Qwen – przewodnik po rodzinie modeli, która mówi, liczy, programuje i patrzy

Pod koniec września 2026 roku Qwen nie jest już pojedynczym czatem ani jedną wielką siecią neuronową schowaną za oknem przeglądarki. To dojrzała rodzina modeli sztucznej inteligencji, rozwijana przez Alibaba Cloud, która obejmuje zarówno małe modele do uruchomienia na własnym komputerze, jak i bardzo duże systemy dostępne przez interfejs programistyczny. Poniższy opis opiera się na publicznie udokumentowanych generacjach tej linii i na tym, jak została zaprojektowana. Nie dopowiada nieogłoszonych następców ani nie traktuje marketingowych haseł jak wyników laboratoryjnych.

Warto poznać Qwen nie tylko dlatego, że bywa porównywany z zamkniętymi modelami czołowych firm. Ważniejsze jest to, że duża część tej rodziny ma otwarte wagi (open weights). Można je pobrać, uruchomić u siebie, dotrenować i wbudować we własny produkt, zamiast wysyłać każde pytanie do cudzej chmury. Jednocześnie obok wag istnieje płatny dostęp chmurowy, więc ta sama nazwa oznacza czasem darmowy plik modelu, a czasem usługę, za którą płaci się od zużytych fragmentów tekstu.

Skąd wzięło się Qwen i kto za nim stoi

Nazwa Qwen jest międzynarodowym skrótem od chińskiego Tongyi Qianwen. W wolnym przekładzie Qianwen znaczy „tysiąc pytań”. Dobrze oddaje to pierwotny zamysł: zbudować system, który odpowiada na bardzo szeroki zakres pytań, od zwykłej rozmowy po zadania wymagające wiedzy specjalistycznej. Za modelem stoi zespół związany z Alibaba Cloud, czyli chmurową częścią grupy Alibaba. Publiczny czat i wczesne zapowiedzi pojawiły się w 2023 roku, a niedługo potem firma zaczęła udostępniać kolejne modele także poza własną platformą.

To rozróżnienie jest ważne. Qwen nie narodził się jako projekt hobbystyczny, tylko jako model dużej firmy technologicznej, która ma własne centra danych, własną chmurę i własny produkt konwersacyjny. Z czasem jednak linia wyszła poza zamknięty czat. Kolejne generacje trafiały do repozytoriów takich jak Hugging Face i ModelScope, a potem do narzędzi, którymi programiści uruchamiają modele lokalnie. Dzięki temu Qwen stał się częścią szerszego ekosystemu otwartych modeli, obok rodzin tworzonych przez inne firmy i ośrodki badawcze.

Na początku łatwo pomylić nazwę modelu z nazwą usługi. Qwen-Chat i późniejsze witryny demonstracyjne to interfejsy, w których można porozmawiać z modelem. Same modele to zestawy wyuczonych parametrów, czasem uzupełnione o instrukcję obsługi, szablon rozmowy i opis licencji. Ten sam trzon może mieć wersję bazową, jeszcze nieprzyuczoną do uprzejmego dialogu, oraz wersję instruct, czyli dopracowaną tak, by słuchała poleceń użytkownika. Do tego dochodzą warianty wyspecjalizowane: do kodu, matematyki, obrazu albo dźwięku. Mówienie o „modelu Qwen” w liczbie pojedynczej jest więc wygodne, ale nieprecyzyjne. To raczej marka i wspólna linia rozwojowa.

Jak są zbudowane kolejne generacje i dlaczego wielkość nie mówi wszystkiego

Pod względem architektury Qwen należy do tej samej szerokiej rodziny co większość współczesnych dużych modeli językowych. Jest to sieć typu decoder-only, czyli dekoderowy transformer, który przewiduje kolejne fragmenty tekstu na podstawie tego, co już widzi. Nie „rozumie” zdania tak, jak rozumie je człowiek. Uczy się statystycznych zależności w ogromnym zbiorze tekstów, kodu i innych danych, a potem generuje ciąg, który jest prawdopodobny w danym kontekście. Przy wystarczającej skali i starannym dotrenowaniu ten mechanizm daje odpowiedzi sprawiające wrażenie rozumowania, streszczenia, tłumaczenia albo pisania programu.

