Qwen3（千问3）于北京时间4月29日凌晨发布，是Qwen系列大型语言模型的最新成员，具备全系列、开源最强、混合推理等特性。它包括两款MoE模型（Qwen3-235B-A22B和Qwen3-30B-A3B）及六个Dense模型，支持119种语言。Qwen3在代码、数学和通用能力测试中超越行业顶尖模型，如DeepSeek-R1和Grok-3。其旗舰版Qwen3-235B-A22B仅需4张H20即可本地部署，成本为DeepSeek-R1的35%。此外，Qwen3原生支持思考模式与非思考模式切换，降低复杂任务门槛，并支持MCP协议优化Agent架构。

maven配置阿里云镜像源

Qwen3是阿里通义实验室最近开源的大语言模型，发布时便登顶了开源LLM榜单第一名。同时，Qwen系列模型也超越LLaMA，成为了开源模型社区中最受欢迎的开源LLM。

本文介绍如何使用DIFY搭建数据分析自动化流程，实现从输入需求到查询数据库、LLM分析再到可视化输出的全流程。基于经典的employees数据集和DIFY云端环境，通过LLM-SQL解析、SQL执行、LLM数据分析及ECharts可视化等模块，高效完成数据分析任务。此方案适用于人力资源分析、薪酬管理等数据密集型业务，显著提升效率并降低成本。

模型上下文协议（MCP）是由Anthropic提出的开源标准，旨在解决大语言模型与外部数据源和工具集成的难题。作为AI领域的“USB-C接口”，MCP通过标准化、双向通信通道连接模型与外部服务，支持资源访问、工具调用及提示模板交互。其架构基于客户端-服务器模型，提供Python、TypeScript等多语言SDK，方便开发者快速构建服务。MCP已广泛应用于文件系统、数据库、网页浏览等领域，并被阿里云百炼平台引入，助力快速搭建智能助手。未来，MCP有望成为连接大模型与现实世界的通用标准，推动AI生态繁荣发展。

近日，通义千问Qwen3系列模型已开源，其技术报告也正式发布。Qwen3系列包含密集模型和混合专家（MoE）模型，参数规模从0.6B到235B不等。该模型引入了“思考模式”与“非思考模式”的动态切换机制，并采用思考预算机制优化推理性能。Qwen3支持119种语言及方言，较前代显著提升多语言能力，在多个基准测试中表现领先。此外，通过强到弱蒸馏技术，轻量级模型性能优异，且计算资源需求更低。所有Qwen3模型均采用Apache 2.0协议开源，便于社区开发与应用。

阿里开源模型通义千问Qwen3本地部署教程来啦！借助Ollama与Open WebUI，轻松实现图形化操作。通过贝锐花生壳内网穿透，不仅可安全远程访问，还有效防止未授权访问，保障AI资源私密性。从安装Ollama、配置参数到使用Open WebUI及花生壳设置，手把手教你完成全部流程！

本文比较了Vue和React两大前端框架，从状态管理、数据流、依赖注入、组件管理等方面进行了详细对比。当前版本和下载量数据显示React更为流行，但Vue在国内用户量增长迅速。Vue 3通过组合式API提供了更灵活的状态管理和组件逻辑复用，适合中小型项目；React则更适合大型项目和复杂交互逻辑。文章还给出了选型建议，强调了多框架学习的重要性，认为技术问题已不再是选型的关键，熟悉各框架的最佳实践更为重要。

本文介绍在Apple M4 MacOS环境下搭建Ollama和qwen2.5-coder模型的过程。首先通过官网或Brew安装Ollama，然后下载qwen2.5-coder模型，可通过终端命令`ollama run qwen2.5-coder`启动模型进行测试。最后，在VS Code中安装Continue插件，并配置qwen2.5-coder模型用于代码开发辅助。

本教程将带你从零开始，快速了解如何通过 API 使用通义千问大模型，并尝试使用大模型 API 开发一些简单的应用应用到工作中，提升效率。

通义灵码2.5是阿里云推出的AI编码助手，以智能协作为核心，深度融合开发全流程。其三大升级点包括：编程智能体实现任务自主规划、MCP工具生态支持自然语言生成SQL、记忆进化系统个性化适配开发者习惯。通过自然语言即可完成数据库操作、代码生成与优化，大幅提升开发效率。此外，还具备工程级变更管理、多文件协同编辑及版本控制功能，适用于多种IDE环境，为企业提供安全高效的开发解决方案。

本指南介绍如何下载、安装和启动基于Ascend的vLLM模型。首先，可通过华为镜像或Hugging Face下载预训练模型；其次，安装vllm-ascend，支持通过基础镜像（如`quay.io/ascend/vllm-ascend:v0.7.3-dev`）或源码编译方式完成；最后，使用OpenAI兼容接口启动模型，例如运行`vllm serve`命令，设置模型路径、并行规模等参数。适用于大模型推理场景，需注意显存需求（如QwQ-32B需70G以上）。

