Qwen2.5的秘密武器
“大脑+嘴巴”双核架构
Qwen2.5-Omni采用Thinker-Talker双核架构。Thinker负责“想”，Talker负责“说”，两者无缝协作！Thinker模块如同大脑，负责处理文本、音频、视频等多模态输入，生成高层语义表征及对应文本内容。Talker模块则类似发声器官，以流式方式接收Thinker实时输出的语义表征与文本，流畅合成离散语音单元。Thinker基于Transformer解码器架构，融合音频/图像编码器进行特征提取；Talker则采用双轨自回归Transformer解码器设计，在训练和推理过程中直接接收来自Thinker的高维表征，并共享全部历史上下文信息，形成端到端的统一模型架构。
模型架构图
“卷”出新高度
Qwen2.5-Omni如何脱颖而出
Qwen2.5-Omni在包括图像，音频，音视频等各种模态下的表现都优于类似大小的单模态模型以及封闭源模型，例如Qwen2.5-VL-7B、Qwen2-Audio和Gemini-1.5-pro。
在多模态任务OmniBench，Qwen2.5-Omni达到了SOTA的表现。此外，在单模态任务中，Qwen2.5-Omni在多个领域中表现优异，包括语音识别（Common Voice）、翻译（CoVoST2）、音频理解（MMAU）、图像推理（MMMU、MMStar）、视频理解（MVBench）以及语音生成（Seed-tts-eval和主观自然听感）。
模型性能图
快速上手
多模态交互一键开启
你可以通过Qwen Chat（https://chat.qwenlm.ai）发起语音/视频聊天感受模型能力。
通义千问Qwen2.5-Omni-7B正式开源。作为通义系列模型中首个端到端全模态大模型，可同时处理文本、图像、音频和视频等多种输入，并实时生成文本与自然语音合成输出。在权威的多模态融合任务OmniBench等测评中，Qwen2.5-Omni刷新业界纪录，全维度远超Google的Gemini-1.5-Pro等同类模型。
Qwen2.5-Omni以接近人类的多感官方式「立体」认知世界并与之实时交互，还能通过音视频识别情绪，在复杂任务中进行更智能、更自然的反馈与决策。目前，开发者和企业可免费下载商用Qwen2.5-Omni，手机等终端智能硬件也可轻松部署运行。
从2023年起，通义团队就陆续开发了覆盖0.5B、1.5B、3B、7B、14B、32B、72B、110B等参数的200多款「全尺寸」大模型，囊括文本生成模型、视觉理解/生成模型、语音理解/生成模型、文生图及视频模型等「全模态」，真正实现了让普通用户和企业都用得上、用得起AI大模型。截至目前，海内外AI开源社区中千问Qwen的衍生模型数量突破10万，是公认的全球第一开源模型。
📣目前通义千问Qwen2.5-Omni可在以下平台进行体验：
阿里云百炼平台模型调用：https://help.aliyun.com/zh/model-studio/user-guide/qwen-omni
阿里云百炼控制台：https://bailian.console.aliyun.com/?tab=model
Qwen Chat免费体验：
Demo体验：
https://modelscope.cn/studios/Qwen/Qwen2.5-Omni-Demo
开源地址：
https://huggingface.co/Qwen/Qwen2.5-Omni-7Bhttps://modelscope.cn/models/Qwen/Qwen2.5-Omni-7Bhttps://github.com/QwenLM/Qwen2.5-Omni
如果还想要了解更多通义大模型的模型详细信息以及直接进入体验，可以点击🔗https://www.aliyun.com/product/tongyi直接进入查看和体验哦~~
也可以关注一下通义大模型的公众号，后续有新的产品动态都会在内发布。
