一、通义千问、通义万相的区别

千问和万相模型均为阿里云推出的模型，千问是语言模型，万相是视觉生成模型，以下是它们的具体区别：

• 模型类型：

  • 千问系列模型是语言模型，如Qwen3系列，主要用于处理文本相关的任务，如文本生成、问答、代码编写等。
  • 万相系列模型是视觉生成基座模型，如Wan2.1、Wan2.2等，主要用于文生视频和图生视频任务。

• 应用场景：

  • 千问模型更侧重于专业领域或特定主题的交流，通过问答形式，为用户提供深度的学习和交流机会。
  • 万相模型适用于各种需要视觉内容生成的场景，如广告制作、影视制作、游戏开发等，帮助用户快速获取所需的视觉信息。

二、Qwen 模型

1、Qwen3-Next 模型系列

• 官方模型文档：Qwen3-Next：迈向更极致的训练推理性价比
• 更新时间：2025年9月

模型名称	功能与特点概述
Qwen3-Next-80B-A3B-Instruct	仅支持Instruct（非思考）模式，并且不会在其输出中<think></think>生成块。
Qwen3-Next-80B-A3B-Thinking	仅支持思考模式。为了强化模型思考，模型输出仅包含 </think>,且不包含明确的开始<think>标签。Qwen3-Next-80B-A3B-Thinking可能比其前身生成更长的思考内容

2、Qwen-Image 模型系列

• 模型论文：Qwen-Image Technical Report
• 更新时间：2025年8月

模型名称	功能与特点概述
Qwen-Image-Edit	图生图模型，支持双语（中文和英文）文本编辑，可直接对图像中的文本进行添加、删除和修改，同时保留原始字体、大小和样式。图片中的文字生成效果非常好
Qwen-Image	文生图模型，支持双语（中文和英文）文本编辑，该模型在图像生成和编辑方面均具备强大的通用能力，在文本渲染（尤其是中文文本渲染）方面表现尤为出色

3、Qwen3-Coder

• 模型文档：Qwen3-Coder: Agentic Coding in the World
• 更新时间：2025年7月

模型名称	功能与特点概述
Qwen3-Coder-480B-A35B-Instruct	在智能体编程、智能体浏览器使用以及其他基础编程任务方面表现卓越 具备长上下文能力，原生支持 256K tokens，借助 Yarn 可扩展至 1M tokens。 适用于大多数平台，如通义千问代码（Qwen Code）、CLINE
Coder-480B-A35B-Instruct-FP8	经过轻量化的版本，fp8 量化可减少模型参数存储所需的空间 能加速模型的推理过程，提高响应速度，但可能会在一定程度上影响模型精度
Qwen3-Coder-30B-A3B-Instruct	Qwen3-Coder 小参数的版本，仅支持非思考模式，不会在输出中产生<think></think>块。
Qwen3-Coder-30B-A3B-Instruct-FP8	Qwen3-Coder-30B-A3B-Instruct的轻量化版本

4、Qwen3

• 模型论文：Qwen3 Technical Report
• 发布时间：2025年5月 - 7月
• 整体概述：系列包含 6 个密集模型和 2 个 MoE 模型，参数量从 0.6B 到 235B 不等，如 Qwen3-32B、Qwen3-14B 等为密集模型，Qwen3-235B-A22B 和 Qwen3-30B-A3B 为 MoE 模型。
• 命名方式解读：Qwen3-[模型参数量xxB]-[激活(active)参数量xxB]-[思考/非思考版本]-[发布时间]-[是否FP8轻量化]

模型名称	更新时间	功能与特点概述
Qwen3-235B-A22B-Thinking-2507-FP8	2025年7月	MOE模型，总参数量2350亿（235 Billions），激活时参数量220亿（22 Blillions），FP8轻量化版本，
Qwen3-235B-A22B-Thinking-2507	2025年7月	MOE模型，总参数量2350亿（235 Billions），激活时参数量220亿（22 Blillions）
Qwen3-235B-A22B-Instruct-2507	2025年7月	不支持思考模式, 不会在输出中产生<think></think>块。
Qwen3-30B-A3B-Thinking-2507-FP8	2025年7月	只支持思考模式，输出中只包含</think>,不包含<think>,总参数量300亿（30Billions）,激活参数30B,轻量化模型
其余模型	-	0.6B、1.7B、4B、8B、14B、32B模型

