Alibaba Cloud供应商

Wan3.0-Video 是一款多功能参考视频生成模型，支持文本转视频、图像转视频（首帧/首尾帧）以及基于参考的视频生成。它能生成长达 30 秒、30fps 的视频。

Alibaba: Wan3.0-Video-Prime 是 Wan3.0 视频生成模型的高速版本。它有与标准 Wan3.0-Video 模型同等的强大能力，支持四种模态的综合参考输入，可生成长达 30 秒的视频，并在提供沉浸式视听体验的同时，显著提升了端到端的生成速度。

Qwen-Audio-3.0-TTS-Plus 是阿里巴巴推出的高质量文本转语音模型，通过 DashScope 语音合成 API 将文本转换为口语音频。

Qwen-Audio-3.1-ASR-Flash 是一款支持高效短语音识别的大规模模型，专为高质量、多语言及文化内容转写场景设计。该模型支持多语言及多地区方言识别，并针对中国古诗词的韵律、节奏及文言文表达优化了。它有上下文增强、标点预测及文本归一化功能。此版本还支持多方言的可控 ASR/AST 输出，并有原生转写与润色功能，以及工业级的多人对话角色转写能力。

Qwen: Qwen3 VL Embedding 模型系列是 Qwen 家族的最新成员，基于近期开源且强大的 Qwen3-VL 基础模型构建。该系列专为多模态信息检索和跨模态理解而设计，支持包括文本、图像、截图、视频以及这些模态混合在内的多种输入格式。

Qwen: Qwen3 Rerank 是 Qwen 模型家族中一款新的专有模型。它专为重排序任务而设计，基于 Qwen3 基础模型构建。凭借 Qwen3 强大的多语言文本理解能力，该系列在多个文本嵌入和重排序任务基准测试中实现了业界领先的性能。

Qwen: Qwen3 VL Rerank 模型系列是 Qwen 家族的最新成员，基于近期开源且功能强大的 Qwen3-VL 基础模型构建。该系列专为多模态信息检索和跨模态理解而设计，支持包括文本、图像、截图、视频以及这些模态混合在内的多种输入。

alibaba: HappyHorse 1.0 被描述为一款开源的最先进 AI 视频生成器，有原生音视频联合生成功能——这意味着 alibaba: HappyHorse 1.0 视频模型可以在单次前向传递中同时生成视频帧和相应的音轨（对话、环境音、拟音），而不是先生成静音视频再进行后期配音。 根据社区整理的架构说明，该模型围绕一个 150 亿参数的统一自注意力 Transformer 构建，可在单个标记序列内处理文本、图像、视频和音频标记。据报道，它在构建时没有采用专用的交叉注意力分支，也没有单独的音频模块。结合 DMD-2 蒸馏技术，据称其蒸馏版本在 NVIDIA H100 上仅需 8 个去噪步骤，且无需无分类器引导（classifier-free guidance），即可在大约 38 秒内生成 1080p 视频。

Qwen3.7-Max 是阿里巴巴 Qwen3.7 系列的旗舰模型。它支持文本输入和输出，专为以智能体为中心的工作负载而设计，在编码、办公与生产力任务以及长周期自主执行方面有显著优势。与之前的 Qwen 版本相比，该模型在编码和智能体性能方面有显著提升，并支持显式提示词缓存，以实现高效的重复上下文使用。

Qwen3.6-Plus 是阿里巴巴于 2026 年 4 月 2 日发布的下一代 Qwen 大语言模型。与 3.5 版本相比，Qwen 3.6 在整体性能上有了显著提升，并展现出了非常强大的面向智能体（Agent）的编程能力。

Qwen3.5 原生视觉语言 Flash 模型系列基于混合架构设计，集成了线性注意力机制与稀疏专家混合 (MoE) 模型，实现了更高的推理效率。与 3 系列相比，该模型在纯文本和多模态能力方面均实现了跨越式提升；它提供快速响应时间，在推理速度和性能之间取得了平衡。