Tekst nie wchodzi do modelu jako całe słowa. Jest dzielony na tokeny (tokens), czyli kawałki tekstu: czasem całe słowo, czasem sylabę, znak albo częsty fragment. Od generacji Qwen2 słownik tokenów jest bardzo duży, rzędu około 150 tysięcy pozycji. Ma to praktyczny sens w modelu wielojęzycznym. Języki o innym piśmie i innej budowie wyrazów da się wtedy zapisać krócej, a krótszy zapis oznacza mniej obliczeń i często lepszą jakość. Dla użytkownika token jest też jednostką rozliczeniową w chmurze i jednostką, w której mierzy się długość rozmowy.

Kolejne generacje nie były drobnymi poprawkami tej samej sieci. W 2023 roku pojawiły się pierwsze otwarte modele Qwen, w tym większy wariant około 72 miliardów parametrów oraz wczesne modele wzroku i dźwięku. Na początku 2024 roku linia Qwen1.5 uporządkowała rodzinę od modeli bardzo małych do bardzo dużych i poprawiła prowadzenie dialogu. Latem 2024 roku Qwen2 wyraźnie podniósł jakość kodu, matematyki i wielu języków, a część większych modeli dostała długie okno kontekstu (context window), czyli zdolność uwzględnienia bardzo długiego tekstu w jednym zadaniu.

Jesienią 2024 roku wyszła generacja Qwen2.5. Według publicznych materiałów twórców jej wstępne treningi objęły rząd wielkości 18 bilionów tokenów. W praktyce oznaczało to szerszą wiedzę, lepsze wykonywanie poleceń, sprawniejsze tworzenie uporządkowanych odpowiedzi i mocniejszy kod oraz matematykę niż w Qwen2. W tej generacji rozpiętość rozmiarów była już bardzo czytelna: od ułamka miliarda parametrów, przez modele kilku-, kilkunasto- i 32-miliardowe, po gęsty model 72-miliardowy. Obok nich istniały warianty dostępne głównie jako usługa, w tym duży model ekspercki przedstawiany na początku 2025 roku pod nazwą Qwen2.5-Max.

Wiosną 2025 roku linia językowa przeszła do Qwen3. Publiczne opisy mówiły o jeszcze większym treningu wstępnym, rzędu 36 bilionów tokenów, i o obsłudze bardzo szerokiego zestawu języków oraz dialektów. Największy otwarty wariant tej generacji, Qwen3-235B-A22B, ma około 235 miliardów parametrów łącznie, ale w jednym kroku uruchamia tylko około 22 miliardów. Mniejszy krewny, Qwen3-30B-A3B, działa według tej samej idei w skromniejszej skali. Obok nich pozostały modele gęste, od ułamka miliarda do 32 miliardów parametrów.

Ta różnica między modelem gęstym a modelem z mieszanką ekspertów (mixture of experts) jest jedną z najważniejszych rzeczy, jakie trzeba rozumieć przy Qwen. W modelu gęstym praktycznie wszystkie parametry biorą udział w obliczeniu odpowiedzi. W modelu eksperckim sieć składa się z wielu wyspecjalizowanych bloków, a dla każdego tokenu wybierana jest tylko niewielka ich część. Model może więc przechowywać więcej wiedzy, niż sugerowałby koszt pojedynczej odpowiedzi. Nazwa z członem „A22B” albo „A3B” właśnie to komunikuje: nie pełną masę parametrów, lecz liczbę parametrów aktywnych w jednym kroku. Dzięki temu duży model ekspercki bywa tańszy w użyciu niż gęsty model o podobnej liczbie wszystkich parametrów, choć nadal wymaga poważnej infrastruktury, jeśli ma działać szybko.

