# 千问AI平台

> 千问AI平台是千问官方 MaaS 平台，提供全模态 AI 大模型 API、Skills 与 CLI 工具链、MCP 服务，以及千问、千问办公、Qoder、万相、悟空等 AI 原生应用，面向开发者与企业提供模型接入与 Agent 开发基础设施。

抓取核对日期：2026-10-19。
本域名下的页面在 URL 后追加 `.md` 即可获得该页面的 Markdown 版本，下列链接默认指向 `.md` 地址；少数页面的 `.md` 只有动态加载占位或空响应，已单独标注并改链网页版。
在线体验、开发文档、定价与工作台位于 platform.qianwenai.com，属另一域名，见「开发者平台入口」。
模型部分按能力大类（`##`）与提供方（`###`）分组；标注「快照版本」的条目为带日期的历史/快照模型。模型展示名称不必然等于 API 的 `model` 标识，能力、上下文与价格以对应模型页为准。

## 平台入口

- [首页](https://www.qianwenai.com/): 平台总览与产品入口。该页无 Markdown 版本，仅网页版。
- [模型市场](https://www.qianwenai.com/models.md): 全部模型的浏览与筛选入口，按提供方、能力标签检索。
- [模型对比](https://www.qianwenai.com/models/compare): 选择模型对比能力、上下文与价格。`.md` 仅为加载占位，请用网页版。
- [挑战 Arena](https://www.qianwenai.com/arena.md): 面向全球 AI 创作者的行业真实场景竞技场。
- [评测 · 模型共创计划](https://www.qianwenai.com/drops/models.md): 预览版模型抢先体验与反馈征集。
- [特惠权益](https://www.qianwenai.com/benefits.md): Token Plan 与各类优惠活动汇总。
- [Night Plan 夜间特惠](https://www.qianwenai.com/benefits/nightplan.md): 夜间时段模型限时优惠。
- [新闻](https://www.qianwenai.com/news.md): 模型发布、产品更新与平台动态。
- [AI 伙伴招募计划](https://www.qianwenai.com/partner-recruitment.md): 阿里云 AI 产品伙伴「繁花计划」招募与合作路径。

### Skills 与 MCP

- [技能市场 Skills](https://www.qianwenai.com/hub/skills.md): Agent 技能的发现、安装与管理入口。
- [技能市场安装指引](https://www.qianwenai.com/hub/install/skillshub.md): 面向 Agent 的千问AI平台技能市场安装说明，可直接交给 Agent 执行。
- [技能包（Pack）批量安装](https://www.qianwenai.com/hub/install/skillshub-pack-install.md): 一次性安装包含多个 Skill 的技能包。
- [MCP 商店](https://www.qianwenai.com/hub/mcp.md): MCP 服务目录，一键接入商业数据服务。`.md` 仅含分类标题，完整目录请用网页版。

### 开发者平台入口（platform.qianwenai.com）

- [在线体验](https://platform.qianwenai.com/try-ai): 模型对话与生成能力在线试用，部分操作需登录。
- [开发文档](https://platform.qianwenai.com/docs): API 参考、开发指南与 Agent 基础设施文档。
- [API 价格](https://platform.qianwenai.com/pricing/api): 按量计费的模型价格表。
- [Token Plan](https://platform.qianwenai.com/pricing/token-plan): 预付订阅方案与专属折扣。
- [工作台](https://platform.qianwenai.com/home/): API Key、用量统计与权益管理，需登录。
- [发布日历](https://platform.qianwenai.com/changelog): 模型与平台变更记录。

## AI 原生应用

- [千问](https://www.qianwenai.com/agents/qwen.md): 阿里官方 AI 助手，覆盖工作、学习与生活场景。
- [千问办公](https://www.qianwenai.com/agents/qwenwork.md): 一站式 AI 生产力平台，一句话完成数据分析、PPT 生成、视频剪辑、网页搭建等任务。
- [Qoder](https://www.qianwenai.com/agents/qoder.md): 面向真实软件的智能体编程平台，自主完成规划、编码与验证。
- [Qwen Intelligence](https://www.qianwenai.com/agents/qwenintelligence.md): 面向手机场景的深度优化智能解决方案，覆盖意图理解到工具执行的全栈能力。
- [无影 Agentic Computer](https://www.qianwenai.com/agents/agenticcomputer.md): 基于云电脑的 7×24 在线 Agent 托管平台。
- [万有无界](https://www.qianwenai.com/agents/wanyou.md): 企业级多 Agent 协作平台，支持多 Agent 团队协同执行复杂任务并沉淀可复用资产。
- [万镜一刻](https://www.qianwenai.com/agents/wonderclip.md): 全链路 AIGC 视频创作平台，从灵感到成片的一站式闭环。
- [万小智](https://www.qianwenai.com/agents/wanxiaozhi.md): 阿里云旗下 AI 建站平台，对话式完成方案输出、应用搭建与部署上线。
- [伶鹊](https://www.qianwenai.com/agents/voicepica.md): 企业级对话智能体平台，提供全渠道智能客服与语音热线方案。
- [悟空](https://www.qianwenai.com/agents/wukong.md): 钉钉推出的企业办公 AI 智能体，深度融合钉钉生态。
- [万相](https://www.qianwenai.com/agents/wan.md): 通义万相，多模态 AI 创作平台，支持文生图、图生视频与图像编辑。
- [秒悟 Meoo](https://www.qianwenai.com/promo/meoo.md): 阿里旗下 AI 应用创作平台，自然语言交互完成全栈应用搭建与一键上云部署。

## 文本与代码模型（103）

### 千问 Qwen

- [Qwen-Flash](https://www.qianwenai.com/models/qwen-flash.md): Qwen3系列Flash模型，实现思考模式和非思考模式的有效融合，可在对话中切换模式。复杂推理类任务性能优秀，指令遵循、文本理解等能力显著提高。支持1M上下文长度，按照上下文长度进行阶梯计费。
- [Qwen-Flash-Character](https://www.qianwenai.com/models/qwen-flash-character.md): 千问系列多语言角色扮演模型，本模型是动态更新版本，模型更新会提前通知，适合拟人化的角色扮演，同时优化了限定人设指令遵循、话题推进、倾听共情等能力，支持个性化角色的深度还原。
- [Qwen-Max](https://www.qianwenai.com/models/qwen-max.md): 千问2.5系列千亿级别超大规模语言模型，支持中文、英文等不同语言输入。随着模型的升级，qwen-max将滚动更新升级。如果希望使用固定版本，请使用历史快照版本。
- [Qwen-Plus](https://www.qianwenai.com/models/qwen-plus.md): Qwen3系列Plus模型，实现思考模式和非思考模式的有效融合，可在对话中切换模式。推理能力显著超过QwQ、通用能力显著超过Qwen2.5-Plus，达到同规模业界SOTA水平。
- [Qwen-Plus-Latest](https://www.qianwenai.com/models/qwen-plus-latest.md): 千问系列能力均衡的模型，推理效果和速度介于千问-Max和千问-Turbo之间，适合中等复杂任务。本模型是动态更新版本，模型更新不会提前通知。
- [Qwen3-VL-Plus](https://www.qianwenai.com/models/qwen3-vl-plus.md): Qwen3系列视觉理解模型，实现思考模式和非思考模式的有效融合，视觉智能体能力在OS World等公开测试集上达到世界顶尖水平。
- [Qwen3.5-Flash](https://www.qianwenai.com/models/qwen3.5-flash.md): Qwen3.5原生视觉语言系列Flash模型，基于混合架构设计，融合了线性注意力机制与稀疏混合专家模型，实现了更高的推理效率。模型效果在纯文本与多模态方面相较3系列均实现飞跃式进步；响应速度快，兼具推理速度和性能。
- [Qwen3.5-Plus](https://www.qianwenai.com/models/qwen3.5-plus.md): Qwen3.5原生视觉语言系列Plus模型，基于混合架构设计，融合了线性注意力机制与稀疏混合专家模型，实现了更高的推理效率。
- [Qwen3.6-Flash](https://www.qianwenai.com/models/qwen3.6-flash.md): Qwen3.6原生视觉语言系列Flash模型，模型效果相较3.5-Flash显著提升。本模型重点提升agentic coding能力（在多项代码智能体基准上大幅超越前代）、数学推理和代码推理能力；
- [Qwen3.6-Plus](https://www.qianwenai.com/models/qwen3.6-plus.md): Qwen3.6原生视觉语言系列Plus模型，展现出与当前顶尖前沿模型相媲美的卓越性能，模型效果相较3.5系列显著提升。
- [Qwen3.7-Flash](https://www.qianwenai.com/models/qwen3.7-flash.md): Qwen3.7原生视觉语言系列Flash模型，相较3.6-Flash全面提升多模态理解与Agent执行能力。重点强化多模态基础能力、万物识别能力更强，真实世界感知与空间智能进一步提升，Search Agent、CI
- [Qwen3.7-Max](https://www.qianwenai.com/models/qwen3.7-max.md): Qwen3.7系列中规模最大、综合能力最强的Max模型，当前开放纯文本模型能力供体验。Qwen3.7是面向智能体时代的新一代旗舰模型，核心优势在于智能体能力的广度与深度：在编程、办公与生产力、长周期自主执行方面均能出色胜…
- [Qwen3.7-Plus](https://www.qianwenai.com/models/qwen3.7-plus.md): Qwen3.7系列中高性价比Plus模型，在强大文本能力的基础上全面升级了视觉-语言能力，同时保持了在编码、工具使用和生产力工作流方面的完整智能体能力。
- [Qwen3.8-Flash](https://www.qianwenai.com/models/qwen3.8-flash.md): Qwen3.8-Flash 是千问最新推出的多模态大模型，兼具强大的理解与生成能力和出色的响应速度。模型原生支持百万级上下文窗口，能够一次性处理超长文档、代码仓库和复杂对话。
- [Qwen3.8-Max](https://www.qianwenai.com/models/qwen3.8-max.md): 2.4万亿参数MoE旗舰，编程与办公能力全面跃升，可自主编程十数天交付完整项目。胜任法律、金融、设计等数百种专业任务，一次对话端到端交付生产级成果。
- [Qwen3.8-2.4T-A95B](https://www.qianwenai.com/models/qwen3.8-2.4t-a95b.md): Qwen3.8-2.4T-A95B 是千问最新旗舰系列的开源版本，2026 年 8 月发布。采用稀疏 MoE 架构，总参数 2.4 万亿，每步激活约 950 亿，配合混合注意力机制，支持 100 万 Token 上下文。
- [意图分类模型](https://www.qianwenai.com/models/tongyi-intent-detect-v3.md): 意图识别和槽位填充是对话系统中的基础任务。本模型实现了一个基于 API的意图（intent）和槽位参数（slots）联合预测。在一次模型输出中，同时完成多个指令API的返回和槽位参数的填充。返回的结果为标准json格式。
- [Qwen-Flash-2025-07-28（快照版本）](https://www.qianwenai.com/models/qwen-flash-2025-07-28.md)
- [Qwen-Plus-2025-01-25（快照版本）](https://www.qianwenai.com/models/qwen-plus-2025-01-25.md)
- [Qwen-Plus-2025-04-28（快照版本）](https://www.qianwenai.com/models/qwen-plus-2025-04-28.md)
- [Qwen-Plus-2025-07-14（快照版本）](https://www.qianwenai.com/models/qwen-plus-2025-07-14.md)
- [Qwen-Plus-2025-12-01（快照版本）](https://www.qianwenai.com/models/qwen-plus-2025-12-01.md)
- [Qwen3.5-Flash-2026-02-23（快照版本）](https://www.qianwenai.com/models/qwen3.5-flash-2026-02-23.md)
- [Qwen3.5-Plus-2026-02-15（快照版本）](https://www.qianwenai.com/models/qwen3.5-plus-2026-02-15.md)
- [Qwen3.5-Plus-2026-04-20（快照版本）](https://www.qianwenai.com/models/qwen3.5-plus-2026-04-20.md)
- [Qwen3.5-122B-A10B（快照版本）](https://www.qianwenai.com/models/qwen3.5-122b-a10b.md)
- [Qwen3.5-27B（快照版本）](https://www.qianwenai.com/models/qwen3.5-27b.md)
- [Qwen3.5-35B-A3B（快照版本）](https://www.qianwenai.com/models/qwen3.5-35b-a3b.md)
- [Qwen3.5-397B-A17B（快照版本）](https://www.qianwenai.com/models/qwen3.5-397b-a17b.md)
- [Qwen3.6-Flash-2026-04-16（快照版本）](https://www.qianwenai.com/models/qwen3.6-flash-2026-04-16.md)
- [Qwen3.6-Plus-2026-04-02（快照版本）](https://www.qianwenai.com/models/qwen3.6-plus-2026-04-02.md)
- [Qwen3.6-27B（快照版本）](https://www.qianwenai.com/models/qwen3.6-27b.md)
- [Qwen3.6-35B-A3B（快照版本）](https://www.qianwenai.com/models/qwen3.6-35b-a3b.md)
- [Qwen3.7-Flash-2026-07-15（快照版本）](https://www.qianwenai.com/models/qwen3.7-flash-2026-07-15.md)
- [Qwen3.7-Max-2026-05-17（快照版本）](https://www.qianwenai.com/models/qwen3.7-max-2026-05-17.md)
- [Qwen3.7-Max-2026-05-20（快照版本）](https://www.qianwenai.com/models/qwen3.7-max-2026-05-20.md)
- [Qwen3.7-Max-2026-06-08（快照版本）](https://www.qianwenai.com/models/qwen3.7-max-2026-06-08.md)
- [Qwen3.7-Max-Preview（快照版本）](https://www.qianwenai.com/models/qwen3.7-max-preview.md)
- [Qwen3.7-Plus-2026-05-26（快照版本）](https://www.qianwenai.com/models/qwen3.7-plus-2026-05-26.md)
- [Qwen3.8-Max-0902（快照版本）](https://www.qianwenai.com/models/qwen3.8-max-0902.md)
- [Qwen3.8-27B（快照版本）](https://www.qianwenai.com/models/qwen3.8-27b.md)

### 通义领域模型

- [决策模型（预览版）](https://www.qianwenai.com/models/decision-model-preview.md): 面向高频业务判断的结构化决策模型，可根据文本或业务状态并行完成分类、是非判断与评分，并返回概率分布和置信度，适用于工单分流、内容审核、智能体路由与结果校验等场景。
- [Qwen-Doc-Turbo](https://www.qianwenai.com/models/qwen-doc-turbo.md): 快速对文档进行精准信息抽取，打标分类，内容审核及摘要总结。
- [Qwen-Long](https://www.qianwenai.com/models/qwen-long.md): Qwen-Long是在通义千问针对超长上下文处理场景的大语言模型，支持中文、英文等不同语言输入，支持最长1000万tokens(约1500万字或1.5万页文档)的超长上下文对话。
- [Qwen-MT-Flash](https://www.qianwenai.com/models/qwen-mt-flash.md): 基于Qwen3全面升级的轻量级文本翻译大模型
- [Qwen-MT-Lite](https://www.qianwenai.com/models/qwen-mt-lite.md): 基于Qwen3全面升级的基础级文本翻译大模型，支持32个语种互译，模型性能和翻译效果全面升级，并提供更稳定的术语定制、格式还原度、领域提示能力，让译文更精准、自然。
- [Qwen-MT-Plus](https://www.qianwenai.com/models/qwen-mt-plus.md): 基于Qwen3全面升级的旗舰级翻译大模型，支持92个语种互译，模型性能和翻译效果全面升级，并提供更稳定的术语定制、格式还原度、领域提示能力，让译文更精准、自然。
- [Qwen-MT-Uni](https://www.qianwenai.com/models/qwen-mt-uni.md): Qwen-MT-Uni 是 Qwen-MT 系列最新一代全模态翻译模型，除了提供文本和图片翻译之外，以文档与音频翻译为核心，覆盖 152 个语种互译：文档侧支持 Txt / Excel / PDF / PPT /
- [Qwen-Plus-Character](https://www.qianwenai.com/models/qwen-plus-character.md): 千问系列角色扮演模型，本模型是动态更新版本，模型更新会提前通知，适合拟人化的角色扮演，同时优化了限定人设指令遵循、话题推进、倾听共情等能力，支持个性化角色的深度还原。
- [Qwen3-Coder-Flash](https://www.qianwenai.com/models/qwen3-coder-flash.md): 基于Qwen3的代码生成模型，继承Qwen3-Coder-Plus的coding agent能力，支持多轮工具交互，重点优化仓库级别理解能力并增加工具调用稳定性。
- [qwen-deep-research](https://www.qianwenai.com/models/qwen-deep-research.md): 千问深入研究是一款面向复杂研究任务的高级智能体系统，具备多轮推理与全局规划能力，能够运用互联网搜索等多种工具，对任务进行精细化拆解，开展推理与分析，最终为用户生成可溯源、逻辑严谨的研究型报告。
- [伶鹊-对话分析-flash](https://www.qianwenai.com/models/tongyi-xiaomi-analysis-flash.md): 伶鹊-对话分析-flash是基于千问最新版本调优2026.09.20日更新、专注于日常任务的领域模型，如对话信息抽取、场景分类等分析类需求的模型，自定义分析标准遵循与对话语义理解能力显著提升，适用于低时延的离线在线分析任…
- [伶鹊-对话分析-pro](https://www.qianwenai.com/models/tongyi-xiaomi-analysis-pro.md): 伶鹊-对话分析-pro是基于千问最新版本调优2026.09.20日更新、专注于高阶复杂分析的领域模型，如针对具备复杂业务逻辑的复杂质检规则等分析需求的模型，支持自定义更细粒度的分析标准，具备更强的多轮上下文建模、深层语义…
- [Qwen-Flash-Character-2026-02-26（快照版本）](https://www.qianwenai.com/models/qwen-flash-character-2026-02-26.md)
- [Qwen3-Coder-Flash-2025-07-28（快照版本）](https://www.qianwenai.com/models/qwen3-coder-flash-2025-07-28.md)
- [qwen-deep-research-2025-12-15（快照版本）](https://www.qianwenai.com/models/qwen-deep-research-2025-12-15.md)

### 智谱 GLM

- [GLM-5.3](https://www.qianwenai.com/models/glm-5.3.md): GLM-5.3 是智谱最新旗舰大语言模型，编程与智能体能力全面进阶，达开源模型 SOTA 水平，内部编程基准较上代提升 50%，可端到端交付生产级成果。涌现网络安全能力，漏洞发现基准 CyberGym 创当前最佳。
- [GLM-5.3-Prime](https://www.qianwenai.com/models/glm-5.3-prime.md): GLM-5.3-Prime 是 GLM-5.3 的高速版本，编程与智能体能力全面进阶，达开源模型 SOTA 水平，内部编程基准较上代提升 50%，可端到端交付生产级成果。
- [GLM-5.2-Fast-Preview](https://www.qianwenai.com/models/glm-5.2-fast-preview.md): GLM-5.2-Fast-Preview 是智谱 AI 旗舰模型 GLM-5.2 的高速版本，支持 1M 超长上下文，模型能力对齐 GLM-5.2 标准版，具备逻辑推理、长文本理解与代码生成能力。
- [ZHIPU/GLM-5](https://www.qianwenai.com/models/ZHIPU/GLM-5.md): 智谱新一代旗舰基座,面向AgenticEngineering,实现从代码到工程的范式跃迁,擅长复杂系统工程与长程Agent任务。
- [ZHIPU/GLM-5.1](https://www.qianwenai.com/models/ZHIPU/GLM-5.1.md): GLM-5.1 是智谱最新旗舰模型，代码能力大大增强，长程任务显著提升，能够在单次任务中持续、自主地工作长达 8 小时，完成从规划、执行到迭代优化的完整闭环，交付工程级成果。
- [ZHIPU/GLM-5.2](https://www.qianwenai.com/models/ZHIPU/GLM-5.2.md): 智谱原厂直供。GLM-5.2 支持真正可用的 1M 上下文，并在长程任务中继续保持领先。
- [ZHIPU/GLM-5.3](https://www.qianwenai.com/models/ZHIPU/GLM-5.3.md): GLM-5.3是智谱迄今编程能力最强的模型，在内部自建体感评测中较GLM-5.2提升50%；网络安全能力：在白盒代码审查与漏洞发现等安全任务中，GLM-5.3的表现持平Mythos
- [ZHIPU/GLM-5.3-Flash](https://www.qianwenai.com/models/ZHIPU/GLM-5.3-Flash.md): GLM-5.3-Flash 是 GLM-5 系列首个原生多模态模型，以极致低成本架构实现超越 GLM-5.2 的更强智能。
- [ZHIPU/GLM-5.3-FlashX](https://www.qianwenai.com/models/ZHIPU/GLM-5.3-FlashX.md): GLM-5.3-FlashX ，推理速度达 200 tokens/s，提供更快、更流畅的模型体验。
- [GLM-5（快照版本）](https://www.qianwenai.com/models/glm-5.md)
- [GLM-5.1（快照版本）](https://www.qianwenai.com/models/glm-5.1.md)
- [GLM-5.2（快照版本）](https://www.qianwenai.com/models/glm-5.2.md)

### Kimi（月之暗面）

- [Kimi-K3](https://www.qianwenai.com/models/kimi-k3.md): Kimi-K3 是 Kimi 迄今能力最强的旗舰模型，拥有 2.8 万亿参数，基于 KDA 混合线性注意力机制（Kimi Delta Attention）和注意力残差（Attention
- [Kimi/Kimi K2.6](https://www.qianwenai.com/models/kimi/kimi-k2.6.md): Kimi K2.6 是 Kimi 最新最智能的模型，Kimi K2.6 的通用 Agent、代码、视觉理解等综合能力得到全面提升，其中在博士级难度的完整版人类最后的考试（Humanity’s Last
- [kimi-k2.7-code](https://www.qianwenai.com/models/kimi-k2.7-code.md): kimi-k2.7-code是 kimi 迄今最智能的coding模型，在长上下文中更可靠地遵循指令，能以更高的成功率完成编程任务，同时支持文本、图片与视频输入，思考模式，对话与 Agent 任务。
- [kimi/kimi-k2.7-code](https://www.qianwenai.com/models/kimi/kimi-k2.7-code.md): Kimi K2.7 Code 是月之暗面 Kimi发布并开源的新一代编程专用模型，定位为 Kimi 迄今最智能的 Coding 模型。
- [kimi/kimi-k2.7-code-highspeed](https://www.qianwenai.com/models/kimi/kimi-k2.7-code-highspeed.md): K2.7 Code高速版与普通版是同一个模型，但输出速度约为普通版的 5-6 倍，常规编程场景下（取输入长度中位数）输出速度约 180 Token/s，短上下文场景可达 260 Token/s ，带来更极致的编程体验。
- [kimi/kimi-k2.8-preview](https://www.qianwenai.com/models/kimi/kimi-k2.8-preview.md): 综合性能接近 K3，思考（thinking）效率更高；支持 thinking effort 档位调节（与 K3 的思考等级一致）；支持 1M 超长上下文
- [kimi/kimi-k3](https://www.qianwenai.com/models/kimi/kimi-k3.md): Kimi K3 是 Kimi 迄今能力最强的旗舰模型，拥有 2.8 万亿参数，基于 KDA 混合线性注意力机制（Kimi Delta Attention）和注意力残差（Attention
- [Kimi-K2.5（快照版本）](https://www.qianwenai.com/models/kimi-k2.5.md)
- [Kimi-K2.6（快照版本）](https://www.qianwenai.com/models/kimi-k2.6.md)

