千問 3.5，用第一性原理打破大模型的不可能三角

　　性能、開源、性價比，千問 3.5 全都要。

　　
作者｜Cynthia

　　編輯｜鄭玄

　　大模型行業走到 2026 年，所有人都陷入了集體焦慮。

　　Scaling Law 的紅利徹底見頂，萬億參數模型繼續向上的邊際收益無限趨近于零，行業陷入了參數越卷越高，落地越來越難的死循環；

　　閉源巨頭牢牢把持著性能天花板，GPT、Claude 的 API 定價一漲再漲，頂級模型的使用成本，成了中小企業和開發者邁不過去的門檻。

　　開源模型始終跳不出性能追平閉源，就閉源收割；想要極致性價比，就要犧牲性能的怪圈。

　　久而久之，行業形成了一條無人敢質疑的鐵律：頂級性能、完全開源、極致性價比，構成了大模型的不可能三角，三者最多選其二。

　　于是，一到年底，國內外的萬億參數模型就一個接一個發布，但普通企業是否用得上所謂的 SOTA 模型，卻不在考慮范圍。半年多時間，GPT、Claude 的定價也一漲再漲，哪怕作為頂級牛馬的程序員，也需要公司報銷，才用得起頂配 200 美金一月的 cursor 與 claude code。

　　直到，除夕當天阿里千問 Qwen3.5 的發布。

　　千問 3.5 總參數量僅 3970 億，激活參數更是只有 170 億，不到上一代萬億參數模型 Qwen3-Max 的四分之一，性能大幅提升、還順帶實現了原生多模態能力的代際躍遷。

　　而橫向對比同行，千問 3.5 不僅是當下的開源大模型 SOTA，同時也在認知能力、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 的海量預訓練數據訓練出的暴力美學的成果。

　　但時至今日，Scaling Law 攀升的代價，已經到了行業難以承受的臨界點。緊隨其后，架構創新成為新的行業關鍵詞。

　　剝掉所有參數、算力、跑分的外衣，所有大模型的底層核心，都是 Transformer 架構的attention 注意力 + FFN 前饋網絡雙塔結構：前者決定了模型的理解能力，后者決定了模型的表達能力。而這兩者，也是當前技術紅利最集中的突破點。

　　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 Transformer 的全局注意力機制，計算復雜度與上下文長度呈O (N2) 關系。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，強行降價就要虧到吐血。

　　為了解決這個問題，行業做了無數嘗試：線性注意力把復雜度降到了 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。

　　基于這個最樸素的原理，千問團隊打造了全局注意力 + 線性注意力的混合架構：

　　對非關鍵的冗余信息，采用線性注意力處理，把計算復雜度從 O (N2) 直接砍到 O (N)，算力消耗呈指數級下降；

　　對核心語義、關鍵邏輯信息，保留標準全局注意力，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，使得大模型在大幅減少算力消耗的同時，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 的上下文長度已經達到 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 字上下的基礎上，支持 600~800 輪連續對話不遺忘。

　　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，就解決了表達成本的痛點。

　　傳統稠密大模型，架構出場天生就帶著極致的浪費：不管你輸入的是一句早上好，還是一篇十萬字的行業報告，模型每次推理都要激活全部參數。

　　這就意味著，90% 以上的算力，都被白白浪費了。

　　MoE 混合專家架構的出現，就是把模型拆成多個專家子網絡，內容進來，只激活最對口的那幾個專家模型，不用全量參數跑一遍。

　　但行業里絕大多數的 MoE 模型，都陷入了兩個死穴：要么專家路由效率低下，激活參數占比過高，成本下降有限；要么專家之間的協同能力不足，模型性能出現滑坡。

　　而 千問 3.5 的極致稀疏 MoE 架構，直接把這個路線的潛力榨到了極致：總參數量 3970 億，單次推理的激活參數僅 170 億，不到總參數的 5%，即可調動全部知識儲備，順便實現部署成本大降 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，為什么只有千問能做到這個程度？

