Qwen 相关 AI 资讯 · AITOP

AITOPAI热报

7月13日

09:41

官方账号阿里云 Alibaba Cloud@alibaba_cloud

阿里云发布了专为汽车行业设计的AI解决方案，基于其自研Qwen大模型。这些方案可加速自动驾驶开发、重新定义座舱体验并强化供应链韧性。该平台已在量产车辆中部署，为汽车制造商提供可规模化的AI集成能力。

AI产品阿里云 Qwen 自动驾驶

推荐理由：阿里云刚出了一套汽车AI方案，基于Qwen，能帮车企搞自动驾驶和智能座舱，还直接装车上用。

原文

7月11日

07:43

andrew chen@andrewchen

精选

作者分享在homelab运行本地AI模型的体验：消费级硬件（如M5 Macbook Pro 32/48GB、DGX Spark）可运行30-100B参数的量化模型（如Qwen 35b），但与1万亿参数的前沿云模型差距约18年。9B模型效果差、速度慢，需30-50 tok/s才能可用。本地模型适合简单查询，不适合编程。作者使用2台DGX Spark和5090 eGPU，建议公司配发MBP时选大内存。

技巧 Qwen DGX Spark Macbook Pro

推荐理由：想自己搭本地AI玩？这篇告诉你M5 Macbook Pro够不够用、Qwen 35b和9b差多远，别花冤枉钱。

原文

7月10日

10:53

官方一手Pandaily@contact@pandaily.com (Pandaily)

精选

DeepSeek、智谱AI和Qwen的成本高效模型在OpenRouter平台上周令牌份额超过20%，数据基于2025年7月的统计。这一增长显示开发者正从高价模型转向性价比更高的选项。结构性的市场转变表明成本正在成为AI基础设施选择的关键因素。

行业 DeepSeek Zhipu Qwen

推荐理由：开发者的钱袋更聪明了：DeepSeek、智谱、Qwen靠低价拿下OpenRouter五分之一流量，值得关注。

原文

7月9日

10:15

官方账号arXiv cs.LG@Anna Kuzina, Paul N. Whatmough, Babak Ehteshami Bejnordi

72°

论文揭示了因果自注意力二次复杂度对长上下文推理的瓶颈，在冻结骨干网络下隔离了状态更新设计的效果。研究表明Softmax依赖key相关的秩1正交投影，解释了为何delta式网络优于纯门控累积。作者通过引入sink token、短卷积和固定预算缓存路由等结构干预，减少了近似误差。在LLaMA和Qwen模型上扩展至32B参数，MMLU基准超越了先前后验线性化方法，长上下文检索匹配复杂自适应缓存框架。

论文 LLaMA Qwen Transformer

事件专题

推荐理由：这篇论文搞清楚了Transformer线性化为什么delta式更厉害，还给出了具体修补方案，在LLaMA和Qwen上跑到了32B，MMLU成绩比之前的后验方法好。

原文

7月8日

04:33

Aadit Sheth@aaditsh

中国在AI模型落后时采取开源策略，通过Qwen、DeepSeek、GLM等开源模型推动模型层商品化，美国企业每周路由超30%的AI token（一年前仅11%）。目前中国模型水平距美国前沿仅差6-9个月，而非过去数年。本周报道称北京首次讨论限制海外访问其最佳模型，原因是认为即将成为领先者。

行业 Qwen DeepSeek GLM

推荐理由：看中国怎么用开源打了一场翻身仗：从落后到逼近前沿，再到考虑限制，数据很硬核。

原文

03:20

@koltregaskes@koltregaskes

精选73°

中国正在考虑限制海外访问其最先进的AI模型，涉及开源和闭源模型。官员已与阿里巴巴、字节跳动和Zai团队会面讨论具体限制方案。5月法律专家圆桌提出分级方法：基本开源模型需简单备案，更强模型要预发布检查，高风险模型实施严格国内控制或禁止发布。此举与美国将前沿AI视为受保护资产的做法类似，可能进一步缩小中立条件下可用模型池。受影响模型可能包括Seedance、Qwen、GLM。