### DeepSeek（Vanchin 托管）

- [Vanchin/DeepSeek-OCR](https://www.qianwenai.com/models/vanchin/deepseek-ocr.md): DeepSeek-OCR以 “探索视觉 - 文本压缩边界” 为核心目标，从大语言模型（LLM）视角重新定义视觉编码器的功能定位，为文档识别、图像转文本等高频场景提供了兼顾精度与效率的全新解决方案。
- [Vanchin/DeepSeek-R1](https://www.qianwenai.com/models/vanchin/deepseek-r1.md): DeepSeek-R1 是深度求索于 2025 年 1 月开源的 6710 亿参数混合专家（MoE）推理模型，推理时仅激活 370 亿参数。
- [Vanchin/DeepSeek-V3](https://www.qianwenai.com/models/vanchin/deepseek-v3.md): DeepSeek-V3 由深度求索（DeepSeek）于 2024 年 12 月发布，是目前开源社区领先的混合专家（MoE）语言模型：总参数 671B，每个 token 仅激活 37B 参数。
- [Vanchin/DeepSeek-V3.1-Terminus](https://www.qianwenai.com/models/vanchin/deepseek-v3.1-terminus.md): DeepSeek-V3.1-Terminus 是 DeepSeek-V3.1 的更新版本，旨在保持模型原有核心能力的同时，针对用户反馈的问题进行了修复和优化。
- [Vanchin/DeepSeek-V3.2-think](https://www.qianwenai.com/models/vanchin/deepseek-v3.2-think.md): DeepSeek-V3.2 是一款实现了高计算效率与卓越推理及代理（Agent）性能完美协调的模型。该模型建立在 DeepSeek-V3 的基础之上，通过引入 DeepSeek
- [vanchin/deepseek-v4-pro](https://www.qianwenai.com/models/vanchin/deepseek-v4-pro.md): DeepSeek-V4系列是强大的混合专家（MoE）语言模型，包含DeepSeek-V4-Pro（1.6T总参数，49B激活参数）。
- [vanchin/deepseek-v4-pro-0813](https://www.qianwenai.com/models/vanchin/deepseek-v4-pro-0813.md): DeepSeek-V4系列是强大的混合专家（MoE）语言模型，包含DeepSeek-V4-Pro（1.6T总参数，49B激活参数）。
- [vanchin/deepseek-v4.1-flash](https://www.qianwenai.com/models/vanchin/deepseek-v4.1-flash.md): DeepSeek-V4.1-Flash 模型，全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。新模型结构的设计初衷是：能力上限更高、推理速度更快、吞吐更大、可扩展到更大参数模型。

### DeepSeek

- [DeepSeek-V4.1-Flash](https://www.qianwenai.com/models/deepseek-v4.1-flash.md): DeepSeek-V4.1-Flash 是 DeepSeek 全新架构系列中的轻量旗舰模型，以 552B 总参数 MoE 实现越级智能，在多项基准上超越包括 DeepSeek-V4-Pro 在内的主流旗舰模型。
- [DeepSeek-R1-Distill-Qwen-1.5B（快照版本）](https://www.qianwenai.com/models/deepseek-r1-distill-qwen-1.5b.md)
- [DeepSeek-V4-Flash-0731（快照版本）](https://www.qianwenai.com/models/deepseek-v4-flash-0731.md)
- [DeepSeek-V4-Pro（快照版本）](https://www.qianwenai.com/models/deepseek-v4-pro.md)
- [DeepSeek-V4-Pro-0813（快照版本）](https://www.qianwenai.com/models/deepseek-v4-pro-0813.md)

### MiniMax

- [MiniMax/MiniMax-M2.1](https://www.qianwenai.com/models/MiniMax/MiniMax-M2.1.md): M2.1 的设计初衷在于打破“最顶级的 Agent 能力仅存在于闭源模型”的壁垒。我们在模型层面进行了针对性优化，显著提升了模型在代码生成、工具调用、复杂指令遵循及长程规划任务中的性能。
- [MiniMax/MiniMax-M2.5](https://www.qianwenai.com/models/MiniMax/MiniMax-M2.5.md): 智能体世界的SOTA，专为智能体2.0设计，将编码扩展到现实世界包括工作空间、娱乐和个人助理。模型亮点：全球SOTA开源编码与智能体模型；
- [MiniMax/MiniMax-M2.7](https://www.qianwenai.com/models/MiniMax/MiniMax-M2.7.md): M2.7 能够自行构建复杂 Agent Harness，并基于 Agent Teams、复杂 Skills、Tool Search tool 等能力，完成高度复杂的生产力任务。
- [MiniMax/MiniMax-M3](https://www.qianwenai.com/models/MiniMax/MiniMax-M3.md): MiniMax M3 凭借业界领先的 Coding 与 Agentic 能力、1M 超长上下文窗口以及原生多模态特性，可出色胜任企业级长文档理解、高质量内容生成、代码编写、Bug 修复及原生应用构建等任务；
- [MiniMax-M2.5（快照版本）](https://www.qianwenai.com/models/MiniMax-M2.5.md)

### DeepSeek（SiliconFlow 托管）

- [SiliconFlow DeepSeek-V3.1-Terminus](https://www.qianwenai.com/models/siliconflow/deepseek-v3.1-terminus.md): DeepSeek-V3.1-Terminus 是由深度求索（DeepSeek）发布的 V3.1 模型的更新版本，定位为混合智能体大语言模型。此次更新在保持模型原有能力的基础上，专注于修复用户反馈的问题并提升稳定性。
- [SiliconFlow DeepSeek-V3.2](https://www.qianwenai.com/models/siliconflow/deepseek-v3.2.md): DeepSeek-V3.2 是一款兼具高计算效率与卓越推理和 Agent 性能的模型。其方法建立在三大关键技术突破之上：DeepSeek
- [SiliconFlow DeepSeek-R1-0528（快照版本）](https://www.qianwenai.com/models/siliconflow/deepseek-r1-0528.md)
- [SiliconFlow DeepSeek-V3-0324（快照版本）](https://www.qianwenai.com/models/siliconflow/deepseek-v3-0324.md)

### 阶跃星辰 StepFun

- [stepfun/step-3.7-flash](https://www.qianwenai.com/models/stepfun/step-3.7-flash.md): Step 3.7 Flash 是阶跃星辰最新推出的生产级 Agent 高效率 Flash 模型，专为 Agent、Coding、Search
- [stepfun/step-5-preview](https://www.qianwenai.com/models/stepfun/step-5-preview.md): Step 5 Preview，一款面向真实世界 Agentic 任务的旗舰基座模型。Step 5 Preview 在 AI 编程、软件工程、专业知识工作等任务上达到前沿水平，并在金融领域展现出尤为突出的能力。

### 云知声 Unisound

- [unisound/unisound-u2](https://www.qianwenai.com/models/unisound/unisound-u2.md): Unisound U2 是云知声最新推出的原生 Agent 旗舰模型，在代码开发、复杂推理、深度研究及一系列通用智能任务上具备出色表现。

### 小米 MiMo

- [xiaomi/mimo-v2.5-pro](https://www.qianwenai.com/models/xiaomi/mimo-v2.5-pro.md): MiMo-V2.5-Pro 是小米发布的最新旗舰模型。与前代模型相比，它在通用智能体能力、复杂软件工程以及长程任务等方面都有显著提升，在 ClawEval、GDPVal 和 SWE-bench Pro

## 全模态模型（Omni）（12）

- [Qwen3-Omni-Flash](https://www.qianwenai.com/models/qwen3-omni-flash.md): 千问3-Omni-Flash多模态大模型，基于Thinker–Talker混合专家（MoE）架构，支持文本、图像、音频、视频的高效理解与语音生成能力，可进行119种语言文本交互和20种语言语音交互，生成类人语音实现跨语言…
- [Qwen3.5-Omni-Flash](https://www.qianwenai.com/models/qwen3.5-omni-flash.md): Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni 的全面进化版本， 支持超过 10 小时的音频理解及超过 400 秒的 720P（1
- [Qwen3.5-Omni-Flash-Realtime](https://www.qianwenai.com/models/qwen3.5-omni-flash-realtime.md): Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni
- [Qwen3.5-Omni-Plus](https://www.qianwenai.com/models/qwen3.5-omni-plus.md): Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni 的全面进化版本， 支持超过 10 小时的音频理解及超过 400 秒的 720P（1
- [Qwen3.5-Omni-Plus-Realtime](https://www.qianwenai.com/models/qwen3.5-omni-plus-realtime.md): Qwen3.5-Omni是Qwen最新一代全模态大模型，支持文本，图片，音频，音视频理解与交互。作为 Qwen3-Omni
- [Qwen3.8-Omni-Flash](https://www.qianwenai.com/models/qwen3.8-omni-flash.md): Qwen 新一代原生全模态模型，支持 1M 长序列，可直接输入文本、图像、音频与视频，基于 Qwen3.8-Flash-Next 架构。
- [Qwen3.8-Omni-Flash-Realtime](https://www.qianwenai.com/models/qwen3.8-omni-flash-realtime.md): Qwen3.8-Omni-Flash-Realtime 通过多种实时协议提供音视频双工交互，面向智能硬件、机器人与实时交互 Agent。
- [Qwen3-Omni-Flash-Realtime-2025-09-15（快照版本）](https://www.qianwenai.com/models/qwen3-omni-flash-realtime-2025-09-15.md)
- [Qwen3.5-Omni-Flash-2026-03-15（快照版本）](https://www.qianwenai.com/models/qwen3.5-omni-flash-2026-03-15.md)
- [Qwen3.5-Omni-Flash-Realtime-2026-03-15（快照版本）](https://www.qianwenai.com/models/qwen3.5-omni-flash-realtime-2026-03-15.md)
- [Qwen3.5-Omni-Plus-2026-03-15（快照版本）](https://www.qianwenai.com/models/qwen3.5-omni-plus-2026-03-15.md)
- [Qwen3.5-Omni-Plus-Realtime-2026-03-15（快照版本）](https://www.qianwenai.com/models/qwen3.5-omni-plus-realtime-2026-03-15.md)

## 图像理解与 OCR 模型（5）

### 通义领域模型

- [GUI-Plus](https://www.qianwenai.com/models/gui-plus.md): GUI系列图形界面交互基础模型，针对手机端与电脑端图形界面理解与交互任务，性能优于开源版同类GUI模型。全面升级跨平台界面理解与多步任务规划，支持跨应用复杂任务；
- [QwenVL-OCR](https://www.qianwenai.com/models/qwen-vl-ocr.md): 千问VL-OCR（qwen-vl-ocr），即基于Qwen-VL训练的OCR识别大模型。通过统一模型的方式聚合多种图文识别、解析、处理类任务，提供强大的图文识别能力。
- [GUI-Plus-2026-02-26（快照版本）](https://www.qianwenai.com/models/gui-plus-2026-02-26.md)
- [QwenVL-OCR-2025-11-20（快照版本）](https://www.qianwenai.com/models/qwen-vl-ocr-2025-11-20.md)

### 千问 Qwen

- [Qwen3.5-OCR](https://www.qianwenai.com/models/qwen3.5-ocr.md): Qwen3.5系列OCR模型，在文档解析、文本定位、关键信息提取等方面全面升级，在真实场景的业务卡证（如国内国际身份证、驾驶证等业务场景中）抽取上效果显著提升。

## 图像生成模型（37）

### 万相 Wan

- [Wan2.1-ImageEdit](https://www.qianwenai.com/models/wanx2.1-imageedit.md): 万相-通义图像编辑，支持预设编辑任务与指令式编辑，包含多种局部/全图编辑能力，如图像风格化、线稿生图、局部重绘、参考图生成、图像外扩、图像超分等。
- [Wan2.5-I2I-Preview](https://www.qianwenai.com/models/wan2.5-i2i-preview.md): 万相2.5-图像编辑-Preview，全新升级模型架构。支持指令控制实现丰富的图像编辑能力，指令遵循能力进一步提升，支持高一致性保持的多图参考生成，文字生成表现优异。
- [Wan2.6-Image](https://www.qianwenai.com/models/wan2.6-image.md): 万相2.6-图像生成，全能图像生成模型，支持图文一体化推理生成，具备多图创意融合、商用级一致性、美学要素迁移与镜头光影精确控制，全面提升图像生成的一致性、可控性和表现力。
- [Wan2.7-Image](https://www.qianwenai.com/models/wan2.7-image.md): 万相2.7-图像生成与编辑，支持文生图、文生组图、图生组图、图像编辑、多图参考生成、交互式编辑，在文字渲染、主体一致性、复杂指令遵循上都有更强表现
- [Wan2.7-Image-Pro](https://www.qianwenai.com/models/wan2.7-image-pro.md): 万相2.7-图像生成与编辑旗舰版模型，支持文生图、文生组图、图生组图、图像编辑、多图参考生成、交互式编辑，在文字渲染、主体一致性、复杂指令遵循上都有更强表现。
- [Wan2.0-T2I-Turbo](https://www.qianwenai.com/models/wanx2.0-t2i-turbo.md): Wan2.0-T2I-Turbo，更擅长质感人像和创意设计画作生成，在图像美观度、真实感、艺术性上全面升级，支持最大200万像素生成，支持智能提示词改写等。
- [Wan2.1-T2I-Plus](https://www.qianwenai.com/models/wanx2.1-t2i-plus.md): 万相2.1-文生图-Plus，更丰富的画面细节，在图像美观度、真实感、艺术性上全面升级，更强的语义理解能力、丰富的风格泛化性、支持最大200万像素生成，支持智能提示词改写等。
- [Wan2.1-T2I-Turbo](https://www.qianwenai.com/models/wanx2.1-t2i-turbo.md): 万相2.1-文生图-Turbo，更快的生成速度，在图像美观度、真实感、艺术性上全面升级，更强的语义理解能力、丰富的风格泛化性、支持最大200万像素生成，支持智能提示词改写等。
- [Wan2.2-T2I-Flash](https://www.qianwenai.com/models/wan2.2-t2i-flash.md): 全新升级的万相2.2文生图，更快的生成速度。在生成图像创意性、稳定性、写实质感方面全面升级，指令遵循更强，原生支持多种风格。支持最大200万像素生成，支持智能提示词改写等。
- [Wan2.2-T2I-Plus](https://www.qianwenai.com/models/wan2.2-t2i-plus.md): 全新升级的万相2.2文生图，更丰富的画面细节。在生成图像创意性、稳定性、写实质感方面全面升级，指令遵循更强，原生支持多种风格。支持最大200万像素生成，支持智能提示词改写等。
- [Wan2.5-T2I-Preview](https://www.qianwenai.com/models/wan2.5-t2i-preview.md): 万相2.5-文生图-Preview，全新升级模型架构。画面美学、设计感、真实质感显著提升，精准指令遵循，擅长中英文和小语种文字生成，支持复杂结构化长文本和图表、架构图等内容生成。
- [Wan2.6-T2I](https://www.qianwenai.com/models/wan2.6-t2i.md): 万相2.6-文生图，画面质感、美学表现、指令遵循升级，在艺术风格精准控制、真实感人像、长文本生图及广泛历史文化IP覆盖上均表现出卓越能力，可生成高质量且富有表现力的视觉内容。
- [wanx-t2i](https://www.qianwenai.com/models/wanx-v1.md): 万相-文本生成图像大模型，支持中英文双语输入，重点风格包括但不限于水彩、油画、中国画、素描、扁平插画、二次元、3D卡通
- [万相-涂鸦作画](https://www.qianwenai.com/models/wanx-sketch-to-image-lite.md): 万相-涂鸦作画通过手绘任意内容加文字描述，即可生成精美的涂鸦绘画作品，作品中的内容在参考手绘线条的同时，兼顾创意性和趣味性。
- [创意海报生成](https://www.qianwenai.com/models/wanx-poster-generation-v1.md): 创意海报生成，您的创意海报魔法工厂！它能够根据你的要求自动生成海报的背景和文字排版，支持多种海报风格，从宣传到祝福，让每一张海报都成为你的个性宣言。无需设计基础，轻松制作出彩作品，让创意触手可及。
- [虚拟模特](https://www.qianwenai.com/models/wanx-virtualmodel.md): 虚拟模特可以对上传的真人或者人台实拍商品展示图进行智能生成，将其中的模特和背景替换为心仪的内容，在保持人物姿态不变的情况下，使用虚拟模特对商品进行更加精美、多样的展示。

### 千问 Qwen

- [Qwen-Image-2.0](https://www.qianwenai.com/models/qwen-image-2.0.md): Qwen-Image-2.0系列加速版模型，实现了图片生成和图片编辑的融合；具备更专业的文字渲染1k token指令支持能力、更细腻的真实质感，细腻刻画写实场景、更强的语义遵循能力。
- [Qwen-Image-2.0-Pro](https://www.qianwenai.com/models/qwen-image-2.0-pro.md): Qwen-Image-2.0系列满血版模型，实现了图片生成和图片编辑的融合；具备更专业的文字渲染1k token指令支持能力、更细腻的真实质感，细腻刻画写实场景、更强的语义遵循能力。
- [Qwen-Image-2.1-Pro](https://www.qianwenai.com/models/qwen-image-2.1-pro.md): Qwen-Image-2.1-Pro 是通义千问（Qwen）系列中一个统一的文本到图像生成与图像编辑模型。其视觉生成组件仅包含 70 亿参数（32 层单流 DiT），在生成质量、推理效率和多功能性之间取得了良好平衡。
- [Qwen-Image-2.1-Turbo](https://www.qianwenai.com/models/qwen-image-2.1-turbo.md): Qwen-Image-2.1-Turbo 是目前 Qwen-Image 系列中综合表现与性价比最优的开源图像生成模型，具备四大核心优势： 模型轻量，性能强劲，性价比卓越。 原生透明，生成与编辑一体化。
- [Qwen-Image-3.0](https://www.qianwenai.com/models/qwen-image-3.0.md): 指令理解清晰：支持最大 4.5k token 输入，复杂图文指令一次生成到位。 文字渲染稳定：10px 小字、12 国语言、20+ 字体清晰可辨，信息图和界面直接可用。
- [Qwen-Image-3.0-Pro](https://www.qianwenai.com/models/qwen-image-3.0-pro.md): 内容丰实：支持最大 4.5k token 输入，支持图中图密集信息排版，让报纸、分镜、菜单、试卷等复杂版面一次生成。 细节真实：支持 10px 小字精准渲染，微表情、毛孔、发丝等细节生动还原，逼近真实摄影的质感。
- [Qwen-MT-Image-2.0](https://www.qianwenai.com/models/qwen-mt-image-2.0.md): 专注做图片翻译的模型服务，能将中、英、日等55个语言的图片翻译到指定的语言，精准还原图片排版和内容信息，支持术语定义、敏感词过滤、商品主体检测等自定义功能，提供灵活、准确、高效的图像本地化服务。
- [虚拟模特V2](https://www.qianwenai.com/models/virtualmodel-v2.md): 虚拟模特可以对上传的真人或者人台实拍商品展示图进行智能生成，将其中的模特和背景替换为心仪的内容，在保持人物姿态不变的情况下，使用虚拟模特对商品进行更加精美、多样的展示。
- [鞋靴模特](https://www.qianwenai.com/models/shoemodel-v1.md): 鞋靴模特支持输入多视角鞋靴系列图片，同时对输入模特模板图的鞋子区域进行鞋靴AI试穿，实现模特鞋靴布局重绘生成，最终生成图片的效果, 布局自然、细节丰富、画面细腻、试穿结果逼真。
- [Qwen-Image-2.0-2026-03-03（快照版本）](https://www.qianwenai.com/models/qwen-image-2.0-2026-03-03.md)
- [Qwen-Image-2.0-Pro-2026-03-03（快照版本）](https://www.qianwenai.com/models/qwen-image-2.0-pro-2026-03-03.md)
- [Qwen-Image-2.0-Pro-2026-04-22（快照版本）](https://www.qianwenai.com/models/qwen-image-2.0-pro-2026-04-22.md)
- [通义千问-Image-2.0-Pro-2026-06-22（快照版本）](https://www.qianwenai.com/models/qwen-image-2.0-pro-2026-06-22.md)

### Vidu

- [Vidu-image-lite_reference2image](https://www.qianwenai.com/models/vidu/vidu-image-lite_reference2image.md): 输入0-14张参考图片或文本描述，支持参考生图、文生图、图片编辑，对中英文字的精准渲染、UI/图表等设计细节的像素级还原，适合制作海报、信息图等。
- [Vidu-image-pro_reference2image](https://www.qianwenai.com/models/vidu/vidu-image-pro_reference2image.md): 输入0-14张参考图片或文本描述，支持参考生图、文生图、图片编辑，对中英文字的精准渲染、UI/图表等设计细节的像素级还原，适合制作海报、信息图等。
- [Vidu-image_reference2image](https://www.qianwenai.com/models/vidu/vidu-image_reference2image.md): 输入0-14张参考图片或文本描述，支持参考生图、文生图、图片编辑，对中英文字的精准渲染、UI/图表等设计细节的像素级还原，适合制作海报、信息图等。
- [ViduQ2-Pro_reference2image](https://www.qianwenai.com/models/vidu/viduq2-pro_reference2image.md): 输入0-14张参考图片或文本描述，支持参考生图、文生图、图片编辑，擅长处理复杂逻辑，具备超强上下文一致性和工业级稳定性。适合专业设计、漫剧制作等。
- [ViduQ2-fast_reference2image](https://www.qianwenai.com/models/vidu/viduq2-fast_reference2image.md): 输入0-14张参考图片或文本描述，支持参考生图、文生图、图片编辑，语义理解能力大幅提升，支持更多风格。
- [ViduQ3-fast_reference2image](https://www.qianwenai.com/models/vidu/viduq3-fast_reference2image.md): 输入0-14张参考图片或文本描述，支持参考生图、文生图、图片编辑，主打高速高质与低成本，成本比Pro降低约50%。

### 通义领域模型

- [Qwen-MT-Image](https://www.qianwenai.com/models/qwen-mt-image.md): 专注做图片翻译的模型服务，能将中、英、日等11个语言的图片翻译到指定的语言，精准还原图片排版和内容信息，支持术语定义、敏感词过滤、商品主体检测等自定义功能，提供灵活、准确、高效的图像本地化服务。
- [Z-Image-Turbo（快照版本）](https://www.qianwenai.com/models/z-image-turbo.md)

## 图像编辑与处理模型（4）

### 万相 Wan

- [万相-图像局部重绘](https://www.qianwenai.com/models/wanx-x-painting.md): 万相-图像局部重绘是基于自研的Composer组合生成框架的AI绘画创作大模型后置处理链路，能够根据用户输入的原始图片和意涂抹图中局部区域和prompt提示词文字内容，生成符合语义描述的多样化风格的局部重绘图像。
- [人像风格重绘](https://www.qianwenai.com/models/wanx-style-repaint-v1.md): 人像风格重绘可以将输入的人物图像进行多种风格化的重绘生成，使新生成的图像在兼顾原始人物相貌的同时，带来不同风格的绘画效果。

