阿里系统讲述Qwen路线图：自进化、新架构、全模态与Scaling Law

2026年3月16日，阿里巴巴CEO吴泳铭在内部公告中宣布成立Alibaba Token Hub（ATH）事业群，围绕“创造Token、输送Token、应用Token”协同运作，阿里基于Token的战略变阵由此展开。

在这之后，阿里通义实验室升级为通义大模型事业部，通义大模型事业部又与未来生活实验室合并，成立了Token Foundry事业部。

9月22日，在今年云栖大会开幕式上，在吴泳铭系统介绍了阿里的AI战略后，刘大一恒以阿里巴巴ATH事业群Token Foundry Qwen LLM项目负责人的身份登台，从RSI自进化、模型新架构突破、全模态探索、Scaling Law四个方面讲述了当下阿里大模型的最新技术布局。

01 RSI自进化：把真实任务接回训练环路

当下大模型训练长期依赖预先收集的数据和设计好的评测题，但智能体进入软件开发、设计和工业环境后，真实任务会不断暴露训练阶段难以预见的问题：

它可能知道如何写一段代码，却无法完成整个项目，它能够解释一张图，却无法根据画面变化持续行动。

如何把这些失败和反馈转化为下一轮能力提升，正在成为模型研发的重要方向。

刘大一恒将真实生产场景放在Qwen路线图的第一位，他介绍，Qwen正在从通用问答走向专业工作，除编程外，模型还被用于UI原型设计、量化策略分析、法律分析、3D建模和科研分析。

编程任务本身也在变化，模型过去主要补全代码、回答技术问题，现在则被要求参与更复杂的软件工程。

此外，真实任务也在反过来改变模型的训练方式。

据刘大一恒在大会上透露，Qwen3.8-Max已在模型训练中初步运用递归自我改进（RSI），自主搭建训练流程、构造训练数据、设计实验并定位缺陷。

在人类“零参与”的情况下，这一流程持续运行超过一个月，完成33轮有效迭代。

他还称，结合RSI和后训练等技术优化，Qwen3.8-Max新版本在Artificial Analysis智能指数上的得分由40分升至45分，处于全球第一梯队。

在阿里的研究中，自我改进的探索还延伸至推理优化，Qwen3.8-Max在此前未接触过的平头哥新款GPU上，自主适配并优化了Qwen3.8-Flash新模型的推理框架，使单实例推理吞吐量提升96%。

芯片设计则提供了另一个持续运行的任务案例。按刘大一恒介绍，Qwen3.8-Max仅凭一份真实的总线模块规范，便在工业级EDA环境中展开前端设计、验证和后端优化。

该过程自主运行超过60小时，调用EDA工具超过万次，最终物理实现的芯片面积减少了42%。模型参与设计芯片，更强的芯片又可用于运行模型，这构成阿里所强调的“芯模协同”方向。

这些结果展示了RSI从训练流程向推理和硬件设计任务延伸的可能性。

02 新架构破题：智能体需要更便宜地运行

智能体的成本账与聊天机器人不同，一次问答可能只调用一次模型，一项长程任务却可能包含规划、检索、写代码、测试和修改，反复消耗Token，模型如果要进入大量日常工作，推理价格、长上下文处理速度和训练成本，都必须与能力同步改善。

Qwen在模型架构上的探索，正在尝试解决这些问题。

阿里Qwen3.8-Flash提前开源下一代千问大模型架构，在注意力机制、模型内部信息传递、外部记忆和训练优化方面做了改动。

据刘大一恒介绍，新架构将稀疏注意力与线性注意力结合，并通过门控机制改善信息流和训练稳定性，N-gram Embedding则以较低计算代价扩展模型容量。

数字更能说明这次调整的目标，按照阿里披露的数据显示，Qwen3.8-Flash每个Token仅激活约6B参数，相比Qwen3.7-Plus，训练成本降至约九分之一。

刘大一恒在演讲中也给出了这样几个数据：

百万Token输入价格降至原来的四分之一，面对百万级长上下文，预填充吞吐提升8.6倍，在Artificial Analysis智能指数上，模型得分比Qwen3.7-Plus高14分。

与此同时，这套架构也承担着承上启下的角色，刘大一恒在大会上透露，基于新一代架构的Qwen4已经开始训练。

这意味着Qwen一面继续向更高能力推进，一面尝试降低每次训练和推理所需的成本，对于需要持续运行的智能体，后者将直接影响它能否进入更多实际工作流程。

03 全模态探索：从看懂内容到完成任务

多模态模型过去常被用来描述图片、总结视频或转写语音，智能体的要求更进一步，它要从画面和声音中获取信息，再据此决定下一步操作，并在环境变化后继续调整。

刘大一恒在大会上展示了Qwen对数字世界与物理世界的探索。

在数字环境里，用户提出制作赛车模拟器的需求后，模型协同使用设计软件、建模工具和游戏引擎，把多个制作环节串联起来。

据悉，在连接机器狗后，模型可以结合现场视觉信息执行连续任务，连接智能眼镜后，则可以借助实时环境感知辅助任务执行。

音视频是这条路线的另一部分，此次亮相的Qwen3.8-Omni将不同模态纳入统一理解框架，面向音视频推理和智能体任务。

刘大一恒称，通过智能密度优化，其整体成本较上一代降低90%以上。现场展示的应用包括从长篇电影素材中自动剪辑成片，以及根据一句话为音乐生成MV。

阿里近期还更新了与全模态能力相关的模型产品，包括图像生成模型Qwen-Image-3.1面向电商与设计等场景进行了优化，语音模型家族Qwen-Audio-3.1覆盖了转写、合成和实时交互，同声传译模型Qwen3.8-LiveTranslate也已亮相。

这些案例展现了阿里大模型改变当下工作方式的诸多尝试，这些模型在获取信息、调用工具后，会为用户直接交付结果。

04 持续Scaling Law：模型规模还要向上走

过去几年，大模型能力提升与算力、数据和参数规模扩张密切相关，如今，效率架构和自进化机制受到更多关注，但Scaling Law并未因此退出历史舞台。

对头部模型团队而言，在扩大规模的同时，能否让新增投入转化为足够明显的能力增长变得越来越重要。

刘大一恒给出的Qwen规划，就延续了这一路径。

他回顾称，Qwen2.5时代的旗舰模型规模为72B，Qwen3.8-Max的总参数量已达到2.4T，两年间增长了约33倍。

阿里下一步会继续延续大模型的Scaling Law更大，基于新架构的Qwen4正在训练，后续Qwen4.5和Qwen5计划将总参数量推向5-10T。

据刘大一恒大会上给出的阿里大模型路线规划，Qwen4系列将以Max追求能力上限，以Flash和Plus兼顾效率与性价比，并提供面向本地部署的27B版本。

扩大模型规模之外，阿里还希望维持开源生态。

大会上，阿里官方表示，阿里已开源460余个Qwen官方模型，全球下载量突破30亿次，衍生模型超过30万个，Qwen3.8-27B也成为Hugging Face平台历史上获赞最多的开源大模型。

RSI自进化、模型新架构突破、全模态探索、Scaling Law，正是阿里Qwen如今在大模型领域正在推进的四条技术路线，通过更大的模型获得更强的能力，通过新架构压低使用成本，并通过真实任务与全模态应用产生的反馈，持续推动下一轮改进。