分类： ai快报

WebShaper – 阿里通义推出的AI训练数据合成系统

WebShaper是什么

WebShaper 是阿里巴巴通义实验室推出的创新的 AI 训练数据合成系统。通过形式化建模和智能体扩展机制，为 AI 智能体（Agent）的训练提供了高质量、可扩展的数据。WebShaper 首次引入了基于集合论的“知识投影”（Knowledge Projection, KP）概念，通过 KP 的交集、并集和递归操作，构造复杂的问题结构，精准控制推理路径和任务复杂度。WebShaper 的 Expander 智能体能从简单的“种子问题”出发，逐步扩展成复杂的推理任务，让 AI 自己“出题”。训练策略结合了监督微调（SFT）和 GRPO 强化学习，使模型在复杂信息检索任务中表现出色。

WebShaper

WebShaper的主要功能

  • 形式化建模：WebShaper 首次提出了基于集合论的 IS（信息搜寻）任务形式化建模方法。通过“知识投影”（Knowledge Projection, KP）将复杂的信息搜寻任务分解为多个集合操作（如交集、并集、递归操作）。每个 KP 是一个包含特定实体的集合，通过这些操作可以构造出复杂的问题结构，精准控制推理路径和任务复杂度。
  • 智能体扩展机制：WebShaper 的一大创新是让 AI 自己“出题”。通过 Expander 智能体，系统从一个简单的“种子问题”开始，逐步扩展成复杂的推理任务。Expander 智能体调用搜索、摘要、验证等工具，逐步构造出更复杂、逻辑清晰的问题，并验证答案的正确性。确保了推理链条清晰，任务结构可控。
  • 高质量数据生成：WebShaper 通过形式化建模和智能体扩展机制，生成的训练数据不再是“靠猜题”，而是可控、可解释、可扩展的高质量任务。突破了预检索数据的边界，实现了更广泛的任务类型、能力激发和知识覆盖，减少了数据合成中的错误和冗余信息。
  • Agent 训练策略：WebShaper 采用监督微调（SFT）和 GRPO 强化学习的组合策略，让 AI 智能体在模糊、多跳信息中逐步掌握推理与检索能力。训练从高质量的训练轨迹开始，通过奖励机制引导模型进行多步推理，避免“走捷径”或“猜答案”。

WebShaper的技术原理

  • 形式化驱动框架：WebShaper 采用集合论对信息检索任务进行系统形式化，核心是“知识投影”（Knowledge Projections, KP）概念。KP 是基于特定关系的实体集合，
  • 知识投影操作
    • R-并集：用于处理不确定性条件，例如“2000-2010年参赛的球员”可以通过并集操作表示。
    • 交集：用于处理多条件约束，例如“2000年参赛且90年代出生的球员”。
  • 任务扩展机制：WebShaper 通过“种子任务”开始，利用扩展器（Expander）逐步扩展问题复杂度。扩展器基于形式化框架，结合检索和验证工具，将简单问题扩展为复杂问题，确保逻辑一致性和任务难度。
  • 数据合成与训练：生成的复杂问题被转换为训练数据，通过监督微调（SFT）和强化学习（如 GRPO 算法）进行模型训练，提升模型在复杂信息检索任务中的推理能力。

WebShaper的项目地址

  • Github仓库：https://github.com/Alibaba-NLP/WebAgent
  • HuggingFace模型库：https://huggingface.co/datasets/Alibaba-NLP/WebShaper
  • arXiv技术论文：https://arxiv.org/pdf/2507.15061

WebShaper的应用场景

  • 文献整理与分析：WebShaper 可以帮助研究人员快速收集和整理相关文献，进行跨学科的知识发现。
  • 市场调研：WebShaper 可以用于市场调研、竞争分析和投资决策支持。企业分析师可以让 AI 系统自动收集行业数据、分析市场趋势、评估竞争对手的策略。
  • 智能学习助手：WebShaper 可以成为智能学习助手，帮助学生进行深度学习和研究性学习。
  • 生活决策：WebShaper 可以在出行规划、健康查询、生活决策等场景下，即开即用，为用户提供个性化的信息支持。
  • 医疗信息查询：WebShaper 可以帮助用户查询医疗健康信息，提供专业的医疗建议和健康咨询