### 千问 Qwen

- [人物实例分割](https://www.qianwenai.com/models/image-instance-segmentation.md): 人物实例分割运用了检测和分割技术，不仅能够在图像中识别出不同的对象，而且还能准确地画出每一个对象边界的像素级掩码（mask）。
- [图像擦除补全](https://www.qianwenai.com/models/image-erase-completion.md): 图像擦除补全通过指定图像mask中要删除的人体、宠物、物品、文字、水印等图像区域，在保留背景的同时移除图像中的一个或多个人物、物体、文字等元素，此功能不支持输入prompt的消除。

## 视频生成模型（75）

### 万相 Wan

- [Wan2.1-I2V-Plus](https://www.qianwenai.com/models/wanx2.1-i2v-plus.md): 万相2.1-图生视频-Plus，让图片变为动态视频。支持大幅度复杂运动、物理规律遵循、丰富艺术风格和影视级画面质感，指令遵循能力进一步提升，视频质量更高。
- [Wan2.1-I2V-Turbo](https://www.qianwenai.com/models/wanx2.1-i2v-turbo.md): 万相2.1-图生视频-Turbo，让图片变为动态视频。支持大幅度复杂运动、物理规律遵循、丰富艺术风格和影视级画面质感，指令遵循能力进一步提升，生成速度更快。
- [Wan2.1-KF2V-Plus](https://www.qianwenai.com/models/wanx2.1-kf2v-plus.md): 万相2.1-首尾帧-Plus，两张图片生成丝滑过度视频。支持大幅度复杂运动、物理规律遵循、丰富艺术风格和影视级画面质感，指令遵循能力进一步提升，生成画面细节更丰富。
- [Wan2.2-Animate-Mix](https://www.qianwenai.com/models/wan2.2-animate-mix.md): wan2.2-animate-mix视频换人是一款角色替换的模型产品，上传一张角色照片与一段表演视频，即可将原视频中的角色精准替换为照片中的角色，完整保留原始视频的场景、光照和色调等环境细节。
- [Wan2.2-Animate-Move](https://www.qianwenai.com/models/wan2.2-animate-move.md): wan2.2-animate-move图生动作是一款角色动画生成模型，用户只需上传一张角色照片和一段参考表演视频，即可将视频中的表情和动作迁移到图片角色上，生成高保真的动画视频。
- [Wan2.2-I2V-Flash](https://www.qianwenai.com/models/wan2.2-i2v-flash.md): 全新升级的万相2.2图生视频，生成速度更快。优化视频生成稳定性与成功率，更强大的指令遵循能力，稳定保持图片文字、人像和商品一致性，精准运镜控制。
- [Wan2.2-I2V-Plus](https://www.qianwenai.com/models/wan2.2-i2v-plus.md): 全新升级的万相2.2图生视频，视频品质更高。优化视频生成稳定性与成功率，更强大的指令遵循能力，稳定保持图片文字、人像和商品一致性，精准运镜控制。
- [Wan2.2-KF2V-Flash](https://www.qianwenai.com/models/wan2.2-kf2v-flash.md): 全新升级的万相2.2-首尾帧生视频，生成速度更快。优化视频动态稳定性与成功率，更强大的指令遵循能力，两张图片生成丝滑过度视频。
- [Wan2.2-S2V-Detect](https://www.qianwenai.com/models/wan2.2-s2v-detect.md): wan2.2-s2v-detect 是 wan2.2-s2v 的辅助模型，用于确认输入的人物肖像图片是否符合 wan2.2-s2v 模型所需的人物肖像图片规范。
- [Wan2.5-I2V-Preview](https://www.qianwenai.com/models/wan2.5-i2v-preview.md): 万相2.5-图生视频-Preview，全新升级技术架构，支持与画面同步的声音生成，支持10秒长视频生成，更强的指令遵循能力，运动能力、画面质感进一步提升。
- [Wan2.6-I2V](https://www.qianwenai.com/models/wan2.6-i2v.md): 万相2.6-图生视频，智能分镜调度支持多镜头叙事，更高品质的声音生成，多人稳定对话，更自然真实音色，最高支持15秒时长生成
- [Wan2.7-I2V](https://www.qianwenai.com/models/wan2.7-i2v.md): 万相2.7-图生视频，演绎能力全面升级，文戏情感细腻自然，动作戏激烈拳拳到肉，搭配更富有戏剧性和节奏感的镜头切换，实现更强表演能力。
- [wan2.6-I2V-flash](https://www.qianwenai.com/models/wan2.6-i2v-flash.md): 万相2.6-图生视频-Flash，生成更快更高性价比。智能分镜调度支持多镜头叙事，多人稳定对话，更自然真实音色，最高支持15秒时长生成
- [通义万相2.2-数字人-S2V](https://www.qianwenai.com/models/wan2.2-s2v.md): wan2.2-s2v 是一款视频生成模型，可基于人物图片和人声音频文件，生成高质量的人物说话/唱歌/表演动态视频。
- [Wan2.6-R2V](https://www.qianwenai.com/models/wan2.6-r2v.md): 万相2.6-参考生视频，支持指定人物或任意物品进行参考，精准保持形象和声音的一致性，支持多角色参考合拍。提醒：当使用视频进行参考时，输入视频也会计入费用，详见模型计费文档。
- [Wan2.6-R2V-Flash](https://www.qianwenai.com/models/wan2.6-r2v-flash.md): 万相2.6-参考生视频-Flash，生成更快性价比更高。支持指定人物或任意物品进行参考，精准保持形象和声音的一致性，支持多角色参考合拍
- [Wan2.7-R2V](https://www.qianwenai.com/models/wan2.7-r2v.md): Wan2.7-R2V，更加稳定的角色、道具与场景参考，支持最大5个图/视频混合参考，支持音频音色参考，搭配基础能力升级实现更强表演能力。
- [万相2.7-参考生视频-2026-06-12](https://www.qianwenai.com/models/wan2.7-r2v-2026-06-12.md): 万相2.7-参考生视频，更加稳定的角色、道具与场景参考，支持最大5个图/视频混合参考，支持音频音色参考，搭配基础能力升级实现更强表演能力。该版本为2026年6月12日快照。
- [Wan2.1-T2V-Plus](https://www.qianwenai.com/models/wanx2.1-t2v-plus.md): 万相2.1-文生视频-Plus，一句话生成视频。视频品质更高，支持大幅度复杂运动、现实物理规律还原、丰富艺术风格和影视级画面质感，指令遵循能力进一步提升。
- [Wan2.1-T2V-Turbo](https://www.qianwenai.com/models/wanx2.1-t2v-turbo.md): 万相2.1-文生视频-Turbo，一句话生成视频。生成速度更快，支持大幅度复杂运动、现实物理规律还原、丰富的艺术风格和影视级画面质感，指令遵循能力进一步提升。
- [Wan2.2-T2V-Plus](https://www.qianwenai.com/models/wan2.2-t2v-plus.md): 全新升级的万相2.2文生视频，视频品质更高。可稳定生成大幅度复杂运动，支持影视级画面表现与控制，更强大的指令遵循能力，实现物理世界还原。
- [Wan2.5-T2V-Preview](https://www.qianwenai.com/models/wan2.5-t2v-preview.md): 万相2.5-文生视频-Preview，全新升级模型架构，支持与画面同步的声音生成，支持10秒长视频生成，更强的指令遵循能力，运动能力、画面质感进一步提升。
- [Wan2.6-T2V](https://www.qianwenai.com/models/wan2.6-t2v.md): 万相2.6-文生视频，智能分镜调度支持多镜头叙事，能够生成主体、场景和氛围一致的多镜头叙事视频，最高支持15秒时长，更高品质的声音生成，更好的指令遵循和视觉质量
- [Wan2.7-T2V](https://www.qianwenai.com/models/wan2.7-t2v.md): Wan2.7-T2V，演绎能力全面升级，文戏情感细腻自然，动作戏激烈拳拳到肉，搭配更富有戏剧性和节奏感的镜头切换，实现更强表演能力。
- [Wan3.0-Video-Prime](https://www.qianwenai.com/models/wan3.0-video-prime.md): Wan3.0-Video-Prime 是万相3.0 的高速版视频生成模型，能力对齐 Wan3.0-Video 标准版，支持四模态全能参考，最长可生成30秒视频，带来沉浸式视听体验的同时端到端速度显著提升。
- [万相3.0-视频生成](https://www.qianwenai.com/models/wan3.0-video.md): 万相3.0是 all-in-one 视频生成模型，统一支持参考、编辑、复刻、驱动等多种创作功能，四模态全能参考，最长支持30秒视频生成，可解析文件、网页及复杂图片。
- [Wan2.7-I2V-2026-04-25（快照版本）](https://www.qianwenai.com/models/wan2.7-i2v-2026-04-25.md)
- [Wan2.7-T2V-2026-04-25（快照版本）](https://www.qianwenai.com/models/wan2.7-t2v-2026-04-25.md)
- [万相2.7-文生视频-2026-06-12（快照版本）](https://www.qianwenai.com/models/wan2.7-t2v-2026-06-12.md)

### Vidu

- [ViduQ2-Pro-fast_img2video](https://www.qianwenai.com/models/vidu/viduq2-pro-fast_img2video.md): 输入图片与文本描述，生成视频。ViduQ2-Pro-fast价格触底、效果稳定，生成速度较turbo提高2-3倍。ViduQ2图生视频是全球首创「万物可参考」视频模型。
- [ViduQ2-Pro_img2video](https://www.qianwenai.com/models/vidu/viduq2-pro_img2video.md): 输入图片与文本描述，生成视频。ViduQ2-Pro图生视频是全球首创「万物可参考」视频模型。支持特效、表情、纹理、动作、人物、场景等六大维度参考，实现编辑全面进化。
- [ViduQ2-Pro_reference2video](https://www.qianwenai.com/models/vidu/viduq2-pro_reference2video.md): 输入参考视频、图片与文本描述，生成视频。ViduQ2-Pro参考生视频是全球首创「万物可参考」视频模型。支持特效、表情、纹理、动作、人物、场景等六大维度参考，实现编辑全面进化。
- [ViduQ2-Pro_start-end2video](https://www.qianwenai.com/models/vidu/viduq2-pro_start-end2video.md): 输入首帧图、尾帧图与文本描述，生成视频。ViduQ2-Pro首尾帧生视频是全球首创「万物可参考」视频模型。支持特效、表情、纹理、动作、人物、场景等六大维度参考，实现编辑全面进化。
- [ViduQ2-Turbo_img2video](https://www.qianwenai.com/models/vidu/viduq2-turbo_img2video.md): 输入图片与文本描述，生成视频。ViduQ2-Turbo图生视频是极速生成引擎。720P 5s视频最快仅需19秒，1080P 5s视频约27秒。人物动作与表情自然逼真，真实感强，在打斗等高动态场景中效果出色，运动幅度大。
- [ViduQ2-Turbo_start-end2video](https://www.qianwenai.com/models/vidu/viduq2-turbo_start-end2video.md): 输入首帧图、尾帧图与文本描述，生成视频。ViduQ2-Turbo首尾帧生视频是极速生成引擎。720P 5s视频最快仅需19秒，1080P 5s视频约27秒。
- [ViduQ2_reference2video](https://www.qianwenai.com/models/vidu/viduq2_reference2video.md): 输入参考图片与文本描述，生成视频。ViduQ2参考生视频是精准指令遵循与细腻情感捕捉模型。具备卓越的剧情控制力，能深刻理解并表现微表情变化；镜头语言丰富，运镜流畅，画面张力十足。
- [ViduQ2_text2video](https://www.qianwenai.com/models/vidu/viduq2_text2video.md): 输入一段文本，生成视频。ViduQ2文生视频是精准指令遵循与细腻情感捕捉模型。具备卓越的剧情控制力，能深刻理解并表现微表情变化；镜头语言丰富，运镜流畅，画面张力十足。广泛适用于影视动漫、广告电商、短剧及文旅等行业。
- [ViduQ3-Ad_reference2video](https://www.qianwenai.com/models/vidu/viduq3-ad_reference2video.md): ViduQ3-Ad是面向广告行业的专用模型，主打"营销级切镜+智能运镜+直出音效"三大能力，上传商品图即可生成16秒广告视频，降低广告视频的创作门槛与制作成本。
- [ViduQ3-Drama_reference2video](https://www.qianwenai.com/models/vidu/viduq3-drama_reference2video.md): ViduQ3-Drama 是面向精品剧/AI漫剧生产的专用模型，主打"一致性+动效+细节美学+性价比"四大维度的全面升级，效果更稳、情绪更真、动态更强。
- [ViduQ3-Pro-fast_img2video](https://www.qianwenai.com/models/vidu/viduq3-pro-fast_img2video.md): 输入图片与文本描述，生成视频。ViduQ3-Pro-fast生成速度更快，性价比更高；较 ViduQ2-Pro-fast 生成时长 10 秒扩展至 16 秒 ，可实现更复杂的镜头切换与叙事逻辑。
- [ViduQ3-Pro_img2video](https://www.qianwenai.com/models/vidu/viduq3-pro_img2video.md): 输入图片与文本描述，生成视频。ViduQ3-Pro图生视频是旗舰级音视频原生模型。支持长达16秒的音画同步生成，实现多镜头自由切换，精准把控节奏、情绪与叙事连贯性。
- [ViduQ3-Pro_start-end2video](https://www.qianwenai.com/models/vidu/viduq3-pro_start-end2video.md): 输入首帧图、尾帧图与文本描述，生成视频。ViduQ3-Pro首尾帧生视频是旗舰级音视频原生模型。支持长达16秒的音画同步生成，实现多镜头自由切换，精准把控节奏、情绪与叙事连贯性。
- [ViduQ3-Pro_text2video](https://www.qianwenai.com/models/vidu/viduq3-pro_text2video.md): 输入一段文本，生成视频。ViduQ3-Pro文生视频是旗舰级音视频原生模型。支持长达16秒的音画同步生成，实现多镜头自由切换，精准把控节奏、情绪与叙事连贯性。参数量领先，画质、人物一致性及情绪表现卓越，达电影级标准。
- [ViduQ3-Turbo_img2video](https://www.qianwenai.com/models/vidu/viduq3-turbo_img2video.md): 输入图片与文本描述，生成视频。ViduQ3-Turbo图生视频是高性能加速版模型。生成效率极高，兼具优质画质与动态表现，尤其在打斗场面、情绪渲染及语义理解上表现出色。
- [ViduQ3-Turbo_reference2video](https://www.qianwenai.com/models/vidu/viduq3-turbo_reference2video.md): 输入1-7张参考图片与文本描述，生成视频。ViduQ3-Turbo生成速度快，性价比高。ViduQ3参考生视频为剧而生，万物可参，声画同出：6大特效（粒子 / 流体 / 动力学 / 运镜 / 转场 /
- [ViduQ3-Turbo_start-end2video](https://www.qianwenai.com/models/vidu/viduq3-turbo_start-end2video.md): 输入首帧图、尾帧图与文本描述，生成视频。ViduQ3-Turbo首尾帧生视频是高性能加速版模型。生成效率极高，兼具优质画质与动态表现，尤其在打斗场面、情绪渲染及语义理解上表现出色。
- [ViduQ3-Turbo_text2video](https://www.qianwenai.com/models/vidu/viduq3-turbo_text2video.md): 输入一段文本，生成视频。ViduQ3-Turbo文生视频是高性能加速版模型。生成效率极高，兼具优质画质与动态表现，尤其在打斗场面、情绪渲染及语义理解上表现出色。性价比突出，适合图片社交、AI陪伴及特效素材等泛娱乐场景。
- [ViduQ3-mix_reference2video](https://www.qianwenai.com/models/vidu/viduq3-mix_reference2video.md): 输入1-7张参考图片与文本描述，生成视频。ViduQ3-mix画面质感强，均衡性好。ViduQ3参考生视频为剧而生，万物可参，声画同出：6大特效（粒子 / 流体 / 动力学 / 运镜 / 转场 /
- [ViduQ3_reference2video](https://www.qianwenai.com/models/vidu/viduq3_reference2video.md): 输入1-7张参考图片与文本描述，生成视频。ViduQ3支持智能切镜，多机位一致性更出色。ViduQ3参考生视频为剧而生，万物可参，声画同出：6大特效（粒子 / 流体 / 动力学 / 运镜 / 转场 /

### PixVerse

- [PixVerse-C1-it2v](https://www.qianwenai.com/models/pixverse/pixverse-c1-it2v.md): C1是PixVerse在26年3月底推出的影视行业大模型，it2v（图片生成视频）模型除了拥有t2v（文字生成视频）的提示词控制能力外，还能高度还原参考图片的色彩、饱和度、场景和人物特征。
- [PixVerse-C1-kf2v](https://www.qianwenai.com/models/pixverse/pixverse-c1-kf2v.md): C1是PixVerse在26年3月底推出的影视行业大模型，kf2v（首尾帧生成视频）模型可将任意两张图片衔接，视频转场更加流畅自然，支持15秒长视频、音乐和视频直出、支持多种语言文字。
- [PixVerse-C1-r2v](https://www.qianwenai.com/models/pixverse/pixverse-c1-r2v.md): C1是PixVerse在26年3月底推出的影视行业大模型，r2v（多主体参考生成视频）输入2-7张图像，智能融合不同主体，同时拥有t2v（文字生成视频）的提示词控制能力，和it2v（图片生成视频）的一致性保持能力和想象力…
- [PixVerse-C1-t2v](https://www.qianwenai.com/models/pixverse/pixverse-c1-t2v.md): C1是PixVerse在26年3月底推出的影视行业大模型，t2v（文字生成视频）模型可通过提示词精准控制视频画面，精确还原各类镜头语言，推、拉、摇、移、跟随等运镜方式流畅自然，视角切换精准可控。
- [PixVerse-V5.6-it2v](https://www.qianwenai.com/models/pixverse/pixverse-v5.6-it2v.md): 上传任意图片，自由定制剧情、节奏与风格，生成生动连贯的视频。PixVerse V5.6 是爱诗科技自研的视频生成大模型，在文生视频与图生视频能力上实现全面升级。
- [PixVerse-V5.6-kf2v](https://www.qianwenai.com/models/pixverse/pixverse-v5.6-kf2v.md): 在任意两张图片之间实现无缝转换，实现更流畅自然的场景过渡，打造视觉冲击力强的画面效果。PixVerse V5.6 是爱诗科技自研的视频生成大模型，在文生视频与图生视频能力上实现全面升级。
- [PixVerse-V5.6-r2v](https://www.qianwenai.com/models/pixverse/pixverse-v5.6-r2v.md): 输入2–7张图像，智能融合不同主体，保持风格统一与动作协调，轻松构建丰富叙事场景，提升内容可控性与创意自由度。PixVerse V5.6 是爱诗科技自研的视频生成大模型，在文生视频与图生视频能力上实现全面升级。
- [PixVerse-V5.6-t2v](https://www.qianwenai.com/models/pixverse/pixverse-v5.6-t2v.md): 输入文字描述，秒级生成与语义精准匹配的高质量视频，支持多种风格。PixVerse V5.6 是爱诗科技自研的视频生成大模型，在文生视频与图生视频能力上实现全面升级。
- [PixVerse-V6-it2v](https://www.qianwenai.com/models/pixverse/pixverse-v6-it2v.md): V6是PixVerse在26年3月底推出的新模型，it2v（图片生成视频）模型全球排名第二，it2v除了拥有t2v（文字生成视频）的提示词控制能力外，还能高度还原参考图片的色彩、饱和度、场景和人物特征，拥有更强的人物情绪…
- [PixVerse-V6-kf2v](https://www.qianwenai.com/models/pixverse/pixverse-v6-kf2v.md): V6是PixVerse在26年3月底推出的新模型，kf2v（首尾帧生成视频）模型可将任意两张图片衔接，视频转场更加流畅自然，支持15秒长视频、音乐和视频直出、支持多种语言文字。
- [PixVerse-V6-r2v](https://www.qianwenai.com/models/pixverse/pixverse-v6-r2v.md): V6是PixVerse在26年3月底推出的新模型，r2v（多主体参考生成视频）模型全球排名第二，输入2-7张图像，智能融合不同主体，适合复杂的中景、远景视频镜头。
- [PixVerse-V6-r2v-omni](https://www.qianwenai.com/models/pixverse/pixverse-v6-r2v-omni.md): V6-r2v-omni是PixVerse在26年8月推出的新模型，是在现有 Video (T2V/I2V)、Transition (首尾帧)、Extend 基础上新增的能力，支持视频与图片混合输入生成视频
- [PixVerse-V6-t2v](https://www.qianwenai.com/models/pixverse/pixverse-v6-t2v.md): V6是PixVerse在26年3月底推出的新模型，t2v（文字生成视频）模型可通过提示词精准控制视频画面，精确还原各类镜头语言，推、拉、摇、移、跟随等运镜方式流畅自然，视角切换精准可控。

### HappyHorse

- [HappyHorse-1.0-I2V](https://www.qianwenai.com/models/happyhorse-1.0-i2v.md): HappyHorse-1.0-I2V支持图生视频，具备高度还原的动态画面生成能力，能够精准理解文本语义，输出流畅自然、细节丰富的高质量视频。
- [HappyHorse-1.0-R2V](https://www.qianwenai.com/models/happyhorse-1.0-r2v.md): HappyHorse-1.0-R2V支持参考生视频，更加稳定的主体与场景参考，支持最多9张图片参考，能够精准保持创作意图，实现更强表现能力。
- [HappyHorse-1.0-T2V](https://www.qianwenai.com/models/happyhorse-1.0-t2v.md): HappyHorse-1.0-T2V支持文生视频，具备高度还原的动态画面生成能力，能够精准理解文本语义，输出流畅自然、细节丰富的高质量视频。
- [HappyHorse-1.0-Video-Edit](https://www.qianwenai.com/models/happyhorse-1.0-video-edit.md): HappyHorse-1.0-Video-Edit支持视频编辑，自然语言指令编辑视频，可参考最多5张图片局部或全局编辑视频元素，能够精准复刻视频动态过程，实现更强表现能力。
- [HappyHorse-1.1-I2V](https://www.qianwenai.com/models/happyhorse-1.1-i2v.md): HappyHorse-1.1-I2V支持图生视频，进一步提升画面质感、动态表现与跨片段一致性。模型能够更精准地理解输入图像并延续创作意图，在人物皮肤质感、ID跨片段保持、动作流畅度、文字渲染稳定性以及音画同步上带来显著改…
- [HappyHorse-1.1-R2V](https://www.qianwenai.com/models/happyhorse-1.1-r2v.md): HappyHorse-1.1-R2V支持参考生视频，进一步提升主体、场景风格与画面一致性的稳定保持。模型最多支持9张参考图片输入，能够更精准理解并延续创作意图，在人物、场景、风格和镜头表现上带来更强的可控性与表现力。
- [HappyHorse-1.1-T2V](https://www.qianwenai.com/models/happyhorse-1.1-t2v.md): HappyHorse-1.1-T2V支持文生视频，进一步提升文本语义理解、镜头调度与动态生成表现。模型能够更精准地还原创作意图，在人物动作、场景氛围、视觉美感和物理运动上生成更流畅自然、细节丰富且一致性更高的高质量视频。

