---
title: "Qwen2.5-Omni"
description: "阿里通义千问的全模态 7B：文本、图像、音频、视频进。WorldFoundry 记录的是文本响应路径——prompt 加可选图像或视频，JSON 出。"
modelId: "qwen2.5-omni"
pageSource: authored
---
Qwen2.5-Omni 是阿里通义千问的端到端全模态模型。官方论文是 [Qwen2.5-Omni Technical Report](https://arxiv.org/abs/2503.20215)（arXiv 2503.20215）。代码与模型卡见 [QwenLM/Qwen2.5-Omni](https://github.com/QwenLM/Qwen2.5-Omni) 与 [Qwen/Qwen2.5-Omni-7B](https://huggingface.co/Qwen/Qwen2.5-Omni-7B)。在本 catalog 中它是**理解 / 推理**条目——不是视频生成器——产物为 `model_response`。别名 `qwen2p5-omni`、`qwen2p5_omni`、`Qwen/Qwen2.5-Omni-7B` 解析到本页。
论文描述的是 **Thinker-Talker** 栈，并用 **TMRoPE**（时间对齐的多模态 RoPE）让音频与视频共用同一时钟。官方能力是感知**文本、图像、音频、视频**，并可同时流式输出**文本与语音**。TMRoPE 里音频帧按 **40 ms** 一个 temporal id 对齐。WorldFoundry 只接通**文本响应**路径：必填 `prompt`，可选 `image` / `video`，产物 `qwen2.5-omni.json`。记录的权重是 **7B** 版本。本 catalog 未记录许可证；Hugging Face 卡片元数据为 `other`——生产使用前请自行核对。
## 用来做什么
为其他 catalog 条目生成的静帧或片段做描述、追问或质检。记录的任务 profile 是 `multimodal-reasoning`（默认）、`audio-reasoning`、`image-question-answering`、`video-question-answering`。四条线共用同一输入契约，经 `Qwen25OmniPipeline` 写出 `qwen2.5-omni.json`。
先就位 `Qwen/Qwen2.5-Omni-7B`。缺失权重在运行时报告，runner 不会自动下载。7B 规模按单张现代 GPU 设计。
`audio-reasoning` 只是 catalog 任务名。记录的 WorldFoundry 字段仍没有 `audio` 输入——不要把本页当成已验证的语音进 / 语音出配方。
## 运行时契约
后端是官方 Hugging Face Transformers 运行时（`official_hf_transformers_runtime`）。加载方式为 `from_pretrained`。状态：**Runner 一致性待确认**——本工作区尚未完成带 checkpoint 的 GPU 产物验证。Talker / 流式语音解码不在记录路径里。
## 在 WorldFoundry 中运行
在统一环境 `worldfoundry-unified-cu128`（Python 3.11，CUDA 12.8）里运行 `worldfoundry-eval run qwen2.5-omni --pipeline.task-profile multimodal-reasoning`。准备 / 检查可用 `bash scripts/inference/prepare_model_infer.sh qwen2.5-omni` 与 `worldfoundry-eval zoo model-show --model-id qwen2.5-omni`。