行业 Qwen GLM Seedance

推荐理由：中国正考虑限制Qwen、GLM等顶级模型海外访问，开发者需关注新规对模型获取的影响。

原文

7月7日

23:48

Julien Chaumond@julien_c

精选72°

Anthropic 与 Neuronpedia 合作，基于 Qwen 开源模型构建了交互式模型可解释性演示。该演示展示了 Anthropic 的 jLens 方法，可直观查看神经元激活模式。用户通过 neuronpedia.org/jlens 即可在浏览器中体验。此次合作将闭源公司的可解释性技术应用到开源模型上。

AI产品 Anthropic Qwen Neuronpedia

事件专题

推荐理由：Anthropic 居然拿 Qwen 做了个可解释性演示，还和 Neuronpedia 搞了个在线版，你去试试看神经元怎么工作的。

原文

17:18

Thomas Wolf@Thom_Wolf

Jaroslav Beck团队发布ThinkingCap高效模型系列，在Qwen 3.6 27B模型上进行微调，平均减少2倍思考token，部分示例生成速度提升10倍。该方法保持非侵入性干预，得到的模型与原检查点行为高度相似。作者认为这个技术可能像量化一样成为默认工具包的一部分。

AI模型 ThinkingCap Qwen 推理模型

推荐理由：想给模型推理提速？这个ThinkingCap把Qwen 27B的思考token砍掉一半，有的例子快10倍，效果还很稳定。

原文

7月6日

16:29

官方一手Pandaily@contact@pandaily.com (Pandaily)

字节跳动旗下豆包和阿里巴巴旗下通义千问于2026年7月终止AI智能体功能。监管合规压力与商业变现困难是撤退主因。两家公司过去两年投入大量资源推广Agent，但用户付费意愿低。此次关闭标志着消费级AI智能体热潮结束。

行业豆包 Qwen 智能体

推荐理由：豆包和千问把做了两年的智能体功能关了，因为不好赚钱而且监管严，Agent这波概念要降温了。

原文

16:28

官方一手Pandaily@contact@pandaily.com (Pandaily)

阿里Qwen推出CosyVoice输入法App，实现英语语音识别准确率接近100%。该应用集成大模型，可进行智能文本润色。目前已在应用商店上线，支持用户通过语音直接生成高质量文字。

AI产品 Qwen CosyVoice 阿里

推荐理由：阿里巴巴Qwen出了个CosyVoice输入法，语音识别准到接近100%，还能自动润色文字，打字麻烦的同学可以试试。

原文

7月5日

10:37

官方一手marktechpost@Michal Sutter

73°

林俊扬（前Qwen技术负责人）指出Qwen3的混合思考模式存在不足，动态思考预算机制并未有效融合推理与行动。他主张应从推理思考转向智能体思考，并强调智能体强化学习（agentic RL）的基础设施构建比预训练RL更难。他警告奖励破解（reward hacking）在智能体训练中更具危害性，需设计更稳健的奖励模型。

行业 Qwen 智能体强化学习

推荐理由：Qwen前核心负责人亲自复盘Qwen3设计缺陷，解释了为什么团队转向智能体RL路径，技术干货满满。

原文

7月4日

18:19

官方一手pandaily@contact@pandaily.com (Pandaily)

字节跳动的豆包和阿里巴巴的通义千问（Qwen）同时宣布于7月15日移除AI智能体功能。两个平台的用户将无法继续使用智能体相关服务。此举可能影响已基于这些智能体开发的业务场景，但具体原因暂未披露。

AI产品 Doubao Qwen ByteDance

事件专题

推荐理由：你用的豆包或Qwen智能体功能下月就没了，赶紧看看有没有影响。

原文

03:10

Julien Chaumond@julien_c

开源模型 Qwen 27b 凭借其出色性能和速度快，受到 ML/AI 工程团队的意外好评。与 Fable、GPT5.6 等昂贵大模型相比，Qwen 27b 在质量和效率上表现突出。该模型为 27B 参数规模，免费开源，近期引发热议。

