--- title: "Qwen (Alibaba) — 通义千问" source: "https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE" wiki: "systems-analysis.info/int" article: "Qwen_(Alibaba)_—_通义千问" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 6099 wiki_created_at: 2026-09-06T23:58:19Z wiki_modified_at: 2026-09-06T23:58:19Z downloaded_at: 2026-09-07T23:11:59Z --- # Qwen (Alibaba) — 通义千问 **Qwen**（中文名：**通义千问**）是由阿里巴巴集团的云计算部门阿里云^{[\[1\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-wikipedia-qwen-1)}开发的大语言模型（LLM）家族。Qwen模型是中国科技巨头在人工智能领域的一项重大贡献。其首个版本于2023年4月以测试版形式推出，并于2023年9月公开发布^{[\[1\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-wikipedia-qwen-1)}。 Qwen家族经历了快速演进，向市场提供了开源解决方案和功能更强大的专有版本。Qwen的关键特性包括模型尺寸范围广（从数亿到数千亿参数）、先进的多模态能力（处理文本、图像、音频和视频）、支持多种语言，以及创新的架构设计，如专家混合（MoE）和用于解决复杂任务的“思考”模式^{[\[2\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-inferless-guide-2)}。在全球市场上，Qwen被定位为OpenAI、Meta、Anthropic和Mistral AI等领先模型的重要竞争者。阿里云的战略重点是高性能与高可用性，这体现在其定期发布开源模型上，且主要采用Apache 2.0许可证^{[\[3\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen3-release-analysis-3)}。 ## 历史与发展 Qwen家族的发展以快节奏和战略性决策为特点，同时面向开源社区和商业用户。从最初接近LLaMA的架构，阿里云逐步转向创建自己独特的解决方案，包括复杂的MoE架构和先进的多模态系统。 | 发布日期 | 模型 | 参数（十亿） | 主要特点 | 许可证 | |---------------|-----------------------|---------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | 2023年8月 | **Qwen-7B** | 7 | 首个开源模型；在约2.4万亿个词元上进行预训练；32k词元上下文窗口^{[\[4\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen1-tech-report-4)}。 | 通义千问许可证（商业用途需授权）^{[\[5\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen7b-hf-5)} | | 2023年9月 | **Qwen-14B** | 14 | 在约3.0万亿个词元上进行训练；提升了复杂任务的准确性；上下文窗口为8k^{[\[6\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-github-qwenlm-6)}。 | 通义千问许可证 | | 2023年11月 | **Qwen-72B** | 72 | 旗舰模型，在约3.0万亿个词元上进行训练；32k上下文；性能达到当时顶级模型水平。 | 通义千问许可证 | | 2023年11月 | **Qwen-1.8B** | 1.8 | 用于本地部署的紧凑型模型；在约2.2万亿个词元上进行预训练；32k上下文。 | 通义千问许可证 | | 2024年6月/9月 | **Qwen 2** | 0.5–72 | 第二代模型；在约7万亿个词元上进行训练；引入了MoE模型（如57B-A14B）；通过YaRN技术将上下文扩展至128k^{[\[7\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2-tech-report-7)}。 | Apache 2.0（多数模型） | | 2024年9月 | **Qwen 2.5** | 3–32 | 中期更新；数据集扩展至约18万亿个词元；提升了代码和数学问题的解决能力^{[\[8\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2.5-tech-report-8)}。 | Apache 2.0（72B除外） | | 2024年11月 | **QwQ-32B (Preview)** | 32 | “Qwen with Questions”实验模型，用于复杂的逐步推理；32k上下文。 | Apache 2.0（仅权重） | | 2025年1月 | **Qwen2.5-VL** | 3–72 | 多模态模型（文本+图像）；分析任意分辨率的图像；上下文最高达128k^{[\[9\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2.5-vl-tech-report-9)}。 | Apache 2.0（72B除外） | | 2025年3月 | **Qwen2.5-Omni-7B** | 7 | 通用多模态模型：输入（文本、图像、视频、音频），输出（文本、语音）。采用“思考者-说话者”（Thinker-Talker）架构^{[\[10\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2.5-omni-tech-report-10)}。 | Apache 2.0 | | 2025年4月 | **Qwen 3** | 0.6–235 (MoE) | 第三代模型；在约36万亿个词元上进行训练，涵盖119种语言；MoE版本（30B-A3B, 235B-A22B）；内置“思维外化”（think aloud）模式 (``)；128k上下文^{[\[11\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen3-tech-report-11)}。 | Apache 2.0（所有模型） | Qwen模型主要发布版本 ## 架构与技术特点 Qwen模型基于“仅解码器”（decoder-only）的Transformer架构，类似于LLaMA和GPT。每个模型都是一个自回归解码器，包含多头注意力机制和前馈网络模块。 ### 关键架构组件 - **基本元素**：Qwen采用了现代LLM的标准解决方案：使用**RMSNorm**归一化以确保训练稳定性，并在全连接层中使用**SwiGLU**激活函数以提升性能^{[\[4\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen1-tech-report-4)}。 - **位置编码**：使用**旋转位置编码（Rotary Positional Embeddings, RoPE）**来编码词元的位置信息，从而有效处理长序列^{[\[8\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2.5-tech-report-8)}。 - **高效注意力机制**：为加速计算和节省内存，在注意力机制中采用了**FlashAttention**算法^{[\[2\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-inferless-guide-2)}。 ### 密集模型与专家混合（MoE）模型 Qwen家族包括两种架构类型的模型： - **密集模型（Dense）**：在处理每个词元时，模型的所有参数都会被激活。例如：Qwen-72B、Qwen2.5-32B。这类模型部署简单，但随着规模增大需要更多的计算资源^{[\[11\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen3-tech-report-11)}。 - **专家混合（Mixture-of-Experts, MoE）模型**：在这类模型中，一个大型全连接层被替换为多个较小的、专门化的“专家”层。对于每个词元，一个特殊的门控网络（gating network）会动态选择一小部分专家进行处理。这使得模型可以在推理阶段以显著降低的计算成本，拥有巨大的总参数量。 - **Qwen2-57B-A14B** 包含570亿总参数，但每次请求只激活140亿参数^{[\[7\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2-tech-report-7)}。 - **Qwen3-235B-A22B** 包含2350亿总参数，其中220亿为活跃参数^{[\[11\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen3-tech-report-11)}。 ### 长上下文创新长上下文支持是Qwen的强项之一。 - 首批模型支持最多**32k**个词元。 - 在**Qwen 2**代中，通过**YaRN（Yet Another RoPE Extension）**方法将上下文窗口扩展至**128k**个词元，该方法可以在不显著降低质量的情况下扩展上下文^{[\[7\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2-tech-report-7)}。 - 实验性模型**Qwen2.5-Turbo**展示了处理高达**100万**个词元上下文的能力^{[\[2\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-inferless-guide-2)}。 ### Qwen 3的“思考模式” Qwen第三代实现了“混合思维”（hybrid thinking）机制。模型可以在给出最终答案前，明确地形成一条推理链（chain-of-thought）。 - 默认情况下，Qwen 3会在输出中嵌入一个特殊的`...`块，其中展示了逐步的逻辑推理过程。 - 用户可以在请求中添加`/no_think`指令来禁用此模式。这一机制提升了模型解决需要多步推理的复杂任务的能力^{[\[3\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen3-release-analysis-3)}。 ### 多语言分词器 Qwen使用了扩展的词元词汇表（约151,000个词元），该词汇表基于OpenAI GPT-4的BPE词汇表（cl100k）构建，并针对中文及其他语言进行了额外优化。这使得模型能够高效地编码汉字、拉丁字母和程序代码，从而提升其多语言能力^{[\[4\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen1-tech-report-4)}。 ## 多模态能力 Qwen家族在多模态方向上积极发展，推出了能够处理不同类型数据的模型： - **Qwen-VL**：将视觉Transformer（用于处理图像）与语言模型相结合，使其能够回答关于图像的问题并生成描述。**Qwen2.5-VL**版本能够分析任意分辨率的图像，并从中提取结构化数据（例如，从表格和表单中）^{[\[9\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2.5-vl-tech-report-9)}。 - **Qwen-Audio**：专门用于处理音频信息的模型，能够识别和生成语音、音乐及其他声音^{[\[12\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-12)}。 - **Qwen2.5-Omni**：通用的端到端多模态模型，能同时感知文本、图像、音频和视频，并以流式方式生成文本或自然语音的回复。其核心是**“思考者-说话者”（Thinker-Talker）**架构，其中“思考者”（LLM）生成文本内容，而“说话者”（双轨自回归模型）合成音频^{[\[10\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2.5-omni-tech-report-10)}。 - **专用模型**：还发布了针对特定任务的模型，如**Qwen-Coder**（编程）和**Qwen-Math**（解决数学问题）。 ## 训练数据与规模 Qwen模型在极其庞大的数据语料上进行训练，这些数据包括来自互联网的文本、书籍、科学文章、程序代码和数学数据。 - **Qwen 1.0 (7B)**：约2.4万亿词元。 - **Qwen 1.0 (72B)**：约3.0万亿词元。 - **Qwen 2.0**：约7万亿词元。 - **Qwen 2.5**：约18万亿词元。 - **Qwen 3.0**：约36万亿词元，涵盖**119种语言**和方言。为了提高数据质量，采用了先进的过滤方法，并生成高质量的合成数据，特别是在数学和编程等领域^{[\[8\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2.5-tech-report-8)}。 ## 许可与可用性 Qwen模型的许可政策随时间演变。 - **早期模型（Qwen 1）**：采用自有的**通义千问许可证（Tongyi Qianwen License）**分发。该许可证允许学术使用，但商业应用需提交申请并获得单独授权^{[\[5\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen7b-hf-5)}。 - **后期模型（Qwen 2, 2.5, 3）**：从第二代开始，开发者转向了更开放的政策。大多数新模型都以宽松的**Apache 2.0许可证**发布，允许在学术和商业项目中自由使用^{[\[7\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2-tech-report-7)}。随着**Qwen 3**系列的发布，该代所有模型都完全开放，采用Apache 2.0许可证，无额外限制^{[\[3\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen3-release-analysis-3)}。 - **专有和受限模型**：尽管总体趋势是开放，但最大或具有战略重要性的模型（如Qwen2.5-Max、Qwen2.5-VL-72B）仍然是专有模型，通过阿里云的付费API提供，或在更严格的研究许可下分发。 ## 与竞争对手的比较及性能表现 Qwen模型在竞争激烈的市场中积极定位，并定期与世界领先公司的产品进行比较。 - **vs. Llama (Meta)**：在技术报告中，Qwen通常表现出优于同等规模Llama模型的性能。例如，Qwen2-72B在MMLU、HumanEval和GSM8K等基准测试中的得分高于Llama-3-70B。 - **vs. GPT (OpenAI)**：Qwen的旗舰模型致力于缩小与GPT模型的差距。阿里云声称，Qwen2.5-Max在某些学术基准测试上优于GPT-4o，而Qwen2-72B-Instruct则展现出与GPT-4-Turbo相当的竞争力。 - **vs. Mistral AI**：两家公司都侧重于开源模型。测试表明，Qwen2-72B在关键基准测试上的表现优于Mixtral-8x22B^{[\[7\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2-tech-report-7)}。 ### 基准测试结果 | 模型 | MMLU (5-shot) | HumanEval (0-shot) | GSM8K (8-shot) | MT-Bench | |----------------------------|---------------|--------------------|----------------|----------| | **Qwen2-72B (基础)** | 84.2 | 64.6 | 89.5 | 不适用 | | **Qwen2-72B-Instruct** | 82.3 | 86.0 | 93.2 | 9.12 | | **Llama-3-70B (基础)** | 79.5 | 48.2 | 83.0 | 不适用 | | **Llama-3-70B-Instruct** | 82.0 | 81.7 | 93.0 | 8.95 | | **Mixtral-8x22B (基础)** | 77.8 | 46.3 | 83.7 | 不适用 | | **Mixtral-8x22B-Instruct** | 74.0 | 73.8 | 89.1 | 8.66 | Qwen旗舰模型与竞争对手的性能比较（数据截至2024年中）^{[\[7\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-qwen2-tech-report-7)} **注：**不适用——表示不适用或在引用来源中无相关数据。 ## 生态系统与应用 Qwen家族被集成到各种产品和平台中，形成了一个不断发展的生态系统。 - **阿里云平台**：模型（特别是功能最强大的专有版本）通过**模型工作室（Model Studio）**的API接口提供。**PAI-EAS（人工智能平台-弹性算法服务）**平台支持Qwen模型的部署、微调（fine-tuning）和定制。 - **开源社区**：模型的开源版本、权重和代码被积极托管在**Hugging Face**、**ModelScope**和**GitHub**等平台上^{[\[6\]](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_note-github-qwenlm-6)}，这促进了它们在全球研究人员和开发者中的广泛传播和使用。 - **应用**：这些模型被用于从内容生成和数据分析到创建AI智能体的广泛任务。例如，Qwen3模型支持**模型上下文协议（Model Context Protocol, MCP）**，使其能够更有效地与其他应用程序和工具交互。 ## 外部链接 - Qwen官方聊天机器人 - 官方文档 - GitHub主代码库 - Hugging Face主页 - ModelScope主页 ## 参考文献 - Bai, Jinze; et al. (2023). *Qwen Technical Report*. arXiv:2309.16609. - Qwen Team (2024). *Qwen2 Technical Report*. arXiv:2407.10671. - Yang, An; et al. (2025). *Qwen3 Technical Report*. arXiv:2505.09388. - Qwen Team (2025). *Qwen2.5 Technical Report*. arXiv:2412.15115. - Bai, Jinze; et al. (2025). *Qwen2.5-VL: A Versatile Vision-Language Model for Real-World Agent Tasks*. arXiv:2502.13923. - Wang, Wen; et al. (2025). *Qwen2.5-Omni: A Streaming End-to-End Multimodal Model*. arXiv:2503.20215. ## 参考文献 - Su, J.; et al. (2021). *RoFormer: Enhanced Transformer with Rotary Position Embedding*. arXiv:2104.09864. - Dao, T.; et al. (2022). *FlashAttention: Fast and Memory‑Efficient Exact Attention with IO‑Awareness*. arXiv:2205.14135. - Bai, Jinze; et al. (2023). *Qwen Technical Report*. arXiv:2309.16609. - Peng, B.; et al. (2023). *YaRN: Efficient Context Window Extension of Large Language Models*. arXiv:2309.00071. - Qwen Team (2024). *Qwen2 Technical Report*. arXiv:2407.10671. - Qwen Team (2024). *Qwen2‑Audio Technical Report*. arXiv:2407.10759. - Qwen Team (2025). *Qwen2.5 Technical Report*. arXiv:2412.15115. - Bai, Jinze; et al. (2025). *Qwen2.5‑VL: A Versatile Vision‑Language Model for Real‑World Agent Tasks*. arXiv:2502.13923. - Wang, Wen; et al. (2025). *Qwen2.5‑Omni: A Streaming End‑to‑End Multimodal Model*. arXiv:2503.20215. - Yang, An; et al. (2025). *Qwen3 Technical Report*. arXiv:2505.09388. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-wikipedia-qwen_1-0)} ^{[1.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-wikipedia-qwen_1-1)} “Qwen”. *Wikipedia*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-inferless-guide_2-0)} ^{[2.