### 可灵 Kling

- [Kling Image 3.0](https://www.qianwenai.com/models/kling/kling-v3-image-generation.md): 支持最多10张参考图，可锁定主体、元素和色调，保证风格一致。融合风格转绘、人像/角色参考、多图融合及局部重绘，操作灵活。人像细节真实，整体画面细腻丰富，色彩氛围兼具影视感。
- [Kling Image 3.0 Omni](https://www.qianwenai.com/models/kling/kling-v3-omni-image-generation.md): 解锁影视级叙事画面，新增系列组图及2K/4K直出。深度解析提示词视听元素，精确响应创作指令。支持自由多参考图及全面效果升级，适合分镜、剧情概念图及场景设定。
- [Kling Video 3.0](https://www.qianwenai.com/models/kling/kling-v3-video-generation.md): 智能分镜可读懂剧本场景流转，自动调度机位和景别。原生多模态框架支持音画一致性。打破时长限制，多镜头故事创作更自由。
- [Kling Video 3.0 Omni](https://www.qianwenai.com/models/kling/kling-v3-omni-video-generation.md): 新增“全能参考”，支持3-8秒视频或多图锚定角色元素。可匹配原声及口型驱动，实现角色本色呈现。视频一致性更强，表现更灵动。支持音画同步、智能分镜。
- [Kling Video 3.0 Turbo](https://www.qianwenai.com/models/kling/kling-v3-turbo-video-generation.md): 生成更快，成本更低，音画同步精准，批量输出质量稳定可靠。

### MiniMax

- [MiniMax/MiniMax-H3](https://www.qianwenai.com/models/MiniMax/MiniMax-H3.md): MiniMax H3 是一个通用型全模态生成系统。它能够统一理解由文本、图像、视频和音频构成的多模态上下文，并可生成最高 2K 分辨率、最长 15 秒、带有原生立体声音频的视频。

## 视频编辑模型（7）

### PixVerse

- [pixverse/pixverse-lipsync](https://www.qianwenai.com/models/pixverse/pixverse-lipsync.md): 对口型能力可将视频中人物的嘴部动作与输入音频或 TTS 精准同步，让角色说话更自然，提升视频表现力与叙事感染力。
- [pixverse/pixverse-motioncontrol](https://www.qianwenai.com/models/pixverse/pixverse-motioncontrol.md): Motion Control 支持从参考视频中提取动作，并迁移到目标人物图片上，生成角色复现相同动作的新视频。
- [pixverse/pixverse-upscale](https://www.qianwenai.com/models/pixverse/pixverse-upscale.md): Upscale 支持将不同分辨率的视频超分至 4K，提升画面清晰度与细节表现，适合高质量展示与二次分发。

### 万相 Wan

- [Wan2.7-VideoEdit](https://www.qianwenai.com/models/wan2.7-videoedit.md): Wan2.7-VideoEdit，自然语言指令编辑视频，支持局部或全局编辑，可参考图像替换视频元素，支持复刻视频动作、特效、运镜等动态过程。
- [Wan2.1-VACE-Plus](https://www.qianwenai.com/models/wanx2.1-vace-plus.md): 万相2.1-VACE-Plus，视频编辑统一模型。支持局部编辑、视频重绘、背景扩展、时长延展、图片参考等多种视频编辑与生成任务，支持文本、图像、视频等多模态条件控制。

### 千问 Qwen

- [声动人像VideoRetalk](https://www.qianwenai.com/models/videoretalk.md): VideoRetalk是一个人物视频生成模型，可基于人物视频和人声音频，生成人物讲话口型与输入音频相匹配的新视频。
- [视频风格重绘](https://www.qianwenai.com/models/video-style-transform.md): 视频风格重绘可以将输入的视频帧序列进行多种风格化的重绘/生成，使新视频画面在兼顾原始人物和物体相貌的同时，带来不同风格的绘画效果。当前支持预置重绘风格包括日式漫画、美式漫画、清新漫画、3D卡通、国风卡通。

## 世界模型（1）

- [HappyOyster-1.0-Adventure](https://www.qianwenai.com/models/happyoyster-1.0-adventure.md): HappyOyster Adventure 是实时交互、可探索互动的开放式世界模型。基于多模态（文本/图像）输入即可生成的世界场景，通过实时交互、位移和镜头控制进行沉浸式无边探索。

## 实时翻译模型（1）

- [Qwen3.8-Livetranslate-Flash-Realtime](https://www.qianwenai.com/models/qwen3.8-livetranslate-flash-realtime.md): Qwen3.8-LiveTranslate-Flash的实时版本，一款高精度、高响应、高鲁棒性的多语言实时音视频同传大模型。

## 语音识别模型（ASR）（25）

### 千问 Qwen

- [Paraformer实时语音识别-8k-v2](https://www.qianwenai.com/models/paraformer-realtime-8k-v2.md): 推荐使用 Paraformer最新实时语音识别模型，支持多个语种自由切换的视频直播、会议等实时场景的语音识别。可以通过language_hints参数选择语种获得更准确的识别效果。
- [Paraformer实时语音识别-v2](https://www.qianwenai.com/models/paraformer-realtime-v2.md): 推荐使用 Paraformer最新实时语音识别模型，支持多个语种自由切换的视频直播、会议等实时场景的语音识别。可以通过language_hints参数选择语种获得更准确的识别效果。支持任意采样率。
- [Paraformer语音识别-8k-v2](https://www.qianwenai.com/models/paraformer-8k-v2.md): Paraformer最新中文语音识别模型，模型结构升级，具有更好的识别效果,支持8kHz电话语音识别，仅支持中文热词。
- [Paraformer语音识别-v2](https://www.qianwenai.com/models/paraformer-v2.md): 推荐使用 Paraformer最新语音识别模型，支持多个语种的语音识别。可以通过language_hints参数选择语种获得更准确的识别效果，支持任意采样率。 支持的语言包括：中文（含粤语等各种方言）、英文、日语、韩语。
- [Qwen-Audio-3.0-ASR-Flash](https://www.qianwenai.com/models/qwen-audio-3.0-asr-flash.md): 百聆2026年6月更新的大模型ASR版本，全面支持汉语传统七大方言体系（官话/吴/湘/赣/客/闽/粤），并适配 20+ 地区口音官话。
- [Qwen-Audio-3.1-ASR-Flash](https://www.qianwenai.com/models/qwen-audio-3.1-asr-flash.md): Qwen-Audio-3.1-ASR-Flash是一款支持短语音高效识别的大模型，面向高质量、多语种及文化内容转写场景。模型支持多语种与多地区中文方言识别，同时针对中文古诗词的韵律、节奏与文言表达进行优化。
- [Qwen-Audio-3.1-ASR-Flash-Filetrans](https://www.qianwenai.com/models/qwen-audio-3.1-asr-flash-filetrans.md): Qwen-Audio-3.1-ASR-Flash-Filetrans端到端离线语音识别大模型，面向会议转写、内容生产与通话分析等场景，支持多语种与多地区中文方言识别。
- [Qwen-Audio-3.1-ASR-Flash-Streaming](https://www.qianwenai.com/models/qwen-audio-3.1-asr-flash-streaming.md): Qwen-Audio-3.1-ASR-Flash-Streaming端到端实时语音识别大模型，面向实时会议、直播字幕与智能交互等场景，具备低延迟、高精度的流式语音转写能力。
- [Qwen-Audio-3.1-ASR-Flash-Message](https://www.qianwenai.com/models/qwen-audio-3.1-asr-flash-message.md): Qwen-Audio-3.1-ASR-Flash-Message是一款基于大语言模型的高精度、长上下文、高灵活性的多语种语音识别模型。
- [qwen-audio-3.0-asr-flash-filetrans](https://www.qianwenai.com/models/qwen-audio-3.0-asr-flash-filetrans.md): qwen-audio-3.0-asr-flash-filetrans是专为非实时、整段音视频文件设计的高性能转写模型。
- [Qwen-Audio-3.0-ASR-Flash-Streaming](https://www.qianwenai.com/models/qwen-audio-3.0-asr-flash-streaming.md): qwen-audio-3.0-asr-flash-streaming是通义实验室专为低延迟、高并发实时交互场景打造的旗舰级语音识别模型。
- [Qwen3-ASR-Flash-Filetrans](https://www.qianwenai.com/models/qwen3-asr-flash-filetrans.md): 千问3-ASR-Flash的大文件转录版本，千问3-ASR-Flash是一款基于大语言模型的高精度、高智能、高鲁棒性的多语种语音识别模型。
- [Qwen3-ASR-Flash-Realtime](https://www.qianwenai.com/models/qwen3-asr-flash-realtime.md): 千问3-ASR-Flash的实时版，一款基于大语言模型的高精度、高智能、高鲁棒性的多语种语音识别模型。依托强大的基座模型、海量的文本与多模态数据、千万小时音频数据，通义千问3-ASR-Flash实现了高精度的语音识别功能…
- [语音识别热词](https://www.qianwenai.com/models/speech-biasing.md): 热词是指用户可以预先定义的一组特定词汇或短语，这些词汇或短语在识别、翻译过程中会被赋予更高的优先级。针对您的特定业务领域，如果有部分词汇的语音识别、翻译效果不够好，可以将这些关键词或短语添加为热词进行优先识别或翻译，从而…

### 通义领域模型

- [Fun-ASR-Flash-8k实时语音识别](https://www.qianwenai.com/models/fun-asr-flash-8k-realtime.md): 通义百聆推出的新一代轻量级实时语音识别模型，依托自研的先进语音技术架构，具备强大的上下文理解能力。专为中文电话客服场景设计：覆盖多地区方言口音，在低采样率、低信噪比环境下实现低延迟、高准确率的流式转写，满足高效部署需求。
- [Fun-ASR实时语音识别](https://www.qianwenai.com/models/fun-asr-realtime.md): 通义实验室新一代端到端语音识别大模型的实时版，基于领先的自研语音技术，具备卓越的上下文感知和高精度语音转写能力。
- [Fun-ASR语音识别](https://www.qianwenai.com/models/fun-asr.md): 百聆2026年4月更新的大模型ASR版本，全面支持汉语传统七大方言体系（官话/吴/湘/赣/客/闽/粤），并适配 20+ 地区口音官话。
- [Qwen3-ASR-Flash](https://www.qianwenai.com/models/qwen3-asr-flash.md): 千问3-ASR-Flash是一款基于大语言模型的高精度、高智能、高鲁棒性的多语种语音识别模型。依托强大的基座模型、海量的文本与多模态数据、千万小时音频数据，千问3-ASR-Flash实现了高精度的语音识别功能，能够自动判…
- [Qwen3-LiveTranslate-Flash](https://www.qianwenai.com/models/qwen3-livetranslate-flash.md): Qwen3-LiveTranslate-Flash，一款高精度、高响应、高鲁棒性的多语言实时音视频同传大模型。依托Qwen3-Omni强大的基座能力、海量多模态数据、跨语言跨模态对齐和视觉增强等技术，Qwen3-Live…
- [Qwen3.5-LiveTranslate-Flash-Realtime](https://www.qianwenai.com/models/qwen3.5-livetranslate-flash-realtime.md): Qwen3.5-LiveTranslate-Flash的实时版本，一款高精度、高响应、高鲁棒性的多语言实时音视频同传大模型。
- [Fun-ASR-Flash-2026-06-15（快照版本）](https://www.qianwenai.com/models/fun-asr-flash-2026-06-15.md)
- [Fun-ASR-Flash-8k实时语音识别-2026-01-28（快照版本）](https://www.qianwenai.com/models/fun-asr-flash-8k-realtime-2026-01-28.md)
- [Fun-ASR实时语音识别-2026-02-28（快照版本）](https://www.qianwenai.com/models/fun-asr-realtime-2026-02-28.md)
- [Qwen3-LiveTranslate-Flash-2025-12-01（快照版本）](https://www.qianwenai.com/models/qwen3-livetranslate-flash-2025-12-01.md)
- [Qwen3.5-LiveTranslate-Flash-Realtime-2026-05-19（快照版本）](https://www.qianwenai.com/models/qwen3.5-livetranslate-flash-realtime-2026-05-19.md)

## 语音合成模型（TTS）（60）

### 千问 Qwen

- [语音生成CosyVoice-v3.5-flash大模型](https://www.qianwenai.com/models/cosyvoice-v3.5-flash.md): CosyVoice-v3.5-Flash是通义实验室CosyVoice系列的高性能语音合成大模型。对声音克隆和声音设计的语音合成效果进行全面升级，确保说话人高相似度的前提下，支持free-style指令控制，合成风格丰富…
- [语音生成CosyVoice-v3.5-plus大模型](https://www.qianwenai.com/models/cosyvoice-v3.5-plus.md): CosyVoice-v3.5-Plus是通义实验室CosyVoice系列的超高表现力语音合成大模型。对声音克隆和声音设计的语音合成效果进行全面升级，确保说话人高相似度的前提下，支持free-style指令控制，合成风格丰…
- [Qwen-Audio-3.0-TTS-Flash](https://www.qianwenai.com/models/qwen-audio-3.0-tts-flash.md): Qwen-Audio-3.0-TTS-Flash是面向实时交互场景优化的高性能语音合成大模型。相比前一版本，模型支持更多小语种和中文方言，提升了方言发音的正宗程度，并增强了 free-style
- [Qwen-Audio-3.0-TTS-Plus](https://www.qianwenai.com/models/qwen-audio-3.0-tts-plus.md): Qwen-Audio-3.0-TTS-Plus是面向高质量语音生成场景打造的高性能语音合成大模型。相比前一版本，模型支持更多小语种和中文方言，显著提升方言发音的正宗程度，并增强了 free-style
- [Qwen-Audio-3.1-TTS-Flash](https://www.qianwenai.com/models/qwen-audio-3.1-tts-flash.md): Qwen-Audio-3.1-TTS-Flash是面向实时交互场景的高性能语音合成大模型，支持多种语言和方言。该模型具有free-style指令遵循能力和细粒度标签控制能力，可更灵活地控制情绪、语气、角色、语速、音量等表…
- [Qwen-Audio-3.1-TTS-Next](https://www.qianwenai.com/models/qwen-audio-3.1-tts-next.md): Qwen-Audio-3.1-TTS-Next 是一款面向统一音频生成的 Audiogen 模型，不再局限于传统 TTS
- [Qwen-Voice-Enrollment](https://www.qianwenai.com/models/qwen-voice-enrollment.md): 千问voice-enrollment模型是千问语音模型的声音复刻系列模型，仅需5s以上的音频，即可迅速复刻高相似度声音。
- [Qwen3-TTS-Flash](https://www.qianwenai.com/models/qwen3-tts-flash.md): 韵律拟人，低延迟，支持十种语言和国内多种方言输出
- [Qwen3-TTS-Flash-Realtime](https://www.qianwenai.com/models/qwen3-tts-flash-realtime.md): 千问3-TTS-Flash-Realtime模型是通义实验室最新的实时语音合成大模型，不仅拥有17种高表现力的拟人音色，且能低延迟高稳定地实时合成音频；同时支持多种语言，方言，支持同一音色多语言输出。
- [Sambert语音合成-Beth](https://www.qianwenai.com/models/sambert-beth-v1.md): 提供SAMBERT+NSFGAN深度神经网络算法与传统领域知识深度结合的文字转语音服务，兼具读音准确，韵律自然，声音还原度高，表现力强的特点。
- [Sambert语音合成-Betty](https://www.qianwenai.com/models/sambert-betty-v1.md)
- [Sambert语音合成-Brian](https://www.qianwenai.com/models/sambert-brian-v1.md)
- [Sambert语音合成-Cally](https://www.qianwenai.com/models/sambert-cally-v1.md)
- [Sambert语音合成-Camila](https://www.qianwenai.com/models/sambert-camila-v1.md)
- [Sambert语音合成-Cindy](https://www.qianwenai.com/models/sambert-cindy-v1.md)
- [Sambert语音合成-Clara](https://www.qianwenai.com/models/sambert-clara-v1.md)
- [Sambert语音合成-Donna](https://www.qianwenai.com/models/sambert-donna-v1.md)
- [Sambert语音合成-Eva](https://www.qianwenai.com/models/sambert-eva-v1.md)
- [Sambert语音合成-Hanna](https://www.qianwenai.com/models/sambert-hanna-v1.md)
- [Sambert语音合成-Indah](https://www.qianwenai.com/models/sambert-indah-v1.md)
- [Sambert语音合成-Perla](https://www.qianwenai.com/models/sambert-perla-v1.md)
- [Sambert语音合成-Waan](https://www.qianwenai.com/models/sambert-waan-v1.md)
- [Sambert语音合成-知伦](https://www.qianwenai.com/models/sambert-zhilun-v1.md)
- [Sambert语音合成-知佳](https://www.qianwenai.com/models/sambert-zhijia-v1.md)
- [Sambert语音合成-知倩](https://www.qianwenai.com/models/sambert-zhiqian-v1.md)
- [Sambert语音合成-知厨](https://www.qianwenai.com/models/sambert-zhichu-v1.md)
- [Sambert语音合成-知墨](https://www.qianwenai.com/models/sambert-zhimo-v1.md)
- [Sambert语音合成-知妙（多情感）](https://www.qianwenai.com/models/sambert-zhimiao-emo-v1.md)
- [Sambert语音合成-知娜](https://www.qianwenai.com/models/sambert-zhina-v1.md)
- [Sambert语音合成-知婧](https://www.qianwenai.com/models/sambert-zhijing-v1.md)
- [Sambert语音合成-知婷](https://www.qianwenai.com/models/sambert-zhiting-v1.md)
- [Sambert语音合成-知媛](https://www.qianwenai.com/models/sambert-zhiyuan-v1.md)
- [Sambert语音合成-知德](https://www.qianwenai.com/models/sambert-zhide-v1.md)
- [Sambert语音合成-知悦](https://www.qianwenai.com/models/sambert-zhiyue-v1.md)
- [Sambert语音合成-知晔](https://www.qianwenai.com/models/sambert-zhiye-v1.md)
- [Sambert语音合成-知柜](https://www.qianwenai.com/models/sambert-zhigui-v1.md)
- [Sambert语音合成-知树](https://www.qianwenai.com/models/sambert-zhishu-v1.md)
- [Sambert语音合成-知楠](https://www.qianwenai.com/models/sambert-zhinan-v1.md)
- [Sambert语音合成-知浩](https://www.qianwenai.com/models/sambert-zhihao-v1.md)
- [Sambert语音合成-知猫](https://www.qianwenai.com/models/sambert-zhimao-v1.md)
- [Sambert语音合成-知琪](https://www.qianwenai.com/models/sambert-zhiqi-v1.md)
- [Sambert语音合成-知硕](https://www.qianwenai.com/models/sambert-zhishuo-v1.md)
- [Sambert语音合成-知祥](https://www.qianwenai.com/models/sambert-zhixiang-v1.md)
- [Sambert语音合成-知笑](https://www.qianwenai.com/models/sambert-zhixiao-v1.md)
- [Sambert语音合成-知茗](https://www.qianwenai.com/models/sambert-zhiming-v1.md)
- [Sambert语音合成-知茹](https://www.qianwenai.com/models/sambert-zhiru-v1.md)
- [Sambert语音合成-知莎](https://www.qianwenai.com/models/sambert-zhistella-v1.md)
- [Sambert语音合成-知薇](https://www.qianwenai.com/models/sambert-zhiwei-v1.md)
- [Sambert语音合成-知达](https://www.qianwenai.com/models/sambert-zhida-v1.md)
- [Sambert语音合成-知雅](https://www.qianwenai.com/models/sambert-zhiya-v1.md)
- [Sambert语音合成-知颖](https://www.qianwenai.com/models/sambert-zhiying-v1.md)
- [Sambert语音合成-知飞](https://www.qianwenai.com/models/sambert-zhifei-v1.md)
- [大模型声音复刻及声音设计](https://www.qianwenai.com/models/voice-enrollment.md): 大模型声音复刻服务依托先进的大模型技术进行特征提取，无需训练过程就可以完成声音的复刻。仅需提供极短的音频，即可迅速生成高度相似且听感自然的定制声音。

### MiniMax

- [speech-02-hd](https://www.qianwenai.com/models/MiniMax/speech-02-hd.md): MiniMax 语音大模型能够根据上下文，智能预测文本的情绪、语调等信息，并生成超自然、高保真、个性化的语音。在社交、播客、有声书、新闻资讯、教育、数字人等多种场景中展现出强大的实力。
- [speech-02-turbo](https://www.qianwenai.com/models/MiniMax/speech-02-turbo.md)
- [speech-2.8-hd](https://www.qianwenai.com/models/MiniMax/speech-2.8-hd.md)
- [speech-2.8-turbo](https://www.qianwenai.com/models/MiniMax/speech-2.8-turbo.md)

### 通义领域模型

- [语音生成CosyVoice-v3-flash大模型](https://www.qianwenai.com/models/cosyvoice-v3-flash.md): 合成能力：CosyVoice-v3-Flash是通义实验室CosyVoice系列最新版高性能的语音合成大模型，较之前版本在自然度、音质、韵律、情感表现力上有更好的表现。该模型支持文本至语音的实时流式合成。
- [语音生成CosyVoice-v3-plus大模型](https://www.qianwenai.com/models/cosyvoice-v3-plus.md): 克隆能力：CosyVoice-v3-plus是通义实验室CosyVoice系列最新版的语音克隆大模型，具有更好的音质和复刻相似度，适用于更专业的场景。
- [语音生成cosyvoice-v2大模型（快照版本）](https://www.qianwenai.com/models/cosyvoice-v2.md)

## 实时语音交互模型（3）

- [Qwen-Audio-3.0-Realtime-Flash](https://www.qianwenai.com/models/qwen-audio-3.0-realtime-flash.md): Qwen-Audio-3.0-Realtime-Flash 是一款登顶全球权威评测的下一代实时双工语音大模型，它在全球权威第三方评测平台 Artificial Analysis
- [Qwen-Audio-3.0-Realtime-Plus](https://www.qianwenai.com/models/qwen-audio-3.0-realtime-plus.md): Qwen-Audio-3.0-Realtime-Plus是一款登顶全球权威评测的下一代实时双工语音大模型，它在全球权威第三方评测平台 Artificial Analysis
- [Qwen-Audio-3.1-Realtime-Plus](https://www.qianwenai.com/models/qwen-audio-3.1-realtime-plus.md): Qwen-Audio-3.1-Realtime 是新一代实时全双工语音大模型，进一步增强口语推理、多轮指令遵循、共情表达与角色扮演能力，兼顾智能应答与自然对话节奏。

