正文：11月26日，阿里千问的视觉理解模型Qwen3-VL和Qwen2.5-VL在空间推理基准测试SpatialBench榜单中位列前两名，超越Gemini 3、GPT-5.1等国际顶尖模型。SpatialBench是一项衡量多模态模型在空间、结构、路径等方面综合推理能力的新兴标准，对具身智能落地至关重要。Qwen3-VL和Qwen2.5-VL分别获得13.5分和12.9分，远超Gemini 3.0 Pro Preview（9.6分）和GPT-5.1（7.5分）。尽管AI整体表现仍不及人类基准线（约80分），但Qwen3-VL在视觉感知和多模态推理方面取得突破，可实现‘带图推理’和‘视觉编程’，并增强3D检测能力，助力机器人精准抓取物体。Qwen3-VL已开源多个版本，并上线千问APP供用户免费体验。

2025年9月24日，在云栖大会上，阿里巴巴宣布开源新一代视觉理解模型Qwen3-VL。这一模型的发布标志着阿里在人工智能领域的进一步开放与创新，为开发者提供了强大的技术支持。Qwen3-VL具备先进的视觉理解能力，可广泛应用于图像识别、场景分析等领域。

2025年9月，百度智能云千帆正式推出并开源全新视觉理解模型Qianfan-VL，包含3B、8B和70B三个版本，针对企业级多模态应用场景优化。该模型基于百度自研昆仑芯P800完成计算任务，支持单任务5000卡规模并行计算，性能达到SOTA水平。Qianfan-VL具备OCR全场景识别、复杂文档解析及数学解题等能力，在通用和垂直领域测试中表现优异。8B和70B模型还支持通过特殊token激活思维链能力，适用于复杂推理场景。即日起至10月10日，用户可免费体验8B和70B模型，更多详情可通过百度智能云千帆平台或GitHub获取。

9月22日，百度智能云千帆推出视觉理解模型Qianfan-VL并全面开源。该模型提供3B、8B和70B三种规格，针对企业级多模态场景深度优化，特别强化OCR、教育垂直场景等高频需求。基于自研昆仑芯P800完成计算，支持5000卡规模并行计算，在通用、OCR、数学解题等领域表现优异。即日起至10月10日，企业和开发者可免费体验8B、70B模型。Qianfan-VL具备多尺寸适配、思考推理能力及文档理解增强等特点，适用于复杂图表分析、文档智能化等场景。百度智能云表示将持续推动AI技术在各行业的落地应用。

杭州领跑AI开源！阿里Qwen除夕开源视觉理解新旗舰，全系列3尺寸，7B模型超GPT-4o-mini 衡宇 白交 发自 川渝 量子位 | 公众号 QbitAI 眼看蛇年将至，杭州依旧充满活力。阿里通义Qwen今日凌晨4点发布了视觉理解模型Qwen2.5-VL，包含3B、7B和72B三个版本。Qwen...

阿里通义千问于1月28日宣布开源全新视觉理解模型Qwen2.5-VL，推出3B、7B和72B三个尺寸版本。该模型能识别物体、分析图像文本、理解长视频及捕捉事件。Qwen2.5-VL具备代理能力，可推理并使用工具，无需特定任务微调。在测试中，旗舰模型Qwen2.5-VL-72B-Instruct表现优异，涵盖多领域任务。较小模型Qwen2.5-VL-7B-Instruct在多项任务中超越GPT-4o-mini，Qwen2.5-VL-3B亦有出色表现。新模型增强对时空尺度感知，简化网络结构，提升效率。

阿里云宣布第三轮大模型降价，通义千问视觉理解模型降价超80%，输入价格低至0.0015元/千tokens。此次降价被视为对字节跳动豆包视觉理解模型的回应，后者千tokens价格为3厘。自大模型浪潮兴起，厂商投入巨大，降价潮对资金实力较弱的企业冲击较大。此外，大模型企业通过巨额广告投放抢夺市场，如Kimi和豆包在三季度广告费用分别达1.5亿和2亿。尽管如此，提升用户留存仍是关键。互联网大厂如阿里和百度正寻求C端突围，阿里将通义App分拆并入智能信息事业群，百度则加强AI搜索布局。

12月20日，针对字节豆包视觉理解模型定价低于同行85%，火山引擎总裁谭待回应称，3厘/千tokens的价格仍能保持合理毛利。他认为，2B业务若毛利为负，规模越大亏损越多，商业模式不可行。字节通过技术优化（如算法预训练、工程错峰混部、P/D推理分离、硬件优化）实现低价。谭待强调，技术领先才能提供优质服务。（财联社）

字节跳动的豆包大模型及相关产品持续引发行业关注。在火山引擎Force大会上，字节跳动发布了豆包视觉理解模型、豆包3D生成模型及全面更新的豆包通用模型pro、音乐模型、文生图模型等，为企业提供多模态大模型能力。豆包视觉理解模型的价格仅为0.003元/千tokens，比行业价格便宜85%。 火山引擎总裁...

字节跳动豆包大模型日均tokens使用量超过4万亿，发布7个月增长超33倍。在火山引擎Force原动力大会上，豆包发布视觉理解模型，价格降至0.003元/千Tokens，比行业平均价低85%。新一代视频生成大模型将于明年1月发布。豆包视觉理解模型填补了“豆包全家桶”在视觉交互上的短板。西部证券指出，视觉能力是大模型的核心，将增加对NAND存储芯片需求。国盛证券认为，字节跳动有望成为AI眼镜产品核心玩家。随着视频大模型的推出，字节跳动的算力需求将进一步增大，可能需要更多英伟达H100 GPU。