　　答案是，架構創新的潛力，必須靠全棧協同才能徹底釋放。阿里獨有的阿里云、平頭哥自研芯片與千問模型全棧協同能力，是其他廠商根本無法復刻的核心壁壘。

　　其中，阿里云的 AI 基礎設施，為 文本 + 視覺混合預訓練數據，提供了穩定、高效的算力支撐，讓大規模的架構創新實驗得以落地。

　　平頭哥真武 810 芯片，針對 MoE 架構、混合注意力機制做了專項優化，能充分發揮集群算力效率，進一步把模型訓練和推理的效率拉到極致。

　　千問團隊的模型架構創新，又反過來給云基礎設施、芯片的優化指明了方向，形成了正向循環的閉環。

　　也正是這套閉環，讓千問 3.5 的價格能進一步探底，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，它實現極致性價比的同時，也把性能和體驗，拉到了行業的新高度。

　　對普通用戶來說，最直觀的體驗升級，就是即使用 sota 模型，也能享受流暢的生成體驗。

　　過去，為了給模型生成提速，大部分團隊都是在推理階段加個投機采樣的補丁，先猜后面的內容，猜對了就快一點，猜錯了就回滾，結果就是要么快但容易錯，要么準但還是慢。

　　而千問 3.5 的解法，是從訓練階段就原生支持多 Token 聯合預測，讓模型從一個字一個字地想，進化成一次想好幾步再說。這個過程類似于人類說話，先想好完整的語義，然后在表達的過程中組織連貫的語言。

　　這對長文本生成、代碼補全、多輪對話等高頻場景帶來的是質變的體驗升級：問一個復雜的科普問題，10 秒內就能給出連貫的回答；寫一篇千字短文，幾秒就能生成初稿。

　　另一個被徹底解決的痛點，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，輸出質量直線下降。一個完整的長內容，模型往往只會注意到開頭和結尾的內容，中間的關鍵信息被忽略，或者多輪對話之后，它會忘記你最初的問題或者要求。

　　針對這個痛點，Qwen3.5 對模型做了系統級的訓練穩定性優化，其中最核心的，就是阿里千問團隊斬獲NeurIPS 2025 最佳論文獎的注意力門控機制。

　　這個機制，本質上是在注意力層的輸出端，加了一個智能降噪開關：它能根據信息的重要程度，智能調控信息的傳遞，有效信息被放大，無效信息被過濾。

　　最終的結果是，哪怕是在 1M token 的超長上下文下，模型依然能精準記住所有的關鍵信息，開發者不用再把長文檔拆成十幾段反復投喂，用戶不用再把需求翻來覆去重復三遍，百萬級上下文的全量信息精準調用，終于成為了現實。

　　除了這些核心痛點的解決，千問 3.5 的細節升級，覆蓋了從個人用戶到企業開發者的全維度需求。

　　比如，它首次把支持的語言擴展到了 201 種，預訓練數據里大幅新增了中英文、多語言、STEM 和推理類數據，不管是小語種的精準翻譯，還是復雜的數理化博士級難題，都能輕松應對。

　　測試案例：STEM 表現

　　在 Agent 能力上，千問 3.5 同樣實現了生產級的跨越式提升。目前，千問 3.5 在移動端已經與多個主流 APP 與指令打通，PC 端則能處理跨應用數據整理、自動化流程執行等復雜多步驟操作。

　　更關鍵的是，千問團隊構建了可擴展的 Agent 異步強化學習框架，端到端速度可加速 3 到 5 倍，并將基于插件的智能體支持擴展至百萬級規模，為后續 Agent 的規模化落地打下了基礎。

　　如果說其他模型，還停留在開發者友好型，那么千問 3.5，就是全民友好型。它既照顧了開發者對成本、效率的需求，也兼顧了普通用戶對體驗的期待，讓大模型真正走進了日常生活，而不是停留在實驗室里的黑科技。