AI模型 Qwen 27b Qwen 开源模型

推荐理由：别光盯着大模型，Qwen 27b 免费开源又好用，工程团队实测都说香。

原文

7月3日

09:46

官方一手arXiv: DeepSeek@Gabriel Hurtado

精选

该论文提出一种无需阈值的审计方法，结合两种内部信号——参考锚定的激活拒绝间隙与基础到候选权重的恢复能量——来检测开放权重检查点是否被剥离拒绝机制。在包含Qwen、DeepSeek-distilled Qwen、Llama和Gemma的273个检查点注册表上，两个信号的z-sum分离了57个公开的abliterations与37个良性微调、合并和指令微调，AUROC达到0.95，显著高于任一单独信号（0.84和0.90）。经Youden校准的阈值在留出族上达到平衡准确率0.89（FPR 0.11），仅漏掉57个中的4个。论文还映射了两种失败模式：伪造参考可无训练规避两个信号，白盒所有者可训练出超过阈值但仍不安全且连贯的检查点。

论文 Qwen DeepSeek Llama

推荐理由：想知道模型有没有被偷偷去掉安全护栏？这篇论文用两个内部信号在273个模型上做到95%的准确率，比单信号靠谱多了。

原文

7月2日

20:29

官方账号vLLM@vllm_project

72°

Qwen3.6-27B-NVFP4模型在vLLM上可用，针对NVIDIA Blackwell GPU优化。该检查点将GPU内存需求降低约2.5倍。模型拥有27B参数，采用混合注意力机制。在MMLU Pro上得分86.3，GPQA Diamond上得分85.5。仅支持vLLM作为运行时引擎。

AI模型 Qwen vLLM NVIDIA Blackwell

事件专题

推荐理由：Qwen3.6-27B-NVFP4来了！在Blackwell上内存减半，MMLU Pro 86.3分，用vLLM就能跑，开源模型本地AI更省显存。

原文

13:13

官方账号阿里云 Alibaba Cloud@alibaba_cloud

Agrinesia借助阿里云Qwen AI实现了零宕机和零数据丢失的云迁移。该方案简化了运营流程，并降低了基础设施成本。案例展示了Qwen在迁移场景中的实际应用效果。

行业 Alibaba Cloud Qwen Agrinesia

事件专题

推荐理由：阿里云分享了客户案例：Qwen AI帮Agrinesia零宕机迁移，省成本又省心。

原文

10:13

官方一手arXiv: DeepSeek@Zewen Liu

该论文提出了EPC（评估者偏好耦合）协议，这是一种RFC风格的标准化协议，用于隔离和测量LLM代理系统中评估者偏好动态的四个阶段。协议包含了执行器和评估器配置、策略与任务设计、TTRL更新规则以及gamma、JSD、ECE、Brier等度量指标的计算方法。同时发布版本化的参考快照v1.0，包含GPT-4o、Qwen、DeepSeek等八个评估器条件的122次独立实验重复测量结果，并标注了版本标识符、API端点与测量日期。该协议、参考快照及实现代码已作为开放基础设施发布，旨在支持第三方复现、跨评估器比较以及检测专有评估器无声更新导致的测量衰减。

论文 EPC GPT-4o Qwen

推荐理由：这篇论文搞了个标准协议EPC，专门用来测LLM代理系统里评估器偏好怎么耦合的，还附带了GPT-4o、Qwen、DeepSeek等8个评估器的大规模实测数据，方便你复现和对比。

原文

7月1日

11:05

官方账号arXiv cs.LG@Philippe Chlenski, Zachariah Carmichael, Ayush Warikoo, Chia-Tse Shao, Yingxiao Ye, Aobo Yang, Vivek Miglani, Nehal Bandi

