#qwen — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #qwen, aggregated by home.social.
-
The AllSpark team released Iris-mini and Iris-pro, two open-source search agents built on Qwen models that lead benchmarks among open-weight models in their size classes.
Source: The Decoder AI
https://the-decoder.com/iris-mini-and-iris-pro-are-the-strongest-open-weight-search-agents-in-their-class/ -
«KI-Agenten führen git-Schadcode beim Starten automatisch aus:
Agenten von Claude, Qwen, Grok usw. starten in manipulierten Repositories automatisch Schadcode – ohne Zutun des Anwenders, aber mit dessen vollen Rechten.»Hach ja, so klever ist wohl der KI Einsatz. Auch wenn ich die KI permanent kritisiere gibt es sehr wohl deren nutzen zB bei Prototype Code.
#ki #git #prototype #schadcode #claude #qwen #grok #repository #automatisch #coding
-
🧪 LLM Benchmark Showdown: 5 lokale Ollama-Modelle im Vergleich
Getestet auf derselben Hardware (#gmktecevo2 #AMDRyzenAIMaxPlus395 #strixhalo):
• #GSM8K (100 Samples) — Math
• #BFCL (100/Kategorie) — Function Calling
• #MBPP+ (50) — Python Coding
• #HumanEval+ (20) — Python Coding📊 Ergebnisse (Accuracy / Output TK/s / VRAM):
**qwen3.8:27b**
GSM8K 82% | BFCL 91.5% | MBPP+ 100% | HE+ 100%
⚡ 25.5 TK/s | 💾 18 GB VRAM**qwen3.6:27b**
GSM8K 83% | BFCL 93% | MBPP+ 98% | HE+ 75%
⚡ 12.7 TK/s | 💾 33 GB VRAM**qwen3.6:35b**
GSM8K 84% | BFCL 90% | MBPP+ 98% | HE+ 55%
⚡ 61.8 TK/s | 💾 27 GB VRAM**ornith-1.5:35b**
GSM8K 75% | BFCL 92.5% | MBPP+ 78% | HE+ 0%
⚡ 63.6 TK/s | 💾 26 GB VRAM**nemotron-3.5-lightning:30b**
GSM8K 59% | BFCL 74% | MBPP+ 94% | HE+ 0%
⚡ 91.9 TK/s | 💾 26 GB VRAM🏆 Fazit:
qwen3.8:27b ist der klare Sieger — als einziges Modell 100% bei beiden Coding-Benchmarks, bei GSM8K/BFCL gleichauf mit den anderen Qwen-Modellen. Bei 25.5 TK/s und nur 18 GB VRAM das beste Qualität/Speed/Effizienz-Verhältnis.
qwen3.6:27b ist qualitativ nah dran (BFCL sogar 93%), aber mit 12.7 TK/s unerträglich langsam und frisst 33 GB VRAM — fast 2× so viel wie qwen3.8 bei halber Speed.
qwen3.6:35b ist mit 61.8 TK/s 2.4× schneller als qwen3.8, aber HE+ nur 55% (vs 100%). Trading Code-Qualität für Speed.
ornith-1.5:35b und nemotron-3.5-lightning:30b fallen bei Coding komplett durch (HE+ 0%), sind aber die schnellsten Modelle im Feld (64 / 92 TK/s).
💡 TK/s = generierte Tokens/Sekunde (Warm-Run, ollama --verbose).
