重大更新：K2 Thinking、Qwen3-VL都可以微调了

10. 「Github一周热点113期」AI 终端工具、一站式黑客工具箱、Skill 包、Codex 生态技能和AI短视频

11. OpenClaw + Ollama 本地部署！无需 API，断网可用，多模型自由切换（GPT-OSS / Qwen 3 / GLM 4.7）

12. 谁才是最强王者？ChatGPT5.5、Claude 4.7、Deepseek V4、Qwen 3.6 编程实测见真章！| 零度解说

13. 2026开年王炸：Qwen3.5震撼发布，一条视频讲清所有玩法...

14. 盘点一周AI大事(5月3日)｜Google上线AI口语陪练 Google IO即将发布Gemini 4和Veo 4 Gemini上线原生文件生成 Google推出AI衣柜 Google翻译上线AI口语陪练 Claude 接入50多款创作软件，能直接操作Photoshop修图、做海报，接管Blender建模，用Ableton创作音乐英伟达开源全模态模型Nemotron 3 Nano Omni 研究员训练出复古大模型talkie KAIKAKU发布食品大模型Epicure 研究员开源突破性智能体协作框架Recursive MAS Moonlake上线Blender智能体Moonlake 3D Agent #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

15. 盘点一周AI大事(11月30日)｜AI自己剪片子奥特曼预告下一代大模型Shallotpeat Anthropic发布最强编码模型Claude Opus 4.5 DeepSeek发布最强开源推理模型DeepSeek-Math-V2 微软开源最强行动智能体Fara-7B Black Forest推出最强开源图像模型Flux.2 阿里发布开源版小香蕉平替Z-Image 腾讯发布开源版Veo 3平替Tencent Harmony 字节开源AI剪辑大模型Vidi2 腾讯开源最强OCR模型HunyuanOCR 1B 科学家研发出最强数据分析智能体Edison Analysis RAI研发棒球陪练机器人港科大训练出首个会打篮球的机器人工程师开源家用机器人Aloha mini #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

16. 盘点一周AI大事(12月21日)｜谷歌手撕OpenAI OpenAI 上线最强图像模型GPT Image 1.5 OpenAI发布最强编码模型GPT-5.2-Codex Google发布 Gemini 3 Flash Google开源A2UI协议微软开源最强3D模型TRELLIS 2 阿里开源分层编辑图像模型Qwen-Image-Layered 阿里发布Veo 3平替Wan2.6 字节发布Veo 3平替Seedance 1.5 pro 腾讯开源首个实时交互世界模型WorldPlay 研究员开源照片重新对焦Genfocus Pipeline 研究员开源实时换脸视频模型PersonaLive Meta开源最强声音分割模型SAM Audio #抖音知识年终大赏 #AI新星计划 #OpenAI #AIGC #前沿科技趋势发布月

17. 一个视频带你快速盘点2025年GitHub热点项目

18. 多模态大模型这条赛道，阿里云开始拉速度了

19. #千问Qwen3.5大模型发布#真正的卷王出现了，就在刚刚，阿里正式发布全新一代大模型千问Qwen3.5-Plus。这次核心更新在于采用了Mamba混合注意力机制（SSM-Transformer） + 稀疏MoE架构，总参数3970亿但仅激活170亿参数，显存占用降低60%，推理吞吐量最高提升19倍。举个例子，传统大模型就像人工翻整墙档案，你每问一个新问题，都要把前面所有档案重新翻一遍核对关系，内容越长，翻得越慢，越到后面越卡。纯Mamba机制则像只记档案摘要，翻得极快，但细节容易丢，关键信息可能漏看。而Qwen3.5-Plus的混合注意力，就是摘要+精准抽查一起上：速度跟得上，细节不丢失，长文本、复杂推理又快又准。这才是真·技术内卷，大模型体验又要上一个台阶了。#how i ai##过个有ai年# 千问qwen3.5大模型发布

20. 如何看待阿里开源的Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型？

21. 如何评价 3 月 30 日发布的 Qwen3.5-Omni 的性能表现？

22. G2VLM：统一3D重建和空间推理能力（上海AI Lab, UCLA, 上交开源）

23. 盘点一周AI大事(1月25日)｜Agent进化，24小时打工开源视频制作Remotion Skills爆火 AI编程开无限画布插件Pencil 爆火开源个人AI助手Clawdbot爆火，7成24小时给你打工 Claude Excel插件更新 Runway上线最强视频模型Gen 4.5 字节开源视频参考模型OminiTransfer 字节发布最强数字人直播模型FlowACT R1 阿里开源最强文本转语音模型Qwen 3 TTS #AI新星计划 #抖音知识年终大赏 #AI #OpenAI #AIGC

