性能、开源、性价比，千问 3.5 满盈要。
作家｜Cynthia
剪辑｜郑玄
大模子行业走到 2026 年，通盘东说念主齐堕入了集体躁急。
Scaling Law 的红利透澈见顶，万亿参数模子持续朝上的边缘收益无尽趋近于零，行业堕入了参数越卷越高，落地越来越难的死轮回；
闭源巨头紧紧把执着性能天花板，GPT、Claude 的 API 订价一涨再涨，顶级模子的使用资本，成了中小企业和修复者迈不外去的门槛。
开源模子恒久跳不出性能追平闭源，就闭源收割；想要极致性价比，就要捐躯性能的怪圈。
久而久之，行业酿成了一条无东说念主敢质疑的铁律：顶级性能、完全开源、极致性价比，组成了大模子的不成能三角，三者最多选其二。
于是，一到年底，国表里的万亿参数模子就一个接一个发布，但鄙俗企业是否用得上所谓的 SOTA 模子，却不在研讨规模。半年多时候，GPT、Claude 的订价也一涨再涨，哪怕当作顶级牛马的措施员，也需要公司报销，才用得起顶配 200 好意思金一月的 cursor 与 claude code。
直到，除夜当天阿里千问 Qwen3.5 的发布。
千问 3.5 总参数目仅 3970 亿，激活参数更是惟有 170 亿，不到上一代万亿参数模子 Qwen3-Max 的四分之一，性能大幅普及、还顺带已毕了原生多模态才略的代际跃迁。
而横向对比同业，千问 3.5 不仅是当下的开源大模子 SOTA，同期也在解析才略、提醒撤职、通用 Agent 评测等方面卓绝了 GPT5.2、Claude 4.5、Gemini-3-Pro 等同期闭源模子。
但资本上，千问 3.5 也作念到了每百万 Token 输入低至 0.8 元，是 GPT5.2 的 1/15、Gemini-3-pro 的 1/18。
那么，千问究竟怎样作念到的？谜底藏在大模子的第一性旨趣中。
01
回到第一性旨趣，
千问 3.5 怎样冲破不成能三角？
大模子的第一性旨趣是什么？
已往三年，谜底大概是 Scaling Law。包括上一代 Qwen3-Max，亦然阿里是用 36T tokens 的海量预熟习数据熟习出的暴力好意思学的效力。
但时于本日，Scaling Law 攀升的代价，也曾到了行业难以承受的临界点。紧随后来，架构翻新成为新的行业关节词。
剥掉通盘参数、算力、跑分的外套，通盘大模子的底层中枢，齐是 Transformer 架构的attention 防备力 + FFN 前馈收罗双塔结构：前者决定了模子的领会才略，后者决定了模子的抒发才略。而这两者，亦然刻下本领红利最荟萃的突破点。
先看决定领会才略的 attention 层。
一直以来，大模子长险峻文落地的最大瓶颈，从来不是窗口能开多大，而是算力资本和性能的均衡。
传统 Transformer 的全局防备力机制，盘算复杂度与险峻文长度呈O (N²) 相干。翻译过来即是，险峻文长度翻 10 倍，算力需求就要翻 100 倍。这即是为什么行业里许多模子堪称能支执百万 token 险峻文，却压根不敢灵通商用：资本高到用户用不起，强行降价就要亏到吐血。
为了处治这个问题，行业作念了无数尝试：线性防备力把复杂度降到了 O (N)，却亏本了长文本的推理精度；阑珊防备力只盘算部分 token 的防备力，却无法处治全局语义依赖的问题，泛化才略大幅缩水。
而 千问 3.5 的解法，更像是东说念主类念念维面孔在大模子上的搬动：既然东说念主对不共事情不错有元气心灵分拨的不同，那么对大模子来说，也不是通盘 token，齐配得上同等的全局防备力。
基于这个最朴素的旨趣，千问团队打造了全局防备力 + 线性防备力的搀杂架构：
对非关节的冗余信息，选拔线性防备力处理，把盘算复杂度从 O (N²) 径直砍到 O (N)，算力滥用呈指数级下跌；
对中枢语义、关节逻辑信息，保留圭臬全局防备力，保证模子的长文本依赖建模才略，推理精度简直零亏本。
这一改革，使得大模子在大幅减少算力滥用的同期，普及了输出的效力，并带来险峻文窗口的大幅加多——千问 3.5 的险峻文长度也曾达到 1M token。约等于把刘慈欣的三体三部曲全部塞给模子，或者在每轮对话 500 字险峻的基础上，支执 600~800 轮荟萃对话不渐忘。
淌若说搀杂防备力处治了领会效力的问题，那么极致阑珊 MoE 架构，就处治了抒发资本的痛点。
传统高贵大模子，架构出场天生就带着极致的阔绰：不论你输入的是一句早上好，如故一篇十万字的行业讲明，模子每次推理齐要激活全部参数。
这就意味着，90% 以上的算力，齐被白白阔绰了。
