回到第一性原理，千問 3.5 如何打破不可能三角？過去三年，答案或許是 Scaling Law。包括上一代 Qwen3-Max，也是阿里用 36T tokens 的海量預(yù)訓(xùn)練數(shù)據(jù)訓(xùn)練出的暴力美學(xué)的成果。但時(shí)至今日，Scaling Law 攀升的代價(jià)已經(jīng)到了行業(yè)難以承受的臨界點(diǎn)。緊隨其后，架構(gòu)創(chuàng)新成為新的行業(yè)關(guān)鍵詞。剝掉所有參數(shù)、算力、跑分的外衣，所有大模型的底層核心都是 Transformer 架構(gòu)的 attention 注意力 + FFN 前饋網(wǎng)絡(luò)雙塔結(jié)構(gòu)：前者決定了模型的理解能力，后者決定了模型的表達(dá)能力。這兩者也是當(dāng)前技術(shù)紅利最集中的突破點(diǎn)。

決定理解能力的 attention 層一直以來是大模型長(zhǎng)上下文落地的最大瓶頸。傳統(tǒng) Transformer 的全局注意力機(jī)制計(jì)算復(fù)雜度與上下文長(zhǎng)度呈 O (N2) 關(guān)系。翻譯過來就是，上下文長(zhǎng)度翻 10 倍，算力需求就要翻 100 倍。這就是為什么很多模型號(hào)稱能支持百萬 token 上下文卻不敢開放商用：成本高到用戶用不起，強(qiáng)行降價(jià)就要虧到吐血。為了解決這個(gè)問題，行業(yè)做了無數(shù)嘗試：線性注意力把復(fù)雜度降到了 O (N)，卻損失了長(zhǎng)文本的推理精度；稀疏注意力只計(jì)算部分 token 的注意力，卻無法解決全局語義依賴的問題，泛化能力大幅縮水。

千問 3.5 的解法更像是人類思維模式在大模型上的遷移：既然人對(duì)不同事情可以有精力分配的不同，那么對(duì)大模型來說也不是所有 token 都配得上同等的全局注意力?；谶@個(gè)最樸素的原理，千問團(tuán)隊(duì)打造了全局注意力 + 線性注意力的混合架構(gòu)。對(duì)非關(guān)鍵的冗余信息采用線性注意力處理，把計(jì)算復(fù)雜度從 O (N2) 直接砍到 O (N)，算力消耗呈指數(shù)級(jí)下降；對(duì)核心語義、關(guān)鍵邏輯信息保留標(biāo)準(zhǔn)全局注意力，保證模型的長(zhǎng)文本依賴建模能力，推理精度幾乎零損失。這一改動(dòng)使得大模型在大幅減少算力消耗的同時(shí)提升了輸出效率，并帶來上下文窗口的大幅增加——千問 3.5 的上下文長(zhǎng)度已經(jīng)達(dá)到 1M token。約等于把劉慈欣的三體三部曲一起塞給模型，或者在每輪對(duì)話 500 字上下的基礎(chǔ)上支持 600~800 輪連續(xù)對(duì)話不遺忘。

如果說混合注意力解決了理解效率的問題，那么極致稀疏 MoE 架構(gòu)就解決了表達(dá)成本的痛點(diǎn)。傳統(tǒng)稠密大模型架構(gòu)出場(chǎng)天生就帶著極致的浪費(fèi)：不管你輸入的是一句早上好還是一篇十萬字的行業(yè)報(bào)告，模型每次推理都要激活全部參數(shù)。這就意味著 90% 以上的算力都被白白浪費(fèi)了。MoE 混合專家架構(gòu)的出現(xiàn)就是把模型拆成多個(gè)專家子網(wǎng)絡(luò)，內(nèi)容進(jìn)來只激活最對(duì)口的那幾個(gè)專家模型，不用全量參數(shù)跑一遍。但行業(yè)里絕大多數(shù)的 MoE 模型都陷入了兩個(gè)死穴：要么專家路由效率低下，激活參數(shù)占比過高，成本下降有限；要么專家之間的協(xié)同能力不足，模型性能出現(xiàn)滑坡。