24. “源神”的新年贺礼！深度实测Qwen3.5，原生多模态表现如何

25. 零成本无限 Token！Hermes + Qwen3.6，本地最强 Agent 组合来了！附部署教程 | 零度解说

26. 四道题评测 Qwen3.7-Max：从空间推理到 3D 建模，它离 Agent 更近了吗？

27. 盘点一周AI大事(1月4日)｜Google包揽年度最佳模型 LMArena大模型盲选排行榜公布年度冠军 Google推出AI辅助学习系统Learn Your Way 阿里开源最强手机智能体MAI-UI DeepSeek发布新研究mHC IQuest发布最强开源编码模型IQuest-Coder-V1 字节发布动态概念大模型DLCM 腾讯发布最强开源翻译模型HY-MT1.5 阿里更新最强开源图像模型Qwen-Image-2512 Meta开源极速视频生成模型HiStream 研究员开源对象植入模型InsertAnywhere 研究员开源MV智能体AutoMV 腾讯开源3D动作生成模型Hunyuan Motion 1.0 研究员开源高保真3D模型UltraShape 研究员开源世界模型Yume 1.5 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #AIGC

28. 「Github一周热点105期」Rust 版openclaw，本地语音克隆工具，Qwen3.5， AI 渗透测试系统和精美源码图片生成工具

29. 刚才在HuggingFace上看到，Qwen3.5已经提交了并入Transformers的PR。这意味着阿里的新一代基座模型很快就要正式开源了。这次的Qwen3.5有点意思： 1.混合注意力机制，据说是全新架构； 2.大概率是原生VLM，能看懂图像了； 3.开源包至少包含2B密集模型和35B-A3B的MoE版本。值得关注的是，这是国内首个混合推理模型。简单说就是把快思考和慢思考结合起来，既有速度又有深度。这种设计在算力消耗上有明显优势，对开发者很友好。其实从去年Qwen3登顶开源榜就能看出，阿里在模型架构上确实有一套。现在3.5版本继续这个势头，加上智谱唐老师之前预告的DeepSeek-v4、GLM-5也要来，今年二月中国大模型圈要热闹了。开源生态现在越来越重要。模型好不好，最后要看开发者用不用得起来。Qwen3.5这个开源策略很聪明，既展示了技术实力，又能快速建立生态。不由感叹技术发展真快。去年这个时候大家还在讨论Qwen2.5，现在3.5都要来了。这种迭代速度，对行业是好事，对开发者也是机会。等Qwen3.5正式开源了，咱也上手试试效果。[挤眼]

30. #千问Qwen3.5大模型发布# 刚刚，千问正式官宣发布 Qwen3.5，并推出Qwen3.5系列的第一款模型 Qwen3.5-397B-A17B 的开放权重版本。作为原生视觉-语言模型，Qwen3.5-397B-A17B 在推理、编程、智能体能力与多模态理解等全方位基准评估中表现优异，助力开发者与企业显著提升生产力。该模型采用创新的混合架构，将线性注意力（Gated Delta Networks）与稀疏混合专家（MoE）相结合，实现出色的推理效率：总参数量达 3970 亿，每次前向传播仅激活 170 亿参数，在保持能力的同时优化速度与成本。我们还将语言与方言支持从 119 种扩展至 201 种，为全球用户提供更广泛的可用性与更完善的支持！#HOW I AI##过个有AI年#

31. 阿里发布新一代全模态大模型Qwen3.5-Omni。采用混合注意力MoE架构，通过1亿小时音视频+文本跨模态预训练。原生支持113种语言识别（含毛利语等濒危语种）和36种语音生成。创新ARIA语音技术实现音色稳定，对话响应延迟降低至人类感知无差别水平。核心突破: 视听理解:在DailyOmni等215项基准测试中全面超越Gemini 3.1 Pro ，嘈杂环境语音识别错误率下降42%（WenetSpeech基准）视频内容结构化描述准确率达98.1%（RealWorldQA测试）。 Vibe Coding进化:非预设能力，在百万级多模态指令微调中自然涌现。普通用户可前往Qwen Chat免费体验，开发者和企业可通过阿里云百炼平台调用Qwen3.5-Omni模型Plus、Flash、Light三种API。

32. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

33. #千问Qwen3.5大模型发布# 阿里“年夜饭”来了，开源全新一代大模型千问Qwen3.5-Plus。总参数为3970亿，激活170亿，性能超过万亿参数的Qwen3-Max模型，部署显存占用降低60%，推理效率大幅提升，最大推理吞吐量可提升至19倍。在推理、编程、Agent智能体等全方位基准评估中均表现优异，并在视觉理解能力的权威评测中斩获数项性能最佳。支持长达2小时（1M token上下文）的视频直接输入，适用于长视频内容分析与摘要生成。#过个有AI年#

34. 正面硬刚Gemini 3 Pro，阿里开源Qwen3.5-Plus｜甲子光年

35. 【AI前沿】Google IO 与 Qwen 3.7 Max：模型战争没有结束，只是战场变成了 Agent 基础设施

36. #千问Qwen3.5大模型发布#千问 Qwen3.5 是采用极致稀疏 MoE 架构在保持超强性能的同时，显存占用降低 60%，推理效率大幅提升，部署成本显著下降。模型支持最高 256K 超长上下文，让长文本处理变的更加的轻松有效率了！原生多模态统一也是Qwen3.5的特点之一，也是目前国内外大模型的发展的主要趋势，模型在图文、视频理解能力全面升级，精准解析图表、文档与复杂视觉内容。实现了一个入口实现多种属性。Qwen3.5对于中小企业特别友好，很大程度上降低了企业运营成本，可以让中小企业得到高效、普惠、全能的运营工具。不再因为高昂的费用而排斥企业去追逐AI。#过个有AI年##HOW I AI#

37. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

38. 【华为昇腾 0 Day 适配阿里 Qwen3.5，MindSpeed MM 框架实现 " 开箱即用、快速迭代 "】阿里在 chat.qwen.ai 页面低调上线了 Qwen3.5-Plus 和 Qwen3.5-397B-A17B 两款新模型（均支持文本和多模态任务）。Qwen3.5 Plus 定位为 Qwen 3.5 系列最新大语言模型；Qwen3.5-397B-A17B 定位则是 Qwen3.5 开源系列旗舰大语言模型。华为计算官方昨晚宣布，Qwen3.5 模型一经开源发布，昇腾 0 day 实现基于 MindSpeed MM 在 Atlas 800 A3、Atlas 900 A3SuperPoD 上的训练复现，同时也支持基于 vLLM-Ascend 和 SGLang 在 Atlas 800 A2、Atlas 800 A3 上的高效推理部署。据介绍，基于 FSDP 训练后端的设计，MindSpeed MM 框架大幅缩短了新模型的适配周期，实现了 " 开箱即用、快速迭代 " 的开发体验，为多模态大模型的研究与应用提供了技术支撑。另据阿里云介绍，Qwen3.5 实现了底层模型架构的全面革新，其中，Qwen3.5-Plus 版本总参数为 3970 亿，激活仅 170 亿，性能超过万亿参数的 Qwen3-Max 模型，部署显存占用降低 60%，推理效率大幅提升，最大推理吞吐量可提升至 19 倍。Qwen3.5 在能力、效率与通用性三个维度上推进预训练：能力（Power）：在更大规模的视觉-文本语料上训练，并加强中英文、多语言、STEM 与推理数据，采用更严格的过滤，实现跨代持平：Qwen3.5-397B-A17B 与参数量超过 1T 的 Qwen3-Max-Base 表现相当。效率（Efficiency）：基于 Qwen3-Next 架构 —— 更高稀疏度的 MoE、Gated DeltaNet + Gated Attention 混合注意力、稳定性优化与多 token 预测。在 32k/256k 上下文长度下，Qwen3.5-397B-A17B 的解码吞吐量分别是 Qwen3-Max 的 8.6 倍 / 19.0 倍，且性能相当。Qwen3.5-397B-A17B 的解码吞吐量分别是 Qwen3-235B-A22B 的 3.5 倍 / 7.2 倍。通用性（Versatility）：通过早期文本-视觉融合与扩展的视觉 / STEM / 视频数据实现原生多模态，在相近规模下优于 Qwen3-VL。多语言覆盖从 119 增至 201 种语言 / 方言；25 万词表（vs. 15 万）在多数语言上带来约 10–60% 的编码 / 解码效率提升。vllm 部署指导可参见魔乐社区和 gitcode 社区链接：网页链接网页链接SGLang 部署指导可参见 SGLang 社区链接：网页链接

39. 权威评测平台SuperCLUE-VLM发布2025年12月多模态视觉语言模型综合榜单，谷歌 Gemini-3-Pro 以83.64分“断层式”领跑，看来多模态这块依然是谷歌的绝对统治区。但国产模型的追赶速度肉眼可见：商汤SenseNova拿下第二，字节豆包冲进前三，基础认知能力甚至不输国际巨头。特别值得一提的是阿里的 Qwen3-VL，作为首个总分破70的开源模型，绝对是国内开发者的福音。反倒是 GPT-5.2 这次表现平平，竟然没上70分。#AI#

40. 【多模态大模型实战 01】Qwen2.5-VL-3B 基础环境配置

41. Qwen2-VL:阿里开源新型世界领先视觉智能体,主打人类级别任意分辨率图像处理

42. 10 Qwen2-VL论文解读

43. Qwen-VL 进化论：从对齐到认知的终极之路

44. 多模态大模型入门指南（三）Qwen-VL 系列技术演进

45. 从 ViT 到 Qwen2-VL：多模态大模型架构演进全景指南

46. Qwen-VL系列解析(一)——Qwen2-VL

47. 多模态大模型paper整理（十） Qwenvl 3

48. 动态分辨率与三维位置编码：Qwen2-VL 的范式革新

49. 【大模型面试必知必会 1】Qwen 多模态大模型全系列演进深度拆解

50. 系列教程六| 微调 Qwen2-VL：实现 LaTeX 公式 OCR 识别！

51. VLM：qwen2-vl

52. Qwen-3 VL 中如何处理视频数据？

53. Qwen-VL架构介绍

54. Qwen2-VL 模型结构和万字源码解析篇

55. AI算法面试题：Qwen-VL原理

56. Qwen2.5-VL

57. qwen2-vl网络细节梳理

58. 基于Qwen-VL-2B-instruct的复杂文档结构分析和内容理解

59. Qwen2 VL – 图表理解的推理与微调

Qwen2-VL：视频理解与文档识别的多模态技术突破

精选参考来源