Qwen

Qwen tim i njegova vizija

Qwen tim djeluje pod okriljem Alibaba Clouda, s fokusom na razvoj općih modela umjetne inteligencije. Njihov rad obuhvaća velike jezične modele (LLM-ove), multimodalne sustave te specijalizirane varijante za zadatke kodiranja, matematike i audio-vizualne zadatke.

Tim svoju misiju opisuje kao „jurenje za umjetnom općom inteligencijom”, uz naglasak na otvorenosti. Većina modela objavljena je pod licencom Apache-2.0, što omogućuje komercijalnu i nekomercijalnu upotrebu bez ograničenja. Ovaj pristup doveo je do više od 100 modela s otvorenim težinama, u rasponu veličina od 0,6 milijardi do 397 milijardi parametara.

Članovi tima dolaze iz različitih područja, što odražava mješavinu stručnosti iz istraživanja, inženjerstva i razvoja proizvoda. Grupa održava aktivne komunikacijske kanale, uključujući Discord i društvene mreže, kako bi se uključila s korisnicima i suradnicima.

Razvoj modela i specijalizacije

Qwen serija uključuje više obitelji modela, od kojih svaka cilja na određene sposobnosti. Vodeći model Qwen 3.5, MoE model (Mixture-of-Experts) s 397 milijardi parametara, podržava zadatke vida, jezika i rasuđivanja, uz duljinu konteksta do 1 milijun tokena.

Specijalizirane varijante rješavaju nišne primjene. Qwen Coder, primjerice, postiže 70,6% na SWE-Benchu, mjerilu za zadatke softverskog inženjerstva, dok Qwen Math fokusira matematičko rasuđivanje. Qwen Vision serija obrađuje razumijevanje videa, OCR na 32 jezika i zadatke vizualnih agenata.

Nedavna proširenja uključuju Qwen3-Coder-480B-A35B-Instruct, model s 480 milijardi parametara i 35 milijardi aktivnih parametara, namijenjen agentičkom kodiranju i korištenju alata. Druga varijanta, Qwen VLo, objedinjuje multimodalno razumijevanje i generiranje, povezujući percepciju i stvaranje.

Multimodalne i audio inovacije

Qwenovi multimodalni modeli protežu se izvan teksta. Qwen-Image, MMDiT model s 20 milijardi parametara, ističe se u složenom prikazivanju teksta, uključujući rasporede u više redaka i fino razrađene detalje. Njegov nasljednik, Qwen-Image-Edit, dodaje precizne mogućnosti uređivanja slika kombiniranjem kontrole vizualne semantike i izgleda.

Audio modeli obuhvaćaju prepoznavanje govora, tekst-u-govor (TTS) i razumijevanje zvuka. Qwen-TTS, treniran na milijunima sati podataka o govoru, podržava sedam kinesko-engleskih dvojezičnih glasova i tri regionalna kineska dijalekta. Qwen Omni objedinjuje tekst, sliku, audio i video ulaze te daje govorni izlaz, omogućujući interakcije „sve u jednom”.

Za razvojne programere, Qwen Embeddings nudi modele za ugradnje (embedding) teksta i multimodalne ugradnje te modele za ponovno rangiranje, optimizirane za zadatke pretraživanja. Ovi modeli koriste Qwenovo razumijevanje više jezika kako bi podržali više od 200 jezika.

Sigurnost, pristupačnost i implementacija

Sigurnost je ključni fokus, pri čemu Qwen3Guard služi kao prvi zaštitni model u Qwen obitelji. Razvrstava upite i odgovore prema razini rizika, podržavajući englesko, kinesko i višejezično okruženje. Model postiže vrhunske rezultate na mjerilima sigurnosti, osiguravajući odgovorne interakcije s umjetnom inteligencijom.

Opcije implementacije prilagođene su različitim potrebama korisnika. Modeli dostupni su putem API-ja Alibaba Clouda, Hugging Facea, ModelScopea i GitHuba. Za lokalnu upotrebu vodiči pokrivaju Ollama, llama.cpp, LM Studio i MLX, uz izravna preuzimanja za provjere kompatibilnosti s hardverom.

Tim također pruža web usluge i mobilne aplikacije, omogućujući korisnicima da integriraju Qwen modele u svakodnevne radne tokove. Ovi alati osmišljeni su tako da uravnoteže pristupačnost i performanse, podržavajući i istraživače i korisnike u poduzećima.