阿里云新推出通用文本向量模型text-embedding-v3，基于LLM，支持50+语言，包括新增的意大利语等。模型升级亮点：8K长文本支持、可变向量维度、Sparse向量及不分Query/Document类型。现在提供50万免费tokens，有效期180天，计费0.0007元/1000 tokens。体验请访问[阿里云百炼官网](https://bailian.console.aliyun.com/?spm=a2c6h.13046898.publish-article.6.63066ffaL32qHM)

在AI浪潮下，大模型技术迅猛发展，为各行业带来变革。为确保算法安全有序发展，需进行相关备案登记。具体包括：大模型备案（面向公众提供生成式服务）、大模型登记（借助第三方大模型）、算法备案（5类算法）及双新评估（舆论属性服务）。未及时备案将面临法律处罚，备案流程涉及属地初审、中央终审等环节，周期约3-4个月。境外模型和特定行业有额外限制，备案后仍需常态化安全管理。

安装Cursor后，进入设置修改OpenAI基础URL为阿里云的DashScope接口，并添加Qwen2.5-Coder 32B模型。需先访问阿里云百灵控制台申请免费Key。配置完成后，即可使用该模型进行开发和测试。

介绍什么是通义听悟以及通义听悟的功能体验

🎉 探索12款免费VSCode AI代码提示插件：Codeium、Codegeex、CodeFuse、TONGYI Lingma、Comate、iFlyCode、Fitten Code、Bito AI、Mintlify Doc Writer、Kodezi AI、aiXcoder、IntelliCode。这些插件提供智能补全、代码生成、注释、优化，支持多种语言，提升编程效率！🚀👩‍💻👨‍💻

比亚迪与阿里云深度合作，将通义大模型应用于智能座舱和营销服务。通过通义万相，腾势推出“AI壁纸”功能；借助通义星尘，实现“心理伴聊”等情感陪伴场景。阿里云Mobile-Agent智能体落地比亚迪座舱，支持复杂语音操作，如查询淘宝物流、订火车票等。该方案基于全视觉解决技术，具有强泛化能力，未来双方将持续拓展更多AI应用。

本文将介绍 Spring Cloud Alibaba AI 的基本概念、主要特性和功能，并演示如何完成一个在线聊天和在线画图的 AI 应用。

本教程展示如何使用CAMEL框架和Qwen模型生成结构化数据。CAMEL是一个强大的多智能体框架，支持复杂的AI任务；Qwen由阿里云开发，具备自然语言处理等先进能力。教程涵盖安装、API密钥设置、定义Pydantic模型，并演示了通过Qwen生成JSON格式的学生信息。最后，介绍了如何利用Qwen生成多个随机学生信息的JSON格式数据。欢迎在[CAMEL GitHub](https://github.com/camel-ai/camel)上为项目点星支持。

本文深入剖析2025年大模型发展脉络，涵盖裸模型与手工指令工程、向量检索、文本处理与知识图谱构建、自动化提示生成、ReAct多步推理及AI Agent崛起六大模块。从技术细节到未来趋势，结合最新进展探讨核心算法、工具栈与挑战，强调模块化、自动化、多模态等关键方向，同时指出计算资源、数据质量和安全伦理等问题。适合关注大模型前沿动态的技术从业者与研究者。

本文深入探讨了Qwen2.5 - 32B模型在VLLM框架上的部署过程，从模型下载、启动命令、资源占用分析到GPU资源分配及CUDA图应用，详述了大模型运行的挑战与优化策略，强调了硬件资源规划与技术调优的重要性。

全球开源模型冠军Qwen3与端到端全模态模型Qwen2.5-Omni现已成功在手机上跑通！借助MNN支持，适配Android、iOS及桌面端，实现低延迟、本地化、高安全的AI体验。用户可通过自定义Sampler设置、System Prompt和Max New Tokens调节模型输出风格与长度。

角色扮演大模型通过模拟特定角色的行为、语言风格和情感表达，实现高度拟人化和定制化的互动体验。与传统通用模型相比，角色扮演模型在语言风格、性格特征和情绪反应上更加细腻，提供更真实的交互体验。本文介绍了如何通过system prompt、few-shot学习和微调等技术实现大模型的拟人化，包括使用阿里云百炼平台进行角色扮演测试，以及如何通过合成数据和Lora微调提高模型的表演效果。最终，展示了如何通过优化数据质量和训练策略，显著提升角色扮演模型的表现。

在使用qwen-plus API进行长文本翻译时，遇到了DataInspectionFailed错误，提示输入数据可能包含不当内容。尽管确认文本无敏感内容，但误判依然发生。通过将每个分段的字符数从1000降低到700，问题得以解决。建议在处理长文本时，减少每次请求的字符数以避免误判。

发现个好玩的模型，阿里最近开源的，可以便捷的复刻人声，本文提供全套安装过程。仓库地址：https://github.com/FunAudioLLM/CosyVoice。