Wspólne dla nowszych generacji są też rozwiązania typowe dla współczesnych transformerów: uwaga z grupowaniem zapytań, czyli grouped-query attention, obrotowe kodowanie pozycji RoPE, normalizacja RMSNorm i aktywacja w rodzinie SwiGLU. Nie trzeba znać tych nazw, żeby korzystać z modelu. Warto jednak wiedzieć, że nie są ozdobnikiem. Pozwalają utrzymać jakość przy długim tekście i ograniczyć zużycie pamięci względem starszych, prostszych wariantów architektury.

Sam trening też ma warstwy. Najpierw jest trening wstępny na ogromnej mieszaninie stron internetowych, książek, kodu i innych materiałów. Potem następuje dotrenowanie instrukcji (fine-tuning oraz uczenie na przykładach poleceń) i dalsze dopasowanie, w tym metody zbliżone do uczenia ze sprzężeniem od ludzi albo od innych modeli. W Qwen3 doszło do tego wyraźne treningowanie pod dłuższe rozumowanie. Efekt nie polega na tym, że model „budzi się” jako świadomy rozmówca. Efekt polega na tym, że zanim poda końcową odpowiedź, potrafi wygenerować pomocniczy ciąg, w którym rozkłada zadanie na kroki.

Tekst, kod, matematyka, obraz i dźwięk jako osobne rzemiosła

Najbardziej znana jest linia językowa, ale Qwen od wczesnych miesięcy był budowany także jako rodzina multimodalna. Model językowy przyjmuje tekst i zwraca tekst. Model wzrokowy przyjmuje dodatkowo obraz, a czasem klatki wideo, i łączy je z pytaniem. Model dźwiękowy albo model typu omni dokłada mowę i inne sygnały. To nie jest jeden przełącznik w tym samym pliku. To zwykle osobno trenowane warianty, które dzielą rodowód, nazewnictwo i część metod, ale mają inne wejścia i inne mocne strony.

W tekście nowsze modele Qwen dobrze radzą sobie z zadaniami, których ludzie oczekują od dużego modelu językowego: streszczaniem, tłumaczeniem, przeredagowaniem, wyciąganiem informacji, odpowiadaniem na pytania z dostarczonego dokumentu i prowadzeniem wieloturowego dialogu. Szczególnie silne są w chińskim i angielskim. To naturalne, bo te języki dominują w danych i w zastosowaniach firmy. Nowsze generacje obejmują jednak znacznie szerszy zestaw języków. Polski nie jest ich centrum ciężkości, więc przy pracy po polsku rozsądnie jest sprawdzić model na własnych przykładach, zamiast zakładać, że wynik z angielskiego rankingu przeniesie się jeden do jednego.

Linia kodująca, zwłaszcza Qwen2.5-Coder, była trenowana tak, by lepiej pisać, wyjaśniać i poprawiać programy. Taki model przydaje się do szkicowania funkcji, tłumaczenia kodu między językami, pisania testów, czytania komunikatów o błędach i proponowania poprawek. Nie zastępuje jednak czytania dokumentacji ani uruchomienia programu. Kod wygenerowany przez model może wyglądać przekonująco i jednocześnie zawierać zły warunek brzegowy, nieaktualne wywołanie biblioteki albo lukę bezpieczeństwa. Przy Qwen, tak jak przy każdym modelu kodującym, obowiązuje zasada: im poważniejszy system, tym ważniejszy przegląd człowieka i test automatyczny.

Osobna linia matematyczna, Qwen2.5-Math, pokazuje inne podejście niż zwykły czat. Zamiast tylko „rozmawiać o liczbach”, modele tej gałęzi były dostrajane do rozwiązywania zadań i do oceniania kroków rozwiązania. W badaniach towarzyszyły im modele nagród, które pomagają odróżnić poprawne rozumowanie od zręcznie napisanej, ale fałszywej ścieżki. Dla ucznia albo analityka oznacza to lepsze wsparcie przy równaniach, dowodach i zadaniach konkursowych. Nie oznacza to nieomylności. Model matematyczny też potrafi zgubić znak, podstawić złą wartość albo uznać błędny krok za poprawny, zwłaszcza gdy zadanie jest nietypowe albo źle przepisane.

