5月1日，阿里巴巴旗下通义千问团队发布了Qwen2.5-Omni-3B模型，这是Qwen2.5-Omni-7B的轻量版，参数量为3B，但多模态性能保留了7B版本的90%以上。该模型支持文本、音频、图像和视频等多种输入形式，尤其在实时文本生成和自然语音输出方面表现出色。基准测试显示，其视频理解和语音生成能力接近7B版本。相比7B模型，3B版本显存占用减少了53%，由60.2GB降至28.2GB，使它能在普通24GB GPU设备上运行，适合消费级硬件。此模型采用Thinker-Talker架构和TMRoPE嵌入方法，支持FlashAttention 2和BF16精度优化，提升了运行效率。不过，该模型目前仅限研究用途，企业需获得单独许可才能用于商业开发。