阿里開源AI模型｜手機適用 可圖文影音輸入 設男女聲解答
原文刊於信報財經新聞「CEO AI⎹ EJ Tech」
自中國人工智能（AI）模型DeepSeek面世之後，內地大型語言模型競爭持續激烈。阿里巴巴（09988）昨天在Hugging Face及GitHub等軟件平台，開源首個端對端多模態AI模型Qwen2.5-Omni-7B，可供處理文字、圖像、音訊及視訊在內的輸入，同時產生即時文字及自然語音回應。模型可透過Qwen Chat及阿里雲開源社群ModelScope存取，亦可安裝在手機等邊緣設備上。
懂得導航 總結文章內容等
Qwen2.5-Omni-7B以緊湊的7B參數設計，並採用Thinker-Talker等創新架構，可以把文本生成及語音合成分開，最大限度地減少不同模型的干擾，讓開發人員設計靈活、經濟高效的AI代理，尤其是智能語音應用程式。從示範影片可見，新模型內建兩把聲音，分別是女聲的Cherry及男聲的Ethan。用戶以手機配合語音發問時，可總結文章內容、計算手寫方程式、指導下廚、環境導航，甚至分析結他樂譜等。
阿里新模型當中的Omni，來自拉丁語單字Omnis，意為全部、一切或全方位。在多模態融合任務OmniBench等評測中，Qwen2.5-Omni以56.1分刷新業界紀錄，遠超Google Gemini-1.5-Pro的42.9分，表現冠絕同類AI模型。
翻查資料，阿里雲在過去幾年，已開源超過200個生成式人工智能（GenAI）模型，讓開發人員修改及重新分發軟件。
Qwen2.5-Omni近人類感官
阿里雲去年9月及今年1月先後發布Qwen2.5及Qwen2.5-Max，在Chatbot Arena表現排名第七，媲美其他頂級自研大型語言模型。他們近日開源Qwen2.5-VL及Qwen2.5-1M，以增強視覺理解及長上下文輸入處理。
簡單而言，Qwen2.5-Omni以接近人類多感官方式，認知世界並與之即時交互，更能透過音訊視訊辨識情緒，在複雜的任務作出明智決策。
美國媒體CNBC報道，阿里巴巴堅定地推行AI策略，例如上月宣布未來3年，向雲端運算及AI智能基建投資530億美元（約4134億港元），超越過去10年在該領域的投入。
至於內地其他科企巨頭方面，百度（09888）上周發布文心大模型4.5及X1，其中大模型4.5是一款多模態基礎模型，可同時理解文字、圖像、聲音與影片內容；文心大模型X1為一款深度思考推理模型，同時具備多模態能力，標榜使用成本僅為DeepSeek- R1的一半。
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
