雲棲大會觀察：阿里怎麼打下一階段模型戰?

雲棲大會，解開市場對阿里大模型的三個疑惑。作者丨胡敏 編輯丨劉偉 今年雲棲大會，變化格外明顯。參加過多年的人，打開主論壇議程就能感受到，和往年很不一樣。在吳泳銘發言之後，第一個登臺分享的是千問大語言模型負責人劉大一恆；緊隨其後的是ATH技術副總裁鄭波，他負責視聽等多模態模型。接在兩場模型演講之後，是平頭哥高慧，與阿里雲CTO李飛飛。雲棲大會，芯片和雲當然重要，阿里對雲的投入不會減少，芯片也依然是它繞不開的底牌。但重要的不止是芯片和雲，現在站在市場聚光燈下的是AI，大家關心的自然也包括阿里的模型。阿里的模型往哪走、做多大、能不能打，是眼下真正牽動市場神經的問題。

那麼，在雲棲大會上，這些大模型負責人們究竟回答了哪些市場最為關注的問題？01Qwen下一代模型，規模有多大？這是市場最直接的懸念。此前一年多，業內對Scaling的質疑沒停過。但到2026年年中，業界風向已明顯調轉。Anthropic CEO Dario Amodei在摩根士丹利會上直接定調：Scaling沒有撞牆，2026年還會迎來一輪激進加速。而從各家行動來看，也的確如此。Fable 5 被行業估算為約4.5- 5 萬億參數，Kimi K3 總參數達到 2.8 萬億。這些數字接連落地，已經實實在在說明：各家Scaling 不僅沒有停，反而在以比過去更激進的方式加速。回到Qwen本身。

今年 8 月，Qwen3.8發佈，模型的參數已經達到了2.4T參數。這次在雲棲大會演講上看到，劉大一恆再次給出了一張模型規劃的路線圖：Qwen4系列即將到來，Qwen4之後的Qwen4.5和Qwen5，計劃進一步邁向5T—10T參數。從72B到10T，千問的Scaling曲線正在明顯變陡。兩年前，Qwen2.5旗艦模型的參數量還是72B；到Qwen3.8，模型已經擴大至2.4T，增長了33倍。如果Qwen4.5和Qwen5繼續邁向5T—10T，千問的參數規模還將在現有基礎上再擴大一倍至三倍以上。劉大一恆也再次明確了阿里的判斷：基礎模型的智能上限，依然離不開算力、數據和模型規模的持續投入。

阿里還會繼續擴大預訓練計算量，沿著Scaling Law向上走。但模型越大，訓練和推理的賬單也越高。阿里給出的解法，是一邊擴大規模，一邊重新設計模型架構。Qwen3.8-Flash已經展示了這條路線：通過稀疏注意力、線性注意力和外接記憶等新架構，它每次推理只激活6B參數；相比上一代，訓練成本降至九分之一，百萬Token的輸入價格降至四分之一，超長上下文的預填充吞吐量提高8.6倍，模型能力反而繼續上漲。這意味著，阿里下一階段的Scaling並不只是把模型做得更大，而是要用更低的成本，支撐更大的模型繼續向前。02Qwen5還要等多久？

關心完規模，下一個問題自然就來了：Qwen4、Qwen5還要等多久？當下模型競爭的節奏越來越快。今天登上榜首的模型，幾周或幾個月後就可能被追平。對模型公司來說，一個版本領先已經很難形成長期優勢。真正重要的問題變成：誰能更快地產生下一代模型。而要提升迭代速度，一個越來越被認真對待的方向是：讓模型參與造模型。一旦模型能幫助研究人員設計實驗、分析結果、改進訓練方法，那麼下一代模型的研發就有機會更快。再讓更強的新模型接著做這些工作，便可能形成一輪輪加速的循環。這也是RSI（Recursive Self-Improvement，遞歸自我改進），今年受到前沿實驗室集中關注的原因。

Anthropic、OpenAI 在這件事上已經開始有了具體成果。此前，Anthropic做過一個實驗：給Claude一段訓練小模型的代碼，讓它自己找辦法提速。它會改代碼、跑實驗、看結果，再接著改。去年，Claude把這段代碼提速到原來的3倍；今年，最新模型已經能做到52倍。人類研究員花上半天，通常只能做到4倍左右。OpenAI也在做類似的事，把模型用在了“找模型的漏洞”上。他們訓練了一個專門攻擊其他模型的GPT-Red，讓它不斷想辦法誘導模型犯錯；再把這些攻擊樣本拿去訓練下一代GPT。結果是，GPT-5.6面對最難的一類提示注入攻擊時，失敗率比四個月前的模型低了約六倍。回到阿里大模型。

想了解Qwen4、Qwen5何時到來，或許也可以從阿里在RSI上的研究進展裡找線索。與上文提到的Anthropic、OpenAI 做的兩件事不同的是，阿里做了一個實驗：讓Qwen不只調用工具，也開始參與建設自己的技術棧，把RSI帶到了模型研發的底層環節。最典型的一個實驗發生在芯片設計上。研究團隊只給了Qwen3.8-Max一份真實的片上網絡（NoC）模塊規格，沒有參考代碼，也沒有現成測試樣例。接下來的60多個小時裡，模型自己調用EDA工具，完成從編寫電路描述、驗證，到後端物理實現的一整套流程，期間沒有逐輪人工介入。最終，芯片物理面積減少了42%，功耗估算下降59.5%。

