性能、開源、性價比，千問 3.5 全都要。

大模型行業(yè)走到 2026 年，所有人都陷入了集體焦慮。Scaling Law 的紅利徹底見頂，萬億參數(shù)模型繼續(xù)向上的邊際收益無限趨近于零，行業(yè)陷入了參數(shù)越卷越高，落地越來越難的死循環(huán)。閉源巨頭牢牢把持著性能天花板，GPT、Claude 的 API 定價一漲再漲，頂級模型的使用成本成了中小企業(yè)和開發(fā)者邁不過去的門檻。開源模型始終跳不出性能追平閉源就閉源收割；想要極致性價比，就要犧牲性能的怪圈。久而久之，行業(yè)形成了一條無人敢質(zhì)疑的鐵律：頂級性能、完全開源、極致性價比構(gòu)成了大模型的不可能三角，三者最多選其二。

于是，一到年底，國內(nèi)外的萬億參數(shù)模型就一個接一個發(fā)布，但普通企業(yè)是否用得上所謂的 SOTA 模型卻不在考慮范圍。半年多時間，GPT、Claude 的定價也一漲再漲，哪怕作為頂級牛馬的程序員也需要公司報銷才用得起頂配 200 美金一月的 cursor 與 claude code。

直到除夕當天阿里千問 Qwen3.5 發(fā)布。千問 3.5 總參數(shù)量僅 3970 億，激活參數(shù)更是只有 170 億，不到上一代萬億參數(shù)模型 Qwen3-Max 的四分之一，性能大幅提升還實現(xiàn)了原生多模態(tài)能力的代際躍遷。橫向?qū)Ρ韧?，千?3.5 不僅是當下的開源大模型 SOTA，在認知能力、指令遵循、通用 Agent 評測等方面也超越了 GPT5.2、Claude 4.5、Gemini-3-Pro 等同期閉源模型。成本上，千問 3.5 每百萬 Token 輸入低至 0.8 元，是 GPT5.2 的 1/15、Gemini-3-pro 的 1/18。

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。但時至今日，Scaling Law 攀升的代價已經(jīng)到了行業(yè)難以承受的臨界點。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能力。這兩者也是當前技術(shù)紅利最集中的突破點。

決定理解能力的 attention 層一直以來是大模型長上下文落地的最大瓶頸。傳統(tǒng) Transformer 的全局注意力機制計算復(fù)雜度與上下文長度呈 O (N2) 關(guān)系。翻譯過來就是，上下文長度翻 10 倍，算力需求就要翻 100 倍。這就是為什么很多模型號稱能支持百萬 token 上下文卻不敢開放商用：成本高到用戶用不起，強行降價就要虧到吐血。為了解決這個問題，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)，卻損失了長文本的推理精度；稀疏注意力只計算部分 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：既然人對不同事情可以有精力分配的不同，那么對大模型來說也不是所有 token 都配得上同等的全局注意力?；谶@個最樸素的原理，千問團隊打造了全局注意力 + 線性注意力的混合架構(gòu)。對非關(guān)鍵的冗余信息采用線性注意力處理，把計算復(fù)雜度從 O (N2) 直接砍到 O (N)，算力消耗呈指數(shù)級下降；對核心語義、關(guān)鍵邏輯信息保留標準全局注意力，保證模型的長文本依賴建模能力，推理精度幾乎零損失。這一改動使得大模型在大幅減少算力消耗的同時提升了輸出效率，并帶來上下文窗口的大幅增加——千問 3.5 的上下文長度已經(jīng)達到 1M token。約等于把劉慈欣的三體三部曲一起塞給模型，或者在每輪對話 500 字上下的基礎(chǔ)上支持 600~800 輪連續(xù)對話不遺忘。

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)就解決了表達成本的痛點。傳統(tǒng)稠密大模型架構(gòu)出場天生就帶著極致的浪費：不管你輸入的是一句早上好還是一篇十萬字的行業(yè)報告，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了。MoE 混合專家架構(gòu)的出現(xiàn)就是把模型拆成多個專家子網(wǎng)絡(luò)，內(nèi)容進來只激活最對口的那幾個專家模型，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)動全部知識儲備，順便實現(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)新實驗得以落地。平頭哥真武 810 芯片針對 MoE 架構(gòu)、混合注意力機制做了專項優(yōu)化，能充分發(fā)揮集群算力效率，進一步把模型訓(xùn)練和推理的效率拉到極致。千問團隊的模型架構(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 的價格能進一步探底，把 API 成本壓到 0.8 元/百萬 Token，徹底打破了國外模型的價格壟斷，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。

