自 AI 概念火熱之后，要說每年過年最熱鬧的地方在哪里？知危覺得答案得是各個大廠的 AI 實驗室和各個媒體編輯部了。

昨晚剛過完年，馬年的第一天，AI 界的 “ 源神 ” Qwen3.5（ 千問 3.5 ）就突然發(fā)布，雖說之前已經(jīng)有 Qwen3.5 的信息傳出，心里已經(jīng)做好了預(yù)期準(zhǔn)備，但是仔細(xì)看了看這次的新模型特性，還是得感嘆一句，不愧是源神啊！

作為開源界的扛把子，這次新發(fā)的 Qwen3.5-Plus 不僅在推理、編程、Agent 智能體等全方位基準(zhǔn)評估中均表現(xiàn)優(yōu)異，還在視覺理解能力的權(quán)威評測中斬獲數(shù)項性能最佳，性能媲美 Gemini3-Pro 等一線閉源模型。

如果說性能提升是預(yù)期內(nèi)的，那這次更新最令人吃驚的是其同等參數(shù)下的性能表現(xiàn)提升十分驚人。之前萬億參數(shù)的 Qwen3-max，在如今，被只有 4000 億參數(shù)的 Qwen3.5-Plus 所超越。只用不到一半的參數(shù)，就能帶來更強的性能，直接的影響就是大眾在算力上的花費更低了。同等性能，Qwen3.5-Plus每百萬 token 現(xiàn)在最低只要 8 毛錢。這比以性價比著稱的 DeepSeek 還要便宜數(shù)倍。在杭州，一公斤白菜也就賣這價。

一般來說，大語言模型界向來奉行 Scaling Law，即誰的參數(shù)大，誰的性能就可能更好，那么這次的千問 3.5 怎么就反其道而行之，參數(shù)變小了，性能反而提升了呢？

這就不得不提到千問大模型團隊在語言模型架構(gòu)上的不斷精進(jìn)。

我們思考一下過去幾年 AI 界的情況，正是因為大家太過于遵守 Scaling Law，導(dǎo)致那些做模型的沒怎么賺到錢。反而是老黃這個賣顯卡的，市值一飛沖天，一度登頂全球市值第一。

參數(shù)暴漲帶來的直接影響就是：我能訓(xùn)練得起，但是用不起了。這在應(yīng)用落地上可不是啥好消息。所以，千問 3.5 就換了個思路，既然現(xiàn)在參數(shù)的邊際效應(yīng)逐漸遞減，那么我們就想辦法提升每個參數(shù)的性價比。

總的來說，千問 3.5 之所以能縮小參數(shù)，主要是這幾方面的技術(shù)突破，涉及到技術(shù)方面的事情稍微有點枯燥，咱們就盡量短著點說。

首先是混合注意力機制。這個大家應(yīng)該都聽爛了，不管是訓(xùn)練還是推理，注意力機制所占據(jù)的計算量都是最大的，原因就是它需要讓每個詞和每個詞之間都做（ 點積 ）計算，來算出詞與詞之間的關(guān)聯(lián)度。所以，這種算法就有個大問題，當(dāng)文本量越來越長之后，每多一個詞，需要的計算量都是遞增的，比如只有十個詞的時候，你多一個詞可能只要多算 10 次，但是當(dāng)達(dá)到 10 萬上下文時，你再加一個詞，就得多算十萬次了，這也是為什么語言模型這么難解決上下文長度的原因。而混合注意力機制，就是在標(biāo)準(zhǔn)注意力機制的基礎(chǔ)上，引入了一種 “ 按需計算 ” 的動態(tài)策略，能根據(jù)語義的重要程度進(jìn)行 “ 差異化處理 ”，如果我發(fā)現(xiàn)某個詞不重要，比如 “ 我養(yǎng)了一只狗 ” 里面的 “ 只 ”，你把 “ 只 ” 說成 “ 條 ”、“ 個 ” 大家也能看懂，那我就不去和每個前文做計算，只計算它身邊的少部分詞，而重要的詞，比如這句話里的 “ 狗 ”，你換成其它的 “ 貓 ”、“ 豬 ” 就完全變意思了，這就會去做全局計算，這樣就能讓效率和精度同時提升。

第二點就是比傳統(tǒng)混合專家（ MOE ）更極致的稀疏架構(gòu)，MOE 架構(gòu)在 DeepSeek V3 那會就火過一陣，簡單理解一下，這就好像把龐大的參數(shù)量，按照知識分類，分成不同的專家，這樣就能通過減少激活的參數(shù)，加快推理速度。而千問 3.5 通過更加極致的專家分類，讓整個 397B 參數(shù)的模型，最小只需要激活 17B，這計算量就一下減少了 20 多倍。

