一、9·22 云栖大会：千问一年的进展一次交清

2026 年 9 月 22 日，云栖大会在杭州开幕，阿里对千问过去一年的进展做了一次集中发布。这场发布会信息密度很高，值得拆开逐条看 —— 尤其是其中的自主研发部分，2026 年是第一次有厂商把「模型自己训练模型」的完整过程拿出来讲。

先给出两条最有分量的结论：

  • Qwen4 已开训，基于下一代架构进入训练阶段
  • Qwen3.8-Max 在 Artificial Analysis 全球大模型排行榜上的分数从 40 提升到 45，进入 Claude、GPT 所在的第一梯队

二、Qwen4 开训：Scaling 路线没有转向

关于「Scaling Law 是不是到头了」的争论，2026 年下半年终于有一个明确的表态。阿里这次没有往效率路线拐，而是继续顶规模：

  • Qwen4：基于下一代架构，已进入训练阶段
  • Qwen4.5、Qwen5：参数规模计划扩到 5 万亿到 10 万亿量级
  • 千问 LLM 项目负责人刘大一恒的判断：Scaling 仍是走向更强通用能力的核心路径，更大参数规模依然带来更强性能

这个表态本身是有信息量的。它意味着 2027 年前后的模型能力曲线，大概率还是会沿着「参数更大 + 训练更久」的路径往上走，而不是像前两年那样靠架构创新和推理时计算把曲线拉平。对使用方来说，短期成本预期不乐观；中期看，如果算法效率（见下文 Flash）的提升跑得比规模扩张快，曲线才有可能被压平。

三、Qwen3.8-Max 的成绩：把第三方实测和厂商口径分开

发布会数据最容易出问题的地方，是「实测数字」和「厂商自述」被混在一起讲。这次我把它们拆成两类，来源标清楚：

信息 来源 具体表述
Artificial Analysis 全球排行榜第三方实测分数从 40 提升到 45，与 GLM-5.3、Kimi-K3 等国产模型并列进入 Claude、GPT 所在的第一梯队（榜单快照：2026 年 9 月下旬）
Artificial Analysis 智能体评测第三方实测第一
CodeArena 前端编程第三方实测第一
Qwen4 训练状态厂商口径已开训，下一代架构
Qwen4.5 / Qwen5 参数规模厂商口径计划扩到 5 万亿到 10 万亿
RSI 迭代收益厂商口径得分提升 12.5%
推理吞吐提升厂商口径陌生 GPU 上单实例吞吐提升 96%
芯片物理实现优化厂商口径自主运行 60 小时以上，芯片面积减少 42%
Qwen3.8-Flash 训练成本厂商口径压降接近 90%

这里要把两种口径分开看：厂商称 RSI 与后训练等优化带来得分提升 12.5%；第三方 Artificial Analysis 榜上该模型的分数同期由 40 升至 45（45 / 40 = 1.125）。两个数字是否为同一个量，官方未明确说明，此处不做等同推断 —— 第三方榜单你可以自己去核对，RSI 的过程细节无法独立验证。

四、RSI：33 轮零人类参与的自我迭代

这是全场最值得单独讲的一条。Qwen3.8-Max 的做法是：

  • 自主搭建训练流程、构造训练数据
  • 自主设计实验并定位缺陷
  • 在人类完全零参与的情况下持续迭代超过 1 个月
  • 完成 33 轮有效迭代
  • 结合 RSI 与后训练等优化，得分提升 12.5%

这是「递归自我改进」（Recursive Self-Improvement）的实证样本，和以往那些「模型帮人类写训练脚本」的自动化实验有本质区别：模型自己定义了迭代闭环的每一步 —— 造什么数据、跑什么实验、哪里出了问题、下一轮改什么。而衡量口径很朴素：分数从 40 推到 45。

把视角放回工程：这意味着大模型研发中的一部分「脏活」—— 数据构造、实验编排、缺陷定位、下一轮的配置调整 —— 已经可以交给模型自己去做。这件事对使用方短期没有直接影响，但它改变的是能力供给的边际成本曲线：如果每一轮迭代的人工投入持续下降，模型厂商的迭代频率就有可能再往上提。

五、推理侧自主优化：在一块没见过的 GPU 上，吞吐量提升 96%

Qwen3.8-Max 在一块从未见过的平头哥新款 GPU上，自主完成了下一代架构 Qwen3.8-Flash 的 SGLang 推理框架适配优化，单实例推理吞吐量提升 96%。

这里的关键信息量不在 96% 这个数字，而在「陌生硬件」这个前提。推理框架的 kernel、调度策略、内存布局都是针对具体卡调出来的，换一款 GPU 通常意味着重新踩一遍坑。让模型自己去适配一块没见过的芯片，等于把「芯片 bring-up」这件事也纳入了 agent 的能力范围。

厂商口径的边界也要标清楚：发布材料没有给出对照条件（batch size、并发数、序列长度、精度模式），96% 这个数在不同负载下的可复现性无从判断。

六、芯模协同：自主跑 60 小时，芯片面积减少 42%

如果这次发布里只挑一条最值得注意的，我会选这条而不是跑分。

阿里的做法是：仅凭一份真实的总线模块规范，模型自主展开前端、验证、后端的全链路自迭代，自主运行超过 60 小时、调用 EDA 工具上万次，最终完成一版面积减少 42% 的物理实现优化。

