Qwen模型命名逻辑与系列划分介绍
人们经常问不同Qwen模型之间的关系以及命名背后的逻辑。目前，我们有几个不同的模型家族：LLM、Coder、VL、Omni，以及新加入的Image。虽然我们的长期目标是将其统一为单个真正的全能力模型，但目前仍将它们视为独立模型。
命名方式如下：
Qwen目前有四个主要系列——LLM、Coder、VL、Omni——加上新的Qwen-Image。前四个系列的命名相当直接。我们提供Instruct和Thinking变体，开源模型遵循如Qwen3-xB-AyB-Instruct（Qwen3-xB用于密集模型）的命名模式，例如Qwen3-235B-A22B-Instruct。对于Coder、VL和Omni模型，我们只需在“Qwen3”后插入类型，如Qwen3-Coder-480B-A35B-Instruct。
我们频繁更新。如果更新不大，我们会在名称后追加年月后缀（例如2507），结果类似于Qwen3-235B-A22B-Instruct-2507。
Qwen3-Next对我们来说也有点意外。经过一年多对新模型架构（特别是线性注意力和选择性稀疏注意力）的研究，我们最近开发了一个原型，最初认为它是“Qwen3.5”。我们迅速训练并发布它，以帮助社区适应LLM生态中即将到来的变化。但随后就遇到了命名困境。称其为“Qwen3.5-Preview”感觉别扭（并引发了诸如“+0.5然后-0.4？”的笑话）。最终，我们决定使用Qwen3-Next——不完美，但更清晰、更具前瞻性。
Qwen-Image略有不同。它不严格属于Qwen3系列，所以我们选择不赋予它像“Qwen2.5-Image”这样的版本号，即使它利用了Qwen2.5-VL的组件。扩散模型生态仍与LLM有明显差异，使得版本对齐复杂。目前，我们对架构和尺寸选择有信心，因此只发布一个主要模型：Qwen-Image，以及其编辑版本Qwen-Image-Edit。这可能显得大胆，但如果我们后来引入更小或更大的变体，我们愿意调整命名。
在API方面，事情更简单。我们最关注LLM，分为三个层级：Max、Plus和Flash（原“Turbo”）。因此你会看到如Qwen3-Max的名称。我们即将很快发布Qwen3-Plus和Qwen3-Flash！
不过，API命名并非没有波折。两年前，当我们首次推出VL模型时，我们非常兴奋地将最大模型命名为VL-Max——但按今天的标准，它显然不再是“Max”。为解决这个问题，我们现在发布了Qwen3-VL-Plus，Qwen3-VL-Flash也将很快发布。至于Qwen3-VL-Max？我们拭目以待……
在此过程中，我们还开发了专用音频模型：Qwen3-ASR和Qwen3-TTS。我们相信它们能提供顶级性能——与GPT-4o-transcribe、GPT-4o-mini-TTS或Gemini-2.5-Pro等模型相当——并且我们认为这类专用模型对实际应用至关重要。我们已经推出了API模型Qwen3-ASR-Flash，并计划在更好地准备后开源其中一些。
我们努力不通过命名混淆用户，但由于开发中的模型众多，一些复杂性不可避免。我们正走向融合，但目前这种分化实际上有助于开发者和用户更有效地实验和构建。最终，我们的目标很简单：提供高质量的模型，支持你的研究并提升你的生产力。
命名方式如下：
Qwen目前有四个主要系列——LLM、Coder、VL、Omni——加上新的Qwen-Image。前四个系列的命名相当直接。我们提供Instruct和Thinking变体，开源模型遵循如Qwen3-xB-AyB-Instruct（Qwen3-xB用于密集模型）的命名模式，例如Qwen3-235B-A22B-Instruct。对于Coder、VL和Omni模型，我们只需在“Qwen3”后插入类型，如Qwen3-Coder-480B-A35B-Instruct。
我们频繁更新。如果更新不大，我们会在名称后追加年月后缀（例如2507），结果类似于Qwen3-235B-A22B-Instruct-2507。
Qwen3-Next对我们来说也有点意外。经过一年多对新模型架构（特别是线性注意力和选择性稀疏注意力）的研究，我们最近开发了一个原型，最初认为它是“Qwen3.5”。我们迅速训练并发布它，以帮助社区适应LLM生态中即将到来的变化。但随后就遇到了命名困境。称其为“Qwen3.5-Preview”感觉别扭（并引发了诸如“+0.5然后-0.4？”的笑话）。最终，我们决定使用Qwen3-Next——不完美，但更清晰、更具前瞻性。
Qwen-Image略有不同。它不严格属于Qwen3系列，所以我们选择不赋予它像“Qwen2.5-Image”这样的版本号，即使它利用了Qwen2.5-VL的组件。扩散模型生态仍与LLM有明显差异，使得版本对齐复杂。目前，我们对架构和尺寸选择有信心，因此只发布一个主要模型：Qwen-Image，以及其编辑版本Qwen-Image-Edit。这可能显得大胆，但如果我们后来引入更小或更大的变体，我们愿意调整命名。
在API方面，事情更简单。我们最关注LLM，分为三个层级：Max、Plus和Flash（原“Turbo”）。因此你会看到如Qwen3-Max的名称。我们即将很快发布Qwen3-Plus和Qwen3-Flash！
不过，API命名并非没有波折。两年前，当我们首次推出VL模型时，我们非常兴奋地将最大模型命名为VL-Max——但按今天的标准，它显然不再是“Max”。为解决这个问题，我们现在发布了Qwen3-VL-Plus，Qwen3-VL-Flash也将很快发布。至于Qwen3-VL-Max？我们拭目以待……
在此过程中，我们还开发了专用音频模型：Qwen3-ASR和Qwen3-TTS。我们相信它们能提供顶级性能——与GPT-4o-transcribe、GPT-4o-mini-TTS或Gemini-2.5-Pro等模型相当——并且我们认为这类专用模型对实际应用至关重要。我们已经推出了API模型Qwen3-ASR-Flash，并计划在更好地准备后开源其中一些。
我们努力不通过命名混淆用户，但由于开发中的模型众多，一些复杂性不可避免。我们正走向融合，但目前这种分化实际上有助于开发者和用户更有效地实验和构建。最终，我们的目标很简单：提供高质量的模型，支持你的研究并提升你的生产力。