Skywork UniPic – 昆仑万维开源的多模态统一预训练模型

Skywork UniPic是什么

Skywork UniPic 是昆仑万维开源的多模态统一预训练模型，具备图像理解、文本生成图像及图像编辑三大核心能力。模型基于自回归范式，融合 MAR 编码器和 SigLIP2 主干，构建轻量级架构，用 1.5B 参数规模实现高性能，逼近大模型效果。模型基于渐进式多任务训练和优化策略，确保在理解、生成和编辑任务上的卓越表现，支持在消费级显卡上流畅运行，为开发者提供高效、实用的多模态解决方案。

Skywork UniPic

Skywork UniPic的主要功能

  • 图像理解：基于文本提示理解图像内容，完成图文匹配、问答等任务。模型能精准地捕捉图像的语义信息，实现对图像的深度理解。
  • 文本到图像生成：根据用户输入的文本提示，模型能生成高质量的图像。
  • 图像编辑：用户提供参考图像和编辑指令，模型根据指令对图像进行修改，例如替换图像中的元素、调整风格等，支持多种复杂的编辑操作。

Skywork UniPic的技术原理

  • 自回归架构：模型延续 GPT-4o 的自回归范式，基于序列化的方式处理图像和文本数据，确保生成和理解任务的高效性。
  • MAR 编码器：在图像生成路径中，用 MAR 编码器作为视觉表征基础，基于掩码自回归的方式逐步生成图像的 patch，实现高质量的图像生成。
  • SigLIP2 主干：在图像理解路径中，引入 SigLIP2 主干网络，专注于语义信息的提取，提升模型对图像内容的理解能力。
  • 渐进式多任务训练：模型基于渐进式多任务训练策略，先专注于单一任务（如文本生成图像），待收敛后逐步引入理解与编辑任务，避免多任务早期相互干扰，确保模型在不同任务上都能达到顶尖性能。
  • 数据与奖励模型优化：用约亿级规模的精选预训练语料和数百万级任务精调样本，同时构建 Skywork-ImgReward 和 Skywork-EditReward 奖励模型，用在筛选高质量数据和评估生成与编辑任务的质量。

Skywork UniPic的项目地址

  • GitHub仓库：https://github.com/SkyworkAI/UniPic
  • HuggingFace模型库：https://huggingface.co/Skywork/Skywork-UniPic-1.5B
  • 技术论文：https://github.com/SkyworkAI/UniPic/blob/main/UNIPIC.pdf

Skywork UniPic的应用场景

  • 创意设计与广告制作：广告公司根据文案快速生成创意图像，为新产品设计吸引人的宣传海报，大幅缩短设计周期，提升工作效率。
  • 教育与在线学习：在线教育平台借助该模型根据教学内容生成直观图像或动画，帮助学生更好地理解复杂知识点，例如将历史事件转化为生动场景图，增强学习趣味性。
  • 游戏开发：游戏开发者输入剧情描述，让Skywork UniPic生成游戏场景和角色设计图，加速开发流程，为美术设计提供创意参考，提升游戏视觉效果。
  • 文化遗产保护：博物馆修复文物图像或根据历史文献复原古代场景，如重现古代丝绸之路的繁华景象，帮助观众更直观地了解历史，增强文化传承效果。
  • 智能家居与物联网：智能家居系统根据用户语音指令生成相应场景图像，如温馨客厅场景，为用户提供直观的场景预览和定制服务，提升用户体验。

无影AgentBay – 阿里云推出的云端Agent开发平台

无影AgentBay是什么

无影AgentBay是阿里云推出的提供多模态云端运行环境和专家Agent平台，支持浏览器、桌面、移动端、代码的自动化与远程控制。平台具备视觉理解、自然语言控制等AI技能，能无缝切换任务，调用云上算力。仅需三行代码即可接入，集成云上沙箱、数据持久化和企业级安全等核心能力。无影AgentBay适用科研、金融、教育、医疗等多场景，助力开发者高效创新，推动智能体全场景应用。