该论文研究使用开放语言模型（如Llama、Qwen）解释封闭API模型（如GPT、Gemini）时的可靠性问题。在11个模型上的实验表明，预测层面的保真度（log-odds一致性）远高于归因层面的保真度（leave-one-out重要性）。存在访问-效度反转：白盒信号（如注意力模式）虽稳定但无法预测因果归因，而黑盒输入消融能直接捕捉归因。论文警告，仅凭预测一致性不足以证明机械可解释性可从开放模型迁移到封闭模型。

论文 Llama Qwen GPT

推荐理由：想用开源模型解释GPT？这篇论文告诉你预测一致不代表归因一致，小心踩坑。

原文

10:56

官方账号arXiv cs.LG@John Sweeney

精选

该论文证明RMSNorm模型的残差流规范具有符号排列规范B_d，而LayerNorm只有排列规范S_d。使用符号边缘化匈牙利匹配解决了排列对齐的结构性缺陷。在TinyLlama上，B_d对齐的SAE重建误差NMSE为0.004，而S_d为1.08。Qwen情感引导效果在B_d下保留95.8%，S_d下仅17.2%。恢复的坐标可沿训练轨迹传输，1500步时跨运行坐标恢复率达91.1%，远超端点匹配的60.3%。

论文 RMSNorm TinyLlama Qwen

推荐理由：这篇论文说清了为什么RMSNorm模型用排列对齐不够，必须考虑符号。实验数据很具体，SAE重建、情感引导效果对比鲜明，对做模型对齐和可解释性的人很有用。

原文

6月30日

14:02

elvis@omarsar0

精选

Qwen发布了关于强化学习编码智能体的新工作（arxiv 2606.26300），研究持续构建与AI智能体共同进化的验证系统。论文分析了测试通过率、LLM评判器和执行轨迹等奖励信号，发现每个信号在长周期编码中都有一个界限，超过后不再反映真实正确性而开始被破解。研究指出奖励设计本质是视角问题，选择哪个指标不如该指标能保持跟踪正确性的时间长度重要。

论文 Qwen 强化学习编码智能体

推荐理由：Qwen这篇论文讲清楚了编码智能体的奖励设计——每个信号都有失效点，选指标不如看它能撑多久。

原文

13:16

AI Will@FinanceYF5

Lindy转向DeepSeek V4，Cursor改用Kimi K2.5，Coinbase采用GLM-5.2和Kimi 2.7。Shopify和Airbnb选择Qwen，Uber Eats使用Qwen2，Siemens同时测试DeepSeek和Qwen。Microsoft正在测试DeepSeek V4。这表明中国AI模型在西方企业中的采购趋势加速。

行业 DeepSeek V4 Kimi K2.5 Qwen

事件专题

推荐理由：Lindy、Cursor、Coinbase这些大厂都在把AI任务切到DeepSeek、Kimi、Qwen上，连微软都在测试DeepSeek V4，中国模型在西方变主流了。

原文

10:41

官方一手arXiv: DeepSeek@Sebastian Kula, Martin Tamajka

该论文提出一种多智能体虚假信息检测方法，模仿人类标注者的决策过程，采用共识机制、认知与知识多样性以及层次结构。系统使用开源模型LLaMA、Qwen、Deepseek等，确保透明度。在英语、波兰语、斯洛伐克语、保加利亚语数据集上评估，性能超过GPT-4和GPT-3.5。任务包括直接检测虚假信息、识别值得验证的文本、检测可验证事实主张。