很多人會問：千問 3.5 把成本打下來是不是就會犧牲了推理性能？恰恰相反，千問 3.5 最亮眼的地方就在于它實現(xiàn)極致性價比的同時也把性能和體驗拉到了行業(yè)的新高度。對普通用戶來說，最直觀的體驗升級就是即使用 sota 模型也能享受流暢的生成體驗。過去為了給模型生成提速，大部分團隊都是在推理階段加個投機采樣的補丁，先猜后面的內(nèi)容，猜對了就快一點，猜錯了就回滾，結(jié)果就是要么快但容易錯，要么準但還是慢。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，讓模型從一個字一個字地想進化成一次想好幾步再說。這個過程類似于人類說話，先想好完整的語義然后在表達的過程中組織連貫的語言。這對長文本生成、代碼補全、多輪對話等高頻場景帶來的是質(zhì)變的體驗升級：問一個復(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。

另一個被徹底解決的痛點是大模型的上下文腐爛問題。過去大模型輸入上下文越長就會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。一個完整的長內(nèi)容，模型往往只會注意到開頭和結(jié)尾的內(nèi)容，中間的關(guān)鍵信息被忽略，或者多輪對話之后它會忘記你最初的問題或者要求。針對這個痛點，Qwen3.5 對模型做了系統(tǒng)級的訓(xùn)練穩(wěn)定性優(yōu)化，其中最核心的就是阿里千問團隊斬獲 NeurIPS 2025 最佳論文獎的注意力門控機制。這個機制本質(zhì)上是在注意力層的輸出端加了一個智能降噪開關(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 的超長上下文下，模型依然能精準記住所有的關(guān)鍵信息，開發(fā)者不用再把長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，百萬級上下文的全量信息精準調(diào)用終于成為了現(xiàn)實。

除了這些核心痛點的解決，千問 3.5 的細節(jié)升級覆蓋了從個人用戶到企業(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翻譯還是復(fù)雜的數(shù)理化博士級難題都能輕松應(yīng)對。在 Agent 能力上，千問 3.5 同樣實現(xiàn)了生產(chǎn)級的跨越式提升。目前，千問 3.5 在移動端已經(jīng)與多個主流 APP 與指令打通，PC 端則能處理跨應(yīng)用數(shù)據(jù)整理、自動化流程執(zhí)行等復(fù)雜多步驟操作。更關(guān)鍵的是，千問團隊構(gòu)建了可擴展的 Agent 異步強化學(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擴展至百萬級規(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)者對成本、效率的需求也兼顧了普通用戶對體驗的期待，讓大模型真正走進了日常生活而不是停留在實驗室里的黑科技。

如果說性能、成本、體驗的全面升級是千問 3.5 在解決當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。長期以來，業(yè)界都有一個共識：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)好一個純語言大模型再外掛一個視覺編碼器靠適配層把兩個模塊粘在一起，本質(zhì)上就是兩個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)換成文本再進行理解；讀到一段文字就能在腦中構(gòu)建出對應(yīng)的畫面就像人一樣真正具備了跨模態(tài)的直覺理解力。為了實現(xiàn)這種原生的多模態(tài)融合，千問 3.5 對整個訓(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)點上高效匯合既保證了兩個模態(tài)各自的性能上限又實現(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)威評測中 Qwen3.5 均斬獲最佳性能碾壓同類開源模型甚至比肩頂級閉源模型。

還有一個容易被忽略卻至關(guān)重要的細節(jié)優(yōu)化是精度策略的設(shè)計：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)模型擴展的成本和復(fù)雜度。這些性能提升最終都轉(zhuǎn)化成了實實在在的生產(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達 2 小時的視頻直接輸入剛好對應(yīng) 1M token 的上下文窗口會議錄像、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)化為可運行的前端代碼；機械圖紙、建筑結(jié)構(gòu)圖、幾何題目全都能精準拆解空間關(guān)系完成推理計算。而這也是讓大模型從能聊天的工具變成看懂現(xiàn)實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)里的定位永遠是閉源模型的替代品：性能追不上閉源體驗打不過閉源只能作為開發(fā)者的練手工具無法進入核心生產(chǎn)環(huán)境。現(xiàn)在千問 3.5 的問世徹底打破了這種偏見——它用開源的身份實現(xiàn)了超越同級閉源模型的性能再加上極致的性價比和完善的生態(tài)支持讓開源、高性價比、最強的不可能三角成為可能。一組可驗證的數(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 余個千問模型覆蓋全尺寸、全模態(tài)、全場景全球下載量突破 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。站在千問生態(tài)的肩膀上中小企業(yè)不用再為頂級模型的 API 支付高昂的費用用極低的成本就能落地自己的 AI 應(yīng)用；個人開發(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。