无影AgentBay

无影AgentBay的主要功能

  • 多系统支持：兼容Windows、Linux、Android等主流系统，支持桌面、移动、浏览器、代码空间等多种应用场景。
  • AI技能集成：具备视觉理解、自然语言控制、任务解析等AI能力，支持多模态输入与智能决策。
  • 云上沙箱环境：提供安全隔离的沙箱环境，覆盖多系统和多应用层，支持Agent自动化应用。
  • 数据持久化：支持状态和内存级别的持久化，确保任务切换时状态连续，资源按需加载，无需重启。
  • 企业级安全：采用数据加密传输和权限严格隔离，确保“本地环境零侵入”，为用户和厂商提供双重安全保障。
  • 简单接入与扩展：提供API、SDK和MCP等多种接入方式，支持一键配置和快速集成，降低开发门槛。
  • 高性能算力：依托阿里云全球基础设施，提供强大的GPU算力支持，满足复杂任务需求。

如何使用无影AgentBay

  • 登录阿里云无影控制台：访问无影AgentBay官网：https://www.aliyun.com/activity/wuying/aiagent，点击前往产品控制台。按提示完成注册和登录。
  • 申请API Key和MCP配置描述：在无影AgentBay控制台中，找到“服务管理”选项。按照提示申请API Key，同时获取MCP配置描述，用于后续的配置步骤。
  • 配置MCP Server：
    • 在MCP Host侧一键配置无影MCP Server。
    • 在无影AgentBay平台左侧导航栏中找到服务管理，并查看API Key。
    • 点击配置资源，在镜像下拉列表中选择一个镜像。
    • 在MCP信息右上角点击复制代码。
  • 安装到本地：打开Cursor设置面板，进入MCP部分。在MCP Servers面板上，点击右上角的“添加全局MCP服务器”。把刚才复制的代码粘贴进打开的mcp.json文件中。
  • 测试并完成配置：保存mcp.json文件中的配置，关闭设置面板。在Cursor中测试连接，确保MCP Server配置正确且能正常工作。
  • 开始使用无影AgentBay：配置完成后，开始使用无影AgentBay进行各种任务，如代码运行、网页浏览、数据分析等。在Cursor中，能添加新的全局MCP服务器，进行进一步的配置和使用。

无影AgentBay的应用场景

  • 金融分析：实时监控市场动态，为金融分析提供多环境数据采集与分析能力，形成专业的智能金融分析建议。
  • 医疗诊断：平台赋予智能体医疗知识和操作能力，协助医生进行病情分析与诊断，实现病人个性化病历的长期跟踪管理。
  • 教育：用多环境操作能力，为学习者提供个性化的学习内容和实践机会，构建因材施教的数字人教师。
  • 跨境电商：无影AgentBay能帮助企业实时获取全球商品信息，打通交易流程，实现高效运营。
  • 企业数字化转型：在云端提供定制化的桌面环境，支持企业应用智能化改造，实现算力按需分配和一站式运维管理。

灵动画布 – 可灵AI推出的AI创意工作台

灵动画布是什么

灵动画布是快手可灵AI在世界人工智能大会（WAIC）期间发布的全新创意工作台功能。为创作者提供了一个多人协同创作的平台，支持最多5人同时在一个画布内进行创作，实现素材共享、实时联动和一键导出，打造更流畅的创作闭环。特别适合团队协作项目，能有效激发创意，提升创作效率。通过“灵动画布”，创作者可以将零散的创意想法转化为文本、图像或视频节点，高效串联成完整的视觉作品。

 

灵动画布的主要功能

  • 多人协同创作：支持最多5人协作，创作者可以在同一画布内进行实时创作，适合团队合作。团队成员可以共享素材，实时看到彼此的操作和修改。
  • 一站式创作流程：从创意构思到最终成品，创作者可以在一个平台上完成。
  • 一键导出功能：创作完成后，可以快速将作品导出为最终的视频或图像。
  • 无限可视化空间：创作者可以在画布上自由布局创意节点，包括文本、图像和视频。
  • 灵活的创意组织：通过节点连接，创作者可以将创意元素高效串联，形成完整的创作思路。
  • 智能创作辅助：借助AI技术，自动识别和理解创意元素，提供智能建议和优化。
  • 提升创作效率：AI可以帮助创作者快速生成初步内容，减少重复性工作。
  • 局部参考功能：精准素材引用，创作者可以指定参考图中的特定部分（如人物、场景、道具等），避免不必要的元素干扰。
  • 生成结果更可控：确保生成的内容更符合创作者的预期，提升创作的精准度。
  • 操作记录与回溯：记录创作过程中的每一步操作，方便创作者随时回溯和修改。
  • 版本管理：支持不同版本的保存和比较，确保创作的灵活性和可追溯性。