千問 3.5 的極致稀疏 MoE 架構(gòu)直接把這個(gè)路線的潛力榨到了極致：總參數(shù)量 3970 億，單次推理的激活參數(shù)僅 170 億，不到總參數(shù)的 5%，即可調(diào)動(dòng)全部知識(shí)儲(chǔ)備，順便實(shí)現(xiàn)部署成本大降 60%，最大推理吞吐量可提升至 19 倍。架構(gòu)創(chuàng)新的潛力必須靠全棧協(xié)同才能徹底釋放。阿里獨(dú)有的阿里云、平頭哥自研芯片與千問模型全棧協(xié)同能力是其他廠商根本無法復(fù)刻的核心壁壘。其中，阿里云的 AI 基礎(chǔ)設(shè)施為文本 + 視覺混合預(yù)訓(xùn)練數(shù)據(jù)提供了穩(wěn)定高效的算力支撐，讓大規(guī)模的架構(gòu)創(chuàng)新實(shí)驗(yàn)得以落地。平頭哥真武 810 芯片針對(duì) MoE 架構(gòu)、混合注意力機(jī)制做了專項(xiàng)優(yōu)化，能充分發(fā)揮集群算力效率，進(jìn)一步把模型訓(xùn)練和推理的效率拉到極致。千問團(tuán)隊(duì)的模型架構(gòu)創(chuàng)新又反過來給云基礎(chǔ)設(shè)施、芯片的優(yōu)化指明了方向，形成了正向循環(huán)的閉環(huán)。這套閉環(huán)讓千問 3.5 的價(jià)格能進(jìn)一步探底，把 API 成本壓到 0.8 元/百萬 Token，徹底打破了國(guó)外模型的價(jià)格壟斷，讓 sota 模型成為人人可用，阿里云上用的成本還能更低的普惠存在，也讓不可能三角成為可能。

很多人會(huì)問：千問 3.5 把成本打下來是不是就會(huì)犧牲了推理性能？恰恰相反，千問 3.5 最亮眼的地方就在于它實(shí)現(xiàn)極致性價(jià)比的同時(shí)也把性能和體驗(yàn)拉到了行業(yè)的新高度。對(duì)普通用戶來說，最直觀的體驗(yàn)升級(jí)就是即使用 sota 模型也能享受流暢的生成體驗(yàn)。過去為了給模型生成提速，大部分團(tuán)隊(duì)都是在推理階段加個(gè)投機(jī)采樣的補(bǔ)丁，先猜后面的內(nèi)容，猜對(duì)了就快一點(diǎn)，猜錯(cuò)了就回滾，結(jié)果就是要么快但容易錯(cuò)，要么準(zhǔn)但還是慢。而千問 3.5 的解法是從訓(xùn)練階段就原生支持多 Token 聯(lián)合預(yù)測(cè)，讓模型從一個(gè)字一個(gè)字地想進(jìn)化成一次想好幾步再說。這個(gè)過程類似于人類說話，先想好完整的語義然后在表達(dá)的過程中組織連貫的語言。這對(duì)長(zhǎng)文本生成、代碼補(bǔ)全、多輪對(duì)話等高頻場(chǎng)景帶來的是質(zhì)變的體驗(yàn)升級(jí)：?jiǎn)栆粋€(gè)復(fù)雜的科普問題，10 秒內(nèi)就能給出連貫的回答；寫一篇千字短文，幾秒就能生成初稿。

另一個(gè)被徹底解決的痛點(diǎn)是大模型的上下文腐爛問題。過去大模型輸入上下文越長(zhǎng)就會(huì)讓模型的注意力越分散，有效信息被無效噪聲淹沒，輸出質(zhì)量直線下降。一個(gè)完整的長(zhǎng)內(nèi)容，模型往往只會(huì)注意到開頭和結(jié)尾的內(nèi)容，中間的關(guān)鍵信息被忽略，或者多輪對(duì)話之后它會(huì)忘記你最初的問題或者要求。針對(duì)這個(gè)痛點(diǎn)，Qwen3.5 對(duì)模型做了系統(tǒng)級(jí)的訓(xùn)練穩(wěn)定性優(yōu)化，其中最核心的就是阿里千問團(tuán)隊(duì)斬獲 NeurIPS 2025 最佳論文獎(jiǎng)的注意力門控機(jī)制。這個(gè)機(jī)制本質(zhì)上是在注意力層的輸出端加了一個(gè)智能降噪開關(guān)：它能根據(jù)信息的重要程度智能調(diào)控信息的傳遞，有效信息被放大，無效信息被過濾。最終的結(jié)果是哪怕是在 1M token 的超長(zhǎng)上下文下，模型依然能精準(zhǔn)記住所有的關(guān)鍵信息，開發(fā)者不用再把長(zhǎng)文檔拆成十幾段反復(fù)投喂，用戶不用再把需求翻來覆去重復(fù)三遍，百萬級(jí)上下文的全量信息精準(zhǔn)調(diào)用終于成為了現(xiàn)實(shí)。

