今年這個春節(jié)檔，讓我覺得很幸運——

能在很近的距離，親眼見證，那么多優(yōu)秀的國產(chǎn)AI模型和產(chǎn)品的誕生。

就今天除夕，傳聞已久的Qwen3.5，終于來了。

說不清為什么，千問大模型這時候發(fā)布，有種壓軸出場、塵埃落定的很壓秤的感覺。

尤其是旗艦?zāi)Ｐ蚎wen3.5-397B-A17B，首次以開源權(quán)重亮相，最核心的概念是——原生多模態(tài)。

這個概念之前大家走的路線，大多是“拼接”。

想讓模型看懂圖，就在語言模型旁邊外掛一個視覺 encoder，把圖片轉(zhuǎn)成 token 再塞進去。

本質(zhì)上還是“看圖說話”和“文字理解”兩件事，最后把兩件事的理解湊在一起。

但Qwen3.5這次玩的是，從預(yù)訓(xùn)練第一天起，就讓文本、圖像、音頻、視頻這些數(shù)據(jù)在一個統(tǒng)一的底層空間里共同學(xué)習(xí)，視覺和語言在早期就完成了深度融合。

這意味著什么？意味著模型不再是「看到」一張圖，而是「理解」一張圖，它理解圖中的空間關(guān)系、邏輯順序，甚至能結(jié)合上下文去做推理和執(zhí)行。

在處理 GUI 理解、視頻分析等多模態(tài)任務(wù)時，一個模型即可端到端完成，無需維護復(fù)雜的多模型 pipeline。

就在去年7月，黃仁勛跟王堅院士深談的時候就談過這個趨勢：

“我們已經(jīng)進入AI推理時代，下一波浪潮，是物理AI。”

現(xiàn)在回頭看，Qwen3.5這一步，似乎就是沖著“物理AI”去的。

讓AI從能說會道的聊天機器人，變成能觸碰、能感知、能執(zhí)行的智能體，去真正理解和操作那個三維的、實體的物理世界。

帶大家一起盤一盤，Qwen3.5這塊「原生多模態(tài)」的料，到底硬在哪兒。

01.當(dāng)AI有了眼睛和手

咱們以前聊智能體，大多是文本層面的交互。

你跟AI說“幫我訂個外賣”，它給你生成一段訂外賣的步驟說明，或者最多調(diào)用個API接口。

這離我們想象中的數(shù)字助手，還有一段距離。

而Qwen3.5這次放出來的能力，是讓模型自己有了眼睛和手，能直接像人一樣操作手機和電腦屏幕，也可以進行多形態(tài)的互動。

我測試了幾個例子，體驗很不一樣。

比如說我直接對Qwen3.5下達指令：“參考紅包雨視頻，做一個視覺捕捉手部動作的抓紅包的游戲?！?/p>

這在過去是一個需要拆解成很多步驟的流程：

得先用一個模型學(xué)習(xí)紅包雨視頻，一個模型提取手部動態(tài)關(guān)鍵幀，再用一個模型做紅包的視頻動效，還得用一個模型寫前端代碼……最后還得找個工程師把代碼跑起來看效果。

但在Qwen3.5這里，它就是一步到位。

它自己盯著屏幕看視頻，理解時序關(guān)系和事件演變，然后同時處理視覺理解和代碼生成，最后直接給出一個可運行的「新年抓紅包」小游戲。

這種能力的背后，是原生多模態(tài)帶來的「智能體推理」變化。

因為所有模態(tài)共享表征空間，它在看視頻里那個按鈕位置的同時，也在想這個按鈕對應(yīng)的代碼邏輯，視覺信息和行動決策之間沒有轉(zhuǎn)譯損耗。

在移動端，它能理解更復(fù)雜的跨應(yīng)用指令；

在PC端，它能處理的不是簡單的“打開網(wǎng)頁”，而是像“把上周的銷售數(shù)據(jù)從微信聊天記錄里截圖，提取數(shù)字做成表格，再貼進郵件發(fā)給老板”這種多步驟、跨應(yīng)用的流程。

我還做了一個「手勢音樂盒」，可以把不同的手指動作，和不同音符相對應(yīng)。

進階的版本是，可以把表格、數(shù)據(jù)、截圖，按照對應(yīng)關(guān)系下，都變成手勢舞和音樂，還能切換不同的音色。

和簡單的自動化映射還不一樣，這是AI在通過視覺觀察和理解，去驅(qū)動圖形界面完成工作。

比較經(jīng)典的場景，ORC識別，我直接用Qwen3.5做了一個弗蘭克翻譯器，可以識別任意圖片當(dāng)中的信息并翻譯，結(jié)果也很精準(zhǔn)。