如何使用灵动画布

  • 使用平台
    • 网页端：访问可灵AI的官网，注册登录后即可在线使用。
    • 手机端：下载可灵AI APP的Android或iOS版进行使用。
  • 使用步骤
    • 创建画布：登录后，进入“灵动画布”功能界面，创建一个新的画布。
    • 添加元素：在画布上添加创意节点，包括文本、图像或视频等元素。
    • 多人协作：邀请最多4名其他用户加入画布，共同创作。团队成员可以在同一画布内实时操作，共享素材、实时联动。
    • 智能辅助：利用AI的智能辅助功能，系统会根据添加的元素和描述，自动提供创作建议和优化方案。
    • 编辑与调整：根据需要对画布上的元素进行编辑和调整，如修改文本内容、调整图像位置等。
    • 生成作品：完成创作后，点击“一键导出”功能，将画布上的内容导出为最终的视频或图像作品。
  • 注意事项
    • 灵感值：首次注册用户会获赠一定数量的灵感值，可用于生成图片及视频，每日登录也会获赠灵感值，但获赠灵感值会在24小时内过期。
    • 素材管理：合理利用画布内的素材共享功能，确保团队成员都能高效获取所需素材。

灵动画布的应用场景

  • 图像与视频生成：创作者可以在“灵动画布”上将零散的创意想法转化为文本、图像或视频节点，高效串联成完整的视觉作品。
  • 教学演示动画：教师可以用“灵动画布”快速制作教学演示动画，将复杂的知识点以更直观的方式呈现给学生。
  • 学生创意项目：学生可以用工具进行创意项目的协作创作，提升团队合作能力和创造力。
  • 产品展示视频：企业可以快速生成产品展示视频，用于广告、营销等场景，提升产品宣传效果。
  • 个人创意表达：个人创作者可以用“灵动画布”实现自己的创意想法，快速生成个性化的图像和视频。

腾讯混元3D世界模型正式发布并开源

今天，在2025世界人工智能大会腾讯论坛上，腾讯正式发布混元3D世界模型 1.0，并全面开源。

这是业界首个开源可沉浸漫游、可交互、可仿真的世界生成模型，为游戏开发、VR、数字内容创作等领域带来了全新的可能性。

除3D世界模型外，腾讯混元还披露了包括端侧混合推理语言模型、多模态理解模型、游戏视觉模型等在内的一系列开源计划。

作为此次发布的亮点之一，腾讯混元3D世界模型1.0融合了全景视觉生成与分层3D重建技术，同时支持文字和图片输入，实现了高质量、风格多样的可漫游3D场景生成。

过去需要专业建模团队数周才能搭建的3D虚拟世界，现在只需一句文字或一张图片，几分钟内即可生成。

 

对游戏开发者而言，混元3D世界模型极大简化了3D场景构建流程，只需输入简单指令，模型即可快速生成包含建筑、地形、植被的完整3D场景。输出的Mesh文件可用于游戏原型搭建或关卡设计，还能灵活调整前景物体、更换天空背景，满足个性化创作需求。

无建模经验的普通用户，通过混元 3D 创作引擎，仅需一句话或者一张图即可快速生成360°沉浸式视觉空间，生成的场景可无缝导入Vision Pro等虚拟头显，带来沉浸式体验。

混元3D世界模型1.0的核心还在于其创新的「语意层次化3D场景表征及生成算法」。

该算法将复杂3D世界解构为不同语意层级，实现前景与背景、地面与天空的智能分离，不仅生成视觉效果逼真的整体场景，还能输出标准化的3D Mesh资产，兼容Unity、Unreal Engine、Blender等主流工具。用户可对场景内元素进行独立编辑或物理仿真，无缝衔接AIGC技术与传统CG工作流。

GLM-4.5 – 智谱推出的面向推理、代码与智能体的开源 SOTA 模型

GLM-4.5是什么

GLM-4.5 是智谱推出的新一代旗舰模型，专为智能体应用打造，是首款原生融合推理、代码和智能体能力的开源 SOTA 模型。采用混合专家（MoE）架构，有两个版本：GLM-4.5（3550 亿参数，320 亿激活）和 GLM-4.5-Air（1060 亿参数，120 亿激活）。模型在多个评测基准中表现卓越，综合性能达到开源模型的顶尖水平，尤其在代码智能体场景中表现优异。支持混合推理模式，提供思考模式和非思考模式，兼顾复杂任务和即时响应需求。

