阿里Qwen团队发布端到端多模态模型Qwen2.5-Omni-3B

阿里Qwen团队在发布Qwen3系列模型后，又推出Qwen2.5-Omni系列的一个新模型Qwen2.5-Omni-3B，这是一个端到端多模态模型，能够无缝处理文本、图像、音频和视频等多种输入形式，并通过实时流式响应同时生成文本与自然语音合成输出。

• GitHub：https://github.com/QwenLM/Qwen2.5-Omni
• Hugging Face：https://huggingface.co/Qwen/Qwen2.5-Omni-3B
• 魔塔：https://modelscope.cn/models/Qwen/Qwen2.5-Omni-3B

• 与之前发布的 Qwen2.5-Omni-7B 模型相比，3B 版本在长上下文序列处理（约 25k 个 token）中实现了令人瞩目的 50%+的 VRAM 消耗降低，同时在典型的 24GB 消费级 GPU 上支持扩展的 30 秒音视频交互。
• 保留了 7B 模型的 90%+的多模态理解能力，自然语音输出的准确性和稳定性与 7B 版本相当。

相关：阿里通义实验室发布新一代端到端多模态旗舰模型Qwen2.5-Omni