同樣的嘗試還出現在推理基礎設施上。眾所周知，國產芯片落地，難點不只在硬件能不能造出來，也在軟件生態能不能快速遷移。長期以來，CUDA將模型、算子、框架和工具鏈緊密地綁定在英偉達芯片上。一塊國產芯片從“能跑”到“跑好”，往往還要經歷一輪漫長的適配。梁文鋒此前就提到，國產硬件首先要解決的是生態問題。他認為，TileLang等更高層的編程方式正在提供一個新的機會：開發者不必再逐行重寫複雜的CUDA代碼，而可以用更少的代碼重新實現底層算子。DeepSeek內部甚至已經開始探索用AI編寫TileLang。類似的變化，也出現在阿里這次公佈的實驗中。

據瞭解，面對一款此前從未適配過的平頭哥新GPU，Qwen3.8-Max自己修改和優化SGLang推理框架，用56小時完成部署，將日常對話場景的單實例吞吐量提高了96%。過去，國產芯片的軟件生態要靠工程師一點點補；現在，模型開始親自參與這項工作。至於模型訓練本身，阿里披露，Qwen3.8-Max曾連續自主運行一個多月，完成33輪有效實驗：自己搭流程、構造數據、設計實驗、定位缺陷，並推動模型繼續更新。

當然，現在“模型自主造出下一代模型”當然還有距離，但它呈現出的方向已經很清楚：模型競爭不再只是比誰發佈了一個更強的版本，也開始比誰能讓模型更深地進入訓練、推理、芯片這些研發環節，把下一代模型更快做出來。03多模態，阿里做到哪一步了？前兩部分聊的是Qwen。但阿里的模型戰略，不只有語言模型這一條線，鄭波帶領的多模態，也備受外界關注。市場期待的生成視頻模型新版本，在這次大會上，鄭波給出了一個明確時間：下一代視頻生成模型將在11月亮相。鄭波將視頻生成的下一階段稱為“Agent Video”。

過去的視頻模型，解決的是能不能生成一段足夠逼真的畫面；隨後，圖片、視頻、聲音等參考信息被加入進來，讓生成結果變得更加可控。下一步，模型要做的不只是生成一個個素材片段，而是理解創作者到底想講什麼。用戶給出一個想法，模型自己拆解劇情、設計分鏡、安排人物和場景，最後生成一段完整的視頻。按照鄭波的說法，新版本將沿著四個方向繼續推進：更長、更可控、更完整，也更智能。除生視頻模型外，圖像、語音、音樂、世界模型也有了新的升級。圖像生成模型Qwen-Image-3.1亮相，它面向電商、創意、設計等真實商用場景全新優化升級，將原本數小時的視覺設計壓縮至秒級交付，水準堪比專業設計師，還支持圖像精準編輯。

語音模型方面，阿里發佈Qwen-Audio-3.1系列語音大模型，語音轉寫（ASR）、語音合成（TTS）和實時語音交互（Realtime）三類模型全面升級。其中，Qwen-Audio-3.1-Realtime實時交互能力再提升，能夠邊聽、邊想、邊說，並進一步增強多語言交互、角色扮演和共情能力，目前，該系列模型已應用於千問辦公和Qoder，並接入QwenNote A2隨身助理、QwenNote Eva桌面機器人和千問AI眼鏡等硬件產品。音樂生成模型HappyShrimp1.

1版本發佈，在音樂表現、人聲質量、多語種演唱及指令理解四個專業維度進一步提升，支持百餘種曲風與十餘種主流語言，覆蓋人聲歌曲與純音樂兩大生成場景。世界模型HappyOyster也公佈了2.0 Preview版本。新版本開始更準確地模擬物體運動和碰撞，通過3D時空記憶保持場景穩定，同時進一步降低交互延遲。阿里還聯合高校和產業夥伴搭建世界模型Benchmark和Arena，試圖為這個尚處早期的方向建立一套共同的評價標準。對於多模態未來的發展趨勢，鄭波在演講中給出了一個更遠的判斷：三年之內，行業可能出現原生的全模態統一生成模型，這個可以同時生成圖像、視頻和音樂，也能夠理解空間和世界。

總結來看，這次雲棲大會，阿里把外界最關心三個模型問題擺上了檯面：下一代Qwen還要做多大，模型迭代還能多快，多模態能不能打。三個問題看似分散，拼在一起，卻勾勒出了阿里下一階段更清晰的模型路線：一條路仰望星空，追逐 AGI 的邊界；一條路俯身泥土，抵達 AI 普惠的日常。兩條路看似背道而馳，卻最終匯於同一個北極星——讓更高的智能走出實驗室，落進現實世界，成為更多人觸手可及的生產力。未來，機器思考總量將是人類的1000倍，阿里為此邁出了堅實的一大步。