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。

Z-Image是6B参数开源图像生成模型，仅需16GB显存即可生成媲美百亿级模型的超真实图像，支持中英双语文本渲染与智能编辑，登顶Hugging Face趋势榜，首日下载破50万。

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。

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。

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。

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。

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。

maven配置阿里云镜像源

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。

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。

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！

🎉 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！🚀👩‍💻👨‍💻

`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。

通义灵码小白体验手把手教程，真的很好用呢!

本文介绍了阿里巴巴达摩院研发的“通义大模型”系列，该模型在2025年已成为AI领域的重要里程碑。通义大模型拥有超大规模参数、多模态融合、高效训练框架和中文优化等技术特点，在智能客服、内容创作、教育和企业服务等多个场景实现应用。未来，它将在多模态能力、小样本学习、安全性及应用场景拓展等方面持续突破，推动中国AI技术进步与行业智能化转型。

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。

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。

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。

「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。

本文将AI提示词工程应用于基金定投，为技术人打造一套系统化、可执行的理财方案。通过结构化指令，AI可生成个性化定投策略，覆盖目标设定、资产配置、风险控制与动态调整，帮助用户降低决策门槛，规避情绪干扰，实现科学理财。

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。

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。

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。

「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！

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。

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。

本文详解大语言模型微调四大工具——Unsloth、Axolotl、LlamaFactory、DeepSpeed，覆盖从单卡实验到万亿参数分布式训练场景，助你掌握主流框架选型策略，提升微调效率。建议点赞收藏。

协同过滤是推荐系统中广泛使用的技术，其核心思想是利用用户行为数据发现相似用户或物品进行推荐。摘要包括：1）协同过滤基于用户历史行为数据，通过计算相似度（如余弦相似度、皮尔逊相关系数）预测用户偏好；2）主要分为基于用户（寻找相似用户群体）和基于物品（发现相似物品）两种方法；3）面临冷启动、数据稀疏性等挑战，可通过混合推荐（结合内容特征）和矩阵分解等技术解决；4）典型应用包括电商猜你喜欢和流媒体推荐；5）结合大语言模型可增强语义理解能力，提升推荐准确性。

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。

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）。

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。

本文介绍了基于阿里云通义千问72B大模型（Qwen-72B-Chat）的性能基准测试，包括测试环境准备、模型部署、API测试等内容。测试环境配置为32核128G内存的ECS云主机，配备8块NVIDIA A30 GPU加速卡。软件环境包括Ubuntu 22.04、CUDA 12.4.0、PyTorch 2.4.0等。详细介绍了模型下载、部署命令及常见问题解决方法，并展示了API测试结果和性能分析。

本地离线部署大模型知识库OLLAMA+Anything（保姆级）