5、Qwen3-Reranker 和 Qwen3-Embedding

• 模型文档：Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models
• 两个模型的区别
  • Qwen3-Reranker 模型是对文本对进行相关性评估，输出两个文本的相关性得分，用于对检索结果进行排序。
  • Qwen3 Embedding 模型主要功能是将单段文本转换为语义向量，用于语义搜索、问答系统等场景，重点在于文本的向量化表示。

模型类型	模型名称	模型大小	层数	Sequence 长度	Embedding Dimension	MRL 支持	Instruction Aware
Text Embedding	Qwen3-Embedding-0.6B	0.6B	28	32K	1024	Yes	Yes
Text Embedding	Qwen3-Embedding-4B	4B	36	32K	2560	Yes	Yes
Text Embedding	Qwen3-Embedding-8B	8B	36	32K	4096	Yes	Yes
Text Reranking	Qwen3-Reranker-0.6B	0.6B	28	32K	-	-	Yes
Text Reranking	Qwen3-Reranker-4B	4B	36	32K	-	-	Yes
Text Reranking	Qwen3-Reranker-8B	8B	36	32K	-	-	Yes

• MRL 支持：表示嵌入模型是否支持为最终嵌入设置自定义维度。
• Instruction Aware：指的是嵌入或重排序模型是否支持根据不同任务自定义输入指令。
• 评估表明，对于大多数下游任务，使用指令（instruct）通常比不使用指令能带来 1% 到 5% 的提升。因此，建议开发者针对其特定任务和场景创建定制化指令。在多语言环境中，我们也建议用户用英语编写指令，因为模型训练过程中使用的大多数指令原本都是用英语编写的。

三、WAN 模型

1、Wan2.2

发布时间：2025年8月
模型文章

• Wan: Open and Advanced Large-Scale Video Generative Models
• Wan-S2V: Audio-Driven Cinematic Video Generation

模型名称	功能特点概述	适用场景
Wan2.2-S2V-14B	“S2V” 代表从草图（Sketch ）生成视频（Video）	适用于创作者有初步创意草图，想快速将草图概念转化为动态视频的场景
Wan2.2-TI2V-5B	“TI2V” 表示文本和图像联合生成视频（Text and Image to Video）	同时接受文本描述和图像作为输入信息，结合文本的语义信息和图像的视觉信息来生成视频，适合需要精准控制视频内容和视觉风格的场景，比如广告视频制作、影视概念片生成等。
Wan2.2-I2V-A14B	I2V” 指从图像（Image）生成视频（Video）	输入是单张或多张图像，模型会根据图像的画面元素、构图、色彩等信息，生成连贯的视频内容，可用于将静态摄影作品转化为动态视频，或基于已有的图像素材进行创意视频拓展。
Wan2.2-T2V-A14B	“T2V” 代表文本生成视频（Text to Video）	只需要输入文本描述，模型就会根据文本的语义、情节等生成对应的视频， 常用于小说影视化片段生成、故事板制作等，只要能用文字描述出的画面，都可以尝试用该模型生成视频。

通义万相AI生视频—使用指南

2、Wan2.2-diffusers

• wan2.2-diffusers 是指基于 Wan 2.2 开发，并与 Hugging Face 的 Diffusers 库集成的模型版本。
• diffusers 含义
  • Diffusers 即扩散模型（Diffusion Model），是一类生成式深度学习模型。它的核心原理是通过在数据（如图像、音频、视频等）上逐渐添加噪声，构建一个前向扩散过程，然后再学习一个反向过程，逐步去噪，从而从噪声中恢复出原始数据，以此实现数据生成。
  • Hugging Face 的 Diffusers 库则是一个用于实现和使用扩散模型的工具包，提供了一系列的函数、类和预训练模型，方便开发者快速构建、训练和应用扩散模型。它涵盖了图像生成、视频生成、音频生成等多个领域的应用，能够大大降低扩散模型的使用门槛，加速相关研究和应用的落地 。

模型名称	功能特点概述
Wan2.2-T2V-A14B-Diffusers	文生视频模型，以文本作为输入，能够生成连贯的视频内容
Wan2.2-I2V-A14B-Diffusers	图生视频模型，输入单张或多张图像，生成相应的视频内容
Wan2.2-TI2V-5B-Diffusers	支持将文本描述与图像作为输入，利用文本所携带的语义信息，结合图像的视觉元素、构图、色彩等特征，生成相应的视频内容。