Qwen3.5模型，總參數(shù)約400B的體量，加上混合注意力架構(gòu)的調(diào)度，讓它在這種強度的推理任務(wù)中，依然保持了足夠的流暢度。

Gartner的數(shù)據(jù)顯示，具備自主決策能力的AI Agent，其任務(wù)完成率已經(jīng)從去年的65%提升至今年的82%，而Qwen3.5顯然已經(jīng)站在了這個趨勢的前沿。

02.那道IMO幾何題，它真的會做

如果說操作屏幕是動手能力，那做數(shù)學(xué)題就是智力的體現(xiàn)。

去年很多模型在文字邏輯題上已經(jīng)能拿到高分，但一旦涉及到帶有復(fù)雜圖形的幾何題，尤其是那種需要添加輔助線、進行多步空間想象的競賽題，大多數(shù)模型就露怯了。

原因很簡單，視覺和邏輯在兩個系統(tǒng)里跑，圖像特征和數(shù)學(xué)符號對不上。

我給Qwen3.5出了一道難題——韋東奕當(dāng)年獲得金牌的題目，第50屆國際數(shù)學(xué)奧林匹克（IMO）題第6題。

請大家看這道題的題目：設(shè)a1，a2，…，an是互不相同的正整數(shù)。

M是有n-1個元素的正整數(shù)集，且不含數(shù)s=a1+az+…+an.一只蚱蜢沿著實數(shù)軸從原點0開始向右跳躍n步，它的跳躍距離是a1，a2…，an的某個排列。證明：可以選擇一種排列，使得蚱蜢跳躍落下的點所表示的數(shù)都不在集合M中。

Qwen3.5給出的答案非常長，說實話，我沒有完全看懂，大概能理解它的思路。

然后和標(biāo)準(zhǔn)答案一對，才發(fā)現(xiàn)解法很標(biāo)準(zhǔn)。

這道題在IMO競賽里，頁屬于難度高的一檔，需要建立坐標(biāo)系、設(shè)定變量、進行嚴謹邏輯推導(dǎo)的難題。

在沒有視頻只有文案的情況下，我盯著那道題的文字描述“s=a1+az+…+an”都看了半天，腦子里才勉強有點思路。

而Qwen3.5的解題過程，清晰地還原了它的推理鏈條。

還有一道圖形的題目，Qwen3.5解起來更是絲滑。

它先通過視覺系統(tǒng)識別了圖形中的點、線、角關(guān)系，然后迅速在腦子里建立了一個虛擬的坐標(biāo)系，把幾何問題代數(shù)化，接著一步步推導(dǎo)，最終得出那個角度值。

這種能力的關(guān)鍵在于，它證明了模型在物理空間推理上的潛力。

王堅院士和黃仁勛對談時提到的那句“下一波浪潮是物理AI”，核心就是讓AI理解物理規(guī)律、空間邏輯。

Qwen3.5能解IMO幾何題，就意味著它能在更復(fù)雜的真實場景里發(fā)揮作用。

比如讓機器人理解“把這個箱子從那個架子后面繞過去，放在卡車的角落里”，它需要計算障礙物、承重面和運動軌跡。

這種從學(xué)科解題到任務(wù)規(guī)劃的延伸，是通往通用人工智能的一個臺階。

被稱為「數(shù)學(xué)莫扎特」的華人數(shù)學(xué)家陶哲軒，也一直對在IMO等數(shù)學(xué)競賽取得成績的AI模型，十分關(guān)注；他認為，人工智能技術(shù)，現(xiàn)已迅速接近從定性到定量成果的轉(zhuǎn)型階段。

模型不再只是匹配答案，而是在進行多步邏輯推導(dǎo)，這是過去那些外掛視覺模塊的模型不容易做到的。

從行業(yè)競爭的維度看，某種程度上，也揭示了中美大模型發(fā)展路徑的分化。

華泰證券的一份研報指出，在Scaling Law 2.0驅(qū)動下，海外重心由預(yù)訓(xùn)練轉(zhuǎn)向后訓(xùn)練與強化學(xué)習(xí)，依靠算力堆砌取得性能優(yōu)勢；