剩下的還有原生多 Token 預(yù)測，通過多同時生成幾個詞，加快推理的速度，以及 25 年剛拿了最佳論文獎的用于精確控制輸出結(jié)果的門控機制之類的技術(shù)，這四項技術(shù)相輔相成，當(dāng)它們同時作用于一個模型時，帶來的效率躍遷是顛覆性的。想想，每次推理僅激活 17B，卻可以實現(xiàn)與 GPT-5.2、Gemini-3-pro 同級的性能表現(xiàn)。與上一代超萬億 的Qwen3-Max 相比，Qwen3.5-Plus 還以 4000 億參數(shù)實現(xiàn)了性能上的超越，部署顯存占用更是降低 60% 。同時，推理吞吐量最高提升至 19 倍，推理效率大幅提升。

總之，千問3.5通過這些技術(shù)突破，讓模型盡量減少無用的計算，這樣不僅能使用小參數(shù)獲得更好的性能，還能大大減少部署模型對硬件的苛刻要求。

這些技術(shù)非常前沿，但對普通人來說，想要感知技術(shù)那實在是太難了。

那巧了不是，這次的千問 3.5 還有個非常 “ 好用 ” 的更新，除了這些架構(gòu)上的新技術(shù)，這次的千問 3.5 在自身能力上，也是展現(xiàn)了團隊對于未來趨勢的判斷，那就是“ 原生多模態(tài) ”。

和一般的語言模型通過文字標(biāo)簽來理解圖片不同，原生多模態(tài)，是能直接看懂圖像、視頻、音頻的。它們之間的差別猶如盲人摸象，一個只能看到局部，而原生多模態(tài)，則是能完完整整的繞著大象看。

之所以說它 “ 好用 ”，是因為有了原生多模態(tài)，你就不只能通過文字和 AI 聊天，你還能通過圖像，更準(zhǔn)確的讓 AI 知道你的意思。

說得多不如上手一試，我們在第一時間拿到千問3.5的使用資格后也是快速的上手試了試，一上手我就給新模型來了個下馬威，直接給它來一個洗車難題。

結(jié)果，回答還沒出，這跳 Token 的速度就把我震驚到了。

這思考鏈 chua~chua~ 的，一行接一行的蹦出來，不愧是加持了四項架構(gòu)黑科技的千問 3.5，而且，它不僅回答得快，這答的也好，在思考完畢后，簡單直接的給出它最終的答案 ——開車過去。

你看，這第一題就把其它某些模型給比下去了，這給了我極大的信心，秉承測不死就往死里測的精神，接下來的測試會直接上一個臺階。

首先，測試一下編程能力，我讓千問 3.5 直接幫我寫一個貪吃蛇的小游戲，問題一提出來，千問 3.5 就開始對任務(wù)進(jìn)行快速拆解。

等思路捋清之后，這代碼和之前一樣，寫得飛快，超長的上下文也是一次就讓整個代碼輸出完成。

等它結(jié)束后，拿千問 3.5 給的代碼去測試，果不其然，一次性成功，中間我沒有給過任何的其它提示，代碼編寫出來的貪吃蛇游戲完整度也非常的高，這個任務(wù)從功能上來說，處理得非常完美。

但只有功能還不夠，于是我又給它提出要求，讓它做好看點，加上特效試試。

程序太長，這里就不展示所有代碼，對于果，夸獎的話我不想多說，大家直接看動圖。

之后我又測試了讓它去做一個創(chuàng)新類的游戲，我告訴它，做一個坦克大戰(zhàn)，但是肉鴿版！

千問 3.5 依舊是先思考思路，拆分任務(wù)。

然后chua~chua~的用超長的token，把代碼一口氣寫出來。

這是它完成的第一版游戲，可以說相當(dāng)完善，而且非常好玩，坦克不僅有等級，而且每升一級都能選一個威能提升，要知道，這些都是我只說了一句話讓它做到的。

而這，是我讓它改進(jìn)視覺后的效果。。。

中間我也僅僅只是說了八個字：讓這個游戲好看點。

到這里，編程已經(jīng)沒什么好挑剔的了，但是，讓它僅僅是編程可沒用到任何多模態(tài)的能力，所以第二項，就是要試試它對圖像的理解到底有多深！

首先，我讓它根據(jù)這個圖片來幫我找找茬。

在它短暫的思考過后，直接給出了 6 處不同的結(jié)論，其中有一處女孩的泳衣顏色居然還在思考后，自己給否定掉了，這真的有點像人在對比圖像，然后再思考是不是了。

不過最后從答案上來看，它還是有兩處錯誤的，一個是男人的頭發(fā)，一個是那女孩的蝴蝶結(jié)沒找到，但是大家要注意，我給的是一張圖片而不是兩張，它并不能直接去對比兩幅圖的像素，它是需要理解這個圖是分上下的，然后理解上下還有很多相似的圖像，然后再從相似的圖像中找到不對的畫面，這對于一個語言模型來說，這個結(jié)果已經(jīng)夠驚人了。