MoE 搀杂民众架构的出现，即是把模子拆成多个民众子收罗，内容进来，只激活最对口的那几个民众模子，无须全量参数跑一遍。
但行业里绝大大批的 MoE 模子，齐堕入了两个死穴：要么民众路由效力低下，激活参数占比过高，资本下跌有限；要么民众之间的协同才略不及，模子性能出现滑坡。
而 千问 3.5 的极致阑珊 MoE 架构，径直把这个阶梯的后劲榨到了极致：总参数目 3970 亿，单次推理的激活参数仅 170 亿，不到总参数的 5%，即可调节全部学问储备，趁便已毕部署资本大降 60%，最大推理蒙眬量可普及至 19 倍，
到这里，可能又有许多东说念主会问，相同是搀杂防备力、MoE 架构，为什么惟有千问能作念到这个进程？
谜底是，架构翻新的后劲，必须靠全栈协同智力透澈开释。阿里独到的阿里云、平头哥自研芯片与千问模子全栈协同才略，是其他厂商压根无法复刻的中枢壁垒。
其中，阿里云的 AI 基础设施，为 文本 + 视觉搀杂预熟习数据，提供了褂讪、高效的算力撑执，让大规模的架构翻新实验得以落地。
平头哥真武 810 芯片，针对 MoE 架构、搀杂防备力机制作念了专项优化，能充分证据集群算力效力，进一步把模子熟习和推理的效力拉到极致。
千问团队的模子架构翻新，又反过来给云基础设施、芯片的优化指明了标的，酿成了正向轮回的闭环。
也恰是这套闭环，让千问 3.5 的价钱能进一步探底，把 API 资本压到 0.8 元/百万 Token，透澈冲破了外洋模子的价钱附近，让 sota 模子成为东说念主东说念主可用，阿里云上用的资本还能更低的普惠存在，也让不成能三角成为可能。
02
千问 3.5，全民友好型模子怎样练就的？
许多东说念主会问：千问 3.5 把资本打下来，是不是就会捐躯了推感性能？
正巧违抗，千问 3.5 最亮眼的场合就在于，它已毕极致性价比的同期，也把性能和体验，拉到了行业的新高度。
对鄙俗用户来说，最直不雅的体验升级，即是即使用 sota 模子，也能享受运动的生成体验。
已往，为了给模子生成提速，大部分团队齐是在推理阶段加个投契采样的补丁，先猜后头的内容，猜对了就快极少，猜错了就回滚，斥逐即是要么快但容易错，要么准但如故慢。
而千问 3.5 的解法，米兰app是从熟习阶段就原生支执多 Token 合资瞻望，让模子从一个字一个字地想，进化成一次想好几步再说。这个过程类似于东说念主类言语，先想好好意思满的语义，然后在抒发的过程中组织连贯的语言。
这对长文本生成、代码补全、多轮对话等高频场景带来的是质变的体验升级：问一个复杂的科普问题，10 秒内就能给出连贯的修起；写一篇千字漫笔，几秒就能生成初稿。
另一个被透澈处治的痛点，是大模子的险峻文败北问题。
已往，大模子输入险峻文越长，就会让模子的防备力越漫衍，有用信息被无效噪声归拢，输出质地直线下跌。一个好意思满的长内容，模子通常只会防备到着手和收尾的内容，中间的关节信息被忽略，或者多轮对话之后，它会健忘你最初的问题或者条目。
针对这个痛点，Qwen3.5 对模子作念了系统级的熟习褂讪性优化，其中最中枢的，即是阿里千问团队斩获NeurIPS 2025 最好论文奖的防备力门控机制。
这个机制，本体上是在防备力层的输出端，加了一个智能降噪开关：它能笔据信息的进犯进程，智能调控信息的传递，有用信息被放大，无效信息被过滤。
最终的斥逐是，哪怕是在 1M token 的超长险峻文下，模子依然能精确记着通盘的关节信息，修复者无须再把长文档拆成十几段反复投喂，用户无须再把需求番来覆去肖似三遍，百万级险峻文的全量信息精确调用，终于成为了试验。
除了这些核肉痛点的处治，千问 3.5 的细节升级，袒护了从个东说念主用户到企业修复者的全维度需求。
比如，它初次把支执的语言膨胀到了 201 种，预熟习数据里大幅新增了中英文、多语言、STEM 和推理类数据，不论是小语种的精确翻译，如故复杂的数理化博士级繁重，齐能纯粹搪塞。
测试案例：STEM 阐发
在 Agent 才略上，千问 3.5 相同已毕了坐褥级的当先式普及。目下，千问 3.5 在出动端也曾与多个主流 APP 与提醒买通，PC 端则能处理跨运用数据整理、自动化经由实施等复杂多门径操作。
更关节的是，千问团队构建了可膨胀的 Agent 异步强化学习框架，端到端速率可加快 3 到 5 倍，并将基于插件的智能体支执膨胀至百万级规模，为后续 Agent 的规模化落地打下了基础。