Wzrok rozwijał się od wczesnego Qwen-VL przez Qwen2-VL do Qwen2.5-VL. Te modele nie tylko opisują, co widać na zdjęciu. W mocniejszych wariantach czytają tekst z dokumentów, interpretują wykresy, wskazują elementy interfejsu i analizują dłuższy materiał wizualny, w tym wideo. Potrafią pracować na obrazach o różnej rozdzielczości, co ma znaczenie przy fakturach, tabelach i drobnym druku. W praktyce taki model może pomóc przepisać treść skanu, streścić slajd albo znaleźć na zrzucie ekranu przycisk, o który pyta użytkownik. Nadal myli podobne znaki, gubi wiersze gęstej tabeli i halucynuje szczegóły, których na obrazie nie ma. Przy dokumentach urzędowych, medycznych albo finansowych wynik trzeba porównać ze źródłem.

W 2025 roku rodzina doszła też do modeli łączących więcej niż jeden kanał, w tym do linii omni, która operuje tekstem, obrazem, dźwiękiem i wideo w bardziej zintegrowany sposób. To kierunek ważny dla asystentów głosowych i dla narzędzi, które mają jednocześnie słyszeć polecenie, widzieć ekran i odpowiadać mową. Integracja nie usuwa jednak granic poszczególnych zmysłów modelu. Mowa bywa źle rozpoznana w hałasie, obraz bywa źle związany z wypowiedzianym pytaniem, a płynna odpowiedź głosowa może ukryć niepewną treść. Im bardziej naturalny interfejs, tym łatwiej zapomnieć, że pod spodem nadal pracuje generator prawdopodobnych ciągów.

Tryb myślenia, długi kontekst i to, co model naprawdę robi z poleceniem

Qwen3 uprościł wybór, który wcześniej często oznaczał dwa osobne modele. W tej generacji ten sam model potrafi pracować w trybie zwykłym albo w trybie myślenia (thinking mode). W trybie zwykłym odpowiada szybciej i taniej. W trybie myślenia najpierw tworzy dłuższy, pomocniczy wywód, a dopiero potem odpowiedź końcową. Ten wywód bywa nazywany śladem rozumowania. Nie jest to wewnętrzna świadomość ani gwarancja prawdy. Jest to dodatkowy tekst, który model generuje, żeby lepiej rozplanować trudniejsze zadanie: obliczenie, analizę warunków, porównanie wariantów albo wieloetapowe użycie narzędzi.

Rozróżnienie ma znaczenie praktyczne. Proste streszczenie, poprawa stylu albo krótkie tłumaczenie zwykle nie potrzebuje długiego śladu. Zadanie z kilkoma ograniczeniami, pułapką logiczną albo kodem, który trzeba prześledzić, często zyskuje na trybie myślenia. Zyskuje też na koszt. Dłuższy ślad zużywa więcej tokenów, trwa dłużej i przy słabym poleceniu może zamienić się w rozwlekłe uzasadnienie błędnego wniosku. Dlatego sensowny interfejs pozwala wyłączyć myślenie tam, gdzie liczy się szybkość, i włączyć je tam, gdzie liczy się staranność. W materiałach Qwen3 pojawiały się także sposoby sterowania tym zachowaniem z poziomu szablonu rozmowy, w tym sygnały w rodzaju osobnego przełącznika trybu.

Długie okno kontekstu jest drugą cechą, którą łatwo przecenić. Większe modele Qwen2 i Qwen2.5 potrafiły przyjmować kontekst rzędu 128 tysięcy tokenów, a niektóre warianty chmurowe reklamowano z jeszcze dłuższym zasięgiem. To dość, by w jednym zadaniu zmieścić długi raport, obszerną korespondencję albo spory fragment repozytorium. Nie znaczy to, że model z jednakową uwagą widzi każde zdanie. Przy bardzo długich wejściach jakość bywa nierówna: treść z początku i końca jest zwykle łatwiejsza do wykorzystania niż szczegół schowany w środku. Zjawisko to opisuje się czasem jako lost in the middle. Dobry system nie wkleja więc bezmyślnie całego dysku do okna kontekstu. Wybiera fragmenty, porządkuje je i jasno mówi modelowi, czego ma szukać.