参数效率翻倍，API价格仅为Claude的1/10，速度最快可达100tokens/秒。率先在一个模型中实现多能力原生融合并取得重要技术突破——单个模型同时具备强大的推理、代码、智能体等能力，已上线智谱清言和Z.ai开放免费体验。

GLM-4.5

通义万相2.2 – 阿里开源的AI视频生成模型

通义万相2.2（Wan2.2）是阿里巴巴开源的先进AI视频生成模型。共开源文生视频（Wan2.2-T2V-A14B）、图生视频（Wan2.2-I2V-A14B）和统一视频生成（Wan2.2-IT2V-5B）三款模型，总参数量达270亿。模型首次引入混合专家（MoE）架构，有效提升生成质量和计算效率，同时首创电影级美学控制系统，能精准控制光影、色彩、构图等美学效果。此次开源的5B参数紧凑视频生成模型，支持文本和图像生成视频，能在消费级显卡上运行，基于高效的3D VAE架构，实现高压缩率和快速生成高清视频的能力。目前，开发者可通过GitHub、HuggingFace等平台获取模型和代码，企业可通过阿里云百炼调用API进行应用开发，用户能在通义万相官网和通义APP直接体验。

通义万相2.2
通义万相2.2的主要功能
文生视频（Text-to-Video）：根据输入的文本描述生成相应的视频内容。例如，输入“一只猫在草地上奔跑”，模型能生成一段符合描述的视频。
图生视频（Image-to-Video）：根据输入的图片生成视频，模型根据图片内容生成动态场景，让图片“活”起来。
统一视频生成（Text-Image-to-Video）：结合文本和图片生成视频，同时用文本描述和图片信息，生成更精准的视频内容。
电影级美学控制：通过光影、色彩、构图、微表情等控制，生成具有专业电影质感的视频。用户通过输入相关关键词（如“暖色调”“中心构图”）定制视频的美学风格。
复杂运动生成：能生成复杂的运动场景和人物交互，提升视频的动态表现力和真实感。
通义万相2.2的技术原理
混合专家（MoE）架构：引入MoE架构，将模型分为高噪声专家和低噪声专家。高噪声专家负责视频的整体布局，低噪声专家负责细节完善。在保持计算成本不变的情况下，大幅提升模型的参数量和生成质量。
扩散模型（Diffusion Model）：基于扩散模型作为基础架构，通过逐步去除噪声来生成高质量的视频内容。MoE架构与扩散模型结合，能进一步优化生成效果。
高压缩率3D VAE：为提高模型的效率，通义万相2.2基于高压缩率的3D变分自编码器（VAE）。架构实现了时间、空间的高压缩比，让模型能在消费级显卡上快速生成高清视频。
大规模数据训练：模型在大规模数据集上进行训练，包括更多的图像和视频数据，提升模型在多种场景下的泛化能力和生成质量。
美学数据标注：基于精心标注的美学数据（如光影、色彩、构图等），模型能生成具有专业电影质感的视频内容，满足用户对视频美学的定制需求。
通义万相2.2的项目地址
GitHub仓库：https://github.com/Wan-Video/Wan2.2
HuggingFace模型库：https://huggingface.co/Wan-AI/models
如何使用通义万相2.2
访问官网： 访问通义万相的官方网站或下载通义APP进行体验。
选择模型：在模型选择下拉框中选择通义万相2.2。
选择体验模式：
文生视频（Text-to-Video）：输入文本描述，例如“一只猫在草地上奔跑”，点击生成按钮，能看到生成的视频。
图生视频（Image-to-Video）：上传一张图片，模型根据图片内容生成动态视频。
统一视频生成（Text-Image-to-Video）：结合文本描述和上传的图片，生成更精准的视频内容。
调整参数（可选）：用户根据需要调整视频的分辨率、帧率等参数。用电影级美学控制系统，通过输入关键词（如“暖色调”“中心构图”）定制视频的美学风格。
查看生成结果：生成的视频直接在网页上显示，用户能下载或分享生成的视频。
通义万相2.2的应用场景
短视频创作：创作者快速生成吸引人的短视频内容，用于社交媒体平台，节省创作时间和成本。
广告与营销：广告公司和品牌生成高质量的广告视频，提升广告效果和品牌影响力。
教育与培训：教育机构和企业生成生动的教育视频和培训材料，提升学习效果和培训质量。
影视制作：影视制作团队快速生成场景设计和动画片段，提升创作效率，降低制作成本。
新闻与媒体：新闻机构和媒体生成动画和视觉效果，增强新闻报道的视觉效果和观众参与度。

