通义千问Qwen3系列重大更新：多模态能力跃升，安全技术开源，编程助手再进化

【免费下载链接】Qwen3Guard-Gen-4B 项目地址: https://ai.gitcode.com/hf_mirrors/Qwen/Qwen3Guard-Gen-4B

通义千问Qwen团队本周发布多项重要更新，涵盖多模态大模型性能升级、安全对齐技术开源以及代码助手功能增强三大方向，持续推动大语言模型技术在效率、安全与实用性上的突破。

多模态交互新标杆：Qwen3-VL-Flash实现"快强省"三重突破

全新推出的Qwen3-VL-Flash多模态模型以"看得准、理解强、感知深"三大核心优势重新定义行业标准。该模型在保持轻量化部署优势的同时，实现了多项能力跃升：高精度OCR系统支持中英日韩等10余种语言的文字识别，可精准提取复杂排版文档中的表格、公式等结构化信息；通过256K超长上下文窗口，实现对500页PDF文档或2小时视频内容的连贯理解；增强的空间感知模块则赋予模型2D坐标定位与3D深度估计能力，可完成家具布局分析、工业零件尺寸测量等复杂视觉任务。

实测数据显示，Qwen3-VL-Flash在MME、MMBench等权威榜单上的综合性能已超越此前发布的Qwen3-VL-30B-A3B模型，响应速度提升40%的同时，推理成本降低65%。对于原qwen-vl-plus和qwen-vl-max用户，官方特别推荐升级至该版本，在保持相同使用体验的基础上，可显著降低API调用成本，尤其适合需要处理海量图文数据的企业级用户。

安全对齐技术开放：Qwen3-4B-SafeRL与测试基准双开源

在安全可控领域，Qwen团队持续践行开放共享理念，本周正式向社区开源两大核心成果：Qwen3-4B-SafeRL安全模型与Qwen3GuardTest评估基准。这是继Qwen3Guard技术报告发布后，安全对齐技术落地应用的关键举措。

如上图所示，该页面详细展示了Qwen3-4B-SafeRL的技术架构，包括基于人类反馈的混合奖励机制、多轮对话安全策略以及对抗样本防御模块。这一开源成果充分体现了Qwen团队在AI安全领域的技术积累，为科研机构和企业开发者提供了可直接复用的安全对齐解决方案，有助于推动整个行业的模型安全标准建设。

Qwen3-4B-SafeRL基于Qwen3Guard-Gen-4B模型的反馈信号，通过强化学习实现安全微调。在国际权威的WildJailbreak对抗性测试集上，该模型将不安全响应率从基线模型的64.7%降至98.1%，同时在MMLU、GSM8K等通用能力榜单上保持95%以上的性能留存率，有效解决了安全与能力平衡的行业难题。配套发布的Qwen3GuardTest评估基准则聚焦两大实用场景：设计包含逻辑推理的中级安全分类任务，如识别隐晦的有害指令；支持流式输出环境下的逐token安全控制，可实时阻断生成过程中的风险内容，为安全模型的研发与优化提供标准化评估工具。开发者可通过官方仓库获取完整代码与测试数据，快速搭建符合行业规范的安全防护体系。

编程助手能力跃升：Qwen Code v0.0.12-v0.0.14版本功能集锦

针对开发者生态，Qwen Code编程助手连续发布三个版本更新，通过"计划模式"、"视觉智能升级"等功能强化，大幅提升AI辅助编程的可控性与智能化水平。新推出的计划模式彻底改变传统代码生成流程，当接收复杂开发需求时，AI会先输出包含模块划分、技术选型、时间预估的实施计划书，待用户确认后再执行代码生成，有效避免因需求理解偏差导致的返工问题。

在多模态编程方面，Qwen Code实现与Qwen3-VL-Plus视觉模型的深度集成，当检测到用户输入包含流程图、UI设计稿等图像时，会自动激活视觉理解模块（支持256K图像输入与32K代码输出），可直接将手绘草图转化为前端代码。该功能在YOLO目标检测模式下同样适用，能根据标注图像自动生成数据预处理代码。此外，新版本还完成Zed平台的OAuth身份验证集成，支持OpenAI与Qwen双账号体系安全登录，并新增循环检测开关、QWEN.md文件覆盖确认等细粒度控制选项，让开发者在享受AI辅助的同时，保持对开发过程的完全掌控。

此次系列更新展现了Qwen团队在技术创新与生态建设上的系统性布局。随着多模态能力的持续深化、安全技术的开放共享以及开发者工具链的不断完善，通义千问正从单一模型服务向全场景AI基础设施演进，为企业数字化转型与科研创新提供更全面的技术支撑。

【免费下载链接】Qwen3Guard-Gen-4B 项目地址: https://ai.gitcode.com/hf_mirrors/Qwen/Qwen3Guard-Gen-4B