为什么它比跑分更值得看：

  • 跑分衡量的是「模型能做什么」，芯模协同衡量的是「模型 + 工具链 + 闭环能做什么」。后者才是自主研发的真实形态 —— 模型能调用设计工具、能读懂规范、能验证自己的设计，能力才具备可积累性
  • 60 小时自主运行、上万次 EDA 调用，是长程 agentic 任务的真实工作量。跑分是分钟级的、结果可即时验证的；芯片物理实现是跨天级的、错误代价高的。后者跑通，说明长程自主执行的稳定性上了一个台阶
  • 面积减少 42% 直接对应算力供给端的成本。在同一颗芯片上塞进更多有效计算单元，对使用者是实打实的单位算力成本下降

需要说明的是，「面积减少 42%」的基线设计、对照工艺和面积统计口径都没有公开，属于厂商口径，无法独立复核。

七、Qwen3.8-Flash：训练成本压降近 90%，并提前开源

另一个容易被忽略的动作：阿里提前开源了下一代千问模型的架构。Qwen3.8-Flash 通过注意力机制和模型内信息传递机制等改动，在保持前沿性能的同时把训练成本压下去接近 90%，靠极少的参数激活把推理计算效率推到新的帕累托前沿。

「训练成本降 90%」和使用方的关系要分两层看：

  • 短期（自部署团队）：这是最直接的收益。如果你的训练管线能复现这类架构改动，同样规模的训练任务所需算力大幅下降，迭代频率自然上去。架构提前开源，等于让社区能提前验证这条路能不能走通
  • 中期（API 使用方）：厂商的推理成本下降，最终会传导成 API 价格或并发配额。但传导比例、时间点和幅度都不可预测，不该写进成本模型当既定事实

「帕累托前沿」这个词用得比较准：同样的激活参数下能力更强，同样的能力下激活更少。这类改动对大规模 Agent 场景的单位任务成本比单纯的总榜排名提升更有意义。

八、全模态：Qwen3.8-Omni 与 Wan3.0

  • Qwen3.8-Omni：把视频、音频、图像、文字纳入统一理解框架，不是多个模型拼起来
  • Wan3.0：支持单次生成 30 秒视频；可接受文档、表格、网页等结构化输入；原生音画同步；在 Artificial Analysis 的文生视频与视频编辑两个榜单位列全球第一（第三方实测数据）
  • 下一代视频生成模型计划 11 月发布
  • 发布面向手机的 Qwen Intelligence 全栈方案
  • 阿里 ATH 技术副总裁郑波：三年内会出现一个原生全模态统一模型（厂商判断）

「统一理解框架」和「拼装的视觉编码器 + 语言模型」在工程上不是一回事：如果输入侧是原生多模态，跨模态检索、视频里的文字问答这类任务不需要外挂 pipeline，延迟和一致性都会更好。这一点对做多模态 Agent 的团队值得专门验证。

九、对开发者的影响与选型建议

把上面这些信息翻译成能落到代码和账单上的判断：

  • 能力上国产模型进入第一梯队，但要看第三方榜不看发布会。Artificial Analysis 的 40 → 45 和两个「第一」是可以自己去核对的数据；12.5%、96%、42%、90% 这四个数字属于厂商口径，做选型时权重应该低一档。选型判断建议直接拉 Artificial Analysis 的当前快照做横向比，而不是采信任何一家的对比表
  • 成本视角优先看 Flash 而不是 Max。Qwen3.8-Flash 的价值在于「极少参数激活 + 帕累托前沿」，这直接对应高频调用场景的单位任务成本。如果你的业务是分类、抽取、路由、格式转换这类高 token 频次任务，Flash 级模型的性价比远高于旗舰
  • Agent 场景的路由策略要按「任务完成成本」设计，而不是按「单 token 价格」。旗舰模型负责规划、复杂推理和失败重试，轻量模型负责执行与检查 —— 这种分工的收益远大于单纯换便宜的模型
  • 长上下文任务的成本敏感度在上升。上下文一旦进入百万级，prefill 成本和 KV Cache 显存占用都会变成主要开销（这一块的技术细节可以看《DeepSeek V4.1 Flash：890 字节/token 的 KV Cache 是怎么做到的》）。Qwen3.8-Flash 这类「少激活参数」的模型，在长上下文 Agent 上的单位成本优势会比短问答场景更明显
  • 多模型接入层现在有实际价值了。Qwen3.8-Max、Qwen3.8-Flash、Claude、GPT 在同一批任务上的表现差异已经大到需要分流。当不同厂商在同一周内各自发布、涨价、降价（见《9·22 双雄降价日》）的时候，把模型名做成配置项、让路由策略能热切换，比「锁定一家然后祈祷它家不涨价」要现实得多
  • RSI 这类进展暂时不用改你的架构，但值得盯住两条线：一是官方是否继续公开 RSI 的过程细节（现在几乎全是黑盒），二是这类自迭代产出的模型在真实业务任务上的稳定性而不只是榜单分 —— 33 轮自我实验能提分，不代表它在你的数据分布上不会引入新的失败模式

十、写在最后

这次发布会真正的信号不是某个榜单名次，而是「自主研发」这件事从概念演示进入了可量化阶段：33 轮零参与迭代把分数从 40 推到 45，在陌生 GPU 上自主完成推理框架适配拿到 96% 吞吐提升，仅凭一份规范自主跑 60 小时做出 42% 的面积优化。这些数字目前仍然主要是厂商口径，但它们指向的方向是明确的 —— 模型正在从被训练的对象，转变为参与自身研发的工程力量。

对使用方，眼下真正需要动手的只有一件事：把「用哪家的哪个模型」从架构决策降级成配置项。这次发布一天之内就有 GPT-6 Sol/Luna 永久降价 50%、Opus 5.5 相对 Opus 5 降价两成，以及 Qwen3.8-Max 冲进第一梯队 —— 这种节奏下，把模型名硬编码在业务代码里的团队，每次发布都要发一次版本。