Deep Video Discovery – 微软推出的深度视频探索智能体

Deep Video Discovery是什么

Deep Video Discovery（DVD）是微软推出的深度视频探索智能体，专为理解和分析长视频设计。Deep Video Discovery将长视频分割成多个较短的片段，基于大型语言模型（LLM）的高级推理能力，自主地规划和选择合适的工具及参数来收集信息。Deep Video Discovery配备一套搜索中心的工具，包括全局浏览、片段搜索和帧检查，能在不同层次上收集信息，基于迭代推理逐步构建对视频内容的理解。在多个长视频理解基准测试中，Deep Video Discovery均取得最先进的性能，显著提高长视频理解的准确性和效率。

Deep Video Discovery

Deep Video Discovery的主要功能

  • 多粒度视频理解：从全局、片段和帧三个层次理解和分析视频内容，提供全面的视频理解能力。
  • 自主搜索与推理：自主地规划和执行搜索策略，根据用户查询动态选择合适的工具和参数，逐步收集信息并构建对视频内容的理解。
  • 高效信息检索：基于全局浏览、片段搜索和帧检查等工具，快速定位和提取与用户查询相关的视频片段和细节。
  • 长视频理解：擅长处理长达数小时的信息密集型视频，能有效解决长视频理解中的时间和空间复杂性问题。
  • 灵活的工具使用：根据不同的任务需求，灵活组合和使用多种工具，实现高效的视频内容分析和问题回答。

Deep Video Discovery的技术原理

  • 多粒度视频数据库构建：将长视频均匀分割成多个较短的片段（clips），每个片段大约5秒。从全局、片段和帧三个层次提取视频信息。全局层提供视频的主体和事件总结，片段层提供文本描述（caption），帧层保留原始像素信息。构建一个包含解码帧、文本描述和对应嵌入向量的结构化数据库，支持快速检索和详细分析。
  • 自主搜索与答案生成：
    • 全局浏览（Global Browse）：提供视频的全局总结，帮助代理快速解视频的主体和主要事件。
    • 片段搜索（Clip Search）：基于文本嵌入匹配，快速检索与用户查询相关的视频片段。
    • 帧检查（Frame Inspect）：在特定时间范围内进行细粒度的视觉问答（VQA），提取帧级别的详细信息。
    • 自主代理设计：Agent基于迭代的观察-推理-行动循环，用LLM的推理能力，动态选择和使用工具，逐步收集信息并构建对视频内容的理解。
    • 迭代推理：Agent根据当前的观察状态和推理结果，选择合适的工具和参数，逐步细化查询，最终生成准确的答案。
  • LLM驱动的推理：LLM作为核心，负责推理和规划。LLM根据当前的对话历史和观察结果，选择合适的工具和参数，动态调整推理策略。根据任务需求，灵活组合和使用不同的工具，构建多步骤的工具使用链，解决复杂的查询任务。

Deep Video Discovery的项目地址

  • arXiv技术论文：https://arxiv.org/pdf/2505.18079

Deep Video Discovery的应用场景

  • 教育领域：在线教育平台分析长视频课程，学生快速定位到课程中特定知识点或章节。
  • 体育赛事分析：体育赛事分析比赛视频，快速提取关键事件。
  • 视频监控：安防监控系统中，实时分析监控视频，快速识别异常行为或事件。
  • 影视制作：影视后期制作团队分析拍摄素材，快速找到所需镜头。
  • 企业会议记录：企业分析会议视频，快速提取会议要点和关键决策。