## 文本向量模型（8）

- [Qwen3.7-通用文本向量](https://www.qianwenai.com/models/qwen3.7-text-embedding.md): 是通义实验室基于Qwen3.7训练的多语言文本统一向量模型，相较text-embedding-v4版本在文本检索、聚类、分类性能大幅提升；在MTEB多语言、中英、Code检索等评测任务上效果提升20%；
- [千问3.7-通用文本向量-flash](https://www.qianwenai.com/models/qwen3.7-text-embedding-flash.md): 基于 Qwen3.7 训练的轻量级多语言文本向量模型，面向成本和吞吐敏感场景。相较 text-embedding-v4，在多语言覆盖（100→201 种）、长文本处理（32K→128K）和 Sparse
- [通用文本向量-async-v1](https://www.qianwenai.com/models/text-embedding-async-v1.md): 通用文本向量的批处理接口，通过这个接口客户可以以文本方式一次性的提交大批量的向量计算请求，在系统完成所有的计算之后，大模型服务平台会将结果信息存储在结果文件中供客户下载解析。
- [通用文本向量-async-v2](https://www.qianwenai.com/models/text-embedding-async-v2.md): 通用文本向量的批处理接口，通过这个接口客户可以以文本方式一次性的提交大批量的向量计算请求，在系统完成所有的计算之后，大模型服务平台会将结果信息存储在结果文件中供客户下载解析。
- [通用文本向量-v1](https://www.qianwenai.com/models/text-embedding-v1.md): 通用文本向量，是通义实验室基于LLM底座的多语言文本统一向量模型，面向全球多个主流语种，提供高水准的向量服务，帮助开发者将文本数据快速转换为高质量的向量数据。
- [通用文本向量-v2](https://www.qianwenai.com/models/text-embedding-v2.md): 通用文本向量，是通义实验室基于LLM底座的多语言文本统一向量模型，面向全球多个主流语种，提供高水准的向量服务，帮助开发者将文本数据快速转换为高质量的向量数据。
- [通用文本向量-v3](https://www.qianwenai.com/models/text-embedding-v3.md): 通用文本向量，是通义实验室基于LLM底座的多语言文本统一向量模型，面向全球多个主流语种，提供高水准的向量服务，帮助开发者将文本数据快速转换为高质量的向量数据。
- [通用文本向量-v4](https://www.qianwenai.com/models/text-embedding-v4.md): 通用文本向量V4版本，是通义实验室基于Qwen3训练的多语言文本统一向量模型，相较V3版本在文本检索、聚类、分类性能大幅提升；在MTEB多语言、中英、Code检索等评测任务上效果提升15%~40%；

## 多模态向量模型（7）

### 通义领域模型

- [视觉向量-flash](https://www.qianwenai.com/models/tongyi-embedding-vision-flash.md): Embedding-Vision是基于LLM底座的视觉多模态表征模型，具有以视觉为中心、领域性能优异（电商、 安防、相册/图库、自驾等）、高性价比的特点。
- [视觉向量-plus](https://www.qianwenai.com/models/tongyi-embedding-vision-plus.md): Embedding-Vision是基于LLM底座的视觉多模态表征模型，具有以视觉为中心、领域性能优异（电商、 安防、相册/图库、自驾等）、高性价比的特点。
- [通用多模态向量](https://www.qianwenai.com/models/multimodal-embedding-v1.md): 通义实验室基于预训练多模态大模型构建的多模态向量模型。该模型根据用户的输入生成高维连续向量，这些输入可以是文本、图片或视频。多模态向量在可应用于图片搜索、文搜图、视频搜索、图片分类和视频内容审核等下游任务中。
- [通义多模态向量-Flash-2026-03-06（快照版本）](https://www.qianwenai.com/models/tongyi-embedding-vision-flash-2026-03-06.md)
- [通义多模态向量-Plus-2026-03-06（快照版本）](https://www.qianwenai.com/models/tongyi-embedding-vision-plus-2026-03-06.md)

### 千问 Qwen

- [Qwen2.5-VL-Embedding](https://www.qianwenai.com/models/qwen2.5-vl-embedding.md): 基于Qwen2.5-VL底座训练的统一多模态向量模型，支持文本、图片、视频单模态/混合模态输入，输出统一表征向量，适用于跨模态检索、图搜、视频检索、图像聚类、复杂多模态信息检索、打标等场景
- [Qwen3-VL-Embedding](https://www.qianwenai.com/models/qwen3-vl-embedding.md): 基于Qwen3-VL底座训练的统一多模态向量模型，支持文本、图片、视频单模态/混合模态输入，输出统一表征向量，适用于跨模态检索、图搜、视频检索、图像聚类、复杂多模态信息检索、打标等场景

## 文本重排模型（4）

### 通义领域模型

- [Qwen3-VL-Rerank](https://www.qianwenai.com/models/qwen3-vl-rerank.md): Qwen3-VL-Rerank重排模型，它能够深入理解文本、图片、视频的丰富多模态信息。在初步检索获得结果后，Qwen3-VL-Rerank
- [千问3.7-通用文本重排序](https://www.qianwenai.com/models/qwen3.7-text-rerank.md): 基于 Qwen3.7底座训练的多语言通用文本重排序模型。相较 Qwen3-rerank，在通用与 Web 检索、代码检索、指令遵循、Agentic 与 Memory 检索等方面大幅提升；
- [深度文本重排序](https://www.qianwenai.com/models/gte-rerank-v2.md): gte-rerank-v2是通义实验室研发的多语言文本统一排序模型，面向全球多个主流语种，提供高水平的文本排序服务。通常用于语义检索、RAG等场景，可以简单、有效地提升文本检索的效果。

### 千问 Qwen

- [千问3-Rerank](https://www.qianwenai.com/models/qwen3-rerank.md): 基于Qwen LLM底座训练的文本排序模型，对输入的Query和候选Docs进行相关性排序，支持100+语种和长文本输入，适用于文本检索、RAG等场景，效果对齐开源Qwen3-Rerank系列模型

## 3D 生成模型（2）

- [Tripo-H3.1](https://www.qianwenai.com/models/Tripo/Tripo-H3.1.md): Tripo H3.1 是 Tripo 推出的高精度 3D 生成模型，专为需要极致视觉质量与细节表现的创作者设计。
- [Tripo-P1.0](https://www.qianwenai.com/models/Tripo/Tripo-P1.0.md): Tripo P1.0 是面向实时应用与生产管线的 3D 生成模型，专为需要干净拓扑和引擎可用网格的开发者与创作者设计。模型可在约 2 秒内生成具备专业级拓扑结构的 3D 资产，适用于游戏、Web3D 与各类实时交互场景。


## AI 知识频道（Discover）

- [知识频道首页](https://www.qianwenai.com/discover.md): 面向开发者和企业的 AI 知识频道，按主题分类。

### AI 与机器学习基础（20）

- [人工智能入门指南：核心定义、工作原理与常见应用场景解析](https://www.qianwenai.com/discover/what-is-artificial-intelligence.md): 人工智能是让计算机模拟学习、推理、语言理解和决策的技术。它通过数据学习规律，支撑自动化与智能决策，适合想了解人工智能工作原理和应用场景的读者。
- [人工智能机器学习与深度学习区别：层级关系与判断标准](https://www.qianwenai.com/discover/ai-ml-deep-learning-differences.md): 人工智能机器学习与深度学习区别，关键在层级关系和学习方式。本文梳理三者定义、深度学习原理与数据处理差异，帮助判断技术边界和适用场景。
- [Transformer 原理详解：从定义、结构到工作流程](https://www.qianwenai.com/discover/what-is-transformer.md): Transformer 是处理序列数据的神经网络架构。它通过多头自注意力追踪元素关系，并可采用编码器－解码器结构，适合理解机器翻译和序列建模基础。
- [自然语言处理：一文看懂 NLP 定义、工作原理与应用场景](https://www.qianwenai.com/discover/what-is-nlp.md): 自然语言处理是让计算机理解、生成和处理人类语言的 AI 分支。它结合计算语言学、机器学习和深度学习分析文本与语音，适合了解文本分析、信息提取和应用场景。
- [机器学习三种类型：监督、无监督与强化学习入门指南](https://www.qianwenai.com/discover/machine-learning-three-types.md): 机器学习三种类型指监督学习、无监督学习与强化学习。说明训练数据、学习目标和数据模式识别方式，帮助判断监督学习与无监督学习区别。
- [神经网络入门指南：一文看懂基本定义、工作原理与应用场景](https://www.qianwenai.com/discover/what-is-neural-network.md): 神经网络是受人脑启发的机器学习方法。它通过分层节点、隐藏层和激活函数学习权重与偏置，建立输入到输出的映射，帮助理解图像识别与自然语言处理场景。
- [卷积神经网络是什么：从视觉模式识别到图像分类的 CNN 入门](https://www.qianwenai.com/discover/what-is-cnn.md): 卷积神经网络是面向视觉数据的深度学习模型。它通过卷积层、池化层和全连接层自动提取图像特征、识别视觉模式，帮助入门理解图像分类、目标检测和使用判断。
- [循环神经网络 RNN：理解序列数据建模的原理与应用](https://www.qianwenai.com/discover/what-is-rnn.md): 循环神经网络 RNN 是处理顺序数据的深度学习模型。它通过循环结构和隐状态利用先前输入信息，适合理解自然语言处理、时间序列分析与序列数据建模。
- [决策树、随机森林与支持向量机区别：原理对比与选择标准](https://www.qianwenai.com/discover/decision-tree-random-forest-svm-comparison.md): 决策树、随机森林与支持向量机对比用于理解三类机器学习算法。围绕特征划分、输出整合、决策边界和模型复杂度，帮助初学者建立算法选择思路。
- [人工智能发展历史：关键节点、技术路线与应用场景](https://www.qianwenai.com/discover/ai-history-technology-routes.md): 人工智能发展历史是理解 AI 定义、技术路线和应用边界的入口。本文梳理 1956 年达特茅斯会议以来的关键节点，说明学习、推理、问题解决机制及典型应用场景。
- [AI 模型与算法、规则系统区别：定义、原理与选择](https://www.qianwenai.com/discover/ai-model-algorithm-rule-system-difference.md): AI 模型是经过数据训练、用于识别模式或决策的程序。本文对比算法与模型区别、规则系统和文档处理流程，说明模型训练结果如何在实际系统中使用，帮助判断技术选型边界。
- [机器学习训练集、验证集和测试集区别：用途、流程与混用风险](https://www.qianwenai.com/discover/train-validation-test-set-difference.md): 训练集、验证集和测试集是模型开发不同阶段使用的数据。训练集拟合模型，验证集用于调参数，测试集仅用于最后评估，帮助初学者理清流程并避免混用。
- [特征工程原理详解：从特征标签关系到模型训练实践入门](https://www.qianwenai.com/discover/feature-engineering-features-labels.md): 特征工程是把原始数据转化为模型可用输入的过程。它通过选择、修改或创建特征影响预测表现，帮助理解特征标签关系、自动特征工程与模型训练前的数据准备和实践判断。
- [机器学习模型如何学习：从损失到反向传播的训练原理](https://www.qianwenai.com/discover/how-machine-learning-models-learn.md): 机器学习模型如何学习，核心是用前向传播得到预测，再依据损失信号计算梯度并更新参数。本文梳理反向传播与梯度下降的关系，帮助理解神经网络训练流程和实现视角。
- [分类与回归区别：从预测目标到评估指标的选择标准](https://www.qianwenai.com/discover/classification-vs-regression.md): 分类与回归是监督学习中的两类预测建模任务。分类输出离散类别，回归输出实际数值。结合阈值、混淆矩阵和分类指标，帮助按业务问题选择建模方向，避免先选算法再套问题。
- [过拟合与欠拟合区别：从误差表现看原因与解决方法](https://www.qianwenai.com/discover/overfitting-vs-underfitting.md): 过拟合与欠拟合是模型泛化不佳的两类典型问题。通过训练误差与验证误差判断信号，理解模型复杂度、训练数据完整性和正则化取舍，帮助你选择更稳妥的调优方向。
- [F1 分数怎么选：准确率、精确率与召回率取舍指南](https://www.qianwenai.com/discover/accuracy-precision-recall-f1-score.md): F1 分数用于衡量精确率与召回率的平衡。说明准确率、精确率、召回率和 F1 如何在选定阈值下组合使用，并结合类别不平衡评估与混淆矩阵降低误判。适合分类模型评估复盘。
- [数据泄漏原理详解：机器学习评测虚高的根源与判断边界](https://www.qianwenai.com/discover/what-is-data-leakage.md): 数据泄漏是模型提前获得预测时不该有的信息。本文从预测时点、信息边界和数据集划分出发，解释离线评估虚高、数据污染与相似样本带来的评测失真风险。
- [交叉验证原理详解：单次训练结果为何不够可靠及如何评估](https://www.qianwenai.com/discover/what-is-cross-validation.md): 交叉验证是评估机器学习模型的方法，通过 K 折交叉验证反复划分、训练与验证，观察泛化效果和过拟合风险，适合样本有限或不宜只看单次训练结果时厘清验证集与测试集边界。
- [机器学习类别不平衡原理：模型偏向、准确性误判与处理思路](https://www.qianwenai.com/discover/class-imbalance-machine-learning.md): 类别不平衡是分类数据中各类别样本比例明显不均衡的现象。它可能让模型偏向多数类，导致准确性误判，适合理解类别权重、Boosting 采样等处理思路。

### 生成式 AI 与大模型（22）

- [生成式 AI 是什么：从基本定义到工作原理和应用场景](https://www.qianwenai.com/discover/what-is-generative-ai.md): 生成式 AI 是根据提示生成原创内容的人工智能。它依托机器学习模型和大语言模型创建或转换文本、图像、音频、视频与代码，适合用于内容创作、沟通表达和任务辅助。
- [大语言模型入门：LLM 定义、原理与应用场景](https://www.qianwenai.com/discover/what-is-llm.md): 大语言模型是基于大量数据训练或预训练的深度学习模型。它通过 token 预测和 Transformer 自注意力理解并生成文本，帮助读者梳理 LLM 原理、能力与应用场景。
- [大语言模型如何工作：从分词嵌入到转换器逐词元生成流程](https://www.qianwenai.com/discover/how-large-language-models-work.md): 大语言模型如何工作，关键在于海量数据预训练、提示词分词、嵌入向量和转换器处理。它会逐词元生成内容，适合理解文本生成、翻译和代码生成机制，以及自然语言处理任务的基本原理。
- [大模型基础概念：Token、参数和上下文窗口](https://www.qianwenai.com/discover/token-parameters-context-window.md): Token、参数和上下文窗口是理解大模型输入、输出与调用限制的基础概念。本文说明 Token 序列、采样参数和上下文窗口限制，帮助入门读者规划大模型调用。
- [生成式 AI 与预测式 AI 的区别：定义、机制与选择标准](https://www.qianwenai.com/discover/generative-ai-vs-predictive-ai.md): 生成式 AI 与预测式 AI 的区别，核心在于生成内容还是预测结果。梳理输出方式、工作机制、透明度与适用场景，帮助判断应选择哪类 AI。
- [企业大模型选型实战教程：从任务目标到调优部署与知识库应用](https://www.qianwenai.com/discover/enterprise-llm-selection.md): 企业大模型选型是围绕任务目标匹配合适 LLM 的过程。说明 LLM 定义、Transformer 基础、模型选择、调优与部署机制。帮助企业在知识库智能问答等场景形成可执行路径。
- [基础模型原理详解：预训练机制、通用能力与应用场景](https://www.qianwenai.com/discover/what-is-foundation-model.md): 基础模型是基于海量数据预训练的通用 AI 模型。通过自监督学习掌握复杂模式和关系，可作为专业应用底座，适合理解多任务能力、自定义部署与企业智能应用建设。
- [大模型训练、微调和推理区别：定义、流程、应用选择](https://www.qianwenai.com/discover/llm-training-finetuning-inference-differences.md): 大模型训练、微调和推理区别在于阶段与目标不同。本文梳理预训练、监督微调、RLHF 到推理的衔接关系，帮助判断不同应用该关注哪一环节。
- [开源模型与闭源模型区别：企业应用中的差异维度与选型框架](https://www.qianwenai.com/discover/open-source-vs-closed-source-models.md): 开源模型与闭源模型是 AI 大模型的两种技术模式。本文从开放程度、模型优化灵活性、AI 生态建设和商业定位拆解差异，帮助建立大模型选型框架。
- [小语言模型与大语言模型对比：定义原理、应用场景与选择标准](https://www.qianwenai.com/discover/slm-vs-llm.md): 小语言模型是大语言模型的精简版本，可处理、理解和生成自然语言。说明 SLM 与 LLM 的规模、知识范围、效率和资源消耗差异，帮助在专业任务与通用生成场景中选择适用模型。
- [混合专家模型 MoE 原理：专家路由、稀疏激活与大模型扩展机制](https://www.qianwenai.com/discover/what-is-moe.md): 混合专家模型 MoE 是通过多个专家网络协同计算的模型架构。它依靠专家路由和稀疏激活控制单次计算量，适合理解大模型扩展、AI 推理效率与密集模型差异。
- [大模型评测 Benchmark：关键指标与选型方法](https://www.qianwenai.com/discover/llm-benchmark-metrics.md): 大模型评测 Benchmark 是用数据集和评测维度量化模型能力的方法。本文梳理推理结果打分、吞吐量、延迟与 token 级指标，帮助研发和业务团队完成模型对比与选型。
- [自回归语言模型原理详解：下一个 Token 预测如何生成文本](https://www.qianwenai.com/discover/what-is-autoregressive-language-model.md): 自回归语言模型是按已有 Token 预测下一个 Token 的生成模型。它通过计算可能性、追加结果并迭代预测，解释下一个 Token 预测如何变成文本生成。
- [大模型对齐原理详解：SFT、RLHF 与 DPO 区别](https://www.qianwenai.com/discover/llm-alignment-sft-rlhf-dpo.md): 大模型对齐是让模型更符合人类意图的后训练过程。它通过 SFT、RLHF 与 DPO 建立指令遵循和偏好一致性，帮助理解 DPO 训练前常先做 SFT 的原因。
- [大模型是在记忆还是理解：参数知识、泛化边界与复述风险](https://www.qianwenai.com/discover/llm-memory-vs-understanding.md): 大模型是在记忆还是理解，关键是区分参数知识与泛化能力。本文说明参数如何承载训练信息，并结合内容生成场景梳理复述风险与输出审阅边界。
- [上下文窗口原理详解：有效上下文、长文本遗忘与评测方法](https://www.qianwenai.com/discover/context-window-effective-context-evaluation.md): 上下文窗口是大模型一次可考虑的词元范围。文章解释有效上下文、长文本遗忘风险与长文本评测方法，并梳理 Agent 场景下的上下文工程思路。
- [大模型榜单风险解析：数据污染、刷榜与基准失效治理要点](https://www.qianwenai.com/discover/llm-leaderboard-data-contamination-benchmark-failure.md): 大模型榜单风险主要来自测试数据进入训练集、指标虚高和基准泄漏。本文梳理数据污染评估、公开数据集与自定义数据集组合评测，以及提升评测可靠性的治理思路。
- [生成式 AI 评测实战教程：自动指标与 LLM 裁判模型](https://www.qianwenai.com/discover/generative-ai-evaluation.md): 生成式 AI 评测是用自动指标、人工标注和 LLM-as-a-Judge 检查模型输出质量。说明相似度指标、LLM 裁判流程与人工兜底，帮助搭建可扩展评测方案。
- [大模型涌现能力原理详解：规模阈值、度量争议与突然出现判断](https://www.qianwenai.com/discover/llm-emergent-abilities.md): 大模型涌现能力指规模扩大后，小模型不明显或不存在的能力在大模型中出现。文章解释规模阈值、相变、度量选择与平台期，帮助判断能力是否真的突然出现，并降低评测和选型误判。
- [大模型置信度原理详解：概率校准、不确定性评估与拒答机制](https://www.qianwenai.com/discover/llm-confidence-calibration-uncertainty-refusal.md): 大模型置信度是模型对输出确定性的估计。结合概率校准、不确定性评估和拒答机制，说明何时信任模型输出、何时转人工，适用于问答、RAG 和文档审查等场景。
- [大语言模型与搜索引擎区别：知识、时效与验证的选择标准](https://www.qianwenai.com/discover/llm-vs-search-engine.md): 大语言模型与搜索引擎区别在于知识来源、时效性和可验证性。梳理 LLM、传统搜索与 AI 搜索的工作方式，帮助判断实时查询、内容处理和来源核对场景。
- [模型坍塌风险解析：AI 生成数据反复训练的影响](https://www.qianwenai.com/discover/model-collapse-ai-generated-data-training-risks.md): 模型坍塌是生成式 AI 反复使用 AI 生成数据训练后的性能退化现象。说明训练数据循环如何带来信息、多样性和质量下降风险，适合研发与数据团队理解生成式 AI 数据安全。