Qwen: Qwen3.7-Flash 是来自阿里巴巴的视觉语言推理模型。它适用于多模态智能体、视觉编码、搜索和计算机交互，在物体识别、空间理解和现实世界视觉感知方面有优势。

Qwen3.7-Plus 是 Qwen3.7 系列中的多模态生成模型，支持文本、图像和视频输入及文本输出。它专为智能体工作负载设计，在编程、办公生产力和长程自主执行方面表现强劲。

Qwen3-ASR-Flash is a highly accurate, intelligent, and robust multilingual speech recognition model based on a large language model. Leveraging a powerful foundational model, massive amounts of text and multimodal data, and tens of millions of hours of audio data, Qwen3-ASR-Flash achieves high-precision speech recognition. It can automatically determine the language and accurately recognize speech in 11 languages, ensuring precise transcription even in complex audio environments.

Qwen: Qwen3.8-Max 是拥有 2.4 万亿参数的 MoE 旗舰模型，在编程和专业工作领域实现了全面飞跃。它能自主编码并交付跨越 10 天以上的完整项目，处理法律、金融、设计及其他专业领域的数百项专门任务，在单次对话中端到端地生成生产级成果。原生视觉理解贯穿规划、执行和验证的全周期，支持对超长文档和扩展视频内容进行深度语义分析。在长时程任务中，它能自主规划、通过闭环反馈进行迭代并持续进化。

Qwen3.6 Flash 是来自阿里巴巴 Qwen 3.6 系列的一款快速、高效的语言模型。它支持文本、图像和视频输入，并拥有 1M token 的上下文窗口。超过 256K token 后将采用分级定价。该模型支持 Prompt 缓存，并包含显式缓存读取和缓存创建定价。

Qwen3.5 原生视觉语言系列 Plus 模型，基于混合架构设计，集成了线性注意力机制与稀疏混合专家模型，实现了更高的推理效率。在多项任务评测中，Qwen3.5 系列展现出了与当前顶尖模型相当的出色性能，相比 3 系列，在纯文本和多模态方面均取得了跨越式的进步。

Qwen3.8-Flash 是 Qwen 系列的最新多模态模型，兼具强大的推理、生成能力与惊人的速度。它原生支持百万级 Token 的上下文窗口，能一次性处理长文档、完整代码库及复杂对话。该模型在代码辅助、智能体工作流和视觉理解方面表现出色，无论是自主修复代码、操作桌面应用程序，还是分析图表与长视频，皆能应对自如。Qwen3.8-Flash 完全兼容 OpenAI 和 Anthropic API 协议，可与 Claude Code 和 Codex 等流行开发工具平滑集成，助力开发者容易构建高并发应用与智能工作流。凭借卓越的性能和极具竞争力的推理成本，Qwen3.8-Flash 是寻求 AI 应用性能与成本平衡的开发者及企业的理想之选。

Qwen3.8-2.4T-A95B 是通义千问最新旗舰系列的开源版本，于 2026 年 8 月发布。它采用稀疏 MoE 架构，总参数量达 2.4 万亿，每步激活约 950 亿参数，并支持 100 万 token 上下文及混合注意力机制。核心基准测试包括 GPQA Diamond 92.6、PaperBench 93.0、OSWorld 86.1 和 BabyVision 82.0。在 CodeArena 上全球排名第 4。

Qwen3.8-Max-0902 是 Qwen3.8-Max 的快照版本，有更强的编码性能，适用于复杂的工程任务和长程自主开发。它同时提升了智能体工具使用能力以及针对图表推理、文档解析和多模态感知的视觉理解能力，并保留了 100 万 token 的上下文窗口、推理模式以及完整的工具生态系统。

Qwen3.8-27B 原生视觉语言密集模型相较于 3.6-27B 版本有显著提升，在文本和视觉模态的编程与办公场景能力方面重点了强化。它能更可靠地端到端完成复杂任务，并生成可信赖的输出。

