Qwen team
PulseAugur coverage of Qwen team — every cluster mentioning Qwen team across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新型AI蜜罐“Chameleon”利用LLM适应威胁
研究人员开发了Chameleon，一种自适应的AI驱动蜜罐架构，旨在克服传统蜜罐的局限性。该新平台集成了用于威胁检测的BiLSTM分类器、用于上下文生成的Qwen3.5-0.8B语言模型以及两个元启发式引擎。这些组件能够实时适应对手行为并动态演化欺骗策略，与商业替代品相比显著降低了运营成本。
-
Together AI 发布 Qwen3.8-2.4T-A95B 用于编码和代理任务
Together AI 已在其 Serverless Inference 平台上发布了 Qwen3.8-2.4T-A95B，这是 Qwen 团队的新旗舰模型。该模型专为编码和长时代理工作流设计，拥有 2.4 万亿参数和巨大的上下文窗口。它提供了任务状态恢复和自我测试等功能，旨在提高模型在复杂任务上的代理性能。
-
MiniMax-H3 和 H3 Healthcare 发布量化版 Qwen3-VL-32B-Heretic 模型
Qwen3-VL-32B-Heretic 模型的新量化版本现已发布，专门针对 MiniMax-H3 和 H3 Healthcare 的 Three Hop Index 文本编码器进行了优化。这些版本包括 NVFP4 量化和 INT8 ConvRot 变体，旨在适配内存较低的 GPU，例如单张 16 GB 显卡，从而提高高级视频生成的可用性。此次发布还提供了一个可选的提示增强尾部，以获得更详细的输出，并附有详细的安装和运行时验证说明。
-
使用 ExecuTorch MLX 代理，Qwen3 LLM 在 Apple Silicon 上运行速度提升高达 4.52 倍
一项最近的技术探索展示了在使用 ExecuTorch 的实验性 MLX 代理在 Apple Silicon 上运行 Qwen3-0.6B 语言模型时，速度得到了显著提升。与 PyTorch 的 MPS 后端相比，利用 Apple 的 MLX 框架的 MLX 代理在使用 4 位量化 (INT4) 时，解码吞吐量速度最高提升了 4.52 倍。虽然这种量化方法极大地减小了文件大小并提高了速度，但观察到在少数测试用例中改变了模型的输出。
-
阿里巴巴的 Qwen3-Coder-Next 在 SWE-bench 上达到 70.6%，采用高效 MoE 架构
Qwen3-Coder-Next 模型是阿里巴巴 Qwen 团队推出的一个拥有 800 亿参数的混合专家（Mixture-of-Experts）模型，在 SWE-bench Verified 基准测试中取得了 70.6% 的成绩，展示了令人印象深刻的效率，每次推理仅激活约 30 亿参数。这使其能够提供与前沿编码助手相当的性能，同时所需的硬件资源与 70 亿参数模型相似。该模型支持 256K 上下文窗口，适用于复杂的编码任务，并且可以使…
-
新的解码策略绕过大型语言模型对齐税，以获得更好的推理能力
研究人员引入了一种名为“置信解码”的新型解码策略，旨在减轻大型语言模型中的“对齐税”。当大型语言模型经过对齐微调后的最终层会扰乱精炼的推理，使其倾向于通用或偏好对齐的标记时，就会出现这种税。置信解码通过熵引导的反向搜索动态选择最可靠的近最终层，从而绕过这些最终层。在各种大型语言模型上的实验表明，在 GPQA-Diamond 和 Omni-MATH 等推理基准上取得了显著的改进，而计算开销却很小。
-
Alibaba Qwen3.5模型提供实时翻译及语音克隆功能
Alibaba的Qwen团队发布了Qwen3.5-LiveTranslate-Flash，这是一款实时多模态翻译模型，将延迟显著降低至2.8秒。该新模型将语言支持扩展到60种输入语言和29种输出语言，同时还整合了唇部运动等视觉线索，以提高在嘈杂环境中的准确性。其一项突出功能是能够实时克隆原始说话者的声音进行翻译输出，创造更自然的听觉体验。
-
CodePercept 利用代码而非仅靠推理来提升 LLM 的视觉感知能力
上海交通大学和 Qwen 团队的研究人员推出了一种名为 CodePercept 的新方法，旨在增强大型语言模型在 STEM 任务中的视觉感知能力。他们的研究表明，提升视觉感知能力，而非仅仅是推理能力，是模型解决科学和数学问题的关键瓶颈。CodePercept 利用代码作为精确的视觉理解语言，使模型能够生成准确表示图像内容的、可执行的代码，从而克服自然语言描述的固有歧义。