💾 VRAM = GPU-Speicher bei max context (262K bzw. 1M bei nemotron). -
中等強國組「開源反抗軍」抗衡美中AI霸權，但這條路真的行得通嗎？TNL國際編譯 2026-07-13 18:58:00 CST
一封美國政府的信，讓Anthropic旗艦AI模型全球下架18天。加拿大、歐盟、英國決心押注開源突圍，Mozilla稱這群國家為「開源反抗軍」。但這個聯盟真的組得起來？
https://www.thenewslens.com/article/269151
#開源反抗軍 #開源AI #Meta #加拿大 #歐盟 #阿里巴巴 #Europa #中國 #Qwen #Llama #德國 #中等強國 #Mozilla #美國 #Fable 5 #OpenEuroLLM #Anthropic #科技 #大型語言模型 #英國 #日本 -
https://www.europesays.com/hu/163038/ Megváltozott, hogy mire használjuk az AI-t, és az új helyzet Kínának kedvez #ágens #ai #Aiágens #AiModell #alibaba #anthropic #baidu #Business #bytedance #chipháború #claude #DeepSeek #EgyesültÁllamok #ElonMusk #gazdaság #HU #HumanoidRobot #Hungarian #Hungary #kína #KínaiAi #kódolás #LLM #Magyar #Magyarország #MesterségesIntelligencia #minimax #moonshot #openrouter #qwen #robot #robotika #tech #tencent #USA #Vállalkozás #Xiaomi #ZAi #zhipu
-
RT @Alibaba_Qwen: 📣📣 Lernen Sie Qwen-AgentWorld kennen – ein natives Sprach-Weltmodell, das 7 Agent-Umgebungen (MCP, Suche, Terminal, SWE, Web, Betriebssystem, Android) in einem einzigen Modell simuliert. Die Modellierung von Umgebungen war von Anfang an das Trainingsziel, keine nachträgliche Anpassung. 🤔 LLMs werden darauf trainiert, bessere Agenten zu sein – also besser im Handeln innerhalb von Umgebungen. Doch niemand hat sie bisher darauf trainiert, die Umgebungen selbst zu modellieren. 🗺️ Unsere Roadmap: Wir untersuchen, wie das Modellieren von Sprachwelten die Grenzen allgemeiner Agenten-Fähigkeiten erweitern kann, und zwar auf zwei Wegen: 1️⃣ Aufbau eines Foundation-Modells für die Umgebungs-Simulation – das auf AgentWorldBench Claude Opus 4.8 und GPT-5.4 übertrifft 2️⃣ Untersuchung, wie Weltmodellierung das Training von Agenten verbessert: 🔬 Kontrollierbares Sim-RL (agentic RL mit LWM als Umgebungen) schlägt das Training in realen Umgebungen 🧠 Das Lernen, Umgebungen vorherzusagen (LWM-Warm-up), macht Agenten stärker – bemerkenswerterweise überträgt sich dieses prädiktive Wissen sogar ohne jegliches agentenspezifisches Fine-Tuning nahtlos auf agentic Aufgaben 📑 Paper: https://arxiv.org/abs/2606.24597 📖 Blog: https://qwen.ai/blog?id=qwen-agentworld 💻 GitHub: https://github.com/QwenLM/Qwen-AgentWorld 🤗 HuggingFace: https://huggingface.co/collections/Qwen/qwen-agentworld 🧩 ModelScope: https://modelscope.cn/collections/Qwen/Qwen-AgentWorld
mehr auf Arint.info
#Agenten #KI #MaschinellesLernen #OpenSourceKI #Qwen #TechInnovation #arint_info
-
RT @Alibaba_Qwen: 📣📣 Lernen Sie Qwen-AgentWorld kennen – ein natives Sprach-Weltmodell, das 7 Agent-Umgebungen (MCP, Suche, Terminal, SWE, Web, Betriebssystem, Android) in einem einzigen Modell simuliert. Die Modellierung von Umgebungen war von Anfang an das Trainingsziel, keine nachträgliche Anpassung. 🤔 LLMs werden darauf trainiert, bessere Agenten zu sein – also besser im Handeln innerhalb von Umgebungen. Doch niemand hat sie bisher darauf trainiert, die Umgebungen selbst zu modellieren. 🗺️ Unsere Roadmap: Wir untersuchen, wie das Modellieren von Sprachwelten die Grenzen allgemeiner Agenten-Fähigkeiten erweitern kann, und zwar auf zwei Wegen: 1️⃣ Aufbau eines Foundation-Modells für die Umgebungs-Simulation – das auf AgentWorldBench Claude Opus 4.8 und GPT-5.4 übertrifft 2️⃣ Untersuchung, wie Weltmodellierung das Training von Agenten verbessert: 🔬 Kontrollierbares Sim-RL (agentic RL mit LWM als Umgebungen) schlägt das Training in realen Umgebungen 🧠 Das Lernen, Umgebungen vorherzusagen (LWM-Warm-up), macht Agenten stärker – bemerkenswerterweise überträgt sich dieses prädiktive Wissen sogar ohne jegliches agentenspezifisches Fine-Tuning nahtlos auf agentic Aufgaben 📑 Paper: https://arxiv.org/abs/2606.24597 📖 Blog: https://qwen.ai/blog?id=qwen-agentworld 💻 GitHub: https://github.com/QwenLM/Qwen-AgentWorld 🤗 HuggingFace: https://huggingface.co/collections/Qwen/qwen-agentworld 🧩 ModelScope: https://modelscope.cn/collections/Qwen/Qwen-AgentWorld
