性能、開源、性價(jià)比，千問 3.5 全都要。

　　
作者｜Cynthia

　　編輯｜鄭玄

　　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(jià)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(jià)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(jià)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(gè)接一個(gè)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(shí)間，GPT、Claude 的定價(jià)也一漲再漲，哪怕作為頂級牛馬的程序員，也需要公司報(bào)銷，才用得起頂配 200 美金一月的 cursor 與 claude code。

　　直到，除夕當(dāng)天阿里千問 Qwen3.5 的發(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、還順帶實(shí)現(xiàn)了原生多模態(tài)能力的代際躍遷。

　　而橫向?qū)Ρ韧?，千?3.5 不僅是當(dāng)下的開源大模型 SOTA，同時(shí)也在認(rèn)知能力、指令遵循、通用 Agent 評測等方面超越了 GPT5.2、Claude 4.5、Gemini-3-Pro 等同期閉源模型。

　　但成本上，千問 3.5 也做到了每百萬 Token 輸入低至 0.8 元，是 GPT5.2 的 1/15、Gemini-3-pro 的 1/18。

　　那么，千問究竟如何做到的？答案藏在大模型的第一性原理中。

　　01

　　回到第一性原理，

　　千問 3.5 如何打破不可能三角？

　　大模型的第一性原理是什么？

　　過去三年，答案或許是 Scaling Law。包括上一代 Qwen3-Max，也是阿里是用 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。而這兩者，也是當(dāng)前技術(shù)紅利最集中的突破點(diǎn)。

　　先看決定理解能力的 attention 層。

　　一直以來，大模型長上下文落地的最大瓶頸，從來不是窗口能開多大，而是算力成本和性能的平衡。

　　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。這就是為什么行業(yè)里很多模型號稱能支持百萬 token 上下文，卻根本不敢開放商用：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。

　　而 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。

　　基于這個(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)級下降；

　　對核心語義、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)，提升了輸出的效率，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(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(dá)成本的痛點(diǎn)。

　　傳統(tǒng)稠密大模型，架構(gòu)出場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。

　　而 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)全部知識儲備，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，

　　到這里，可能又有很多人會問，同樣是混合注意力、MoE 架構(gòu)，為什么只有千問能做到這個(gè)程度？

　　答案是，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 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)。

　　也正是這套閉環(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。

　　02

　　千問 3.5，全民友好型模型如何練成的？

　　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(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。

　　對普通用戶來說，最直觀的體驗(yàn)升級，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，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。

　　這對長文本生成、代碼補(bǔ)全、多輪對話等高頻場景帶來的是質(zhì)變的體驗(yàn)升級：問一個(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，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(gè)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(gè)痛點(diǎn)，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(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(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，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)理化博士級難題，都能輕松應(yīng)對。

　　測試案例：STEM 表現(xiàn)

　　在 Agent 能力上，千問 3.5 同樣實(shí)現(xiàn)了生產(chǎn)級的跨越式提升。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(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。

　　03

　　原生多模態(tài)，

　　千問 3.5 開始能讀懂復(fù)雜世界

　　如果說性能、成本、體驗(yàn)的全面升級，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。

　　長期以來，業(yè)界都有一個(gè)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(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。

　　測試案例：輸入一張電影截圖，千問 3.5 就能生成圖文并茂的電影解析

　　為了實(shí)現(xiàn)這種原生的多模態(tài)融合，千問 3.5 對整個(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。

　　測試案例：通用視覺問答

　　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，它支持長達(dá) 2 小時(shí)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(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。

　　測試案例：復(fù)雜網(wǎng)頁生成

　　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。

　　04

　　尾聲

　　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(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。

　　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(shí)現(xiàn)了超越同級閉源模型的性能，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)。

　　而站在千問生態(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(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。

　　*頭圖來源：視覺中國

　　本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請聯(lián)系極客君微信 geekparkGO