### 提示词工程与 RAG（26）

- [提示词工程：定义、工作原理与典型应用场景系统讲解](https://www.qianwenai.com/discover/what-is-prompt-engineering.md): 提示词工程是设计和优化 Prompt 的方法，用于把任务意图清楚传给大模型。它通过上下文补充与输出格式约束改善回答相关性，适合 AI 应用开发、内容生成和研究辅助。
- [RAG 是什么：检索增强生成的核心原理、工作流程与应用场景](https://www.qianwenai.com/discover/what-is-rag.md): RAG 是用外部知识补充大语言模型生成的技术。RAG 工作流程通常包括数据准备、检索和生成，把权威知识放入模型上下文，适合判断何时接入私有数据或知识库。
- [RAG 系统原理详解：从知识检索到回答生成](https://www.qianwenai.com/discover/how-rag-system-works.md): RAG 系统通过外部知识库增强大语言模型回答。它以数据准备、检索和生成串起流程，将用户问题与相关资料合并后交给模型，帮助读者理解工作原理、价值和适用场景。
- [Embedding 是什么：从向量表示到语义应用场景](https://www.qianwenai.com/discover/what-is-embedding.md): Embedding 是把文本、图像、音频等数据转换为数值向量的方法。它通过向量空间位置和距离表达语义相关性，帮助构建语义搜索、推荐、聚类、分类和异常检测应用。
- [向量数据库是什么：向量嵌入、语义搜索与 AI 应用](https://www.qianwenai.com/discover/what-is-vector-database.md): 向量数据库是存储、管理和搜索向量嵌入的数据系统。它将文本、图像、音频转为数值表示，支持语义相似度搜索。适合 AI 检索、推荐与智能问答入门。
- [RAG、微调与提示工程区别：LLM 应用如何选择](https://www.qianwenai.com/discover/rag-vs-fine-tuning-vs-prompt-engineering.md): RAG、微调与提示工程是优化 LLM 应用的三类方法。本文围绕 RAG 与微调区别，说明提示工程引导输出、RAG 接入检索信息、微调调整参数，帮助选择优化路径。
- [企业知识库问答系统实战教程：从知识整理到助理发布全流程](https://www.qianwenai.com/discover/build-enterprise-knowledge-base-qa-system.md): 企业知识库问答系统是基于企业私域数据回答问题的 AI 应用。文章梳理知识库构建流程、RAG 关键环节与上线检查，适合客服、内部查询和特定领域问答。
- [RAG 文档切分方法详解：从原理流程到常见策略与场景选择](https://www.qianwenai.com/discover/rag-document-chunking-methods.md): RAG 文档切分是将长文档拆成语义相关文本块的关键步骤。它连接文档分析与向量检索，影响上下文组织。适合了解递归分块、语义分块和场景选择。
- [混合检索与关键词、向量检索区别：原理、融合方式与选择标准](https://www.qianwenai.com/discover/keyword-vector-hybrid-search-comparison.md): 混合检索是融合关键词检索与向量语义检索的信息检索架构。通过统一排序、稀疏与稠密向量、RRF 或加权融合提升相关性，适合 RAG 和站内搜索。
- [Rerank 原理详解：提升 RAG 检索效果的关键步骤](https://www.qianwenai.com/discover/rerank-improve-rag-retrieval.md): Rerank 是在 RAG 初步召回后重排候选文档的方法。它通过相关性评分优化排序，并可配合混合检索、元数据筛选，用于知识库问答。
- [GraphRAG 是什么：知识图谱增强 RAG 入门](https://www.qianwenai.com/discover/what-is-graphrag.md): GraphRAG 是结合 RAG 与知识图谱的检索增强生成方法。它用图结构组织实体关系和问答上下文，适合理解 GraphRAG 与 RAG 的区别、复杂数据问答和主题发现。
- [Agentic RAG 是什么：智能体如何增强检索生成](https://www.qianwenai.com/discover/what-is-agentic-rag.md): Agentic RAG 是智能体检索增强生成，通过智能体协同、工具选择和查询细化改进传统 RAG 流程，适合理解复杂知识库问答、文档摘要和多步骤分析场景。
- [RAG 系统评测指标详解：流程与常见问题](https://www.qianwenai.com/discover/rag-evaluation-metrics-faq.md): RAG 系统评测是用指标描述检索增强生成性能的方法。围绕 RAG 评测指标、合成评估数据集、LLM-as-a-judge 与黑盒输入，帮助团队明确流程边界和复盘重点。
- [上下文工程是什么：定义、原理、应用与提示词工程区别](https://www.qianwenai.com/discover/what-is-context-engineering.md): 上下文工程是动态管理 LLM 上下文窗口信息的技术框架。它通过信息组装、工具可见性和历史压缩改善推理，帮助理解与提示词工程区别及 AI Agent 应用。
- [系统提示词原理详解：用户提示词、指令层级与安全应用](https://www.qianwenai.com/discover/system-prompt-user-prompt-instruction-hierarchy.md): 系统提示词是应用或智能体运行前设定的初始指令，用于约束模型行为。本文说明用户提示词、指令层级如何协同工作，并梳理智能体配置与提示注入防护要点。
- [大模型稳定输出 JSON 实战教程：Schema 与失败处理](https://www.qianwenai.com/discover/llm-stable-json-output.md): 大模型稳定输出 JSON 是让模型按预定义字段返回可解析结果的方法。结合 JSON Schema 模式、结构化提示词和输出校验，降低字段漂移与解析失败风险，适合 AI 应用集成。
- [RAG 查询改写原理：改善模糊问题检索准确率](https://www.qianwenai.com/discover/rag-query-rewriting.md): RAG 查询改写是在检索前补全或改写模糊问题的机制。它结合查询增强和元数据过滤，帮助多轮对话、产品文档与知识库问答减少无关召回。
- [RAG 元数据过滤原理详解：精准检索机制](https://www.qianwenai.com/discover/rag-metadata-filtering.md): RAG 元数据过滤是在生成回答前用文档标签限定检索范围的机制。它可按权限、时间和业务字段过滤或排序，缩小向量搜索空间、减少噪声干扰，适合企业知识库问答。
- [上下文化检索与普通 RAG 区别：定义、原理、流程与适用场景](https://www.qianwenai.com/discover/contextual-retrieval-vs-rag.md): 上下文化检索是在文本块预处理阶段补充文档摘要、章节标题等上下文的方法。它改进 RAG 检索输入，帮助理解普通 RAG 工作流差异，适合企业知识库检索与问答场景判断。
- [RAG 结构化数据检索：表格、数据库与 JSON 指南](https://www.qianwenai.com/discover/rag-structured-data-retrieval.md): RAG 结构化数据检索是将表格、数据库和 JSON 等外部知识整理为可检索上下文的方法。解释知识库构建、检索生成流程，帮助判断企业问答与业务查询的适用边界。
- [RAG 知识库增量更新指南：新鲜度与版本治理](https://www.qianwenai.com/discover/rag-knowledge-base-incremental-update.md): RAG 知识库增量更新是让检索语料持续同步业务变更的运维机制。围绕新增、修改、删除事件治理索引、版本和权限，帮助企业 RAG 检查数据新鲜度与过期内容。
- [RAG 评测集构建教程：问题、答案、证据与难例设计](https://www.qianwenai.com/discover/build-rag-evaluation-dataset.md): RAG 评测集用于验证检索增强生成效果。围绕问题、标准答案与证据片段标注组织样本，通过难例设计和指标评测，定位检索不准、答案缺少依据等问题。
- [RAG 回答来源标注教程：引用生成、证据对齐与可追溯检查](https://www.qianwenai.com/discover/rag-answer-source-citation.md): RAG 回答来源标注是在答案中呈现外部依据的做法，通过检索、语境整合和引用呈现，帮助知识库问答完成证据对齐与可追溯性检查。
- [Prompt Chaining 提示链：何时优于单个长提示词](https://www.qianwenai.com/discover/prompt-chaining.md): Prompt Chaining 是用一系列提示引导模型生成目标输出的方法。它将复杂任务拆成可管理步骤，适合多个操作、转换或分步处理，帮助判断何时优于单个长提示词。
- [RAG 查询增强方法对比：Multi-Query、HyDE 与 Step-Back 如何选择](https://www.qianwenai.com/discover/rag-query-enhancement-multi-query-hyde-step-back.md): RAG 查询增强是在检索前改写或扩展用户问题的 RAG 查询预处理方法。本文对比 Multi-Query、HyDE 与回溯类查询重写，帮助评估复杂问题检索。
- [多模态 RAG：如何同时检索文本、图片与 PDF](https://www.qianwenai.com/discover/multimodal-rag-text-image-pdf.md): 多模态 RAG 是把外部知识检索扩展到文本、图片、PDF 等内容的生成方法。它通过图像和文本检索流程补充上下文，适合智能文档问答、读图问答和 PDF RAG 系统规划。

### AI Agent 与智能体（27）

- [AI Agent 是什么：定义、工作流程与应用判断](https://www.qianwenai.com/discover/what-is-ai-agent.md): AI Agent 是能感知环境、自主决策并执行任务的软件实体。它围绕目标接收任务、推理规划、调用工具并动态调整，帮助读者理解 AI Agent 工作流程、原理与应用判断。
- [AI Agent 如何工作：从定义到自主行动闭环](https://www.qianwenai.com/discover/how-ai-agent-works.md): AI Agent 如何工作是理解智能体的关键。它结合基础模型、工具调用与反馈循环，说明系统如何从用户目标走向行动，帮助产品、研发和业务人员建立判断框架。
- [Function Calling 原理详解：工具调用机制与应用](https://www.qianwenai.com/discover/what-is-function-calling.md): Function Calling 是让大模型调用 API、数据库或自定义函数的机制。模型依据用户意图进入工具调用流程，也可在特定流程中强制调用，适合开发者理解应用场景与边界。
- [模型上下文协议 MCP：连接大模型与外部工具的标准通信通道](https://www.qianwenai.com/discover/what-is-mcp.md): 模型上下文协议 MCP 是连接大模型与外部工具的开源协议。它以客户端-服务器架构实现标准化双向通信，降低多工具集成复杂度，帮助判断 AI 应用何时需要统一连接通道。
- [对话式 AI、聊天机器人与 AI Agent 的区别及选型要点](https://www.qianwenai.com/discover/conversational-ai-chatbot-ai-agent-difference.md): 对话式 AI 是理解并回应自然语言的交互能力。本文拆解聊天机器人、AI 助手与 AI Agent 的工作层级、自主性和选型标准，帮助客服与自动化任务避免概念混用。
- [AI 记忆与长期记忆入门：智能体上下文保留机制](https://www.qianwenai.com/discover/what-is-ai-memory-long-term-memory.md): AI 记忆是智能体存储和回忆过往经验的能力。它通过长期记忆体、记忆片段等机制保留上下文。适合理解跨会话个性化、Coding Agent 提效与应用设计。
- [AI Agent 核心组件详解：感知、决策与执行如何协同](https://www.qianwenai.com/discover/ai-agent-core-components.md): AI Agent 核心组件是支撑智能体感知环境、规划决策并执行任务的模块集合。本文梳理感知-决策-执行循环，说明大模型、工具和记忆如何协同，帮助判断适用场景。
- [AI Agent 原理详解：目标规划、动态推理与工具调用](https://www.qianwenai.com/discover/ai-agent-planning-reasoning.md): AI Agent 是能代表用户自主执行任务的系统。它通过感知规划行动闭环进行动态推理，并按需调用工具，适合理解客服、办公和业务流程自动化应用。
- [AI Agent 记忆机制原理详解：类型与应用场景](https://www.qianwenai.com/discover/ai-agent-memory-mechanism.md): AI Agent 记忆机制是让智能体存储和回忆经验的能力。通过工作记忆、事实记忆等组织跨会话上下文，帮助多轮任务和 Coding Agent 减少重复输入、提升执行效率。
- [单 Agent 与多 Agent 系统对比：架构差异与选择标准](https://www.qianwenai.com/discover/single-agent-vs-multi-agent.md): 单 Agent 与多 Agent 系统对比帮助判断任务该由一个还是多个智能体完成。围绕共享环境、角色职责和配置转交关系，说明原理差异与 AI Agent 架构选型。
- [AI Agent 通信协议：MCP 与 A2A 区别和选择](https://www.qianwenai.com/discover/ai-agent-communication-protocol-mcp-a2a.md): AI Agent 通信协议用于规范智能体与工具、数据和其他智能体的连接。本文解释 MCP 与 A2A 最大区别、互补关系和典型场景，帮助开发者判断协议选型。
- [AI Agent 构建指南：从业务目标到工具调用](https://www.qianwenai.com/discover/how-to-build-ai-agent.md): AI Agent 构建是把基础模型、目标规划和工具调用组织成可执行应用。说明 ReAct 模式、上下文管理与框架选型，帮助开发者从业务痛点落地智能体项目。
- [AgentOps 与 Agent 编排是什么：定义与应用边界](https://www.qianwenai.com/discover/agent-orchestration-and-agentops.md): AgentOps 与 Agent 编排是智能体应用落地中的两类能力。前者关注全生命周期管理与运行监控，后者组织工具调用和任务执行，适合构建可评估的智能体应用。
- [AI Agent 评测方法：定义、指标与流程要点](https://www.qianwenai.com/discover/ai-agent-evaluation-methods.md): AI Agent 评测方法用于衡量智能体任务执行、决策和交互表现。说明轨迹评估、最终回答评估与智能体自动评测流程，帮助团队验证运行状态并比较方案。
- [ReAct 是什么：AI Agent 推理行动框架](https://www.qianwenai.com/discover/what-is-react-agent.md): ReAct 是构建 AI 智能体的推理行动框架。它通过 Reason、Act、Observe 循环组织思考、行动与反馈，帮助理解 Agent 工作流、提示格式设计和多步骤任务处理。
- [AI Agent 工具选择：从意图识别到参数生成](https://www.qianwenai.com/discover/ai-agent-tool-selection.md): AI Agent 工具选择是把用户输入转为可执行流程的过程。通过意图识别和结构化参数生成，连接大模型、代码、插件与工具节点，适用于客服和语音助手等场景。
- [AI Agent 工具描述实战教程：参数 Schema 设计](https://www.qianwenai.com/discover/ai-agent-tool-schema-design.md): AI Agent 工具描述是模型选择工具的依据。通过函数名、用途描述、参数 Schema 与必填字段约束调用决策。适合开发者在 Function Calling 中减少参数幻觉、接口误用和执行风险。
- [AI Agent 工具调用失败处理：超时重试与幂等设计](https://www.qianwenai.com/discover/ai-agent-tool-call-failure.md): AI Agent 工具调用失败是模型或外部工具超时、报错导致的执行中断。通过调用耗时限制、自动重试、指数退避和幂等设计，帮助开发者降低重复执行与链路失控风险。
- [AI Agent 避免无限循环：终止条件与步数限制](https://www.qianwenai.com/discover/ai-agent-avoid-infinite-loop.md): AI Agent 避免无限循环，是为工具调用循环设置清晰出口。通过完成判断、错误退出、最大步数兜底和停止原因记录，减少无效执行。
- [Human-in-the-Loop：AI Agent 人工确认机制](https://www.qianwenai.com/discover/human-in-the-loop-ai-agent-approval.md): Human-in-the-Loop 是人类参与 AI 工作流监督与决策的机制。通过暂停 Agent 工具调用、等待审批或修改，帮助判断写入文件、执行 SQL 等关键操作何时需要人工确认。
- [AI Agent 权限控制实战教程：身份认证与最小权限](https://www.qianwenai.com/discover/ai-agent-permission-control.md): AI Agent 权限控制是限制智能体代用户调用工具和系统的安全机制。通过身份认证、细粒度工具调用权限和按需临时授权，帮助团队为关键系统接入建立可审计的访问边界。
- [AI Agent 状态管理原理详解：Checkpoint 与长任务执行](https://www.qianwenai.com/discover/ai-agent-state-management.md): AI Agent 状态管理是在多轮工具调用中保存上下文和执行进展的机制。说明 Checkpoint、Store 记忆管理、暂停恢复与长任务监控的作用。
- [AI Agent 上下文管理：如何压缩历史并控制 Token 成本](https://www.qianwenai.com/discover/ai-agent-context-management.md): AI Agent 上下文管理是编排、压缩和取舍模型输入的方法。通过历史记录压缩、上下文卸载和结构化记忆释放窗口空间，帮助开发者观察用量并控制 Token 成本。
- [AI Agent 评测集构建指南：任务成功率、轨迹质量与工具正确率](https://www.qianwenai.com/discover/build-ai-agent-evaluation-dataset.md): AI Agent 评测集用于稳定衡量智能体任务表现。围绕任务成功率、轨迹质量与工具正确率组织样本和 Trace，帮助团队建立从 Golden Set 到线上灰度闭环的持续评测。
- [AI Agent 延迟和成本优化：模型路由、并发、缓存与预算控制](https://www.qianwenai.com/discover/ai-agent-latency-cost-optimization.md): AI Agent 延迟和成本优化是对模型调用、Token 消耗和响应链路的工程治理。通过分层模型路由、缓存、并发执行和预算控制，让生产环境兼顾响应体验、成本与可扩展性。
- [LLM-as-Judge 评测 AI Agent：偏差、校准与复核](https://www.qianwenai.com/discover/llm-as-judge-ai-agent-evaluation-reliability.md): LLM-as-Judge 评测 AI Agent 是用大语言模型评估智能体输出质量的方法。它可用于自动打分和总体评估，但需识别偏差、校准裁判员模型，并结合人工复核降低误判。
- [AI Agent 工具调用测试：Mock、故障注入与回归测试](https://www.qianwenai.com/discover/ai-agent-tool-calling-testing.md): AI Agent 工具调用测试用于验证智能体能否按预期、安全地调用工具。通过 Mock LLM、故障注入与 Agent 回归测试指标，帮助研发识别流程异常和质量退化风险。

### 文本/视觉/语音与多模态（19）

- [多模态 AI：从基础定义到工作原理与典型应用场景解析](https://www.qianwenai.com/discover/what-is-multimodal-ai.md): 多模态 AI 是处理并整合文本、图像、音频、视频等信息的机器学习模型。它通过特征提取与模态融合关联上下文，适合图片生成文字回复、视频告警和多模态 RAG 入门。
- [计算机视觉：定义原理、常见能力与落地应用场景](https://www.qianwenai.com/discover/what-is-computer-vision.md): 计算机视觉是让计算机理解图像和视频并提取信息的 AI 子领域。它通过机器学习、深度学习等方法支持图像识别、OCR，帮助判断计算机视觉应用场景。
- [语音识别：从音频转文本到实时应用场景与开发接入完整指南](https://www.qianwenai.com/discover/what-is-speech-recognition.md): 语音识别是将口语音频转换为文本的技术。通过接收音频流生成可读文本，支持实时语音转文本。适合听写、在线会议字幕、呼叫中心和智能助手等场景。
- [文本生成与文本摘要原理详解：核心流程、主要类型与应用场景](https://www.qianwenai.com/discover/how-text-generation-and-summarization-work.md): 文本生成与文本摘要是利用 NLP 将输入信息生成自然语言或压缩为摘要的技术。文章说明核心流程、抽取式摘要与抽象式摘要差异，并帮助判断文档、问答和对话场景中的适用边界。
- [图像识别与 OCR 有什么区别：文字提取场景怎么选](https://www.qianwenai.com/discover/image-recognition-vs-ocr.md): 图像识别与 OCR 区别主要在处理目标。OCR 检测并提取图片、扫描件或纯图像 PDF 中的文字，转为可编辑文本，用于判断文字提取场景怎么选。
- [语音转文字与文字转语音原理详解：核心流程与应用场景](https://www.qianwenai.com/discover/speech-to-text-and-text-to-speech.md): 语音转文字连接声音与文本，ASR 借助声学模型和语言模型识别音频；文字转语音将文本生成可听语音，适合理解会议记录自动整理、智能客服和无屏交互的基础流程。
- [扩散模型原理详解：AI 图像生成的加噪去噪流程与应用](https://www.qianwenai.com/discover/what-is-ai-image-generation-and-diffusion-models.md): 扩散模型是一类生成模型，常用于 AI 图像生成和计算机视觉。它通过加噪、噪点预测和反向扩散生成内容，帮助理解原理、应用与 Stable Diffusion 示例。
- [多模态模型应用场景解析：图文生成、分类与智能体开发](https://www.qianwenai.com/discover/multimodal-model-application-scenarios.md): 多模态模型应用场景指模型把文本、图像、音频、视频等信息联合处理。文章梳理图像到文本、内容生成、图片分类与智能体接入，帮助产品和研发判断落地路径并合理选择模型。
- [视觉语言模型 VLM 是什么：图片与文字理解原理和应用场景](https://www.qianwenai.com/discover/what-is-vlm.md): 视觉语言模型 VLM 是结合视觉编码器与大语言模型的多模态 AI。它通过学习图像、视频与文本的映射关系理解提示，支持图像文本理解、文档处理、智能体应用和视觉问答等场景。
- [多模态 Token 原理：图片音频如何变成可计算表示](https://www.qianwenai.com/discover/multimodal-token-encoding-alignment.md): 多模态 Token 是将图片、音频等非结构化数据转为可计算序列的表示方式。通过视觉编码器、音频编码器提取关键特征，并完成跨模态语义对齐，帮助理解多模态模型输入处理流程。
- [多模态融合原理：早期融合、后期融合与跨模态注意力对比指南](https://www.qianwenai.com/discover/multimodal-fusion-early-late-attention.md): 多模态融合是把不同模态信息联合建模的方法。通过特征对齐、融合层次和跨模态注意力建立关联，帮助理解早期融合、后期融合、混合融合差异与评测边界。
- [视觉语言模型与传统计算机视觉区别解析：原理、能力与场景](https://www.qianwenai.com/discover/vlm-vs-traditional-computer-vision.md): 视觉语言模型是联合理解图像、视频与文本的多模态模型。它通过多模态编码器对齐图文特征，支持图像文本联合理解，适合比较原理差异、应用场景与模型选型，帮助判断何时选择 VLM 或传统计算机视觉方案。
- [OCR与视觉语言模型区别：文档理解选型标准](https://www.qianwenai.com/discover/ocr-document-understanding-vision-language-model-differences.md): OCR与视觉语言模型区别在于字符识别与视觉语义理解的层级不同。文档理解关注文本、版面、表格、图表及关系，帮助复杂文档处理和OCR选型判断。
- [视频理解模型原理：时序建模、关键帧与长视频上下文如何协同](https://www.qianwenai.com/discover/video-understanding-model-temporal-keyframes-long-context.md): 视频理解模型用于分析连续帧并解读随时间变化的内容。文章梳理时序建模、帧压缩与长视频上下文如何协同，适合理解要点提取、描述生成和内容分析，并帮助判断应用边界。
- [多模态幻觉是什么：常见类型、成因线索与检测方法指南](https://www.qianwenai.com/discover/what-is-multimodal-hallucination.md): 多模态幻觉是模型生成看似合理却与输入或事实冲突的内容。本文说明输入矛盾幻觉、上下文矛盾幻觉与跨模态注意力检测，帮助开发者评估视觉语言模型回答可信度。
- [多模态大模型评测教程：图文理解、OCR 与幻觉检查](https://www.qianwenai.com/discover/multimodal-llm-evaluation.md): 多模态大模型评测用于检验模型对图像、视频和文档的理解可靠性。结合图片+QA 对、SimpleVQA、视觉定位与幻觉检查，帮助团队设计可复用评测集并支持模型选型。
- [多模态大模型评测实战教程：任务清单、测试集与评分表](https://www.qianwenai.com/discover/multimodal-llm-evaluation-selection.md): 多模态大模型评测是用业务样本、公开或自定义测试集和量化指标验证模型能力。结合图片 QA 测试集、任务拆解和结果解读，帮助企业更稳妥地选择开源或微调模型。
- [CLIP 原理详解：图文对比学习如何支持跨模态检索](https://www.qianwenai.com/discover/what-is-clip.md): CLIP 是连接图像与文本的多模态模型。它通过图文对比学习映射到统一语义空间，支持跨模态检索、图像分类和零样本图文对齐，帮助理解文搜图与视觉搜索。
- [音频语言模型原理详解：语音理解、音频分析与文本回答流程](https://www.qianwenai.com/discover/what-is-audio-language-model.md): 音频语言模型是面向音频输入并生成文本回答的多模态模型。它通过音频理解支持语音对话、音频总结、语音转文字和翻译。本文梳理音频输入到文本回答的流程，帮助读者判断应用边界与选型要点。