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-inferless-guide_2-1)} ^{[2.2](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-inferless-guide_2-2)} “Qwen Models: Alibaba's Next-Generation AI Family for Text, Vision, and Beyond”. *Inferless*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen3-release-analysis_3-0)} ^{[3.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen3-release-analysis_3-1)} ^{[3.2](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen3-release-analysis_3-2)} “Qwen 3 offers a case study in how to effectively release a model”. *Simon Willison's Weblog*. [3] 4. ↑ ^{[4.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen1-tech-report_4-0)} ^{[4.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen1-tech-report_4-1)} ^{[4.2](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen1-tech-report_4-2)} Bai, Jinze; et al. (2023). *Qwen Technical Report*. arXiv:2309.16609. 5. ↑ ^{[5.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen7b-hf_5-0)} ^{[5.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen7b-hf_5-1)} “Qwen/Qwen-7B”. *Hugging Face*. [4] 6. ↑ ^{[6.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-github-qwenlm_6-0)} ^{[6.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-github-qwenlm_6-1)} “GitHub - QwenLM/Qwen: The official repo of Qwen”. *GitHub*. [5] 7. ↑ ^{[7.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2-tech-report_7-0)} ^{[7.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2-tech-report_7-1)} ^{[7.2](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2-tech-report_7-2)} ^{[7.3](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2-tech-report_7-3)} ^{[7.4](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2-tech-report_7-4)} ^{[7.5](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2-tech-report_7-5)} Qwen Team (2024). *Qwen2 Technical Report*. arXiv:2407.10671. 8. ↑ ^{[8.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2.5-tech-report_8-0)} ^{[8.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2.5-tech-report_8-1)} ^{[8.2](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2.5-tech-report_8-2)} Qwen Team (2025). *Qwen2.5 Technical Report*. arXiv:2412.15115. 9. ↑ ^{[9.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2.5-vl-tech-report_9-0)} ^{[9.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2.5-vl-tech-report_9-1)} Bai, Jinze; et al. (2025). *Qwen2.5-VL: A Versatile Vision-Language Model for Real-World Agent Tasks*. arXiv:2502.13923. 10. ↑ ^{[10.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2.5-omni-tech-report_10-0)} ^{[10.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen2.5-omni-tech-report_10-1)} Wang, Wen; et al. (2025). *Qwen2.5-Omni: A Streaming End-to-End Multimodal Model*. arXiv:2503.20215. 11. ↑ ^{[11.0](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen3-tech-report_11-0)} ^{[11.1](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen3-tech-report_11-1)} ^{[11.2](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-qwen3-tech-report_11-2)} Yang, An; et al. (2025). *Qwen3 Technical Report*. arXiv:2505.09388. 12. [↑](https://systems-analysis.info/int/Qwen_(Alibaba)_%E2%80%94_%E9%80%9A%E4%B9%89%E5%8D%83%E9%97%AE#cite_ref-12) Gao, Shidong; et al. (2024). *Qwen2-Audio Technical Report*. arXiv:2407.10759.