除了這些核心痛點(diǎn)的解決，千問 3.5 的細(xì)節(jié)升級(jí)覆蓋了從個(gè)人用戶到企業(yè)開發(fā)者的全維度需求。比如它首次把支持的語言擴(kuò)展到了 201 種，預(yù)訓(xùn)練數(shù)據(jù)里大幅新增了中英文、多語言、STEM 和推理類數(shù)據(jù)，不管是小語種的精準(zhǔn)翻譯還是復(fù)雜的數(shù)理化博士級(jí)難題都能輕松應(yīng)對(duì)。在 Agent 能力上，千問 3.5 同樣實(shí)現(xiàn)了生產(chǎn)級(jí)的跨越式提升。目前，千問 3.5 在移動(dòng)端已經(jīng)與多個(gè)主流 APP 與指令打通，PC 端則能處理跨應(yīng)用數(shù)據(jù)整理、自動(dòng)化流程執(zhí)行等復(fù)雜多步驟操作。更關(guān)鍵的是，千問團(tuán)隊(duì)構(gòu)建了可擴(kuò)展的 Agent 異步強(qiáng)化學(xué)習(xí)框架，端到端速度可加速 3 到 5 倍，并將基于插件的智能體支持?jǐn)U展至百萬級(jí)規(guī)模，為后續(xù) Agent 的規(guī)?；涞卮蛳铝嘶A(chǔ)。如果說其他模型還停留在開發(fā)者友好型，那么千問 3.5 就是全民友好型。它既照顧了開發(fā)者對(duì)成本、效率的需求也兼顧了普通用戶對(duì)體驗(yàn)的期待，讓大模型真正走進(jìn)了日常生活而不是停留在實(shí)驗(yàn)室里的黑科技。

如果說性能、成本、體驗(yàn)的全面升級(jí)是千問 3.5 在解決當(dāng)下大模型落地過程中的困境，那么統(tǒng)一多模態(tài)就是千問 3.5 把大模型推向 AGI 的重要一步探索。長(zhǎng)期以來，業(yè)界都有一個(gè)共識(shí)：統(tǒng)一多模態(tài)是通往通用人工智能（AGI）的必經(jīng)之路。但直到今天，行業(yè)里絕大多數(shù)的多模態(tài)模型都還是偽多模態(tài)：先訓(xùn)好一個(gè)純語言大模型再外掛一個(gè)視覺編碼器靠適配層把兩個(gè)模塊粘在一起，本質(zhì)上就是兩個(gè)語言不通的人靠翻譯聊天，信息傳遞必然出現(xiàn)折損。千問 3.5 的不同之處在于從預(yù)訓(xùn)練第一天起就是在文本+視覺混合數(shù)據(jù)上聯(lián)合學(xué)習(xí)，讓視覺與語言在統(tǒng)一的參數(shù)空間內(nèi)深度融合。簡(jiǎn)單說它看到一張圖就能自然理解圖中的語義不用先把圖像轉(zhuǎn)換成文本再進(jìn)行理解；讀到一段文字就能在腦中構(gòu)建出對(duì)應(yīng)的畫面就像人一樣真正具備了跨模態(tài)的直覺理解力。為了實(shí)現(xiàn)這種原生的多模態(tài)融合，千問 3.5 對(duì)整個(gè)訓(xùn)練架構(gòu)都做了革新：它讓視覺和語言模態(tài)各走各的最優(yōu)路徑只在關(guān)鍵節(jié)點(diǎn)上高效匯合既保證了兩個(gè)模態(tài)各自的性能上限又實(shí)現(xiàn)了真正的協(xié)同工作大幅提升了多模態(tài)混合訓(xùn)練的效率。這種原生融合的架構(gòu)帶來的是視覺能力的飛躍式提升：在多模態(tài)推理（MathVison）、通用視覺問答 VQA（RealWorldQA）、文本識(shí)別和文件理解（CC_OCR）、空間智能（RefCOCO-avg）、視頻理解（MLVU）等眾多權(quán)威評(píng)測(cè)中 Qwen3.5 均斬獲最佳性能碾壓同類開源模型甚至比肩頂級(jí)閉源模型。