之后我又給了它一張圖片，這次它不僅能知道圖片里是什么，甚至還能理解反光，最離譜的是，它居然從細(xì)節(jié)信息中，讀出了這張圖片可能是 AI 生成的，而事實也確實如此，只能說它的圖片識別能力，至少在識別 AI 上，已經(jīng)超越大部分人類了！

圖像，編碼似乎都不能難到它，接下來，我得給它一個終極考驗，讓它看視頻?？匆曨l和圖片的難度可是天差地別，圖片只有一張，視頻可是一連串的，而且視頻還有分鏡、角度等因素，千問 3.5 想要讀懂視頻，必須對每個鏡頭都能理解到位才行。

首先來個簡單的，我讓它看看這個視頻中，這個帥氣的男人打球技術(shù)如何。

結(jié)果讓我吃驚，它先從整體概況給出答案，然后再分析技術(shù)細(xì)節(jié)分析了戰(zhàn)術(shù)策略，還知道最后扣籃了。甚至還給出了面對這種對手要怎么改進(jìn)，這完全就像一個籃球教練在看著你的動作一步步的給你分析，最后給你指導(dǎo)。

看它完成的這么棒，我只能繼續(xù)加大力度，這次我給它來了個畫中畫！這是一個小貓在追電腦屏幕里的元素的視頻，千問 3.5 要理解它，首先得分辨屏幕和現(xiàn)實。

結(jié)果只能說完全難不倒它?。?/strong>

它不僅知道小貓在屏幕前，它甚至還知道里面的游戲名字叫什么，然后分析畫面，為什么小貓會抓屏幕?？梢哉f它完全知道怎么回事。

視頻完全拿捏，那如果讓千問 3.5 去根據(jù)視頻要求來編程呢？

我錄制了一段訪問某品牌網(wǎng)站的視頻。

我告訴它，讓它先看視頻，分析一下視頻的內(nèi)容是什么，然后，直接讓它根據(jù)視頻內(nèi)容，編寫出類似的網(wǎng)頁。

中間只是提醒它一次，把沒有的圖片，用色塊表示。

它的編程速度是這樣的。

而這，就是它給的結(jié)果。

不能說一模一樣吧，也至少能說從功能上，幾乎沒有差別。

隨后我又測試了一些其它的視頻畫面。

比如奇怪的搖滾貓。

到現(xiàn)在我其實已經(jīng)對它的能力折服了，不過最后，我還得再測試一下工作場景，所以我給了它一段動畫軟件的視頻。讓它告訴我這里的是什么內(nèi)容。

結(jié)果也在意料之中，經(jīng)過之前的洗禮，我已經(jīng)見怪不怪了，千問 3.5 很好的看出了這是什么軟件，視頻在做什么內(nèi)容，也基本把畫面中所有的文字都讀懂了，可以說，它完全的理解了這個視頻。

那么，這次的測試到這里就結(jié)束了，不知道大家意識到?jīng)]有，在前文的多模態(tài)那部分，我就提到了一點，多模態(tài)的部分代表著千問他們對未來趨勢的判斷。

所以這就有個問題。

拋開價格戰(zhàn)的喧囂，為什么，阿里要死磕 “ 以小勝大 ” 和 “ 原生多模態(tài) ”？

答案很可能就是：智能體。

前段時間，一直改名一直火的 AI Agent OpenClaw，相信關(guān)注 AI 行業(yè)的人應(yīng)該都知道。它是一個通過大語言模型自動幫你辦公的助手，只需要告訴它你要干什么，它直接就能在后臺操作電腦把你想做的事情做完，而要實現(xiàn)它，那么多模態(tài)的能力是必不可少的， 它必須得從畫面中理解現(xiàn)在的電腦在干什么，然后才能指導(dǎo)自己去做。

但這就導(dǎo)致了非常重要的痛點難題：一個是如果我考慮隱私想自己部署，能力強的模型我用不起，能力弱的又沒有用，而如果直接調(diào)用API，假如任務(wù)卡住的話，干一個活，一晚上幾百美元就沒了。。。

在國內(nèi)，吐槽它太耗 Token 的人也不少。

而千問 3.5 可能是這些問題目前的最優(yōu)解，既開源，API 也便宜，想自己搭也行，給了大家自由的空間。

在 AI 亟需應(yīng)用落地的時代，盲目的追求“大”語言模型可能越來越不是一個明智的選擇，而像千問 3.5 這樣，不僅針對真實的需求做出對應(yīng)的改進(jìn)，而且還堅持開源，說實話，就算是我想找茬，我也找不出要說它不好的點在哪。

可能唯一要吐槽的點就在于，這么好的模型，為什么我今年才用到！