Nowsze modele instrukcyjne Qwen lepiej trzymają też format. Potrafią zwrócić odpowiedź jako obiekt JSON, wypełnić schemat, wywołać narzędzie albo rozdzielić odpowiedź od uzasadnienia. To jest fundament zastosowań agentowych, w których model nie tylko pisze tekst, ale prosi zewnętrzny system o wynik wyszukiwania, zapytanie do bazy albo wykonanie funkcji. Zespół Qwen udostępniał do tego własne narzędzia w rodzaju Qwen-Agent. Samo narzędzie nie czyni jednak agenta niezawodnym. Agent jest tak dobry, jak model, jak opis dostępnych funkcji i jak zabezpieczenia wokół nich. Model może wybrać złą funkcję, zmyślić argument albo powtórzyć działanie, jeśli pętla nie ma limitu.

Osobną kwestią jest wiedza o świecie. Model zna przede wszystkim to, co było w danych treningowych, oraz to, co użytkownik albo system dołączy do pytania. Nie ma stałego, żywego podglądu internetu, chyba że aplikacja specjalnie podłączy wyszukiwarkę. Data odcięcia wiedzy przesuwa się z generacji na generację, ale nigdy nie znika. Dlatego pytanie o bieżący kurs, aktualny przepis albo dzisiejszą wersję biblioteki wymaga źródła zewnętrznego. Bez niego model albo przyzna się do niepewności, albo — co groźniejsze — uzupełni lukę prawdopodobnym, lecz nieprawdziwym szczegółem.

Licencja, uruchomienie u siebie i rozsądne granice zaufania

Jedną z przyczyn popularności Qwen jest licencja. Wczesne modele bywały publikowane na warunkach własnej umowy, z ograniczeniami użycia. Od Qwen2 kluczowe otwarte modele tej linii są wydawane na licencji Apache 2.0. W dużym uproszczeniu pozwala ona używać modelu także komercyjnie, modyfikować go i włączać do własnych produktów, przy zachowaniu wymagań licencji, w tym informacji o prawach autorskich. To nie jest drobiazg prawny. Dla firmy różnica między „można testować” a „można wbudować w produkt” decyduje o tym, czy model w ogóle wchodzi w rachubę. Przed wdrożeniem i tak trzeba przeczytać licencję konkretnego pliku, bo nie każdy wariant oznaczony marką Qwen musi mieć te same warunki. Modele dostępne wyłącznie przez interfejs chmurowy rządzą się regulaminem usługi, a nie automatycznie licencją wag.

Otwarte wagi dają jeszcze inną korzyść: dane mogą zostać na własnej maszynie. Mały model Qwen, zwłaszcza po kwantyzacji (quantization), da się uruchomić na laptopie albo na pojedynczej karcie graficznej. Kwantyzacja zmniejsza precyzję liczb zapisanych w modelu, dzięki czemu plik zajmuje mniej pamięci. Formaty takie jak GGUF oraz metody w rodzaju AWQ i GPTQ są właśnie po to, by praktycznie korzystać z modelu bez serwera za dziesiątki tysięcy dolarów. Jakość po mocnej kwantyzacji zwykle spada, ale przy dobrze dobranym wariancie spadek bywa akceptowalny. Do lokalnego uruchamiania używa się między innymi narzędzi llama.cpp, Ollama, vLLM i SGLang oraz zwykłych bibliotek z ekosystemu Hugging Face.

Im większy model, tym bardziej ta swoboda staje się decyzją infrastrukturalną. Wariant 32-miliardowy i 72-miliardowy w pełnej precyzji wymaga już poważnej pamięci. Model ekspercki o setkach miliardów parametrów, nawet jeśli aktywna jest tylko ich część, też nie jest modelem „na biurko”, jeżeli ma obsługiwać wielu użytkowników naraz. Wtedy wybór przesuwa się w stronę własnego serwera albo chmury. Chmura Alibaba Cloud, w tym platforma Model Studio i interfejs znany jako DashScope, daje dostęp do większych wariantów bez utrzymywania sprzętu. Trzeba jednak świadomie zdecydować, czy treść zapytań może opuścić własne środowisko i jakie obowiązują zasady przechowywania danych. Dla części firm właśnie lokalne wagi są głównym powodem, by wybrać Qwen zamiast zamkniętego czatu.