還有一個(gè)容易被忽略卻至關(guān)重要的細(xì)節(jié)優(yōu)化是精度策略的設(shè)計(jì)：千問 3.5 采用了 FP8/FP32 的精度策略在保證模型性能零損失的前提下把激活內(nèi)存減少了約 50%，訓(xùn)練速度提升了 10%。更關(guān)鍵的是這套方案被統(tǒng)一部署到了強(qiáng)化學(xué)習(xí)訓(xùn)練和推理的全流程里全面降低了多模態(tài)模型擴(kuò)展的成本和復(fù)雜度。這些性能提升最終都轉(zhuǎn)化成了實(shí)實(shí)在在的生產(chǎn)力：在學(xué)科解題、空間推理上它比千問此前的專項(xiàng)多模態(tài)模型 Qwen3-VL 表現(xiàn)還要更優(yōu)空間定位、帶圖推理的精度大幅提升。在視頻理解上它支持長(zhǎng)達(dá) 2 小時(shí)的視頻直接輸入剛好對(duì)應(yīng) 1M token 的上下文窗口會(huì)議錄像、課程視頻、直播素材一次性投喂就能完成核心內(nèi)容提取、腳本生成、待辦梳理。通過視覺與代碼的原生融合手繪的 APP 界面草圖也能直接轉(zhuǎn)化為可運(yùn)行的前端代碼；機(jī)械圖紙、建筑結(jié)構(gòu)圖、幾何題目全都能精準(zhǔn)拆解空間關(guān)系完成推理計(jì)算。而這也是讓大模型從能聊天的工具變成看懂現(xiàn)實(shí)世界的基座最終通往 AGI 乃至 ASI 的關(guān)鍵一步。

如果說架構(gòu)與多模態(tài)的創(chuàng)新讓千問 3.5 打破了不可能三角的技術(shù)枷鎖那么開源生態(tài)讓千問 3.5 徹底顛覆了行業(yè)對(duì)開源模型的固有偏見。在此之前開源模型在行業(yè)里的定位永遠(yuǎn)是閉源模型的替代品：性能追不上閉源體驗(yàn)打不過閉源只能作為開發(fā)者的練手工具無法進(jìn)入核心生產(chǎn)環(huán)境?，F(xiàn)在千問 3.5 的問世徹底打破了這種偏見——它用開源的身份實(shí)現(xiàn)了超越同級(jí)閉源模型的性能再加上極致的性價(jià)比和完善的生態(tài)支持讓開源、高性價(jià)比、最強(qiáng)的不可能三角成為可能。一組可驗(yàn)證的數(shù)據(jù)足以證明千問開源生態(tài)的行業(yè)影響力：截至目前阿里已開源 400 余個(gè)千問模型覆蓋全尺寸、全模態(tài)、全場(chǎng)景全球下載量突破 10 億次；全球開發(fā)者基于千問開發(fā)的衍生模型超 20 萬個(gè)。站在千問生態(tài)的肩膀上中小企業(yè)不用再為頂級(jí)模型的 API 支付高昂的費(fèi)用用極低的成本就能落地自己的 AI 應(yīng)用；個(gè)人開發(fā)者不用再被閉源模型的商用權(quán)限鎖死基于開源的千問 3.5 就能打造創(chuàng)新的 AI 產(chǎn)品；科研機(jī)構(gòu)不用再重復(fù)造輪子基于開源的底座就能專注于前沿技術(shù)的創(chuàng)新。從此 AI 不再是巨頭的專屬游戲而是變成了全行業(yè)、全開發(fā)者都能參與的創(chuàng)新浪潮。