AI新工具
banner

Qwen2.5-Omni


介绍：

阿里巴巴开源的全新全模态大模型Qwen2.5-Omni

去看看








Qwen2.5-Omni 是阿里巴巴通义千问团队发布的最新旗舰端到端多模态模型. 它是通义系列模型中首个端到端全模态大模型。

核心能力

  • 全模态感知与生成：Qwen2.5-Omni 能够理解和处理文本、图像、音频和视频等多种输入模态, 并能以实时流式方式生成文本和自然语音合成输出. 这种能力使其能够以接近人类多感官的方式认知世界并进行实时交互.

  • 实时音视频交互：Qwen2.5-Omni 的架构设计支持完全实时的交互，包括分块输入和即时输出.

  • 自然且稳健的语音生成：Qwen2.5-Omni 在语音生成的自然性和稳健性方面超越了许多现有的流式和非流式替代方案, 展现出卓越的性能. 其语音生成测评分数甚至达到了与人类持平的能力.

  • 跨模态的卓越性能：在与同等规模的单模态模型进行基准测试时，Qwen2.5-Omni 在所有模态上都展现出卓越的性能. 例如，在音频能力上优于类似大小的 Qwen2-Audio，并且在性能上与 Qwen2.5-VL-7B 相当.

  • 优秀的端到端语音指令跟随能力：Qwen2.5-Omni 在端到端语音指令跟随方面的表现可与文本输入的效果相媲美，在 MMLU 通用知识理解和 GSM8K 数学推理等基准测试中表现优异.

  • 创新技术：模型采用了Time-aligned Multimodal RoPE (TMRoPE) 这种新型位置嵌入，用于同步视频输入与音频的时间戳.

Qwen2.5-Omni 在多个基准测试中都展现出了强大的性能.

  • 多模态融合任务 (OmniBench)：Qwen2.5-Omni 在 OmniBench 等权威的多模态融合任务测评中刷新了业界纪录，全维度远超 Google 的 Gemini-1.5-Pro 等同类模型. 它在 OmniBench 上达到了 State-of-the-Art (SOTA) 的表现.
  • 单模态任务：在单模态任务中，Qwen2.5-Omni 在多个领域表现优异:
  • 语音识别 (ASR)：在 Common Voice 等数据集上表现出色. 例如，在 Common Voice 15 的 en 和 zh 语言上，Qwen2.5-Omni-7B 取得了优于 Qwen2-Audio 和 Whisper-large-v3 的结果.
  • 翻译 (S2TT)：在 CoVoST2 等数据集上展现了强大的翻译能力, 甚至在某些语向上超越了 Qwen2-Audio.
  • 音频理解 (Audio Reasoning)：在 MMAU 基准测试中，Qwen2.5-Omni-7B 在声音、音乐和语音的平均得分上显著优于 Qwen2-Audio 和 Gemini-Pro-V1.5.
  • 图像推理：在 MMMU、MMStar 等基准测试中表现出色, 并在 MMStar 上取得了最好的结果.
  • 视频理解：在 MVBench 等基准测试中展现了强大的视频理解能力, 并在 MVBench 上取得了最好的结果.
  • 语音生成：在 Seed-tts-eval 和主观自然听感评估中表现优异, 并在内容一致性和说话人相似度方面取得了领先.
  • 文本能力：在 MMLU、GSM8K、HumanEval 等文本基准测试中也展现了强大的性能. 虽然在一些文本任务上可能略逊于专门的文本模型，但考虑到其全模态能力，这样的表现已经非常出色.

Qwen2.5-Omni 是一款在 7B 尺寸下实现了全球领先全模态性能的端到端模型，具备强大的多模态理解和生成能力，以及优秀的实时交互性能，为开发者和企业在各种应用场景中提供了强大的 AI 赋能.