Qwen3-Coder – 阿里通义千问推出的代码生成模型

Qwen3-Coder是什么

Qwen3-Coder 是阿里通义千问团队推出的强大代码生成模型，拥有 480B 参数和 35B 激活参数，支持原生 256K token 上下文，支持扩展达到 1M token。模型在 Agentic Coding、Agentic Browser-Use 和 Agentic Tool-Use 等任务上表现卓越，达到开源模型的顶尖水平。Qwen3-Coder 基于大规模强化学习和长时序交互训练提升性能，提供命令行工具 Qwen Code 和 API 接口，方便开发者使用。Qwen3-Coder 支持助力软件开发，提升效率，降低复杂任务的人力负担。

Qwen3-Coder

Qwen3-Coder的主要功能

  • 代码生成与优化：根据用户输入的自然语言描述生成高质量的代码。支持多种编程语言，包括但不限于 Python、JavaScript、Java 等，能生成复杂的代码逻辑，如函数、类、模块等。
  • 代理式编程（Agentic Coding）：自主规划和执行多步骤任务，例如在开发过程中自动调用工具、执行代码测试等。支持与外部工具（如浏览器、API 等）交互，完成复杂的任务。
  • 长时序交互（Long-Horizon Interaction）：在真实世界的软件工程任务中，Qwen3-Coder 用多轮交互解决问题，例如在 SWE-Bench 等任务中表现出色。
  • 上下文扩展：原生支持 256K token 的上下文长度，基于 YaRN 技术扩展到 1M token，适用仓库级和动态数据（如 Pull Request）的处理。
  • 多工具集成：支持与多种工具（如 Qwen Code、Claude Code、Cline 等）集成。

Qwen3-Coder的技术原理

  • 混合专家模型（Mixture-of-Experts, MoE）：Qwen3-Coder 是 480B 参数的混合专家模型，激活 35B 参数。支持模型在处理大规模数据时保持高效的计算性能，同时具备强大的表达能力。
  • 大规模预训练（Pre-Training）：用 7.5T 的数据进行预训练，代码数据占比 70%。基于大规模数据训练，模型学习到丰富的编程模式和语言结构。支持 256K token 的上下文长度，基于 YaRN 技术扩展到 1M token，优化对仓库级和动态数据的处理能力。
  • 合成数据扩展：基于 Qwen2.5-Coder 对低质数据进行清洗和重写，显著提升整体数据质量，进一步优化模型的训练效果。
  • 强化学习（Reinforcement Learning, RL）：在后训练阶段，基于大规模强化学习，通过自动扩展测试样例，构造高质量的训练实例，显著提升代码执行成功率。引入长时序强化学习（Long-Horizon RL），鼓励模型用多轮交互解决问题，提升在真实软件工程任务中的表现。

Qwen3-Coder的项目地址

  • 项目官网：https://qwenlm.github.io/blog/qwen3-coder/
  • GitHub仓库：https://github.com/QwenLM/Qwen3-Coder
  • HuggingFace模型库：https://huggingface.co/Qwen/Qwen3-Coder-480B-A35B-Instruct

Qwen3-Coder的应用场景

  • 代码生成与自动化开发：快速生成代码原型，支持多语言，节省开发时间，提升效率。
  • 代理式编程（Agentic Coding）：自主规划和执行多步骤任务，与外部工具交互，完成复杂任务。
  • 软件工程任务：辅助代码审查、优化、测试生成和文档编写，提升代码质量和开发流程效率。
  • 教育与学习：为初学者提供代码示例和教学支持，助力快速掌握编程知识和技能。
  • 企业开发：快速开发内部工具、自动化脚本，提升团队效率，加速项目启动。

腾讯“AI全家桶”，集中亮相！

【导读】腾讯“AI全家桶”集中亮相世界人工智能大会，让“好用的AI”成为普惠生产力

中国基金报记者 张燕北

全球人工智能领域最具影响力的专业盛会——世界人工智能大会（WAIC）7月26日在上海开幕。

连续第八次参加大会的腾讯，今年以“让‘好用的AI’成为普惠生产力”为核心主题，携“AI全家桶”参展。其中多项技术应用“首发”“首秀”，集中展现腾讯如何凭借全自研云技术及混元大模型技术底座，让AI智能体成为14亿用户的“数字好友”，使人工智能技术沉淀为千行百业的“新质生产力”。