Mocne strony tej rodziny są konkretne. Duże modele językowe Qwen są konkurencyjne w rozumowaniu, kodzie i wielojęzyczności, a małe dają rzadko spotykany kompromis między jakością a kosztem. Linia jest szeroka, więc da się zacząć od modelu, który mieści się w pamięci, i przejść wyżej tylko tam, gdzie testy pokazują zysk. Specjalizacje do kodu, matematyki i obrazu nie są przypadkowym dodatkiem. Są odpowiedzią na fakt, że jeden ogólny czat rzadko jest najlepszy we wszystkich rzemiosłach naraz. Otwarta licencja i dojrzałe narzędzia uruchomieniowe obniżają próg wejścia dla zespołów, które chcą mieć kontrolę nad modelem.

Granice są równie konkretne. Qwen, jak każdy duży model generatywny, produkuje halucynacje, czyli pewnie brzmiące treści nieoparte na faktach. Może pominąć warunek z długiego dokumentu, źle odczytać tabelę, zaproponować kod, który nie działa, albo odpowiedzieć poprawnie po angielsku i słabiej po polsku. Nie jest lekarzem, prawnikiem ani doradcą inwestycyjnym. Nie powinien samodzielnie podejmować decyzji o wysokiej stawce. Można go też dotrenować i ominąć część zabezpieczeń, co jest nieodłączną cechą modeli z otwartymi wagami. Odpowiedzialność za to, do czego system zostanie użyty, zostaje po stronie wdrażającego.

Najrozsądniejszy sposób użycia nie polega na pytaniu, czy Qwen jest „najlepszy”. Polega na dopasowaniu wariantu do zadania i na sprawdzeniu go na własnych danych. Mały model instrukcyjny wystarczy do porządkowania notatek i pierwszych szkiców. Większy model językowy albo wariant kodujący ma sens tam, gdzie widać zysk w testach. Model wzrokowy warto dopuścić do dokumentów dopiero wtedy, gdy wynik jest porównywany ze skanem. Tryb myślenia warto włączać przy zadaniach wieloetapowych, a nie przy każdym krótkim pytaniu. Tam, gdzie liczy się aktualność, model powinien dostać źródło, a nie tylko polecenie, by „odpowiedział z wiedzy”.

Właśnie dlatego Qwen jest ciekawy także poza tabelami wyników. Pokazuje, jak otwarta rodzina modeli może dojrzewać warstwami: od czatu, przez coraz lepsze modele językowe, po kod, matematykę, obraz, dźwięk i tryb dłuższego rozumowania. Pod koniec września 2026 roku ta linia jest już na tyle szeroka, że nazwa Qwen oznacza raczej warsztat niż pojedyncze narzędzie. Dobrze użyty, potrafi przyspieszyć pracę z tekstem, kodem i dokumentami. Źle użyty, robi to samo, co inne modele generatywne: zapełnia lukę płynnym zdaniem. Różnica między jednym a drugim nie leży w samej nazwie, tylko w tym, czy człowiek dobiera wariant, sprawdza wynik i zostawia sobie ostatnie słowo.

www.asgard.krakow.pl

Ważne: Artykuł (w szczególności treści i obrazy) powstał w całości lub w części przy udziale sztucznej inteligencji (AI). Niektóre informacje mogą być niepełne lub nieścisłe oraz zawierać błędy i/lub przekłamania. Publikowane treści mają charakter wyłącznie informacyjny i nie stanowią porady w szczególności porady prawnej, medycznej ani finansowej. Artykuły sponsorowane i gościnne są przygotowywane przez zewnętrznych autorów i partnerów. Redakcja nie ponosi odpowiedzialności za aktualność, poprawność ani skutki zastosowania się do przedstawionych informacji. W przypadku decyzji dotyczących zdrowia, prawa lub finansów należy skonsultować się z odpowiednim specjalistą.

Technologie IT – Biznes i Firma

---