淌若说其他模子，还停留在修复者友好型，那么千问 3.5，即是全民友好型。它既照应了修复者对资本、效力的需求，也兼顾了鄙俗用户对体验的期待，让大模子果真走进了普遍生存，而不是停留在实验室里的黑科技。
03
原生多模态，
千问 3.5 开动能读懂复杂全国
淌若说性能、资本、体验的全面升级，是千问 3.5 在处治当下大模子落地过程中的窘境，那么斡旋多模态，即是 千问 3.5 把大模子推向 AGI 的进犯一步探索。
耐久以来，业界齐有一个共鸣：斡旋多模态，是通往通用东说念主工智能（AGI）的必经之路。但直到今天，行业里绝大大批的多模态模子，齐如故伪多模态：先训好一个纯语言大模子，再外挂一个视觉编码器，靠适配层把两个模块粘在全部，本体上即是两个语言欠亨的东说念主靠翻译聊天，信息传递势必出现折损。
千问 3.5 的不同之处在于，从预熟习第一天起，即是在文本+视觉搀杂数据上合资学习，让视觉与语言在斡旋的参数空间内深度和会。
肤浅说，它看到一张图，就能当然领会图中的语义，无须先把图像转机成文本再进行领会；读到一段翰墨，就能在脑中构建出对应的画面，就像东说念主一样，果真具备了跨模态的直观领会力。
测试案例：输入一张电影截图，千问 3.5 就能生成图文并茂的电影解析
为了已毕这种原生的多模态和会，千问 3.5 对通盘这个词熟习架构齐作念了更动：它让视觉和语言模态，各走各的最优旅途，只在关节节点上高效汇合，既保证了两个模态各自的性能上限，又已毕了果真的协同使命，大幅普及了多模态搀杂熟习的效力。
这种原生和会的架构，带来的是视觉才略的飞跃式普及：在多模态推理（MathVison）、通用视觉问答 VQA（RealWorldQA）、文本识别和文献领会（CC_OCR）、空间智能（RefCOCO-avg）、视频领会（MLVU）等繁密泰斗评测中，Qwen3.5 均斩获最好性能，碾压同类开源模子，致使并排顶级闭源模子。
测试案例：通用视觉问答
{jz:field.toptypename/}还有一个容易被忽略，却至关进犯的细节优化，是精度战略的联想：千问 3.5 选拔了 FP8/FP32 的精度战略，在保证模子性能零亏本的前提下，把激活内存减少了约 50%，熟习速率普及了 10%。更关节的是，这套有计算被斡旋部署到了强化学习熟习和推理的全经由里，全面缩短了多模态模子膨胀的资本和复杂度。
这些性能普及，最终齐升沉成了实实在在的坐褥力：
在学科解题、空间推理上，它比千问此前的专项多模态模子 Qwen3-VL 阐发还要更优，空间定位、带图推理的精度大幅普及。
在视频领会上，它支执长达 2 小时的视频径直输入，刚好对应 1M token 的险峻文窗口，会议摄像、课程视频、直播素材，一次性投喂就能完成中枢内容索要、剧本生成、待办梳理。
通过视觉与代码的原生和会，手绘的 APP 界面草图，也能径直升沉为可运行的前端代码；机械图纸、建筑结构图、几何题目，满盈能精确拆解空间相干、完成推理盘算。
测试案例：复杂网页生成
而这，亦然让大模子从能聊天的器用，变成看懂试验全国的基座，最终通往 AGI 乃至 ASI 的关节一步。
04
尾声
淌若说架构与多模态的翻新，让 千问 3.5 冲破了不成能三角的本领镣铐，那么开源生态，让千问 3.5 透澈颠覆了行业对开源模子的固有偏见。
在此之前，开源模子在行业里的定位，弥远是闭源模子的替代品：性能追不上闭源，体验打不外闭源，只可当作修复者的练手器用，无法干预中枢坐褥环境。
目下千问 3.5 的问世，透澈冲破了这种偏见——它用开源的身份，已毕了卓绝同级闭源模子的性能，再加上极致的性价比和完善的生态支执，闪开源、高性价比、最强的不成能三角成为可能。
一组可考据的数据，足以评释千问开源生态的行业影响力：限度目下，阿里已开源 400 余个千问模子，袒护全尺寸、全模态、全场景，人人下载量突破 10 亿次；人人修复者基于千问修复的繁衍模子超 20 万个。
而站在千问生态的肩膀上，中小企业无须再为顶级模子的 API 支付腾贵的用度，用极低的资本就能落地我方的 AI 运用；
个东说念主修复者无须再被闭源模子的商用权限锁死，基于开源的千问 3.5，就能打造翻新的 AI 居品；
科研机构无须再肖似造轮子，基于开源的底座，就能专注于前沿本领的翻新。
从此，AI 不再是巨头的专属游戏，而是变成了全行业、全修复者齐能参与的翻新波涛。
*头图来源：视觉中国
本文为极客公园原创著述，转载请有关极客君微信 geekparkGO
极客一问
你怎样看待千问 3.5 ？
黄仁勋：我从来齐不带腕表，我民俗于等事情当然发生。
点赞怜惜极客公园视频号，