论文 LLaMA Qwen Deepseek

推荐理由：这篇论文用多个开源模型合作检测假新闻，效果比GPT-4还好，还用了四种语言测试，值得搞安全或内容审核的人看看。

原文

08:24

berryxia@berryxia

前Meta产品经理Qu Xiaoyin预测，2026年上半年中国开源模型（DeepSeek V4、Qwen3.5、GLM-5.2）能力追平部分闭源模型。她指出欧企业可把中国模型部署在自己的GPU上，满足数据合规（数据不出境）并获完全控制权。开源模型允许企业用内部数据微调成专属模型，而OpenAI和Anthropic的闭源API做不到。成本方面，闭源API按token收费，开源模型一次性部署后边际成本趋近零。但部署运维需专业团队，AWS、Azure、阿里云已提供托管服务降低门槛。

行业 OpenAI Anthropic DeepSeek

事件专题

推荐理由：前Meta产品经理说欧美企业会抛弃OpenAI和Anthropic转向中国开源模型，因为能本地部署、定制微调，成本还低。想省钱的老板可以听听。

原文

03:05

@koltregaskes@koltregaskes

精选

前沿模型成本上升、令牌使用量攀升以及近期禁令，使企业自建AI变得更加必要。通过下载Llama或Qwen等开源模型，使用LoRA在自有数据上微调，部署在自有基础设施，可一次性计算成本取代按席收费。Hugging Face和LoRA已降低技术门槛，关键在于管理层是否将其视为基础设施投资而非普通软件开支。

行业 Llama Qwen LoRA

推荐理由：前沿模型越来越贵还被禁，自己微调Llama或Qwen更可控，一次性投入省月费，数据也安全。

原文

6月29日

18:22

官方账号阿里云 Alibaba Cloud@alibaba_cloud

阿里云举办Qwen全球AI黑客马拉松，总奖金池超过70,000美元。参赛者需在Devpost平台注册，选择5条赛道之一，利用Qwen API构建Agent并提交作品。赛事面向全球开发者，旨在推动基于Qwen模型的创新应用开发。

行业 Qwen 阿里云黑客马拉松

推荐理由：阿里云拿出7万美元办黑客马拉松，五条赛道任选，用Qwen API搭Agent就能参赛。动手能力强的话值得一试。

原文

17:47

官方账号阿里云 Alibaba Cloud@alibaba_cloud

阿里云推出新的AI零售解决方案，基于Qwen模型，可跨所有触点理解客户，将碎片化洞察转化为个性化沉浸式体验，驱动可量化的零售增长。该方案已在大规模场景验证。

AI产品 Qwen Alibaba Cloud AI零售

推荐理由：阿里云出了个新零售AI方案，基于Qwen模型，能跨各触点理解顾客，把零散数据变成个性化体验，还能量化增长效果。

原文

13:50

官方账号阿里云 Alibaba Cloud@alibaba_cloud

阿里巴巴云Qwen团队将于2026年6月30日举办Qwen Live第一集直播，主题为Agent-First。Qwen云负责人Linlin Kong与产品经理Pan Gu、Xijue将分享从零构建智能体云平台的经验。直播将重新定义面向非人类用户的开发者体验，并探讨大规模人机协作的新范式。

技巧 Qwen 阿里云智能体

推荐理由：想搞智能体云平台？Qwen这期直播讲从零搭建、非人类用户开发体验，做agent的开发者别错过。

原文

6月28日

16:18

Geek@geekbb

精选

网友分享的 Gentle-AI 配置串联 11 个不同职能的智能体，使用低成本 Flash 模型处理大部分上下文，仅在设计（Qwen）和编码（Kimi Code）等关键环节调用高性能模型。每日成本控制在 4~7 美元，并通过多智能体对齐审查显著降低幻觉率。该 per-phase model routing 策略可适配 15 种 AI 编程工具。

技巧 Gentle-AI Qwen Kimi Code

推荐理由：挺实用的配置：11个智能体分工，Flash模型省成本，Qwen和Kimi Code干重活，每天才4-7美元，还降幻觉。

原文

6月26日

22:42

Gary Marcus@GaryMarcus

UBS调查显示，60%监控AI预算的企业已开始转向更便宜的模型和开源中国模型。企业面临极端账单，有用户每月花费高达35,000美元，团队超出配额200%，部分公司从5个AI内部工具削减至2个。企业通过模型路由策略，将简单任务分配给便宜模型，如Qwen、DeepSeek、MiniMax、GLM、Kimi，而保留高级模型用于推理、编程和长上下文任务。这些中国开源模型可以本地运行或通过云目录使用，符合企业成本曲线。