mehr auf Arint.info
#Agenten #KI #MaschinellesLernen #OpenSourceKI #Qwen #TechInnovation #arint_info
-
RT @Alibaba_Qwen: 📣📣 Lernen Sie Qwen-AgentWorld kennen – ein natives Sprach-Weltmodell, das 7 Agent-Umgebungen (MCP, Suche, Terminal, SWE, Web, Betriebssystem, Android) in einem einzigen Modell simuliert. Die Modellierung von Umgebungen war von Anfang an das Trainingsziel, keine nachträgliche Anpassung. 🤔 LLMs werden darauf trainiert, bessere Agenten zu sein – also besser im Handeln innerhalb von Umgebungen. Doch niemand hat sie bisher darauf trainiert, die Umgebungen selbst zu modellieren. 🗺️ Unsere Roadmap: Wir untersuchen, wie das Modellieren von Sprachwelten die Grenzen allgemeiner Agenten-Fähigkeiten erweitern kann, und zwar auf zwei Wegen: 1️⃣ Aufbau eines Foundation-Modells für die Umgebungs-Simulation – das auf AgentWorldBench Claude Opus 4.8 und GPT-5.4 übertrifft 2️⃣ Untersuchung, wie Weltmodellierung das Training von Agenten verbessert: 🔬 Kontrollierbares Sim-RL (agentic RL mit LWM als Umgebungen) schlägt das Training in realen Umgebungen 🧠 Das Lernen, Umgebungen vorherzusagen (LWM-Warm-up), macht Agenten stärker – bemerkenswerterweise überträgt sich dieses prädiktive Wissen sogar ohne jegliches agentenspezifisches Fine-Tuning nahtlos auf agentic Aufgaben 📑 Paper: https://arxiv.org/abs/2606.24597 📖 Blog: https://qwen.ai/blog?id=qwen-agentworld 💻 GitHub: https://github.com/QwenLM/Qwen-AgentWorld 🤗 HuggingFace: https://huggingface.co/collections/Qwen/qwen-agentworld 🧩 ModelScope: https://modelscope.cn/collections/Qwen/Qwen-AgentWorld
mehr auf Arint.info
#Agenten #KI #MaschinellesLernen #OpenSourceKI #Qwen #TechInnovation #arint_info
-
«ChatGPT с AliExpress» или лучшая нейросеть с открытым кодом: разбираемся в Qwen 3.7
Роли между популярными нейросетями более-менее распределены. ChatGPT остается главным универсальным помощником для большинства пользователей. Claude считается одним из лучших инструментов для программирования. Grok постепенно превращается в встроенного собеседника для аудитории X. А DeepSeek завоевал популярность как мощная и при этом относительно недорогая альтернатива американским моделям. Кому нужна еще одна китайская нейросеть — Qwen? Разбираемся, что это такое, чем она отличается от DeepSeek и может ли занять свое место на переполненном рынке нейросетей.
https://habr.com/ru/articles/1046179/
#нейросети #ИИ #искусственный_интеллект #Qwen #Alibaba #open_source_AI #LLM #AI_агенты #Computer_Use
-
https://winbuzzer.com/2026/06/06/alibaba-pitches-qwen37-plus-as-a-computer-use-ai-agent-xcxwbn/
Alibaba's new Qwen3.7-Plus model targets screen, coding, and cloud-console automation as computer-use AI pushes beyond browsers into app and terminal tasks.
#AI #Qwen37Plus #Qwen3 #Alibaba #Qwen #AIAutomation #AIAgents #MultimodalAI #AICoding #AIModels
-
Did Claude Opus 4.8 distill Alibaba's Qwen? Here's what the evidence says
https://blog.kilo.ai/p/did-claude-opus-48-distill-alibabas
#HackerNews #ClaudeOpus #Alibaba #Qwen #AIResearch #TechNews #EvidenceAnalysis
-
Tested Qwen2.5 Coder 14B on my Linux server. Same code, same prompt I used on DeepSeek R1 last week. 12 seconds. Consistent across 3 runs. Zero drama. It cleaned up the code nicely and didn't go insane.
Two models + same task = completely different personalities.
Now I understand why many devs use Qwen Coder as their tool of choice.Read below to find out how it can help you.
-
🦁📨 LöwenPost 43 - Sino Kolumne: Qwen AI ~ Great Wall Motor ~ Volkskongress
https://0cn.de/LoPo43