混元多模态AI模型矩阵集中亮相，立体呈现“从云到端”自研链路

“元宝你好，帮我看看这几个玩偶分别是哪些品牌？”“好的，这几个公仔分别是QQ企鹅公仔、Labubu和卡皮巴拉公仔……”在腾讯展台，参观者拿起手机，和腾讯元宝开启一场视频聊天。

这是腾讯元宝最新推出的视频通话功能在公开场合的“首秀”。如今，腾讯元宝能够实现更低延迟、更拟人化、更有情感的视频和语音通话。无论是老年人还是视障人士，都能随时随地向元宝提问。

而在邻近的展台，参观者们拿起画笔在平板上随意涂鸦，就能“画出”梵高、毕加索、中国水墨等风格的“AI大师画”；随机抽取关键词组合，就能根据提示词创作出三维模型。这背后是腾讯混元大模型的图像生成能力。

据了解，腾讯混元图像2.0模型支持文生图和绘画生图等多种交互方式。输入文字指令或上传本地图片、在线绘图，甚至只要一句话，就能毫秒级获得高质感图像。

如今，腾讯混元模型矩阵涵盖了文字、声音、图像、视频、3D等多种模态的生成与理解能力。其中，混元3D AI创作引擎是业界首个一站式、低门槛3D内容生产的AI创作工具，能大幅提升3D内容创作效率。

打造“AI好友圈”，让每个人成为“超级个体”

用AI答疑解惑、制作攻略、高效办公……本届WAIC中，腾讯“AI全家桶”集中亮相，扮演“生活全能家”“职场小秘书”“出行规划师”“内容创想家”等多重角色，为用户打造“AI好友圈”。目前，腾讯各项业务已全面拥抱AI，基于混元大模型等能力，将AI能力通过社交平台延伸至生活、工作、学习、出行、娱乐等多重场景，帮助人们预见未来生活的无限可能。

作为覆盖数亿用户的数字社交平台，微信与QQ延伸出更温暖的“AI智能触角”，成为用户手中的智能“好友”。如今，小程序、搜一搜、微信读书等微信开放生态已全面接入AI能力。微信用户还可以添加元宝AI助手为专属好友，拥有触手可及的“AI伙伴”。此外，微信免费提供AI学习平台——小程序教育平台，帮助中小学师生简单实现“做中学”，使用AI能力编程，学习如何解决实际问题，激发学习动力。短短一年，师生们已借助13万个不同的小程序项目，使生活和学习更加便捷高效。

基于AI大模型，QQ在聊天对话、搜索、照片及视频处理、社群管理等社交链路和社交场景中，也提供了多元化能力。QQ用户可以通过添加AI助手“小Q”为好友，体验即问即答、画图、写作、解题和文件解析等功能。此外，在“QQ AI妙绘”功能中，用户可以上传图片，智能转换为各种风格，甚至一键转化为视频，并即刻分享到QQ空间或群聊，这也是社交生态与AI结合的独特魅力。

“我们以用户需求为锚点，以使用场景为标尺，期待AI能力能够覆盖到大众日常生活的每个角落，让14亿用户体验‘添加微信好友般’的便捷，拥有触手可及的‘AI伙伴’，构建专属‘AI好友圈’，助力每个人成为AI赋能的‘超级个体’。”腾讯华东总部总经理李侃说。

五大AI生产力平台，打通AI产业应用“最后一公里”

AI技术的发展，不仅点亮了千家万户的智慧生活，也点燃了产业效率变革的引擎。本次展会，腾讯带来五大AI生产力平台：智能体开发平台、具身智能开放平台Tairos、AIGC内容生成平台、端侧大模型平台、AI教育平台，推动AI技术转化为触手可及的生产力工具。

针对企业拥抱AI面临的开发门槛高、专业知识缺、部署落地慢等困境，“腾讯云智能体开发平台”和“腾讯元器”两大智能体开发平台，大大降低AI Agent搭建与使用的门槛，帮助企业客户和创作者安全、高效、便捷地搭建属于自己的智能体。企业级知识管理工具——乐享知识库，帮助超30万家企业打造知识型组织，实现更高效、更智能的知识管理。作为腾讯广告专为营销场景打造的商业AI解决方案，“奇妙数字人”为企业提供多样化、高拟真的数字人体验，目前已储备超3000个公共数字人形象，在电商、教育、金融、大健康等多个行业中落地应用，商家直播成本最高降低90%以上。