阿里云通义千问向全社会开放！

`dataset_info.json` 文件用于管理 llama factory 中的所有数据集，支持 `alpaca` 和 `sharegpt` 格式。通过配置此文件，可以轻松添加自定义数据集。数据集的相关参数包括数据源地址、数据集格式、样本数量等，支持 Hugging Face 和 ModelScope 两个平台的数据集仓库。针对不同格式的数据集，提供了详细的配置示例，如 `alpaca` 格式的指令监督微调数据集、偏好数据集等，以及 `sharegpt` 格式的多模态数据集等。今天我们通过自定义数据集的方式来进行qwen2.5_14B_instruct模型进行微调

通义实验室开源了MaskSearch预训练框架，让AI具备“主动搜索+多步推理”能力，更精准回答复杂问题。该框架通过检索增强掩码预测（RAMP）任务，结合多智能体协同、强化学习及课程学习策略，显著提升小模型推理能力，在多跳问答任务中表现优异。相关论文与代码已发布，欢迎探索体验。

通义灵码现已全面支持Qwen3，正式上线编程智能体。升级后的工具不再只是代码生成器，而是能理解任务的智能搭档，依托Qwen3能力结合MCP服务，自动感知项目结构、分析需求并调用多种工具完成编码任务。通过自然语言输入，开发者可在10分钟内完成原本需1~2天的App开发工作。此外，通义灵码支持工程级变更、自动上下文感知、工具自主使用及终端命令执行，深度集成3000+ MCP服务，覆盖DevOps全流程。目前插件下载量超1500万，累计生成代码超30亿行。体验只需将插件升级至2.5.0版本以上并在VS Code或JetBrains IDE中启用。

本文介绍了大语言模型（LLM）的HTTP API流式调用机制及其在前端的实现方法。通过流式调用，服务器可以逐步发送生成的文本内容，前端则实时处理并展示这些数据块，从而提升用户体验和实时性。文章详细讲解了如何使用`fetch`发起流式请求、处理响应流数据、逐步更新界面、处理中断和错误，以及优化用户交互。流式调用特别适用于聊天机器人、搜索建议等应用场景，能够显著减少用户的等待时间，增强交互性。

【10月更文挑战第16天】

本章我们将介绍如何利用大模型开发一个文档比对小工具，我们将用这个工具来给互联网上两篇内容相近但版本不同的文档找找茬，并且我们提供了一种批处理文档比对的方案

Spark-TTS 是一款革命性的语音合成模型，被誉为“变声大师”。它通过创新的 BiCodec 技术将语音分解为语义和全局两种 Token，实现对音色、性别、语速等属性的精细控制。结合统一的 LLM 架构，Spark-TTS 简化了传统 TTS 的复杂流程，同时提供了前所未有的灵活性。此外，团队还发布了 VoxBox 开源数据集，为行业提供标准评估基准。尽管在零样本场景下仍存改进空间，但 Spark-TTS 已经开启了语音合成新时代，让个性化、可控的 AI 语音成为可能。

Qwen2.5-Turbo已上线，支持100万超长上下文，相当于100万个英文单词或150万个汉字。该模型在多个长文本任务评测集中表现出色，超越GPT-4，同时在推理速度上实现4.3倍提升。限时免费赠送1000万tokens额度，欢迎体验。

OmniAudio 是一项突破性的空间音频生成技术，能够直接从 360° 视频生成 FOA（First-order Ambisonics）空间音频，为虚拟现实和沉浸式娱乐带来全新可能。通过自监督 coarse-to-fine 预训练和双分支视频表示微调，OmniAudio 在非空间音频质量和空间定位准确性上显著优于现有方法。项目包含超过 103,000 个视频片段的 Sphere360 数据集，支持高质量的模型训练与评估。代码、数据及论文均已开源，助力沉浸式体验技术发展。

阿里云百炼推出大语言模型推理资源包优惠活动，所有主账号用户均可参与，无论是否完成实名认证。活动提供qwen-max、qwen-plus及qwen-turbo三种资源包，分别支持对应模型的实时推理费用抵扣，折扣力度达8.8折至9折不等。每种资源包限量发售，有效期为1年，自订购之日起计算。活动期间购买的资源包不可用于抵扣Batch调用、上下文缓存等其他服务费用。如有疑问可加入官方支持群（77600022533）交流反馈，优惠名额有限，先到先得。

本文介绍了两种大模型微调方法——LoRA（低秩适应）和PPO（近端策略优化）。LoRA通过引入低秩矩阵微调部分权重，适合资源受限环境，具有资源节省和训练速度快的优势，适用于监督学习和简单交互场景。PPO基于策略优化，适合需要用户交互反馈的场景，能够适应复杂反馈并动态调整策略，适用于强化学习和复杂用户交互。文章还对比了两者的资源消耗和适用数据规模，帮助读者根据具体需求选择最合适的微调策略。