从 2.4 万亿到 10 万亿:参数路线一口气拉到极限
Qwen3.8-Max 已经在 2.4 万亿参数规模上跑通,这次云栖大会明确:下一代 Qwen4 已经在训练,后续的 Qwen4.5、Qwen5 系列计划把参数扩展到 5–10 万亿区间,直接对标 ASI(artificial superintelligence)。负责人在现场把"参数扩展仍是通向通用人工智能的核心路径"重新摆回桌面,这相当于在 Scaling Law 被反复唱衰的当口,给了一记反向投票。
RSI 让模型自己"打工"
比起单纯的参数膨胀,更值得关注的是 Qwen3.8-Max 已经实现的递归式自我改进(Recursive Self-Improvement, RSI):在完全没有人类参与的情况下,系统连续迭代 33 轮,自己搭训练流程、生成训练数据、设计实验、修复缺陷,把 Artificial Analysis 智能体评测得分又拉高了 12.5%。这条链路的意义不在数字,而在"模型能修改自己的训练流程"这件事第一次有了工业级证据。配合平头哥真武 V900 芯片"性能三倍于上一代"、可扩展至 50 万卡集群、2027 年一季度量产的节奏,RSI 不再是孤立的算法演示,而是模型—芯片—数据中心三层飞轮的具体粘合剂。
多模态矩阵全线加压,11 月是关键节点
云栖披露的多模态路线比模型本体更密集:Qwen3.8-Omni-Flash 统一处理视频、音频、图像与文本;Wan3.0 把单次生成视频长度推到 30 秒并支持结构化指令;Qwen-Audio-3.1 覆盖 ASR/TTS/实时翻译,实时翻译字均延迟压到 2.3 秒;Qwen-Image-3.1、HappyOyster-2.0-Preview 等专项模型同步推进。下一代视频生成模型计划 11 月发布,这是 Qwen 第一次在视频生成上明确节点,也是其对标 Veo/Sora 的入场券。
开源与商业化同时加速
Qwen3.8 系列模型发布一个月内下载量突破 5600 万、衍生模型 1900 余个;阿里累计开源 460 余个千问模型、总下载超 30 亿、衍生模型突破 30 万。商业侧,Qwen3.8-Flash 通过注意力机制优化将训练成本降低近 90%,Perplexity、Airbnb、Pinterest、路透社已经基于 Qwen 构建智能代理与自研模型。另一面,阿里 2026 年第二季度 AI 云及算力服务收入约 484 亿元、同比增长 45%,资本开支 677 亿元、同比增长 75%,CEO 吴泳铭给的目标是到 2032 年阿里云运营的全球数据中心规模超过 20 GW。
所以呢
参数扩张、RSI、自研芯片、20GW 数据中心,这四件事被同一场发布会串成一条线,已经不能拆开看。Scaling Law 不是被否定了,而是被替换成了"模型自迭代 + 硬件协同设计 + 算力规模化"三位一体的新范式。对国内同行来说,Qwen4 开训意味着下一轮旗舰模型的真正起跑线被拉到了 5–10 万亿级,差距不再由模型大小决定,而由"谁先把 RSI 跑成工业流水线、谁先把芯片-数据中心-模型协同跑通"决定。