昨晚，AI 界估计又熬了个大夜，两大开源巨头纷纷发布最新模型（更新版本）。

• DeepSeek 发布 V3.1-Terminus（最终版） 版本。
• 阿里则是先后发布了Qwen-Image-Edit-2509（图片编辑）、Qwen3-Omni（全模态）、Qwen3-TTS-Flash（语音合成）。

下面带大家看看都有什么内容。

DeepSeek V3.1-Terminus

感觉 Terminus（最终版）这个命名充满了预言，3.1的终版，那 V4 应该快了，不过我估计 R2 应该不会出现了，应该会合并成单一模型发布。

主要改进如下：

• 语言一致性优化：修复此前版本中英文混杂、尤其是随机输出“极”字等异常字符的问题。
• Agent 能力提升：进一步优化了 Code Agent 与 Search Agent 的表现，这也坐实了前一阵传言的 DeepSeek 正在大力提升模型 Agent 能力。

模型已同步上线 Hugging Face 和 ModelScope 平台，官方App、网页端、API都可体验。

Qwen-Image-Edit-2509

相比于 8 月发布的 Qwen-Image-Edit，这次更新提升主要体现在：

• 多图编辑能力支持：直接把多张图拖进对话框，Qwen 能自动理解图片关系，并进行“无缝融合”，这对做电商、做营销的朋友来说，简直是效率神器。
• 单图一致性增强：无论是人脸、产品，还是文字，可以方便进行各种变换、编辑的同时，还能保证原有特征不丢失。
• 原生支持 ControlNet：经常做生图的朋友应该开心了，不需要再通过各种方式“嫁接”了。

Qwen3-Omni

看了发布，这个模型相比于之前发布的多模态模型，突破性在于它真正实现了全模态输入与输出的原生统一，这个感觉很有搞头，后续可以再深入研究下。

• 原生全模态：从预训练阶段就融合文本、图像、音频、视频，不降智、不拼接，真正实现多模态原生统一理解与生成。
• 强大的性能：在36项音视频基准测试中斩获32项开源SOTA、22项总榜SOTA，超越Gemini-2.5-Pro、GPT-4o等闭源模型，图像与文本能力同尺寸也达SOTA。
• 更快响应：端到端音频对话延迟低至211ms，视频对话仅507ms，实时交互体验拉满。
• 开源通用音频Captioner：同步开源Qwen3-Omni-30B-A3B-Captioner，低幻觉、高细节，填补开源社区通用音频描述模型空白。

Qwen3-TTS-Flash

这个咋看起来没有那么亮眼，但实际用起来还不错——尤其是天津话一开口，自带听相声氛围。

• 极速推理：专为低延迟场景优化，合成速度比常规TTS模型快数倍，适合实时对话、直播、游戏等强交互场景。
• 高自然度语音：在韵律、情感、语调上全面升级，输出语音更接近真人表达，告别机械感。
• 多语言&多方言支持：覆盖主流语种，并支持中文方言（如粤语、四川话等），满足全球化与本地化双重需求。
• 轻量高效：模型体积小、资源占用低，可在边缘设备或移动端流畅运行，部署门槛大大降低。

结语

虽然，国内的 AI 和国外闭源的竞品还有一些差距，但开源方面，DeepSeek 和 Qwen 的动作真的值得称赞。