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，知名 AI 聊天陪伴软件“星野”对平台内大量智能体进行下架和整改，产品本身也启动了AI 服务模型的升级流程。有用户反馈，智能体在内容生成中出现违禁词率高、角色年龄设置被强制提升至 25 岁以上等明显变化，引发用户和外界关注。

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。

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。

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。

「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！

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。

🎉 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！🚀👩‍💻👨‍💻

本报告对比Spring AI Alibaba、Dify、LangGraph与LangChain四大AI开发框架，涵盖架构、性能、生态及适用场景。数据截至2025年10月，基于公开资料分析，实际发展可能随技术演进调整。

Qwen3正式发布并全部开源啦！

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。

maven配置阿里云镜像源

`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

「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。

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。

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。

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。

阿里云百炼｜全妙，是面向政企、媒体等专业领域的智能创作平台，集“妙策、妙搜、妙笔、妙读”于一体，覆盖公文撰写、合同审查、标书生成、内容采编等高合规场景，助力用户降本增效，释放创造力。

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。

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。

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。

AgentScope 1.0 新版本上线！新增开源智能体Alias-Agent与Data-Juicer Agent，支持任务规划、多智能体协同及自然语言驱动数据处理。升级核心能力，支持Agentic RL训练、长期记忆管理，并推出AgentScope-Samples案例集与强化版运行时环境，支持Docker、K8s等部署方式，助力智能体开发与应用落地。

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。

本文详解算法备案、大模型备案与大模型登记的区别及适用场景，涵盖舆论属性、社会动员能力、生成式AI服务等核心概念，解析三类备案的流程、周期、材料要求及政策依据，助力企业合规开展AI服务。

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。

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。

阿里云通义千问向全社会开放！

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。

AgentScope 1.0 是通义实验室推出的开源多智能体开发框架，旨在打造稳定、安全、开箱即用的智能体生产级解决方案。通过“核心框架+运行时+可视化工具”三层架构，支持智能体的构建、部署、监控全生命周期管理，具备实时干预、高效工具调用与智能上下文管理能力，助力开发者实现从“能跑”到“可控、可落地”的跨越。

通义千问Qwen3-Max正式发布，参数超1T，训练稳定高效，在代码、推理、多语言等任务中表现卓越。预览版已登顶LMArena榜单前三，支持阿里云百炼API调用与Qwen Chat体验，敬请试用。

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。

魔搭自动发布小红书MCP，是魔搭开发者小伙伴实现的小红书笔记自动发布器，可以通过这个MCP自动完成小红书标题、内容和图片的发布。

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。

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。

本期教程带你用树莓派5部署Qwen3模型，打造完全离线、自带屏幕与键盘的“AI小终端”。基于C语言实现，不依赖Python或llama.cpp，支持多尺寸Qwen3模型，实现本地化私有推理。跟随步骤，轻松搭建属于你的端侧AI助手。

通义千问开源！阿里云开源通义千问70亿参数模型，包括通用模型Qwen-7B-Base和对话模型Qwen-7B-Chat，两款模型均已上线ModelScope魔搭社区，开源、免费、可商用，欢迎大家来体验。

本文详细解析了基于通义大模型的智能客服系统构建全流程，涵盖数据准备、模型微调、性能优化及API部署等关键环节。通过实战案例与代码演示，展示了如何针对客服场景优化训练数据、高效微调大模型、解决部署中的延迟与并发问题，以及构建完整的API服务与监控体系。文章还探讨了性能优化进阶技术，如模型量化压缩和缓存策略，并提供了安全与合规实践建议。最终总结显示，微调后模型意图识别准确率提升14.3%，QPS从12.3提升至86.7，延迟降低74%。

“通义”取自中国传统文化中“通晓大义”，寓意技术与人文的结合。作为阿里巴巴旗下的超大规模语言模型，通义在知识蒸馏、动态稀疏激活和文化感知模块上实现三大突破，大幅提升效率与适切性。其已在医疗、司法、文化传播等领域落地，如辅助病历处理、法律文书生成及文物解说等。测试显示，通义在中文诗歌创作、商业报告生成等方面表现优异。同时，开放的开发者生态已吸引5万+创新者。未来，通义将探索长期记忆、自我反思及多智能体协作，向AGI迈进，成为智能本质的载体。其对中文语境情感的精准把握，更是中国AI“通情达义”的典范。

本文探讨了开源与闭源软件在大模型技术发展中的角色，深入比较了两者在质量、安全、产业化、适应性和可靠性等方面的优缺点。开源软件得益于全球开发者社区，通常在创新和适应性上表现出色，但安全性和质量可能因分散的开发而有所波动。闭源软件则在代码质量和安全性上有一定优势，但可能限制了产业的协作与创新。 在商业模式方面，开源通常依赖服务和支持盈利，闭源则通过软件授权和订阅服务获利。开源模式的市场竞争更激烈，闭源模式则更注重市场份额和控制。企业需要根据自身情况选择合适的战略，有些可能会采用