2026年雲棲大會的主論壇議程出現明顯變化：在吳泳銘發言之後，第一個登台的是千問大語言模型負責人劉大一恆，緊隨其後的是ATH技術副總裁鄭波，負責視聽等多模態模型；兩場模型演講之後，才是平頭哥高慧與阿里雲CTO李飛飛。晶片和雲依然是阿里的底牌，但市場聚光燈已經轉向模型——阿里的模型往哪走、做多大、能不能打，成為牽動神經的問題。

下一代Qwen要做多大，是市場最直接的懸念。此前一年多，業內對Scaling的質疑不斷，但到2026年年中風向明顯調轉。Anthropic CEO Dario Amodei在摩根士丹利會上定調稱Scaling沒有撞牆，2026年還會迎來一輪激進加速。行業行動也印證了這一點：Fable 5被估算為約4.5萬億至5萬億引數，Kimi K3總引數達到2.8萬億。回到Qwen，2026年8月釋出的Qwen3.8引數已達2.4T。劉大一恆在演講中給出路線圖：Qwen4系列即將到來，之後的Qwen4.5和Qwen5計劃進一步邁向5T—10T引數。兩年前Qwen2.5旗艦模型引數量還是72B，到Qwen3.8已擴大至2.4T，增長約33倍；若繼續邁向5T—10T，規模還將在現有基礎上再擴大一倍至三倍以上。劉大一恆明確，基礎模型的智慧上限依然離不開算力、資料和模型規模的持續投入，阿里會繼續擴大預訓練計算量，沿著Scaling Law向上走。

但模型越大，訓練和推理賬單越高。阿里的解法是一邊擴大規模，一邊重新設計模型架構。Qwen3.8-Flash已展示這條路線：通過稀疏注意力、線性注意力和外接記憶等新架構，每次推理只啟用6B引數；相比上一代，訓練成本降至九分之一，百萬Token輸入價格降至四分之一，超長上下文的預填充吞吐量提高8.6倍，模型能力反而繼續上漲。這意味著阿里下一階段的Scaling不只是把模型做大，而是用更低成本支撐更大模型繼續向前。

Qwen5還要等多久，是第二個問題。當下模型競爭節奏越來越快，今天登頂的模型幾周或幾個月後就可能被追平，一個版本領先很難形成長期優勢，真正重要的是誰能更快產生下一代模型。一個越來越被認真對待的方向是讓模型參與造模型，即RSI（遞迴自我改進）。Anthropic曾給Claude一段訓練小模型的程式碼讓它自己找辦法提速：去年Claude把程式碼提速到原來的3倍，今年最新模型已能做到52倍，而人類研究員花半天通常只能做到4倍左右。OpenAI則訓練了專門攻擊其他模型的GPT-Red，用攻擊樣本訓練下一代GPT，結果是GPT-5.6面對最難的一類提示注入攻擊時，失敗率比四個月前的模型低了約六倍。

阿里在RSI上的做法更進一步：讓Qwen不只呼叫工具，也開始參與建設自己的技術棧。最典型的實驗發生在晶片設計上——研究團隊只給Qwen3.8-Max一份真實的片上網路（NoC）模組規格，沒有參考程式碼和現成測試樣例，模型在60多個小時裡自己呼叫EDA工具，完成從編寫電路描述、驗證到後端物理實現的全流程，期間沒有逐輪人工介入，最終晶片物理面積減少42%，功耗估算下降59.5%。在推理基礎設施上，面對一款此前從未適配過的平頭哥新GPU，Qwen3.8-Max自己修改和最佳化SGLang推理框架，用56小時完成部署，將日常對話場景的單例項吞吐量提高96%。模型訓練本身，阿里披露Qwen3.8-Max曾連續自主執行一個多月，完成33輪有效實驗。國產晶片的軟體生態過去要靠工程師一點點補，現在模型開始親自參與這項工作——梁文鋒此前也提到，國產硬體首先要解決生態問題，TileLang等更高層程式設計方式正提供新機會，DeepSeek內部已開始探索用AI編寫TileLang。當然，距離模型自主造出下一代模型仍有距離，但方向已經清楚：模型競爭不再只是比誰釋出更強版本，也開始比誰能讓模型更深地進入訓練、推理、晶片這些研發環節。

多模態做到哪一步，是第三個問題。鄭波給出明確時間：下一代影片生成模型將在11月亮相。他把影片生成的下一階段稱為Agent Video——過去的影片模型解決能不能生成逼真畫面，隨後圖片、影片、聲音等參考資訊被加入讓結果更可控，下一步模型要做的不只是生成素材片段，而是理解創作者想講什麼：使用者給出想法，模型自己拆解劇情、設計分鏡、安排人物和場景，最後生成完整影片。新版本將沿更長、更可控、更完整、更智慧四個方向推進。

其他多模態模型也有升級。影像生成模型Qwen-Image-3.1面向電商、創意、設計等真實商用場景最佳化，將原本數小時的視覺設計壓縮至秒級交付，並支援影像精準編輯。語音方面釋出Qwen-Audio-3.1系列，語音轉寫、語音合成和即時語音互動三類模型全面升級，其中Qwen-Audio-3.1-Realtime能夠邊聽、邊想、邊說，並增強多語言互動、角色扮演和共情能力，已應用於千問辦公和Qoder，並接入QwenNote A2隨身助理、QwenNote Eva桌面機器人和千問AI眼鏡等硬體產品。音樂生成模型HappyShrimp1.1在音樂表現、人聲質量、多語種演唱及指令理解四個維度提升，支援百餘種曲風與十餘種主流語言。世界模型HappyOyster公佈2.0 Preview版本，能更準確模擬物體運動和碰撞，通過3D時空記憶保持場景穩定並降低互動延遲；阿里還聯合高校和產業夥伴搭建世界模型Benchmark和Arena，試圖為這一早期方向建立共同評價標準。鄭波給出更遠判斷：三年之內，行業可能出現原生的全模態統一生成模型，可同時生成影像、影片和音樂，也能理解空間和世界。

三個問題拼在一起，勾勒出阿里下一階段更清晰的模型路線：一條追逐AGI邊界，一條抵達AI普惠日常，最終匯於讓更高智慧走出實驗室、落進現實世界。