更多动态
:一个模型实现文本/图像/视频/音频 30B MoE(激活仅 3B)混合架构。不需要拼 STT + 视觉模型 + LLM,所有模态在同一序列里联合推理,不是事后拼接。 - 文档:原生支持 100+ 页,动态分辨率最高 1840×1840 - 视频 + 音频:Conv3D + EVS 压缩,音画联合推理,支持 20 分钟音频 - GUI Agent:截图理解 + 自动操作,OSWorld 47.4(Qwen3-Omni 29.0) - 吞吐:多文档 7.4x、视频 9.2x 于同类开源 omni 过去做多模态要跑 STT + 视觉 + LLM 三个循环,现在一步搞定。客服 agent 可以同时"看"屏幕 + "听"录音 + 查百页合同,一个推理循环输出,上下文不断。金融 agent 同步读财报、听业绩会、看图表,统一出结果。 开源(NVIDIA License),BF16/FP8/NVFP4 权重已上 HF。OpenAI 兼容 API,消费级显卡Ollama / vLLM 可以本地部署。


1.6T 总参、激活约 48B,原生多模态,主推长程智能体,全程国产算力训练。 图像量化成多级离散 token,Visual Coding 与 3D 受益。 大规模长程 RL,把失败轨迹转成可验证训练任务。 W4A4 推理,prefill 吞吐提升 43%。 官方自测介于 Claude-Opus-4.8 与 Opus-5 之间。

它不堆参数,堆"层数"。32 层解码器,中间 4–27 层同权重跑两遍 → 前向 56 层计算,只存 9B。 自测 BIRD-Dev 71.38、AutomationBench 13.72,超 Qwen3.5-27B;Terminal Bench依旧落后。