而國內(nèi)在算力受限的背景下，更側(cè)重架構(gòu)與算法的精修，以注意力優(yōu)化技術(shù)提升訓(xùn)練推理的效率與性價比。

Qwen3.5在視覺推理上的突破，也是這種「精修路線」的成果——

用更合理的架構(gòu)設(shè)計，在復(fù)雜推理任務(wù)上實現(xiàn)了對更大參數(shù)規(guī)模模型的超越。

路透社最近的一篇觀察也印證了這一點：中國AI模型的推理能力不遜色于美國同行，但部署成本要低得多，這正在影響全球AI產(chǎn)業(yè)的成本效率曲線。

03.看電影、構(gòu)思視頻，不在話下

上下文窗口這個東西，以前我們關(guān)注它，是因為長篇小說翻譯、財報分析這些純文本任務(wù)。

但Qwen3.5這次直接把1M token的上下文能力和多模態(tài)視頻理解結(jié)合起來。

1M token能一口氣直接吃進去長達兩小時的視頻素材，不需要提前抽幀，不需要分段處理，就是完整地看完。

我拿了一部兩個多小時的《盜夢空間》去試，讓它分析“柯布心里那個關(guān)于梅爾的念想，在整個電影里是通過哪些視覺符號一步步呈現(xiàn)的？”。

這是個需要理解長時序關(guān)聯(lián)的問題。

Qwen3.5的回復(fù)讓我印象深刻。它不僅找到了陀螺第一次轉(zhuǎn)動的開場畫面，還捕捉到了不同層級夢境中“梅爾”出現(xiàn)時的光影變化、臺詞暗示。

甚至能對比現(xiàn)實世界和夢境中“戒指”這個道具出現(xiàn)的時機，最后生成了一篇既有細節(jié)截圖又有分析的影評。

基于對《盜夢空間》的情節(jié)理解，我讓Qwen3.5把電影轉(zhuǎn)化成一個夢境主題的推理密室，并做成一個小游戲。

這種能力的實現(xiàn)，得益于它原生多模態(tài)架構(gòu)下的時序關(guān)系捕捉能力。

視頻不是圖像的簡單堆疊，而是有因果邏輯的時間序列。

Qwen3.5在處理視頻時，能分析不同時刻的事件演變，把碎片化的鏡頭語言，串聯(lián)成有邏輯的敘事整體。

這對于內(nèi)容創(chuàng)作者、視頻分析師，甚至是安防監(jiān)控領(lǐng)域來說，是一個實用的工具。

以前需要一幀一幀看的監(jiān)控錄像，以后可能只需要一句話：

“把昨天下午三點到五點，那個穿紅衣服的人出現(xiàn)的所有片段剪出來，并標(biāo)記出他每次出現(xiàn)的具體位置?！盦wen3.5已經(jīng)具備了這種潛力的雛形。

也許這也是一個更大的趨勢：中國AI在多模態(tài)領(lǐng)域的突破正從“單點”走向“全面”。

這個春節(jié)檔被外媒稱為“中國AI超級周”。

智譜發(fā)布了新一代旗艦?zāi)Ｐ虶LM-5，MiniMax也有M2.5的新動作，字節(jié)發(fā)布的Seedance 2.0同樣引發(fā)了業(yè)界關(guān)注……馬斯克都在社交媒體上感嘆進展很快。

咨詢公司Omdia的首席分析師蘇廉節(jié)評價道：“開源獲取、強大的推理能力與低部署成本的結(jié)合，已成為中國企業(yè)構(gòu)建和推廣基礎(chǔ)模型的標(biāo)志性模式”。

而Qwen3.5的視頻理解能力，正是這種模式下的又一例證。

04.視覺編程，潦草變藝術(shù)

最后這塊，是我覺得能觸動普通用戶和開發(fā)者爽點的功能——視覺編程能力。

文案里有個demo讓我印象很深：把手繪界面草圖直接轉(zhuǎn)為可用的前端代碼。

我在草稿紙上畫了一個潦草的App界面，畫了幾個框框?qū)憽皌itle”，打了個叉代表“商品主圖”，底下歪歪扭扭寫了“商品介紹”相關(guān)字。

拍照，發(fā)給Qwen3.5，給它指令：“做成一個網(wǎng)頁”。

幾秒鐘后，它真的給你一個HTML文件，打開一看，布局是對的，甚至給你配上了符合現(xiàn)代審美的色彩和圓角。

更進一步的，你還可以通過截圖告訴它“這里有個UI Bug，幫我修一下”，它能直接定位到代碼里的問題，生成修復(fù)方案。

這背后是像素級位置信息和代碼生成能力的融合。

模型在看那張草圖的時候，不僅識別出“這是個按鈕”，還能推理出這個按鈕在2D空間中的坐標(biāo)、大小、與周圍元素的距離。

然后，這個帶著空間屬性的“視覺理解”，直接流向“代碼生成”模塊，自動計算布局參數(shù)，生成布局代碼。

它甚至可以在推理過程中，對圖像進行處理，比如自動裁剪局部區(qū)域放大細節(jié)，或者通過標(biāo)注來強化關(guān)鍵特征，從而實現(xiàn)比傳統(tǒng)方法更精細的視覺推理。

