Qwen

ทีม Qwen และวิสัยทัศน์

ทีม Qwen ดำเนินงานภายใต้ Alibaba Cloud โดยมุ่งเน้นการพัฒนาโมเดลปัญญาประดิษฐ์แบบเอนกประสงค์ งานของพวกเขาครอบคลุมโมเดลภาษาขนาดใหญ่ (LLMs) ระบบมัลติโหมด และโมเดลเฉพาะทางสำหรับงานด้านการเขียนโค้ด คณิตศาสตร์ และงานด้านภาพและเสียง

ทีมอธิบายภารกิจของตนว่า “การไล่ตามปัญญาประดิษฐ์ระดับทั่วไป” โดยให้ความสำคัญกับความเปิดกว้าง โมเดลส่วนใหญ่เผยแพร่ภายใต้ไลเซนส์ Apache-2.0 ทำให้สามารถใช้งานเชิงพาณิชย์และไม่เชิงพาณิชย์ได้โดยไม่ติดข้อจำกัด แนวทางนี้นำไปสู่โมเดลน้ำหนักเปิด (open-weight) มากกว่า 100 โมเดล ครอบคลุมขนาดตั้งแต่ 0.6 พันล้านถึง 397 พันล้านพารามิเตอร์

สมาชิกของทีมมาจากพื้นฐานที่หลากหลาย สะท้อนถึงการผสมผสานระหว่างความเชี่ยวชาญด้านการวิจัย วิศวกรรม และการพัฒนาผลิตภัณฑ์ กลุ่มยังคงช่องทางการสื่อสารที่ใช้งานอยู่ รวมถึง Discord และโซเชียลมีเดีย เพื่อมีส่วนร่วมกับผู้ใช้และผู้ร่วมสนับสนุน

การพัฒนาโมเดลและความเชี่ยวชาญ

ตระกูลโมเดล Qwen ประกอบด้วยหลายตระกูล โดยแต่ละตระกูลมุ่งเป้าไปที่ความสามารถเฉพาะ โมเดลเรือธงอย่าง Qwen 3.5 ซึ่งเป็นโมเดล Mixture-of-Experts (MoE) ขนาด 397 พันล้านพารามิเตอร์ รองรับงานด้านการมองเห็น ภาษา และการให้เหตุผล ด้วยความยาวบริบทสูงสุดถึง 1 ล้านโทเค็น

โมเดลเวอร์ชันเฉพาะทางรองรับการใช้งานเฉพาะกลุ่ม ตัวอย่างเช่น Qwen Coder ทำคะแนนได้ 70.6% บน SWE-Bench ซึ่งเป็นเกณฑ์มาตรฐานสำหรับงานวิศวกรรมซอฟต์แวร์ ขณะที่ Qwen Math มุ่งเน้นการให้เหตุผลทางคณิตศาสตร์ ส่วนตระกูล Qwen Vision จัดการงานความเข้าใจวิดีโอ OCR ใน 32 ภาษา และงานของเอเจนต์เชิงภาพ

การเพิ่มเข้ามาในช่วงล่าสุด ได้แก่ Qwen3-Coder-480B-A35B-Instruct ซึ่งเป็นโมเดลขนาด 480 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ใช้งานจริง 35 พันล้าน ออกแบบมาสำหรับการเขียนโค้ดแบบมีเป้าหมายและการใช้เครื่องมือ อีกหนึ่งเวอร์ชันคือ Qwen VLo ซึ่งรวมความเข้าใจและการสร้างแบบมัลติโหมดเข้าด้วยกัน เชื่อมช่องว่างระหว่างการรับรู้และการสร้างสรรค์

นวัตกรรมมัลติโหมดและด้านเสียง

โมเดลมัลติโหมดของ Qwen ขยายขอบเขตไปไกลกว่าข้อความ Qwen-Image ซึ่งเป็นโมเดล MMDiT ขนาด 20 พันล้านพารามิเตอร์ โดดเด่นในการเรนเดอร์ข้อความที่ซับซ้อน รวมถึงเลย์เอาต์หลายบรรทัดและรายละเอียดระดับละเอียด รุ่นถัดมาคือ Qwen-Image-Edit เพิ่มความสามารถในการแก้ไขภาพอย่างแม่นยำ โดยผสานการควบคุมทั้งความหมายเชิงภาพและลักษณะที่ปรากฏ

โมเดลด้านเสียงครอบคลุมการรู้จำคำพูด การแปลงข้อความเป็นเสียงพูด (TTS) และความเข้าใจเสียง Qwen-TTS ซึ่งฝึกบนข้อมูลเสียงจำนวนหลายล้านชั่วโมง รองรับเสียงสองภาษา จีน-อังกฤษ 7 เสียง และสำเนียงจีนระดับภูมิภาค 3 แบบ Qwen Omni ผสานอินพุตข้อความ ภาพ เสียง และวิดีโอกับเอาต์พุตเสียง ทำให้เกิดการโต้ตอบแบบครบชุดในตัวเดียว

สำหรับนักพัฒนา Qwen Embeddings มีโมเดลการฝังข้อความและมัลติโหมด รวมถึงโมเดลการฝังและการจัดอันดับใหม่ (reranking) ที่ได้รับการปรับให้เหมาะกับงานด้านการดึงข้อมูล โมเดลเหล่านี้ใช้ประโยชน์จากความเข้าใจหลายภาษาของ Qwen เพื่อรองรับมากกว่า 200 ภาษา

ความปลอดภัย การเข้าถึง และการนำไปใช้งาน

ความปลอดภัยคือจุดเน้นหลัก โดย Qwen3Guard ทำหน้าที่เป็นโมเดลด่านป้องกัน (guardrail) ตัวแรกในตระกูล Qwen มันจำแนกพรอมต์และคำตอบตามระดับความเสี่ยง รองรับสภาพแวดล้อมภาษาอังกฤษ ภาษาจีน และหลายภาษา โมเดลนี้ทำผลงานได้ระดับแนวหน้าบนเกณฑ์มาตรฐานด้านความปลอดภัย เพื่อให้มั่นใจถึงการมีปฏิสัมพันธ์กับ AI อย่างรับผิดชอบ

ตัวเลือกการนำไปใช้งานรองรับความต้องการของผู้ใช้ที่แตกต่างกัน โมเดลมีให้ใช้งานผ่าน API ของ Alibaba Cloud, Hugging Face, ModelScope และ GitHub สำหรับการใช้งานภายในเครื่อง มีคู่มือสำหรับ Ollama, llama.cpp, LM Studio และ MLX พร้อมการดาวน์โหลดโดยตรงเพื่อการตรวจสอบความเข้ากันได้ของฮาร์ดแวร์

ทีมยังให้บริการเว็บและแอปพลิเคชันมือถือ ช่วยให้ผู้ใช้สามารถนำโมเดล Qwen ไปผสานในเวิร์กโฟลว์ประจำวัน เครื่องมือเหล่านี้ออกแบบมาเพื่อสร้างสมดุลระหว่างการเข้าถึงและประสิทธิภาพ รองรับทั้งนักวิจัยและผู้ใช้งานระดับองค์กร