### 模型工程与 AI 基础设施（23）

- [模型微调是什么：预训练模型适配特定任务与业务场景的方法](https://www.qianwenai.com/discover/what-is-model-fine-tuning.md): 模型微调是用任务或场景数据继续训练预训练模型的方法。它在通用能力上做定向调整，使 LLM 更适配特定任务、领域表达和业务模型定制，帮助读者判断何时需要对 LLM 做微调。
- [LoRA 与 QLoRA 是什么：原理、区别与选择标准](https://www.qianwenai.com/discover/what-is-lora-and-qlora.md): LoRA 与 QLoRA 是面向大语言模型的高效微调方法。LoRA 侧重低秩适应，QLoRA 通过低精度存储降低资源压力，适合按显存、速度和模型尺寸选择方案。
- [代码沙盒与安全执行环境：隔离执行原理与典型应用场景](https://www.qianwenai.com/discover/code-sandbox-secure-execution-environment.md): 代码沙盒与安全执行环境是隔离运行代码的安全机制。它通过文件和网络访问边界控制影响范围。适用于安全测试、AI 代码执行和应用隔离。
- [MLOps 与 LLMOps 区别：定义与选择标准](https://www.qianwenai.com/discover/mlops-vs-llmops.md): MLOps 与 LLMOps 是模型生命周期运维方法。前者连接机器学习开发、部署与 CI、CD、CT，后者聚焦大语言模型管理，帮助团队判断适用场景和选型边界。
- [大模型部署实战教程：从模型选择到推理服务创建的基本流程](https://www.qianwenai.com/discover/llm-deployment-process.md): 大模型部署是将训练好的模型投入生产环境的过程。通过模型选择、部署规格和副本数配置，创建可调用推理服务。适合了解云平台部署步骤和版本管理等工程关注点。
- [大模型推理成本优化指南：模型压缩与 token 降本](https://www.qianwenai.com/discover/reduce-llm-inference-cost.md): 大模型推理成本优化是在生产环境提升模型效率、控制资源与 token 消耗的方法。通过模型压缩、量化、prompt 压缩和 RAG 知识库降本，帮助团队平衡成本、延迟与质量。
- [模型生命周期详解：训练、评测、部署与监控的全流程管理](https://www.qianwenai.com/discover/model-lifecycle-training-evaluation-deployment-monitoring.md): 模型生命周期是管理 AI 模型从数据准备、训练评测到部署监控的结构化迭代过程。说明模型注册、阶段推进、上线服务与运行监控，帮助团队建立可跟踪的闭环流程。
- [模型量化、剪枝与蒸馏对比：原理、场景和选择标准详解](https://www.qianwenai.com/discover/model-quantization-pruning-distillation-comparison.md): 模型量化、剪枝与蒸馏是三类模型压缩方法。对比降低精度、删除冗余结构和知识迁移机制，说明如何选择量化、剪枝或蒸馏，适用于快速部署、硬件适配与小模型精度保持场景。
- [大模型推理加速方法原理详解：量化、批量推理与应用指南](https://www.qianwenai.com/discover/llm-inference-acceleration-methods.md): 大模型推理加速方法是降低文本生成等待与资源压力的工程手段。涵盖量化推理、批量推理和参考文本加速，帮助开发者判断实时对话、模型评测与数据标注取舍。
- [GPU、NPU 与 AI 加速器区别：原理与选择标准](https://www.qianwenai.com/discover/gpu-npu-ai-accelerator-difference.md): GPU、NPU 与 AI 加速器区别在于并行处理、AI 专用化与任务匹配。本文说明 AI 推理阶段、OpenCL 加速和功耗与性能平衡，帮助按场景选择加速硬件。
- [合成数据是什么？定义、生成原理、数据类型与应用场景入门](https://www.qianwenai.com/discover/what-is-synthetic-data.md): 合成数据是由算法或仿真生成、用于模仿真实数据的信息。本文说明合成数据生成方式、数据形态及与真实数据的关系，帮助理解 AI 训练数据补充和敏感信息暴露风险控制。
- [模型漂移原理详解：从数据变化到模型性能监控与调整](https://www.qianwenai.com/discover/what-is-model-drift.md): 模型漂移是数据或输入输出关系变化导致模型性能下降的现象。模型漂移检测关注分布与性能变化，帮助理解数据漂移、概念漂移检测、机器学习监控和上线后模型调整。
- [大模型可观测性指标：从延迟监控到 Agent 评测闭环](https://www.qianwenai.com/discover/llm-observability-metrics.md): 大模型可观测性指标用于理解模型与 Agent 应用运行状态。通过延迟、令牌使用量、错误率和 CPU/GPU 使用率监控性能，并结合 Span 评测集支撑排障与改进。
- [批量推理与在线推理区别：延迟、吞吐与成本的选择标准](https://www.qianwenai.com/discover/batch-inference-vs-online-inference.md): 批量推理与在线推理是两种 AI 推理方式。前者异步处理离线大批量数据，后者实时响应请求；结合延迟吞吐成本对比，判断模型评测、数据标注与实时交互场景。
- [大模型服务架构设计：弹性伸缩、负载均衡与故障转移](https://www.qianwenai.com/discover/llm-service-architecture-autoscaling-load-balancing-failover.md): 大模型服务架构设计围绕推理实例、伸缩策略和流量入口构建稳定服务。说明弹性伸缩与负载均衡协同机制，帮助评估跨可用区高可用推理方案和故障转移边界。
- [大模型发布策略：灰度、影子与 A/B 测试选择](https://www.qianwenai.com/discover/llm-release-strategies-canary-shadow-ab-testing.md): 大模型发布策略用于降低模型或 AI 应用新版本上线风险。梳理灰度发布流程、影子部署与 A/B 测试区别，帮助团队按验证目标选择发布方式。
- [模型可复现原理详解：模型注册表与实验跟踪从实验到部署](https://www.qianwenai.com/discover/model-reproducibility-registry-experiment-tracking.md): 模型可复现是让训练过程、结果和模型版本可追踪、可比较、可验证的工作方式。模型注册表管理版本与部署指向，实验跟踪记录配置和结果，帮助团队梳理从实验到部署的可复现工作流。
- [大模型容量规划：估算 QPS、并发、显存与 GPU 数量](https://www.qianwenai.com/discover/llm-capacity-planning-qps-concurrency-gpu-memory.md): 大模型容量规划是上线前评估 QPS、并发、显存和 GPU 数量的方法。结合参数量、精度、序列长度与 KV cache 显存估算，帮助推理部署选择 GPU 规格。
- [多模型网关原理：模型路由、降级与供应商切换设计](https://www.qianwenai.com/discover/multi-model-gateway-routing-fallback-provider-switching.md): 多模型网关是统一接入多个模型服务并分发请求的能力层。通过智能路由、候选模型池与限流熔断支持切换。适合管理模型 API、降低单一供应商依赖，并设计更稳定的多模型调用链路。
- [端到端血缘原理：训练数据、代码与模型版本追踪](https://www.qianwenai.com/discover/end-to-end-lineage-for-training-data-code-model-versions.md): 端到端血缘用于连续追踪数据来源、加工变化和最终去向。本文说明训练数据血缘、代码版本、训练任务与模型版本如何关联，帮助 MLOps 团队排查问题和复现实验。
- [大模型服务可靠性设计：超时、重试、熔断与幂等实践要点](https://www.qianwenai.com/discover/llm-service-reliability-design.md): 大模型服务可靠性设计是用超时、幂等重试、熔断等机制降低临时故障和重复请求影响的方法。说明异常重试边界、重复请求治理和落地检查要点，适合 API 工程团队评审调用链路可靠性。
- [分布式训练容错机制原理详解：检查点、断点续训与故障恢复](https://www.qianwenai.com/discover/distributed-training-fault-tolerance.md): 分布式训练容错是在训练中断后尽量恢复进度的机制。通过检查点、断点续训与故障恢复减少重复计算，帮助理解代码适配、权重校验和作业重启边界。
- [边缘 AI 与云端 AI 协同部署指南：端云分工、流程与检查清单](https://www.qianwenai.com/discover/edge-ai-cloud-ai-collaborative-deployment.md): 边缘 AI 与云端 AI 协同部署是将设备本地推理与云端管理结合的方式。围绕端云协同部署工作流，说明部署包、设备激活、本地调用和模型版本更新，适合低延迟、离线可靠与多设备运维场景。

### AI 安全、治理与可信 AI（24）

- [AI 安全：从基本定义到核心原理和应用场景的入门指南](https://www.qianwenai.com/discover/what-is-ai-security.md): AI 安全是用 AI 提升防护能力并保护 AI 系统的安全实践。它覆盖 AI 生命周期安全、威胁检测、分层防御、模型验证和安全护栏，适合技术与安全团队判断企业 AI 应用落地重点。
- [提示注入攻击原理详解：定义、常见类型、核心影响与识别要点](https://www.qianwenai.com/discover/what-is-prompt-injection-attack.md): 提示注入攻击是利用恶意提示操纵 LLM 的攻击方式。本文说明直接提示词注入与间接提示词注入的区别、识别信号和基础检查思路，帮助开发者理解生成式 AI 应用风险。
- [大模型幻觉风险解析：产生原因、缓解方法与实用治理要点](https://www.qianwenai.com/discover/llm-hallucination-causes-mitigation.md): 大模型幻觉是模型生成不准确或误导性内容的现象。梳理数据偏差、错误假设与评估激励机制，说明大模型幻觉缓解方法。适合技术团队在知识问答中识别风险、设计校验流程。
- [OWASP 大模型应用十大安全风险解析：治理要点](https://www.qianwenai.com/discover/owasp-llm-top-10-security-risks.md): OWASP 大模型应用十大安全风险是面向 LLM 应用的关键漏洞清单，覆盖提示词注入与不安全的输出处理，帮助团队评估敏感数据、权限边界和治理检查。
- [RAG 与企业知识库保护：原理、流程与治理要点](https://www.qianwenai.com/discover/protect-rag-enterprise-knowledge-base.md): RAG 与企业知识库保护是围绕检索、语料库管理和生成回答的安全治理。通过文件管理、平台安全能力、隔离与共享设计，帮助企业稳妥建设企业知识问答助手。
- [AI Agent 安全风险解析：常见威胁与治理要点](https://www.qianwenai.com/discover/ai-agent-security-risks.md): AI Agent 安全风险是智能体在自主规划、工具调用和内容生成中产生的威胁。涵盖提示词注入、工具说明注入与身份凭据管理，帮助企业评估 Agent 应用安全边界。
- [数据投毒风险解析：AI 模型训练数据被操纵的方式与危害](https://www.qianwenai.com/discover/what-is-data-poisoning.md): 数据投毒是向训练数据注入恶意信息以操纵 AI 模型行为的攻击。它会削弱准确性、可靠性和安全性，帮助理解后门、偏见输出、欺诈识别失效与 LLM 触发短语投毒风险。
- [对抗性机器学习原理详解：攻击机制、样本扰动与模型脆弱性](https://www.qianwenai.com/discover/what-is-adversarial-machine-learning.md): 对抗性机器学习是研究欺骗 AI 模型并识别脆弱性的领域。它常通过对抗样本扰动输入，让模型产生错误输出，帮助理解图像、音频、文本场景中的模型盲区与模型安全评估。
- [负责任 AI 与可信 AI：定义、原则与实践路径解析](https://www.qianwenai.com/discover/what-is-responsible-ai-and-trustworthy-ai.md): 负责任 AI 是安全、道德、可信地建设 AI 系统的方法，通过公平性、问责制、安全性和隐私性等维度约束设计、评估与部署，适合团队在具体使用场景中识别风险、建立治理边界。
- [AI偏见、公平性与可解释性：从定义到实践核心方法](https://www.qianwenai.com/discover/ai-bias-fairness-explainability.md): AI偏见、公平性与可解释性用于识别模型偏差并说明决策依据。结合特征归因、样本说明和公平性分析，帮助开展模型偏差检测与高影响 AI 决策评估。
- [Shadow AI 风险解析：企业识别、评估与治理要点](https://www.qianwenai.com/discover/what-is-shadow-ai-governance.md): Shadow AI 是未经 IT 批准或监督的 AI 工具使用。它常出现在个人生成式 AI、AI SaaS 与浏览器扩展中。帮助企业识别风险、建立审批与使用边界。
- [AI 数据隐私与版权风险解析：数据来源、影响评估与治理要点](https://www.qianwenai.com/discover/ai-data-privacy-copyright-risk.md): AI 数据隐私与版权风险是生成式 AI 摄取敏感信息和训练素材时产生的合规问题。说明数据来源、隐私影响评估与治理清单，帮助团队降低泄露和授权争议。
- [AI 爬虫管理教程：识别监测、访问边界与阻止策略](https://www.qianwenai.com/discover/how-to-block-or-manage-ai-crawlers.md): AI 爬虫管理是对模型训练和 AI 应用抓取行为的识别、放行与限制。通过可见性监测和 robots.txt 访问控制表达边界，适合需区分合作伙伴爬虫的团队。
- [AI 红队测试与模型安全评测：原理、流程与应用](https://www.qianwenai.com/discover/ai-red-teaming-model-safety-evaluation.md): AI 红队测试是通过对抗性探测发现模型和智能体安全风险的方法。它结合种子提示、攻击目标数据集与自动化评估，适合上线前检查、版本回归和攻击面识别。
- [企业 AI 治理体系：职责、流程、制度与度量落地指南](https://www.qianwenai.com/discover/enterprise-ai-governance-system.md): 企业 AI 治理体系是组织管理 AI 风险、责任与合规的框架。通过 AI 治理流程、策略记录、平台监控和成熟度评估形成闭环，适用于传统 AI 与生成式 AI 团队。
- [AI 风险分级实战教程：影响评估与义务跟踪](https://www.qianwenai.com/discover/ai-risk-classification-impact-assessment.md): AI 风险分级是按应用场景和风险等级管理 AI 系统的方法。说明范围识别、影响评估和义务跟踪，帮助团队把高风险应用纳入可记录、可复审的治理流程。适合跨团队协作。
- [企业 AI 资产清单：模型、数据与 Agent 梳理方法](https://www.qianwenai.com/discover/enterprise-ai-asset-inventory.md): 企业 AI 资产清单是梳理模型、数据、提示词和 Agent 关系的管理基础。通过 Agent 工作流、工具调用和知识库关系看清依赖，适合企业治理与生产落地前盘点。
- [AI 模型供应链安全：来源、依赖与完整性验证](https://www.qianwenai.com/discover/ai-model-supply-chain-security.md): AI 模型供应链安全是围绕数据、模型文件与开源组件的风险治理。通过模型来源治理、依赖组件映射、模型文件扫描和 SBOM 管理，帮助开发、DevOps 与安全团队识别漏洞与影响范围。
- [AI 安全护栏设计：输入检查、输出过滤与策略执行](https://www.qianwenai.com/discover/ai-safety-guardrails-design.md): AI 安全护栏是为生成式 AI 应用设置安全边界的防护机制。通过输入检查、输出过滤与策略执行，降低提示攻击和不合规响应风险，帮助团队设计更可控的 AI 应用。
- [AI安全事件响应指南：发现、隔离、取证与复盘](https://www.qianwenai.com/discover/ai-security-incident-response-guide.md): AI安全事件响应是面向模型训练、精调和智能体风险的处置流程。通过监控审计、安全隔离、分析恢复与复盘机制，帮助团队发现风险、降低扩散并持续改进防护。
- [第三方 AI 服务商风险评估：基础模型治理要点](https://www.qianwenai.com/discover/third-party-ai-provider-foundation-model-risk-assessment.md): 第三方 AI 服务商风险评估是在引入外部模型或生成式 AI 服务前识别风险的过程，结合模型治理控制项、独立安全评估和服务安全范围，支持准入、监控与持续改进。
- [AI 生成内容溯源：水印与真实性验证指南](https://www.qianwenai.com/discover/ai-content-provenance-watermark-authenticity-verification.md): AI 生成内容溯源是识别和核验合成内容来源的方法。通过数字水印和元数据记录支撑追踪验证，帮助企业、媒体与治理场景判断内容可信度，并理解能力边界与落地条件。
- [模型窃取与模型反演、成员推断攻击区别：目标与判断标准](https://www.qianwenai.com/discover/model-stealing-inversion-membership-inference-difference.md): 模型窃取、模型反演与成员推断攻击是三类 AI 安全风险，分别指向功能复制、训练数据重建和成员身份判断，适合用于识别攻击类型与隐私影响。
- [AI 决策人类监督风险解析：审核升级与紧急停止机制](https://www.qianwenai.com/discover/ai-decision-human-oversight.md): AI 决策人类监督是让 AI 在人类授权、复核和控制下运行的治理机制。结合 AI 风险评估、权限管理与人工复核，说明审核升级和紧急停止机制的适用边界。

### AI 应用与行业实践（23）

- [生成式 AI 主要应用场景：企业写作、设计创作与模拟落地评估](https://www.qianwenai.com/discover/generative-ai-use-cases.md): 生成式 AI 主要应用场景是将内容生成、转换和改编能力用于具体任务。它基于数据模式生成文本、图像等内容，适合团队在企业写作、设计创作和虚拟模拟中评估落地。
- [AI 智能客服应用场景：核心能力、原理与落地路径](https://www.qianwenai.com/discover/ai-customer-service-applications.md): AI 智能客服是利用人工智能理解咨询并自动交互的客服系统。通过知识库语义检索与受控任务执行，覆盖 7x24 咨询、错误码查询和公众号服务，降低重复答复压力。
- [AI 在软件开发中的应用：从代码生成到测试自动化实践](https://www.qianwenai.com/discover/ai-in-software-development.md): AI 在软件开发中的应用，是用生成式 AI 和 LLM 辅助设计、编码、测试与维护。围绕代码生成、错误修复、测试自动化和生成式 AI 应用开发流程，帮助团队判断落地场景。
- [AI 知识管理应用指南：企业检索、智能问答与优化](https://www.qianwenai.com/discover/ai-enterprise-knowledge-management.md): AI 知识管理是用大模型和知识库管理企业文档、网页与结构化数据的方法。通过 RAG 先检索再生成，支持自然语言检索和智能问答。适合提升知识查阅、摘要与复用效率。
- [AI 在数据分析中的应用：原理、流程、能力与场景](https://www.qianwenai.com/discover/ai-data-analysis-applications.md): AI 在数据分析中的应用，是用 LLM 和机器学习分析、解释数据。它能识别模式、趋势和异常，并通过数据分析智能体支持自然语言数据问答、完整性检查、代码生成和可视化。
- [AI 营销应用场景：内容生成、预测分析与个性化触达](https://www.qianwenai.com/discover/ai-marketing-content-generation.md): AI 营销是用人工智能增强营销流程的方法。通过数据学习、预测分析和生成式 AI 支持内容生成、个性化全渠道体验与广告优化，适合营销团队规划应用边界。
- [AI 在销售中的应用场景：销售助理、客户服务与产品推荐工作流](https://www.qianwenai.com/discover/ai-in-sales.md): AI 在销售中的应用，是用人工智能提升销售运营效率与有效性。它涉及意图识别、任务规划、工具调用和 RAG 销售助理知识整合，适合理解客户服务与产品推荐场景。
- [AI 人力资源应用场景：招聘培训与员工管理提效](https://www.qianwenai.com/discover/ai-in-hr-applications.md): AI 人力资源应用是用算法、机器学习和智能系统改造 HR 流程。它可处理重复任务、辅助内容生成并释放管理时间，适合招聘、入职引导与个性化培训。
- [AI 欺诈检测应用场景：金融风控与合规实践](https://www.qianwenai.com/discover/ai-fraud-detection-finance.md): AI 欺诈检测是在金融服务中用机器学习减少欺诈活动。它通过大型数据集、异常检测与行为分析识别可疑交易，并支持风控、KYC、AML 与人机协同流程。
- [AI 在制造和供应链中的应用场景：原理、价值与落地要点](https://www.qianwenai.com/discover/ai-manufacturing-supply-chain-applications.md): AI 在制造和供应链中的应用，是从订单、库存、物流等数据中学习规律，支持端到端流程自动化、库存可见性与供需平衡，帮助判断落地场景。
- [AI 医疗应用场景：诊疗、运营与研发解析](https://www.qianwenai.com/discover/ai-healthcare-applications.md): AI 医疗应用是把机器学习等技术用于医疗数据和流程。它可支持医疗 AI 智能体、图像和信号分析、文档记录与虚拟筛选，帮助医疗团队判断适用场景、流程接入和落地边界。
- [AI 在 IT 运维中的应用：智能运维原理与场景](https://www.qianwenai.com/discover/ai-in-it-operations.md): AI 在 IT 运维中的应用，是用机器学习、自然语言处理和大数据分析辅助管理 IT 系统，围绕异常检测、事件关联和流程自动化提升运维效率与质量。
- [AI 项目 ROI 评估方法：指标体系、基线对照与治理流程](https://www.qianwenai.com/discover/evaluate-enterprise-ai-project-roi.md): AI 项目 ROI 是衡量企业 AI 投入与合格产出的关键指标。通过定义产出、记录上线前基线，并对照财务收益、运营效率和支出透明度，帮助判断项目是否值得规模化。
- [法律 AI 应用场景：合同审查、合规风险识别与企业法务助手建设](https://www.qianwenai.com/discover/legal-ai-contract-review.md): 法律 AI 是辅助法律研究、合同审查和合规监控的工具。它依托自然语言处理与机器学习提取关键信息、提示风险。适合法务团队理解合同审查流程、应用边界和人工复核治理。
- [采购AI应用场景：采购流程优化、合规监控与供应商管理](https://www.qianwenai.com/discover/ai-in-procurement-and-supplier-management.md): 采购AI是用人工智能自动化和优化采购流程的技术。它可结合生成式 AI 与采购智能体，支持采购合规管理、合同管理和谈判策略优化，帮助企业判断供应商管理中的落地场景。
- [网络安全 AI 应用场景：威胁检测、告警降噪与 SOC 运营](https://www.qianwenai.com/discover/ai-cybersecurity-soc-applications.md): 网络安全 AI 是用智能算法和机器学习增强威胁检测与响应的技术。它可跨源关联事件、处理海量数据并支持告警优先级排序，帮助安全团队评估 SOC 提效与告警降噪场景。
- [AI 在教育与企业培训中的应用：原理、场景与实践框架](https://www.qianwenai.com/discover/ai-in-education-and-training.md): AI 在教育与企业培训中的应用，是用生成式 AI、LLM 和提示工程辅助教学与学习。它可优化课程设计、课堂使用和职业培训流程，帮助教师与培训者建立负责任的应用框架。
- [智能文档处理 IDP：发票表单合同自动化入门](https://www.qianwenai.com/discover/intelligent-document-processing-idp.md): 智能文档处理 IDP 是用 AI 与自动化替代文档手工录入的方法。梳理 IDP 工作流程、字段与表格抽取、人工验证，帮助发票、表单和合同数据进入业务流程。
- [AI 本地化应用场景：翻译流程、内容适配与人机协同方法](https://www.qianwenai.com/discover/ai-translation-localization.md): AI 本地化是用 AI 翻译、大模型和机器翻译适配语言、文化与市场。说明译前预置、译中生成、译后优化与人工审核，适合规划应用和多媒体本地化流程。
- [零售 AI 应用场景：电商体验、门店运营与供应链优化指南](https://www.qianwenai.com/discover/ai-in-retail-and-ecommerce.md): 零售 AI 是用人工智能改进门店与电商运营的方法，覆盖个性化购物体验、自动化运营、视觉 AI 与边缘计算、库存监控和需求预测，帮助评估体验与效率价值。
- [AI 会议助手实战教程：会议记录总结与任务跟踪全流程](https://www.qianwenai.com/discover/ai-meeting-assistant-notes-summary-task-tracking.md): AI 会议助手用于自动转写、分析并总结会议内容。它能识别议题边界，提炼决策要点和会议待办提炼，适合团队沉淀结构化纪要并跟踪任务。
- [AI 在科学研究中的应用：定义、原理、场景与研发创新评估](https://www.qianwenai.com/discover/ai-in-scientific-research.md): AI 在科学研究中的应用，是将机器学习等技术融入科研流程，通过海量多维数据学习与规律发现，辅助科学模型构建，适合复杂高变量研究、研发创新场景与落地评估。
- [AI 能源应用场景：电力系统、降碳管理与可持续发展](https://www.qianwenai.com/discover/ai-energy-power-sustainability-applications.md): AI 能源应用是将智能体、智能终端等技术用于能源生产、运行和管理。支撑智能电网、节能降碳与综合能源优化，帮助判断可持续落地场景。

### 术语解释（73）

- [AI 幻觉原理详解：错误输出的定义、成因、表现与识别方法](https://www.qianwenai.com/discover/what-is-ai-hallucination.md): AI 幻觉是生成式 AI 输出看似合理却错误或误导内容的现象。说明常见表现、数据不足、错误假设和数据偏差等成因，适合问答、摘要和知识检索中的事实核查。
- [Few-shot Learning：少样本学习原理与应用入门](https://www.qianwenai.com/discover/what-is-few-shot-learning.md): Few-shot Learning 是用少量标记示例让模型学习新任务的方法。本文梳理支持集、快速适应机制及与 Zero-shot、One-shot 的区别，帮助判断数据不足场景。
- [Chain-of-Thought：分步推理如何提升复杂任务表现](https://www.qianwenai.com/discover/what-is-chain-of-thought.md): Chain-of-Thought 是一种提示工程方法。它引导模型展示推理过程，将复杂任务拆成逻辑步骤并生成中间推理步骤，适合理解数学推理、关系推理等任务。
- [Temperature 原理详解：大模型随机性参数与场景设置](https://www.qianwenai.com/discover/what-is-temperature.md): Temperature 是调节大模型输出随机性的生成参数。它影响模型按概率分布预测下一个词，了解代码生成温度设置和数据抽取取值示例，有助于按任务平衡稳定性与变化空间。
- [Top-p 原理详解：核采样如何控制大模型输出随机性](https://www.qianwenai.com/discover/what-is-top-p.md): Top-p 是大模型生成文本时用于核采样的参数。它按累计概率阈值动态筛选候选词，帮助理解 Top-p 与 Top-K 区别，以及输出随机性与稳定性的取舍。
- [KV Cache 原理详解：LLM 推理加速与复用机制](https://www.qianwenai.com/discover/what-is-kv-cache.md): KV Cache 是 Transformer 自注意力中的推理优化技术。它缓存已生成的 K、V 向量，以存储换计算，适合理解 LLM 推理加速、缓存复用与外部存储边界。
- [Attention 机制原理详解：模型如何聚焦关键信息](https://www.qianwenai.com/discover/what-is-attention-mechanism.md): Attention 机制是一种让模型关注输入关键信息的技术，通过权重分配表达数据关联，并解释自注意力机制如何工作，适合入门 Transformer 与深度学习应用。
- [Fine-tuning：大模型微调定义、原理与应用场景](https://www.qianwenai.com/discover/what-is-fine-tuning.md): Fine-tuning 是在预训练模型基础上继续训练的方法。它通过特定任务或领域数据调整模型行为，梳理大模型微调原理、应用场景与提示词示例选择边界。
- [RLHF 原理详解：人类反馈训练奖励模型并优化大模型输出](https://www.qianwenai.com/discover/what-is-rlhf.md): RLHF 是利用人类反馈优化机器学习模型的方法。它通过奖励模型学习人类偏好，并结合强化学习改进输出，常用于大模型人类偏好对齐、对话、文本摘要与自然语言理解。
- [Tokenizer：文本到模型输入的转换机制](https://www.qianwenai.com/discover/what-is-tokenizer.md): Tokenizer 是将文本转换为模型可处理数据的核心组件。它通过分词、词汇管理和编码，把文本变成 tokens 或数字形式，帮助理解文本到模型输入的基本过程。
- [Cosine Similarity 原理详解：向量相似度入门](https://www.qianwenai.com/discover/what-is-cosine-similarity.md): Cosine Similarity 是用向量夹角余弦值衡量相似度的方法。它关注方向而非长度，适合理解文本相似度、推荐系统相似匹配，以及高维数据中的方向比较。
- [Prompt Template 是什么：提示词模板定义与应用](https://www.qianwenai.com/discover/what-is-prompt-template.md): Prompt Template 是将提示词固定结构与动态变量分离的模板方法。它通过指令、角色、示例和输入占位组织上下文，适合构建可复用、易维护的 LLM 或智能体工作流。
- [Epoch 训练轮次：理解数据遍历与 Batch 区别](https://www.qianwenai.com/discover/what-is-epoch.md): Epoch 是模型完整遍历训练数据集一次的训练轮次。它关联前向传播、反向传播和 steps per epoch，帮助区分 Batch、Iteration 并读懂深度学习训练流程。
- [Batch Size 详解：批大小原理、训练影响与设置思路](https://www.qianwenai.com/discover/what-is-batch-size.md): Batch Size 是一次训练迭代输入模型的样本数量。它受内存限制影响，并会改变迭代次数、训练时间和梯度稳定性。本文梳理批大小原理、设置判断维度与 global batch size，适合入门调参和分布式训练理解。
- [学习率是什么：理解模型训练步长、训练稳定性与基本调度方法](https://www.qianwenai.com/discover/what-is-learning-rate.md): 学习率是控制模型每一步参数更新幅度的超参数。它决定训练步长，影响权重更新、训练速度、稳定性和性能表现。适合理解学习率调度器、预热机制与深度学习调参判断。
- [损失函数原理详解：机器学习模型如何度量误差并指导训练方向](https://www.qianwenai.com/discover/what-is-loss-function.md): 损失函数是衡量模型预测与真实标签差距的目标函数。它把误差转化为可计算训练信号，用于指导神经网络训练，帮助初学者理解定义、原理、应用价值和文档阅读框架。
- [梯度下降原理详解：损失最小化、权重更新与机器学习训练](https://www.qianwenai.com/discover/what-is-gradient-descent.md): 梯度下降是一种迭代优化算法，通过调整权重和偏置降低损失。适用于理解机器学习训练、神经网络优化和可导损失函数的基本边界，帮助初学者把握参数更新与误差减少的关系。
- [反向传播原理详解：链式法则、梯度下降与神经网络训练流程](https://www.qianwenai.com/discover/what-is-backpropagation.md): 反向传播是计算神经网络参数梯度的方法。它借助链式法则连接多层影响，并配合梯度下降调整权重、偏差等组件，帮助理解模型训练流程，适合初学者和开发者建立实践边界。
- [过拟合原理详解：机器学习中的成因、风险与识别方法](https://www.qianwenai.com/discover/what-is-overfitting.md): 过拟合是模型过度贴合训练数据、难以适应新数据的现象。它常表现为训练误差远小于验证误差，适合入门者理解 AI 模型泛化风险与评估思路。
- [欠拟合原理详解：定义、成因、判断方法与常见误区](https://www.qianwenai.com/discover/what-is-underfitting.md): 欠拟合是模型未能充分学习输入与输出关系、训练误差仍高的状态。文章说明模型过于简单的成因，并结合训练误差与验证误差判断模型状态，适合机器学习入门和 AI 模型诊断。
- [正则化原理详解：机器学习过拟合治理与泛化能力提升方法](https://www.qianwenai.com/discover/what-is-regularization.md): 正则化是减少机器学习过拟合的一组方法。它通过限制模型复杂度、调节正则化率 lambda，帮助提升未见数据泛化能力，并判断训练准确性与泛化能力之间的取舍。
- [Perplexity 困惑度：语言模型评估指标入门](https://www.qianwenai.com/discover/what-is-perplexity.md): Perplexity 困惑度是衡量语言模型预测不确定性的指标。它用于量化文本预测质量，数值越低通常表示预测性能越好，适合理解自回归语言模型评估。
- [Softmax 函数原理详解：多分类概率输出](https://www.qianwenai.com/discover/what-is-softmax.md): Softmax 函数把数值向量归一化为概率分布，常用于多分类概率输出。它让各类别概率之和为 1，并常见于神经网络输出层，适合理解类别判断与 softmax 回归基础。
- [交叉熵损失原理入门：分类模型如何衡量误差并参与训练](https://www.qianwenai.com/discover/what-is-cross-entropy-loss.md): 交叉熵损失是衡量真实类别分布与模型预测分布差异的分类损失函数。它为参数优化提供信号，适合理解二分类与多分类任务的训练目标。
- [位置编码原理详解：Transformer 理解序列顺序的关键机制](https://www.qianwenai.com/discover/what-is-positional-encoding.md): 位置编码是向 Transformer 注入词汇位置信息的技术，用于补充 token 在序列中的顺序线索。它通过与数据表示合并，表达绝对位置与相对位置，适合理解词序变化、上下文顺序和 Transformer 序列建模。
- [上下文学习原理详解：无需微调，用少量示例引导大模型完成任务](https://www.qianwenai.com/discover/what-is-in-context-learning.md): 上下文学习是在提示中加入示例，让大语言模型按上下文完成新任务的方法。它利用输入输出对或情境示例设定任务，适合少样本任务和提示工程入门。
- [DPO 原理详解：直接偏好优化如何让大模型对齐人类偏好](https://www.qianwenai.com/discover/what-is-dpo.md): DPO 是用人类偏好数据微调大模型的对齐方法。它通过配对比较数据直接优化模型输出倾向，减少复杂奖励建模依赖。适合了解大模型对齐、训练数据准备与模型微调取舍。
- [Logit 是什么：从几率对数到逻辑回归应用](https://www.qianwenai.com/discover/what-is-logit.md): Logit 是把事件概率转换为几率对数的函数。它与 Sigmoid 互为反函数，可帮助理解逻辑回归在二分类任务中如何估计发生可能性。
- [贪心解码：理解 Greedy Decoding 的原理与应用场景](https://www.qianwenai.com/discover/what-is-greedy-decoding.md): 贪心解码是一种序列生成策略。它每一步选择概率最高或最大 logit 的 token，可结合重复惩罚等调整。适合理解大模型文本生成、Beam Search 区别与场景判断。
- [Beam Search 原理详解：束宽如何影响生成](https://www.qianwenai.com/discover/what-is-beam-search.md): Beam Search（束搜索）是贪心搜索的改进解码方法，在预测阶段按束宽保留多个高概率候选序列，适合理解机器翻译生成、束宽如何影响预测及剪枝局限。
- [Sampling 采样解码原理详解：参数作用与应用场景](https://www.qianwenai.com/discover/what-is-sampling-decoding.md): Sampling 采样解码是一种按概率分布随机选择下一个 token 的生成策略。它通过 Top-K、Top-P 与 Temperature 调节候选范围和分布形态，帮助理解文本生成与参数调试。
- [Stop Sequence：控制模型停止生成的关键机制](https://www.qianwenai.com/discover/what-is-stop-sequence.md): Stop Sequence 是预设字符序列，用于让模型在生成过程中停止输出。它通过停止信号控制响应长度和结构，适合提示工程、结构化输出和智能体流程边界控制。
- [结构化输出原理详解：大模型如何生成机器可读结果](https://www.qianwenai.com/discover/what-is-structured-output.md): 结构化输出是用 schema 或特定格式约束大模型回复的方法，强调固定字段、清晰层次和机器可读结果，适合数据提取、结构化分类等场景。
- [稠密检索入门：从稠密向量理解语义召回原理与应用场景](https://www.qianwenai.com/discover/what-is-dense-retrieval.md): 稠密检索是用稠密向量表达文本语义的检索方法。它通过文本向量化和相似度计算召回相关文档，并可与稀疏向量混合检索配合，适合问答、语料检索等场景入门。
- [稀疏检索原理详解：定义、向量区别与应用场景](https://www.qianwenai.com/discover/what-is-sparse-retrieval.md): 稀疏检索是一种依赖离散显式特征的文本检索方法。通过稀疏向量表达关键词等可解释信号，并可结合 SPLADE 词项扩展，适合搜索、NLP 与推荐系统选型。
- [BM25 算法原理详解：相关性打分与应用](https://www.qianwenai.com/discover/what-is-bm25.md): BM25 是文本相关性排序的概率检索算法。它综合词频、逆文档频率和文档长度，并通过词频饱和机制改善 TF-IDF 得分，适合理解搜索排序和混合检索。
- [语义搜索入门：理解意图匹配的原理、流程与应用场景](https://www.qianwenai.com/discover/what-is-semantic-search.md): 语义搜索是一种理解查询含义和用户意图的 AI 搜索技术。它通过嵌入和向量特征提取匹配相关内容。本文说明语义搜索与关键词搜索有什么区别，适合希望了解文档检索和电商搜索的读者入门。
- [ANN Search 是什么：近似最近邻搜索与适用场景](https://www.qianwenai.com/discover/what-is-ann-search.md): ANN Search 是近似最近邻搜索，用于在向量数据中快速找到相近结果。它以可接受误差换取检索速度，帮助判断 ANN 与 kNN 的区别和大数据集检索选型。
- [HNSW 原理详解：高维向量检索的图索引方法](https://www.qianwenai.com/discover/what-is-hnsw.md): HNSW 是一种基于图的向量索引算法。通过多层图结构与分层跳跃搜索加速高维向量检索，帮助读者理解原理、优势、适用场景和内存取舍。
- [向量索引原理详解：定义、常见结构与大规模语义检索应用指南](https://www.qianwenai.com/discover/what-is-vector-index.md): 向量索引是提升向量搜索和相似性查询效率的数据结构。它通过组织向量并结合 ANN 算法加快近邻查找，适合理解大规模语义检索与 Top K 结果验证。
- [Agent Loop 原理详解：智能体循环如何驱动任务](https://www.qianwenai.com/discover/what-is-agent-loop.md): Agent Loop 是智能体围绕目标反复推理、行动并观察结果的循环机制。常以 ReAct 思考、行动、观察闭环推进多步任务，帮助开发者理解工具调用、权限控制和成本限制。
- [Agent Routing 原理详解：智能体路由机制](https://www.qianwenai.com/discover/what-is-agent-routing.md): Agent Routing 是在运行时按请求内容或条件选择智能体、模型或后续动作的机制。它用动态评估替代固定流程，适合多智能体协作、模型选择与资源配置优化。
- [Agent Handoff 原理详解：智能体交接如何工作](https://www.qianwenai.com/discover/what-is-agent-handoff.md): Agent Handoff 是智能体交接机制，指一个智能体委派部分对话或任务。本文梳理 Handoff 工作流程、上下文传递与客户支持智能体分流，帮助理解多智能体协作。
- [Planner-Executor：Agent 任务规划与执行框架](https://www.qianwenai.com/discover/what-is-planner-executor.md): Planner-Executor 是将 Agent 任务先规划再执行的设计模式。通过任务分解、步骤执行与结果反馈支持动态调整，适合理解复杂任务型 AI Agent 架构。
- [连续批处理原理详解：提升大模型推理吞吐与利用率](https://www.qianwenai.com/discover/what-is-continuous-batching.md): 连续批处理是一种面向推理服务的调度优化技术。它让请求在生成步动态加入或退出批次，提高吞吐和硬件利用率，帮助理解连续批处理与静态批处理的区别。
- [动态批处理原理详解：提升 LLM 推理吞吐与 GPU 利用率](https://www.qianwenai.com/discover/what-is-dynamic-batching.md): 动态批处理是在运行时合并多个推理请求的服务端机制。本文解释动态批处理原理、Continuous Batching 区别，以及 LLM 推理吞吐优化中的部署取舍。
- [Prefix Caching：LLM 推理中的前缀缓存机制](https://www.qianwenai.com/discover/what-is-prefix-caching.md): Prefix Caching 是 LLM 推理中的前缀缓存方法。它通过 KV Cache 复用机制减少公共提示词重复计算，适合多轮对话、固定 System Prompt 与长上下文推理。
- [语义缓存原理详解：面向 LLM 应用的相似请求响应复用](https://www.qianwenai.com/discover/what-is-semantic-cache.md): 语义缓存是一种按查询含义复用回答的优化技术。它通过向量相似性搜索匹配历史请求与结果，适合 LLM 应用、API 代理和知识库检索场景。
- [混合精度原理详解：AI 训练加速、显存优化与应用场景](https://www.qianwenai.com/discover/what-is-mixed-precision.md): 混合精度是在模型训练中为不同运算使用不同数值精度的策略。常结合 FP32 与 FP16 平衡训练加速、显存优化和精度验证，适合深度学习训练优化入门。
- [数据并行原理详解：从批次切分到多卡训练与推理应用场景](https://www.qianwenai.com/discover/what-is-data-parallelism.md): 数据并行是一种按 batch 维度切分数据的并行方式。各设备保留完整模型并处理不同数据子集，适合理解多卡训练和 AI 推理请求分摊。
- [张量并行原理详解：大模型训练中的张量切分与通信成本优化](https://www.qianwenai.com/discover/what-is-tensor-parallelism.md): 张量并行是将模型张量按维度切分到多设备的分布式训练方法。它通过分片协同计算降低单设备显存消耗，并在高维或 3D 并行中关注通信成本优化。
- [流水线并行原理详解：模型拆分流程与大模型训练应用场景](https://www.qianwenai.com/discover/what-is-pipeline-parallelism.md): 流水线并行是将模型层或算子拆成阶段并映射到不同设备的并行方式。它沿设备链路传递中间结果，降低单设备显存压力。适合理解大模型训练中的模型拆分、分布式训练与数据并行差异。
- [TTFT：首 Token 延迟定义、原理与应用场景](https://www.qianwenai.com/discover/what-is-ttft.md): TTFT 是从请求或 prompt 输入到首个 token 返回的首 Token 延迟。它受 Prefill、排队和调度影响，理解 TTFT 与每 Token 延迟区别，有助于评估聊天机器人响应体验。
- [TPOT 指标详解：每输出 Token 时间的定义与应用](https://www.qianwenai.com/discover/what-is-tpot.md): TPOT 是衡量首 token 后相邻输出 token 平均间隔的延迟指标，刻画流式响应解码节奏。理解 TPOT 与 TTFT 的区别，有助于评估大模型推理监控中的用户体感。
- [不当输出处理原理详解：LLM 输出验证、清洗与执行风险控制](https://www.qianwenai.com/discover/improper-output-handling.md): 不当输出处理指 LLM 输出缺少验证、清洗、编码和控制。本文梳理 LLM 输出验证、浏览器脚本和系统级脚本风险，帮助开发者建立输出安全边界。
- [过度代理权限风险解析：LLM 与 AI Agent 治理要点](https://www.qianwenai.com/discover/what-is-excessive-agency.md): 过度代理权限是 LLM 或 AI Agent 被授予超出必要范围的能力、权限或自主性。说明工具调用和外部系统交互如何放大风险，适合理解 AI Agent 权限控制与安全治理。
- [敏感信息泄露是什么：LLM 场景下的风险与防护机制](https://www.qianwenai.com/discover/what-is-sensitive-information-disclosure.md): 敏感信息泄露指敏感数据被不当披露的风险，常见于 LLM 回答、训练数据或用户会话。本文梳理敏感数据发现、分类定位、DLP 与 WAF 检测的基本思路。
- [Model Card：模型卡的定义、作用与用法](https://www.qianwenai.com/discover/what-is-model-card.md): Model Card 是记录机器学习模型关键细节的结构化文档，集中呈现开发过程、性能与生命周期信息，帮助团队完成模型管理、报告和复现。
- [Data Card：数据卡与数据集透明文档](https://www.qianwenai.com/discover/what-is-data-card.md): Data Card 是面向机器学习数据集的结构化摘要。它记录数据形成过程、背景与上下文，适合理解数据集透明度、负责任 AI 开发和模型沟通。
- [AI BOM：AI 物料清单定义、构成与治理价值](https://www.qianwenai.com/discover/what-is-ai-bom.md): AI BOM 是记录 AI 系统组件与生命周期信息的物料清单。它区别于 SBOM，聚合数据集、许可、敏感性分类和模型架构，适合模型治理与 AI 供应链透明化。
- [差分隐私原理详解：定义、噪声保护与大规模数据分析应用场景](https://www.qianwenai.com/discover/what-is-differential-privacy.md): 差分隐私是一种通过噪声保护个体信息的统计框架。它在聚合结果中加入干扰，降低识别具体记录的机会，适用于计数查询、直方图分析和大规模数据分析。
- [联邦学习：保护隐私并打破数据孤岛的协作训练方法](https://www.qianwenai.com/discover/what-is-federated-learning.md): 联邦学习是一种分布式机器学习方法，通过本地训练与中央聚合，在不共享原始数据的情况下训练共享模型，适合理解联邦学习工作原理、隐私保护协作建模和数据孤岛治理。
- [机密计算原理详解：TEE 如何保护使用中的数据](https://www.qianwenai.com/discover/what-is-confidential-computing.md): 机密计算是借助硬件级 TEE 保护使用中数据的安全方法。它通过隔离环境、内存加密和远程证明降低未授权访问风险，适合敏感数据 AI 与多方数据分析。
- [数据最小化原则详解：定义原理、收益与全生命周期治理](https://www.qianwenai.com/discover/what-is-data-minimization.md): 数据最小化是只为特定目的收集、处理和存储必要个人数据的原则。以目的确认和数据生命周期治理限制范围，帮助团队降低隐私风险与成本。
- [Accuracy（准确率）详解：定义、公式与适用场景](https://www.qianwenai.com/discover/what-is-accuracy.md): Accuracy（准确率）是衡量预测正确比例的分类评估指标。本文结合混淆矩阵解释准确率公式，并说明样本不平衡时如何结合精确率、召回率和 F1 分数。
- [Precision（精确率）原理详解：定义公式与应用](https://www.qianwenai.com/discover/what-is-precision.md): Precision（精确率）衡量预测为正的结果中有多少真正为正。它通过 TP 与 FP 解释误报，并帮助理解精确率与召回率区别、F1 分数和对象检测评估。
- [Recall 召回率：从定义原理到搜索推荐应用](https://www.qianwenai.com/discover/what-is-recall.md): Recall 召回率是衡量实际正例或应返回项目被找回比例的指标。它关注系统是否漏掉目标结果，适合用于分类模型、信息检索、搜索相关性评测与推荐系统理解。
- [F1 Score：理解分类模型评估中的平衡指标](https://www.qianwenai.com/discover/what-is-f1-score.md): F1 Score 是评估分类模型性能的机器学习指标。它用调和平均整合精确率与召回率，形成单一评价结果。适合数据不平衡、需同时关注误报和漏报的模型比较与质量判断。
- [混淆矩阵：Confusion Matrix 分类评估原理与指标](https://www.qianwenai.com/discover/what-is-confusion-matrix.md): 混淆矩阵是对比真实类别与预测类别的分类模型评估表。它统计正确和错误样本，并支撑准确率、精确率、召回率计算，适合二分类与多分类模型诊断。
- [ROC-AUC是什么：从曲线下面积理解分类模型评估](https://www.qianwenai.com/discover/what-is-roc-auc.md): ROC-AUC 是分类模型评估指标，表示 ROC 曲线下面积。它结合 TPR、FPR 与阈值变化概括整体排序能力，适合理解模型区分效果。
- [Groundedness 有据性：定义、原理与 RAG 应用](https://www.qianwenai.com/discover/what-is-groundedness.md): Groundedness 有据性指回答紧密遵循给定信息，避免无依据推测或编造。它围绕 query、response、context 做检索上下文一致性检查，适合 RAG 评估与知识问答质量检查。
- [Faithfulness 忠实度：判断大模型回答是否有依据](https://www.qianwenai.com/discover/what-is-faithfulness.md): Faithfulness 忠实度用于衡量模型输出是否基于上下文。它关注回答与源材料的一致性和依据关系，适合用于 RAG 忠实度评估、问答、摘要等大模型幻觉评估场景。
- [Toxicity 毒性指标：定义、语境与应用](https://www.qianwenai.com/discover/what-is-toxicity-metric.md): Toxicity 毒性指标用于识别可能有害、令人反感或不恰当的内容，也可指毒性测试中的生物毒性表达，帮助区分内容安全检测、TU 毒性单位与 EC50 等语境。

## Optional

- [sitemap 索引](https://www.qianwenai.com/sitemap/qianwenai/www/www-index.xml): 官网全量 URL 发现入口，含 www、discover、manual 三个子 sitemap。
- [robots.txt](https://www.qianwenai.com/robots.txt): 其中声明的 sitemap 为 mini-www-index.xml，与上文索引内容一致。