但這種能力真正的價值，不只在代碼生成本身。把Qwen3.5放進阿里整個AI版圖里看，它的戰(zhàn)略意義才真正顯現(xiàn)。

國泰海通的一份研報點出了一個趨勢：阿里的頂層戰(zhàn)略正在發(fā)生變化，從“比模型”轉(zhuǎn)向“拼體系”，用“模型+生態(tài)+AI Infra”爭奪下一代平臺的主導(dǎo)權(quán)。

內(nèi)部提出的“通云哥”概念，將通義實驗室、阿里云、平頭哥綁定為一體化“黃金三角”，強調(diào)算力供給、模型能力與系統(tǒng)工程的協(xié)同。

這意味著Qwen3.5的能力，未來將直接注入到整個阿里數(shù)字經(jīng)濟體的毛細血管里。

你可以想象這樣的場景：在淘寶購物時，拍一張心儀的家具照片，Qwen3.5直接看懂你的風(fēng)格偏好，自動在商品庫中匹配，還能用AR能力幫你預(yù)覽擺放效果；

在高德地圖里，拍一下眼前的街景，它能識別地標(biāo)并規(guī)劃路線；在釘釘里，手繪一個流程圖，它直接轉(zhuǎn)成可執(zhí)行的自動化工作流。

平頭哥在底層提供算力支撐，阿里云負責(zé)規(guī)?；渴穑柲Ｐ痛蛲☉?yīng)用層——這種從AI基礎(chǔ)設(shè)施到上層應(yīng)用的全鏈路打通，正是其他廠商短期內(nèi)不容易復(fù)制的優(yōu)勢。

05.

測完Qwen3.5，我坐在電腦前想了很久。

當(dāng) AI 能夠替代越來越多大家過去認為 “只有人才能做” 的事情，我們也不得不解構(gòu)自己，被逼迫著回答 “自己作為人，到底還有什么獨特的價值”。

去年的DeepSeek R1讓大家看到了中國模型在單點推理能力上的突破，那是屬于一個階段的成果。

而今天的Qwen3.5，背靠阿里巴巴AI“大模型+云+芯片”的完整全棧陣型，向我們展示了一幅產(chǎn)業(yè)鏈協(xié)同作戰(zhàn)的圖景

終于，人工智能不只是單一的「語言腦」，還有了「視覺眼」和「行動手」。

從芯片在底層支撐海量多模態(tài)數(shù)據(jù)的訓(xùn)練，到模型本身原生支持圖像、視頻、代碼，再到未來打通手機、電腦、智能家居乃至工業(yè)機器人的生態(tài)——

阿里正在做的，是讓AI存在于對話框之外，慢慢滲透進生活的不同角落。

以開源為基礎(chǔ)，衍生出種種不同的場景的模型和應(yīng)用。

那種感覺就像是，去年我們還在為造出了一臺跑得很快的引擎而高興；

今年卻發(fā)現(xiàn)，有人已經(jīng)把這臺引擎，裝進了一輛可以適應(yīng)不同路況的車里，并且開始規(guī)劃更長遠的路線。

Qwen3.5證明了中國AI在模型架構(gòu)層面的創(chuàng)新能力，證明了我們不僅能跟跑，還能在「原生多模態(tài)」這個路徑上找到自己的方向。

中原證券的一份報告甚至指出，2026年國產(chǎn)AI大模型將形成對海外頭部模型的替代，或?qū)⒂绊懭駻I模型競爭格局。

回過頭看，從DeepSeek R1去年的亮相，到今天Qwen3.5的格局奠定，再到智譜、字節(jié)、騰訊在各自領(lǐng)域的進展，中國AI在2026年初呈現(xiàn)出的這股勢頭，比去年更加扎實。

我期待，未來當(dāng)我們拿起手機，或者走進辦公室，那個無處不在的AI助手，能真正看懂我們的手勢，預(yù)判我們的需求。

讓每個人的生活，因為這份源自中國的技術(shù)，變得更加簡單而美好。