行业 UBS DeepSeek Qwen

推荐理由：大厂AI账单太高了，UBS说60%的企业已经在换更便宜的模型，像DeepSeek、Qwen这些中国开源模型成了新选择。想省钱的企业可以看看这个趋势。

原文

04:52

官方账号LangChain@LangChainAI

LangChain与Fireworks AI合作，基于阿里巴巴Qwen模型微调了一个法官模型。该模型用于检测用户交互中的“感知错误”（Perceived Error）。具体微调方法和评估结果已在LangChain博客文章中发布。

AI模型 LangChain Fireworks AI Qwen

推荐理由：LangChain和Fireworks用Qwen搞了个裁判模型，专门抓对话里的感知错误，挺实用的，去博客看具体数据吧。

原文

04:51

官方账号LangChain@LangChainAI

LangChain 与 FireworksAI 合作研究显示，微调后的阿里巴巴 Qwen 模型在所有规模上性能优于原版模型。与使用顶级前沿模型相比，微调模型在规模运行时可降低 10-100 倍成本，具体取决于追踪数量和模型选择。随着追踪量增长，微调模型的成本节约效果将更加显著。该结果基于对多个模型规模和基准的对比测试。

AI模型 Qwen FireworksAI 微调

推荐理由：微调 Qwen 能跑赢大模型，还省 10-100 倍成本，适合大批量任务。

原文

6月25日

02:37

AK@_akhaliq

阿里发布Qwen-AgentWorld，一个基于Qwen的语言世界模型，专为通用智能体设计。该模型旨在帮助智能体理解环境动态并做出决策。目前尚未公开具体的基准测试结果或性能数据。

AI模型 Qwen-AgentWorld Qwen 阿里

推荐理由：阿里出了AgentWorld世界模型，让智能体能更好地理解环境，做Agent开发的朋友可以关注一下。

原文

00:49

berryxia@berryxia

77°

Qwen团队直接训练了一个语言世界模型Qwen-AgentWorld，核心目标是从头建模环境而非仅训练Agent行为。模型需预测终端输出、网页变化及代码执行后状态，而非单纯学习操作。利用该模型作为模拟器进行可控Sim RL，在某些任务上模拟训练的Agent性能甚至超过真实环境训练的Agent。此外，仅做环境预测的预训练能力可直接迁移到多轮Agent任务，在多个benchmark上取得显著提升，包括未见领域。Qwen开源了35B MoE版本及对应基准。

AI模型 Qwen Qwen-AgentWorld 世界模型

推荐理由：通义千问出了个新模型，不是教Agent怎么动，而是先让模型懂环境变化。用模拟环境练出的Agent反而比真实环境练的还强，还开源了35B版，值得看看。

原文

6月24日

22:40

官方账号阿里通义 Qwen@Alibaba_Qwen

精选

Qwen发布Paradigm II，一种基于世界建模的Agent基础模型。它通过单轮环境预测直接测试于多轮工具调用任务，无需Agent强化学习或任务特定调优。在7项基准上均取得提升，域内Terminal-Bench 2.0提升6.3%、SWE-Bench提升3.4%、WideSearch提升12.8%。域外基准Claw-Eval提升11.3%、QwenClawBench提升9.7%、BFCL v4提升9.0%。世界建模将'先预测后行动'内化为可迁移的推理模式。