专为音频和视频理解及内容分析而设计，支持文本、图像、音频和视频输入，并输出文本。Qwen: Qwen3.8-Omni-Flash

Qwen: Qwen3-VL-Plus。Qwen3系列VL模型有效融合了思维与非思维模式，在OS World等公开基准测试集上实现了视觉智能体能力的全球领先表现。该版本在视觉编码、空间感知和多模态推理等方面全面了升级，显著增强了视觉感知与识别能力，并支持对超长视频的理解。

Z.AI: GLM 5.3 Prime 是 Z.ai 旗下 GLM-5.3 的高速版本，在继承其完整能力的同时，通过推理加速实现了 1.5–2 倍的输出吞吐量提升。它支持 1M Token 上下文窗口和高达 128K 输出 Token 的文本输入输出，并针对编程和智能体工作负载优化了，包括长跨度多轮智能体编排、实时对话以及流式代码生成。

除了DeepSeek之外，腾讯云（TencentCloud）和阿里云（AlibabaCloud）现在也提供了官方的0731版本，而其他提供商仍在使用旧的0424版本。DeepSeek: DeepSeek V4 Pro 0813是DeepSeek的旗舰级开放权重混合专家模型（MoE），于2026年4月24日发布预览版。该模型总参数量为1.6万亿，每个token激活490亿参数，并支持一百万token的上下文窗口。它专为高级推理、编程、STEM任务和自主智能体设计，在开源模型中提供了最先进的性能，并可与领先的专有系统媲美。该模型支持思考和非思考模式，可通过DeepSeek的应用程序和API进行访问。

DeepSeek: DeepSeek V4.1 Flash 1017 是一款拥有 552B 参数的 MoE 模型，基于全新的因果编码器-解码器架构构建，用来实现更高的性能、更快的推理速度、更高的吞吐量以及更低的部署成本。它原生支持多模态视觉理解，并提供旗舰级的智能水平，同时显著降低了 KV 缓存需求，非常适合高吞吐量和对成本敏感的智能体任务。

GLM 5.2 支持更大的上下文窗口和输出长度，最高可达 1M 上下文和 128K 输出 Token。它通过 tool_stream=true 增加了工具调用的流式输出，实现了对工具调用参数的实时访问。与 GLM-4.7 系列一样，它支持通过 thinking={ type: "enabled" } 进行深度思考（启用后强制执行思考过程），并引入了 reasoning_effort 来控制思维链模式下的推理强度。另外，它还提供了更强的编码性能和更先进的推理能力。

Z.AI: GLM 5.3 是智谱AI的下一代旗舰文本模型，基于 GLM-5.2 构建，并通过大规模长程任务后训练增强了。它在编程体验上实现了约 50% 的提升，能自主处理复杂的项目开发、调试、验证和交付。它还支持 100 万 token 的上下文窗口、高达 12.8 万 token 的输出、工具调用和 MCP，在代码审查和漏洞检测等网络安全任务中表现出色。

Qwen-Image-2.0-Pro 是由 Qwen AI 推出的图像生成模型。

丰富内容：支持高达4.5k的Token输入和密集的图像内图像布局，能一次性生成报纸、分镜、菜单和试卷等复杂布局。真实细节：支持精确渲染小至10px的文字，并生动还原微表情、毛孔和发丝等精细细节，呈现媲美真实摄影的质感。深度知识：支持12种语言和20+字体的原生渲染，真实模拟网页、游戏和直播等主流界面，充分整合外部知识。Qwen-Image-3.0-Pro不仅仅追求“好看”，更追求“好用”，让图像生成真正成为可部署的生产力工具。

精准的提示词理解：支持高达4.5k token的输入，能准确解析复杂的图文提示，并一次性生成精细布局。可靠的文本渲染：支持12种语言和20多种字体，可呈现清晰的10px文本，直接用于信息图表和界面设计。高效的批量生产：以更高的成本效益扩展海报、网页和UI界面等日常任务，确保持续的创意输出。Qwen-Image-3.0 不仅追求视觉质量，更专注流畅、可靠的日常创作，将图像生成转化为可持续的内容生产力。

Qwen-Image-2.0 是由 Qwen AI 推出的图像生成模型。