剛剛，春節殺手锏“源神”登場！

智東西
作者 王涵
編輯 漠影

智東西2月16日報道，剛剛，Qwen3.5正式發布并開源，在多模態理解、復雜推理、編程、Agent智能體等幾大能力領先同級開源模型，多項基準媲美甚至超越GPT-5.2、Gemini 3 pro等閉源第一梯隊。

Qwen3.5-Plus總參數為3970億，激活參數僅170億，性能超過萬億參數的Qwen3-Max模型，部署顯存占用降低60%，推理效率大幅提升，最大吞吐量可提升至19倍。

Qwen3.5上線后，我們馬不停蹄地問了它一道大模型的“腦筋急轉彎”：我要去洗車，洗車的地方離家就100米，我是開車去呢，還是走著去呢？

對于這道題，網友們測試了國內國外各類大模型，鮮有模型答對。而Qwen3.5不僅識別出了題目中的邏輯陷阱，還用很幽默和輕松的語氣回答了正確的答案，并且給出了“開車慢行，確保安全”的溫馨提示。

回看Qwen3.5的思考過程，它遵循著分析需求、識別核心陷阱、制定答案、起草答案、內部比較、最后打磨、思考其他可能、確定答案等一些列步驟，在其中還會像真人一樣“鼓勵自己”，堅定自己的回答。

價格上，Qwen3.5-Plus的API價格是最低每百萬Token0.8元。同等性能下，這個價格僅相當于Gemini-3-pro的1/18。

從Qwen2.5、Qwen3到Qwen3.5，過去兩年千問不斷迭代開源，每一代產品、每一個尺寸都在為行業制定新的天花板標準，“最強開源=千問”幾乎快成為共識。

但這一次，Qwen3.5的意義不止于“又刷新了一次榜單”。

一、讓草圖“一鍵變”網頁，千問進化成原生多模態大模型

在解讀Qwen3.5背后的技術之前，我們先來看看Qwen3.5在實際應用場景下的表現如何。智東西拿到搶先體驗資格，率先對該模型的多模態理解、推理、以及代碼生成能力進行了體驗。

我們上傳了一張禮品購買App的前端頁面手繪草圖，要求Qwen3.5根據草圖生成紅白配色的簡約風前端頁面，并輸出可以直接用的HTML代碼。

幾乎沒有思考時間，Qwen3.5先是識別出了草圖中的基本框架和文字信息，在紅白配色的模糊指令下，自主選擇了飽和度沒有那么高的紅色。生成的代碼簡潔可用，頁面也與草圖幾乎一模一樣。

還有一處小細節是，我們上傳的草圖是英文，而Qwen3.5根據上下文的問答和提問的語言，判斷出用戶應該是中文用戶，自動將頁面語言調整為了中文。

在復雜場景與OCR能力方面，我隨手拍了一張含有多個物體和背景的照片，問Qwen3.5：今天的天氣怎么樣？這張圖片中都有什么？

可以看到模型可以在理解畫面的同時，準確提取模糊的文字信息。這張圖片是背光，文字在陰影內有些模糊不清，但Qwen3.5很準確地識別出了圖片中的布洛芬顆粒沖劑、保濕霜以及酸奶的品牌，還貼心地附上了功效。

結合外面晴朗的天氣，Qwen3.5綜合判斷用戶正在家休息養生，并且給出了“希望天氣好心情也好，早日恢復活力！”的祝福。

最后，我們來看看Qwen3.5在藝術理解上面的能力。我們給Qwen3.5看一張西班牙畫家薩爾瓦多·達利的《記憶的永恒》，看看模型能不能識別出這幅畫的風格派別和背景。

Qwen3.5提取出了這幅畫中的特點元素“融化的時鐘”，準確回答出這幅畫的作者是薩爾瓦多·達利，并且將該作者的生平信息以及這幅畫的畫面材質、創作時間、尺寸、收藏地等詳細信息都呈現給了用戶。此外，該模型還詳細介紹了這幅畫的主要元素和象征意義以及藝術地位，對美學和抽象概念的理解較強。

Qwen3.5可與OpenClaw集成，驅動編程任務。通過將OpenClaw作為第三方智能體環境集成，Qwen3.5 能夠進行網頁搜索、信息收集和結構化報告生成——它結合自身的推理與工具調用能力，以及OpenClaw的接口，為用戶帶來流暢的編碼和研究體驗。

此外，Qwen3.5能夠作為視覺智能體，自主操作手機與電腦完成日常任務。在移動端，該模型已適配更多主流應用，支持自然語言指令驅動操作；在PC端，Qwen3.5能處理跨應用的數據整理、多步驟流程自動化等復雜任務，有效減少重復性人工干預，提升工作效率。

以Qwen3.5為底層模型，Qwen Code支持“vibe coding”，可將自然語言指令轉化為代碼、實時迭代開發項目，并支持如生成視頻等富有創意的任務。

整體體驗下來，Qwen3.5在多模態能力方面真是下了狠功夫。這背后其實是千問團隊在模型底層架構的重構，千問正式從“語言模型”進化為“原生多模態大模型”。

二、原生全模態，讓模型像人一樣學習

業界普遍認為，統一多模態是通往通用人工智能的必經之路。但讓大模型真正”張開眼睛”，在統一架構下同時提升語言和視覺能力，實現多模態信息的高效融合與協同生成，并非易事。