　　03

　　原生多模態，

　　千問 3.5 開始能讀懂復雜世界

　　如果說性能、成本、體驗的全面升級，是千問 3.5 在解決當下大模型落地過程中的困境，那么統一多模態，就是 千問 3.5 把大模型推向 AGI 的重要一步探索。

　　長期以來，業界都有一個共識：統一多模態，是通往通用人工智能（AGI）的必經之路。但直到今天，行業里絕大多數的多模態模型，都還是偽多模態：先訓好一個純語言大模型，再外掛一個視覺編碼器，靠適配層把兩個模塊粘在一起，本質上就是兩個語言不通的人靠翻譯聊天，信息傳遞必然出現折損。

　　千問 3.5 的不同之處在于，從預訓練第一天起，就是在文本+視覺混合數據上聯合學習，讓視覺與語言在統一的參數空間內深度融合。

　　簡單說，它看到一張圖，就能自然理解圖中的語義，不用先把圖像轉換成文本再進行理解；讀到一段文字，就能在腦中構建出對應的畫面，就像人一樣，真正具備了跨模態的直覺理解力。

　　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

　　為了實現這種原生的多模態融合，千問 3.5 對整個訓練架構都做了革新：它讓視覺和語言模態，各走各的最優路徑，只在關鍵節點上高效匯合，既保證了兩個模態各自的性能上限，又實現了真正的協同工作，大幅提升了多模態混合訓練的效率。

　　這種原生融合的架構，帶來的是視覺能力的飛躍式提升：在多模態推理（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

　　還有一個容易被忽略，卻至關重要的細節優化，是精度策略的設計：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，把激活內存減少了約 50%，訓練速度提升了 10%。更關鍵的是，這套方案被統一部署到了強化學習訓練和推理的全流程里，全面降低了多模態模型擴展的成本和復雜度。

　　這些性能提升，最終都轉化成了實實在在的生產力：

　　在學科解題、空間推理上，它比千問此前的專項多模態模型 Qwen3-VL 表現還要更優，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 2 小時的視頻直接輸入，剛好對應 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，也能直接轉化為可運行的前端代碼；機械圖紙、建筑結構圖、幾何題目，全都能精準拆解空間關系、完成推理計算。

　　測試案例：復雜網頁生成

　　而這，也是讓大模型從能聊天的工具，變成看懂現實世界的基座，最終通往 AGI 乃至 ASI 的關鍵一步。

　　04

　　尾聲

　　如果說架構與多模態的創新，讓 千問 3.5 打破了不可能三角的技術枷鎖，那么開源生態，讓千問 3.5 徹底顛覆了行業對開源模型的固有偏見。

　　在此之前，開源模型在行業里的定位，永遠是閉源模型的替代品：性能追不上閉源，體驗打不過閉源，只能作為開發者的練手工具，無法進入核心生產環境。

　　現在千問 3.5 的問世，徹底打破了這種偏見——它用開源的身份，實現了超越同級閉源模型的性能，再加上極致的性價比和完善的生態支持，讓開源、高性價比、最強的不可能三角成為可能。

　　一組可驗證的數據，足以證明千問開源生態的行業影響力：截至目前，阿里已開源 400 余個千問模型，覆蓋全尺寸、全模態、全場景，全球下載量突破 10 億次；全球開發者基于千問開發的衍生模型超 20 萬個。

　　而站在千問生態的肩膀上，中小企業不用再為頂級模型的 API 支付高昂的費用，用極低的成本就能落地自己的 AI 應用；

　　個人開發者不用再被閉源模型的商用權限鎖死，基于開源的千問 3.5，就能打造創新的 AI 產品；

　　科研機構不用再重復造輪子，基于開源的底座，就能專注于前沿技術的創新。

　　從此，AI 不再是巨頭的專屬游戲，而是變成了全行業、全開發者都能參與的創新浪潮。

　　*頭圖來源：視覺中國

　　本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO