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。

近日，通义大模型家族的新成员——通义万相已在人工智能大会上亮相。其中，通义万相的强大的“文生图”功能，不禁让我想到了去年八月由百度依托飞桨、文心大模型的技术创新推出的“AI作画”首款产品——文心一格。 那么，在类似的Prompt下，两款产品的表现将会如何呢？今天就让我们就十种风格下二者生成图像的表现力，来看看这两款产品的差异。

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。

介绍什么是通义听悟以及通义听悟的功能体验

本文详细对比了人工智能领域的两个重要概念——Agent和大模型。大模型如GPT-3、BERT等，擅长自然语言处理任务，如文本生成、翻译等；Agent则是自主的软件实体，能够在特定环境中感知、决策并执行任务，如管理日程、控制智能家居等。文章介绍了它们的定义、功能、技术架构及应用场景，并总结了两者的核心差异和未来发展方向。

Qwen3正式发布并全部开源啦！

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。

本文系统解析智能体工作流（Agentic Workflow），结合AI智能体的推理、工具与记忆能力，实现复杂任务的动态执行。内容涵盖核心概念、关键模式及实际应用，帮助读者全面理解其价值与挑战。

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。

🎉 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！🚀👩‍💻👨‍💻

告别碎片化学习！本文系统梳理AI知识五层结构：从基础认知到商业变现，提供完整学习路径与优质资源链接。帮你构建AI知识网络，实现从工具使用到能力落地的跃迁。

`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

本文探讨了Prompt工程中的隐私与安全问题，重点分析了“奶奶漏洞”及更广泛的Prompt攻击现象，特别是Prompt注入的原理与防御手段。Prompt注入通过构造恶意输入突破模型限制，使LLM执行非预期操作。文章介绍了直接注入和间接注入类型，并提供了多种防御方案，如输入过滤、强化系统指令、接入第三方校验库及多模型协作防御。此外，还讨论了Prompt逆向工程及其正负影响，以及恶意MCP服务投毒的实际案例，如GitHub Copilot漏洞。最后提出了动态权限控制和持续安全监测等解决策略。

阿里云通义千问向全社会开放！

maven配置阿里云镜像源

Text2SQL技术通过自然语言处理将用户查询转换为SQL语句，解决企业数据查询效率低下的痛点。该技术包含语义理解、模式对齐、SQL生成和优化等核心处理过程，核心组件包括自然语言理解模块、Schema管理模块和SQL生成模块。文章介绍了闭源和开源模型的选择策略，并提供了基于Function Calling的Text2SQL实现示例，展示如何安全高效地将自然语言转换为数据库查询。

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。

「端侧AI创新挑战赛」首期教程上线！手把手教你用Ollama在PC本地部署Qwen3-0.6B模型，无需代码、无需联网，5分钟打造专属私人AI助手。数据不出设备，响应快速，适合无网、高敏或定制化场景。轻量模型CPU即可运行，小白也能轻松上手。参赛提交创意还有机会赢取通义定制好礼！

通义千问Qwen3系列是通义实验室2025年推出的最新大模型，包含多种参数版本，其中Qwen3-8B与Qwen3-14B均支持32K token上下文。Qwen3-8B参数量较小，响应更快，适合低延迟交互；Qwen3-14B参数更多，推理更强，适用于复杂任务。两者在TTFT、架构优化、量化技术及部署方案上各有侧重，满足多样应用场景需求。

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。

Qwen-Image-Edit基于20B Qwen-Image模型，融合视觉语义与外观控制，支持中英文文字精准编辑、风格迁移、IP创作等多重功能，具备SOTA性能，助力低门槛、高精度图像编辑。

AI数字分身破解法律服务规模化难题，通过多模态智能体实现7×24小时咨询响应、案情结构化提取与智能分流。基于知识图谱与推理引擎，提升律所线索留存率与律师人效，推动法律服务降本增效。

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。

专为技术人打造的抖音脚本提示词模板，结构化拆解短视频创作套路，结合DeepSeek、通义千问等AI工具，快速生成可执行脚本框架，助力技术分享、产品演示高效落地，30秒讲清重点，开头抓人、节奏紧凑、完播率提升。

本期教程带你用MNN+Qwen在手机端部署大模型，从安装MNN Chat体验离线对话，到源码编译、模型转换与推理测试，再到Android/iOS移动端部署全流程实战，并提供精度与性能调优秘籍，助力端侧AI创新挑战赛。

本教程指导在Ubuntu上部署EMQX 5.9.0并集成Spring Boot实现MQTT双向通信，涵盖服务器搭建、客户端配置及生产实践，助您快速构建企业级物联网消息系统。

「端侧AI创新挑战赛」教程第二期：教你用PocketPal AI在手机本地部署Qwen3-0.6B模型，无需联网、不写代码，实现离线对话。支持iOS/Android，保障隐私安全，轻松打造口袋里的AI助手。

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。

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。

该文介绍了如何在阿里云的通义大模型平台注册账号，并详细展示了通义万相功能的使用，包括文本生成图像、相似图像生成、图像风格迁移和应用广场（虚拟模特）四个部分。用户可以通过输入文字或选择图片，生成不同风格的创意作品，并能进行点赞、不满意、生成相似图、下载原图和收藏等操作。在应用广场中，用户可以上传图片并替换模特及背景，创建个性化商品展示图。

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。

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。

Qwen3-VL开源发布后广受认可，登顶Chatbot Arena视觉榜与OpenRouter图像处理市场份额第一。支持文档解析、OCR、视频理解、3D定位等多模态任务，现推出详细Cookbook助力开发者高效应用。

AI大模型面临核心安全问题，包括模型内在风险（如欺骗性对齐、不可解释性和模型幻觉）、外部攻击面扩大（如API漏洞、数据泄露和对抗性攻击）及生成内容滥用（如深度伪造和虚假信息）。应对方案涵盖技术防御与优化、全生命周期管理、治理与行业协同及用户教育。未来需关注动态风险适应、跨领域协同和量子安全预研，构建“技术+管理+法律”三位一体的防护体系，推动AI安全发展。

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）。

本文介绍了如何注册并使用通义大模型，该平台提供了通义千问、通义万相和通义听悟三大功能。通义千问包含对话和百宝箱两个子功能。在对话中，用户需按照特定格式提问，如设定角色、背景等，但实际体验中，回复可能不够理想。百宝箱提供不同场景的应用，如健身教练和办公助理。通过示例展示了健身计划的生成，但与专业教练相比仍有差距。对于职场问题，通义千问的回答显得较为通用，难以满足个性化需求。

律杏法务云是基于阿里云通义千问大模型构建的新一代法律人工智能平台，通过深度融合OCR、NLP、知识图谱技术与千亿参数级语言模型，在企业法务管理领域实现了从信息抽取、文书生成到风险预警的全流程智能化。本文将深入剖析其技术架构与五大核心模块，揭示大模型如何重塑现代法务工作范式。

在 VSCode 中安装通义灵码插件后，若左侧活动栏未显示图标，可通过右键选中代码触发插件面板，并将其图标拖至左侧栏固定，便于后续快速使用。

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。

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。

GEO（生成式引擎优化）是针对AI生成式搜索引擎的优化策略，旨在让企业信息在AI回答中优先呈现，实现“无点击曝光”。与传统SEO不同，GEO强调语义理解、权威内容和结构化数据，提升品牌在AI推荐中的可见性与可信度。企业需关注GEO服务商的技术实力、行业匹配度、服务流程完整性等维度，确保优化效果。

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。