AI模型 Qwen Paradigm II 推理模型

推荐理由：Qwen做了个新Agent模型Paradigm II，不用额外训练就在终端、编码、搜索和工具调用任务上全涨分，尤其没见过的任务也管用。

原文

22:39

官方账号阿里通义 Qwen@Alibaba_Qwen

精选73°

阿里Qwen团队开源了Qwen-AgentWorld-35B-A3B模型，采用MoE架构，总参数量35B，每次推理激活3B参数，支持256K上下文长度。同时发布了AgentWorldBench基准，用于评估智能体的世界建模能力。该模型在多个现实环境模拟任务上表现优于同等规模模型。相关论文已发布于arXiv，代码和模型权重在GitHub和Hugging Face上开放。

AI模型 Qwen AgentWorld MoE

推荐理由：阿里新开源了35B参数的MoE模型，只激活3B，256K超长上下文，配合AgentWorldBench，研究智能体世界建模的赶紧试试。

原文

6月23日

22:09

官方账号LangChain@LangChainAI

精选76°

LangChain与Fireworks AI合作，微调阿里Qwen模型构建了trace judge，用于检测生产trace中的“感知错误”。该judge在性能上匹敌或超越前沿模型，同时运行成本降低100倍。相关研究成果已发表在LangChain Labs博客。

AI产品 LangChain Fireworks AI Qwen

推荐理由：LangChain搞了个低成本trace judge，用阿里Qwen微调，性能不输顶级模型还便宜100倍，做trace监控的可以看看。

原文

6月19日

11:27

11:27IT之家（博客/媒体）

阿里巴巴集团主席蔡崇信在VivaTech 2026上表示，AI总潜在市场规模对标人类生产力，全球GDP超100万亿美元中至少50万亿美元来自人类生产力，这是阿里的目标。阿里全面投入AI，全栈覆盖能源、基础设施、模型和应用层，拥有开源模型千问（Qwen）。蔡崇信指出当前全球AI开源主要推动力量来自中国企业，阿里团队持续贡献前沿模型开源。

行业阿里巴巴 Qwen 开源模型

推荐理由：阿里主席亲口说了：AI市场对标50万亿美元，全栈押注，千问开源是全球主力。想看清阿里AI战略的必看。

原文

6月18日

19:09

官方账号阿里云 Alibaba Cloud@alibaba_cloud

阿里云在东京启用了第5个数据中心，同时将Model Studio平台引入日本市场。该平台支持企业使用最新Qwen模型构建下一代AI智能体。此举旨在加强日本代理式AI时代的基础设施建设。

行业 Alibaba Cloud Qwen Model Studio

推荐理由：阿里云在日本搞大事了：新开第五座数据中心，还把Model Studio带过去，让企业直接用Qwen模型造智能体。

原文

10:07

官方账号阿里云 Alibaba Cloud@alibaba_cloud

阿里云日本区域经理Takeshi Kurita与CyberAgent高管Takahito Naito探讨如何通过Qwen模型降低企业生成式AI成本。双方分享了基于Alibaba Cloud的Agentic Cloud策略的实际部署经验。会议聚焦于企业级AI模型的高效运用与未来方向。

行业 Alibaba Cloud Qwen CyberAgent

推荐理由：阿里云和CyberAgent聊用Qwen降成本，有实战干货，搞企业AI的可以听听。

原文

09:21

官方一手arXiv: DeepSeek@Yifu Ding, Jiacheng Wang, Ge Yang, Yongcheng Jing, Jinyang Guo, Xianglong Liu, Dacheng Tao

精选

该论文针对混合专家(MoE)模型部署时内存和推理开销大的问题，提出一种结构剪枝框架。方法将剪枝比率分配转化为通道分数覆盖最大化问题，通过归因近似高效求解。在DeepSeek和Qwen MoE模型上实验，结合4-bit量化后，50%或25%结构化剪枝仍保持模型准确率。在Qwen3-30B-A3B上，内存占用减少5.27倍，优于现有基线。

论文 MoE 结构剪枝量化

推荐理由：想省显存又怕掉精度？这篇论文用通道级剪枝加4-bit量化，把MoE模型体积砍到1/5还能保住性能，DeepSeek和Qwen都能用。

原文