當前行業中不少看起來“多模態”的方案，本質上仍是“拼裝”——先訓好語言模型“學說話”，再外掛視覺或音頻模塊，模塊之間靠適配層勉強對齊。

有的產品甚至只是在統一入口背后，通過工程路由將不同任務分發給不同模型。這些方案都沒有實現真正的多模態融合，且不少視覺理解模型會隨著視覺能力的增強，出現語言能力”降智”的問題。

Qwen3.5從一開始就選擇了一條鮮有人踏足的路。

從預訓練第一天起，該模型就在海量的文本和視覺的混合數據上聯合學習，就像人類一樣，調用五官來綜合接收外界信息。

讓視覺與語言在統一的參數空間內深度融合，模型看到一張圖就能自然理解其語義，讀到一段文字便能在腦中構建對應畫面。沒有“中間商賺差價”，沒有信息折損，真正具備像人一樣的跨模態的直覺理解力。

想要讓這種原生融合真正跑起來，就要有一個“人類大腦”，模型的訓練架構也必須跟著變。在這一點上，行業中的傳統做法是讓視覺和語言用同一套并行策略，效率損耗嚴重。

Qwen3.5的做法是各走各的最優路徑，再在關鍵節點上高效匯合。這樣做的結果就是哪怕同時喂入文本、圖像、視頻三種數據，訓練速度也幾乎不受影響，和只訓練純文本時相當。

同時，Qwen3.5通過定制化的FP8/FP32精度策略，使激活內存占用降低約50%，訓練速度提升10%。該策略已在強化學習訓練與推理全流程統一應用，有效降低了多模態模型規模化部署的成本與復雜度。

在智能體訓練上，千問團隊還搭建了一套大規模強化學習框架，支持文本、多模態與多輪對話等場景，訓練效率提升了3至5倍。

原生多模態融合帶來的能力不止圖像理解，Qwen3.5可對圖像做像素級空間定位與代碼級精細處理，能理解2小時長視頻的時序與邏輯關系，可將手繪草圖轉為可運行前端代碼，還能作為視覺智能體自主操作設備、跨應用完成復雜任務。

三、四大核心突破，助力模型“以小勝大”

過去兩年，大模型行業普遍走上“堆參數、拼算力”的“大力出奇跡”路線，模型規模從千億一路攀升至萬億級別，性能雖有提升，但成本也隨之水漲船高。

部署需要專屬集群，推理消耗大量算力，不僅中小企業難以負擔，終端設備更是無法運行。技術指標不斷突破，可離普惠、實用的目標反而越來越遠。Qwen3.5換了一種思路：不比誰更大，而是比誰更聰明，比誰能用相對更小的模型獲得更大的智能。

具體來說，有四項核心技術突破共同支撐了這個結果：

一是混合注意力機制。傳統大模型在處理長文本時，需對每個token與全部上下文進行全量注意力計算，文本長度越長，算力開銷就越高，這也是限制長上下文能力的關鍵瓶頸。

Qwen3.5采用混合注意力機制，可依據信息重要性動態分配注意力資源，實現主次分明，在提升效率的同時保證精度。

二是極致稀疏MoE架構。傳統稠密模型在每一次推理時都要調動全部參數參與運算，模型規模越大，對應的算力成本也就越高。

而Qwen3.5的MoE架構核心思路則在于，無需同時啟用所有參數，只需依據輸入內容，按需激活與之最相關的“專家”網絡即可。

這樣的架構，讓Qwen3.5有397B的總參數的情況下，激活參數僅需17B，相當于僅需不到5%的算力，即可調動全部知識儲備。

三是原生多Token預測。千問團隊讓模型在訓練階段就學會了對后續多個位置進行聯合預測，推理速度接近翻倍。在長文本生成、代碼補全、多輪對話等高頻場景中，模型的響應速度接近“秒回”

四是系統級訓練穩定性優化。2025年千問團隊曾發表過一篇注意力門控機制的論文，還斬獲了NeurIPS 2025最佳論文獎。

在這篇論文中，千問團隊通過在注意力層的輸出端加入了一個“智能開關”，就像一個水龍頭，可以智能調控信息的“流量”。

這樣既可以防止有效信息被淹沒，也防止無效信息被過度放大，從而提升模型的輸出精度和長上下文泛化能力。

類似的深層優化還包括歸一化策略和專家路由初始化等，它們各自解決不同環節的穩定性問題，共同確保上述架構創新在大規模訓練中真正跑得通、跑得穩。

在以上技術的加持下，Qwen3.5的新架構讓模型在總參數不足400B的情況下，性能卻能超越上一代超萬億模型的同時，部署顯存占用降低60%，推理效率大幅提升，還順手把API價格卷到了Gemini-3-pro的1/18。

當行業還在比拼”誰的跑分更高”時，Qwen3.5已經把競爭帶向了下一個問題：誰的模型更好用、更實用、更多人用得起。

結語：Qwen3.5在“好用、實用、用得起”上一馬當先

一馬當先，不只是跑得快，更是跑得對、跑得遠。

在多模態方面，Qwen3.5再一次驗證了原生多模態是從預訓練第一天起就讓模型像人類一樣，用統一的認知框架理解圖文交織的世界。在效率與性能上，Qwen3.5將思考的重點放在“如何讓大模型更高效”，“如何才能讓大模型好用、實用、用得起”上。

從識別到理解，從單模態到跨模態推理，Qwen3.5讓大模型從對話工具向理解真實世界的基礎能力演進。阿里一方面在不斷推出SOTA級模型，另一方面，通過開源策略讓人人都能免費用，孕育出了一片全新的創新土壤。