9月22日，阿里巴巴在云栖大会上公布了大模型一系列进展，大模型递归自我改进(RSI)已初步进入模型训练、推理及芯模协同等环节中，基于新一代架构的Qwen4已在训练中，未来Qwen4.5、Qwen5等版本将扩展至5-10T参数。同时，视频生成模型、语音模型、图像模型、世界模型、音乐模型以及全模态模型等均在当天或近期推出新版本。
追求更高智能，Qwen加速自我进化
大模型正走向自我迭代，本届云栖大会，阿里系统展示了千问大模型自我进化的最新探索成果。
在模型自我训练上，Qwen3.8-Max通过自主搭建训练流程、构造训练数据，并自主设计实验、定位缺陷，在人类完全“零参与”的情况下持续迭代超1个月，完成33轮有效迭代。基于RSI、后训练等系列技术联合优化，Qwen3.8-Max新版本在Artificial Analysis上的得分从40涨至45分，与Claude、GPT最强模型同处第一阵营，领先于GLM5.3、Kimi-K3等所有国产模型。
在推理优化上，Qwen3.8-Max在从未见过的平头哥新款GPU上，自主适配优化了下代架构的Qwen3.8-Flash新模型的推理框架，实现单实例推理吞吐量提升 96%。
在芯片模型协同设计上，Qwen3.8-Max仅基于一份真实的总线模块规范，自主展开前端、验证、后端的全链路自迭代，在自主运行超60小时、调用EDA工具超万次后，完成了减少42%面积的物理实现优化。
图说：Qwen LLM项目负责人刘大一恒表示，Scaling是迈向ASI的关键路径，Qwen4.5、Qwen5参数规模计划迈向5到10T
大会现场，阿里展示了大模型核心领域的系列技术创新。在架构优化方面，Qwen3.8-Flash提前开源下一代千问大模型架构，通过注意力机制和模型内信息传递机制等核心技术创新，在实现前沿模型性能的同时，训练成本骤降近90%;同时依托于极少的参数激活，将推理计算效率推至全新的帕累托前沿，成为行业性价比“斩杀线”模型。在模态扩充方面，全模态模型Qwen3.8-Omni正式亮相，将音视频等不同模态高效纳入统一理解框架中，为大模型开辟全新的思考分区。在参数扩展方面，参数越大依然能带来更强的性能，未来千问大模型总参数量将扩展至5万亿甚至10万亿的规模。这些技术创新将成为新一代千问大模型的基石，据介绍，Qwen4模型正采用全新架构展开训练，Qwen4.5、Qwen5均在稳步推进中。
在不断探索大模型性能前沿的同时，阿里还通过“全模态”“全尺寸”的大模型开源，与全球开发者和企业共享前沿的AI技术红利。在全球最大的AI开源社区Hugging Face中，Qwen3.8-27B模型超越DeepSeek-R1、meta-Llama3.1等史上热门模型，斩获该平台历史上最受欢迎(Most Likes)的开源大模型。公开数据显示，阿里已开源460余个Qwen大模型，Qwen开源模型下载量突破30亿次，衍生模型数超30万个，稳居全球第一开源模型家族。
视听生成模型升级，全新视频生成模型拟11月发布
在最富创意的视觉生成领域，阿里正通过视觉生成模型的持续迭代升级，让AI创造出更好的作品，让用户享受到更好的体验。
图像生成模型Qwen-Image-3.1亮相，它面向电商、创意、设计等真实商用场景全新优化升级，将原本数小时的视觉设计压缩至秒级交付，水准堪比专业设计师，还支持图像精准编辑。
音乐生成模型Happy Shrimp 1.1 版本发布，在音乐表现、人声质量、多语种演唱及指令理解四个专业维度进一步提升，支持百余种曲风与十余种主流语言，覆盖人声歌曲与纯音乐两大生成场景。
世界模型最新版本HappyOyster 2.0 Preview亮相，通过对模型架构、训练方法和数据体系的全面升级，显著提升了智能实时交互、记忆能力、实时响应、物理规律遵循等核心能力，让世界模型真正从实验室走向真实可用。
图说：阿里巴巴ATH技术副总裁，淘天集团首席科学家郑波在云栖大会现场提到， 三年内会出现一个原生全模态统一模型，体验将不再受限于模态的边界
全新的下一代视频生成模型也将于11月发布，朝着更长、更可控、更完整、更智能的方向演进：在更长的时间里，新模型仍然能保持一致性，创作者可精准掌控人物、场景与镜头;同时，模型能具备导演级的创作思维，从生成单个镜头迈向理解完整叙事。
下代语音模型发布，Qwen落地多款智能终端
当前，语音正发展成为AI与人之间更自然的交互入口，Qwen模型也在手机、AI眼镜、桌面机器人等硬件领域落地。
语音模型家族Qwen-Audio-3.1全新升级，包含语音转写(ASR)、语音合成(TTS)和实时语音交互(Realtime)三大系列。
基于下代架构的音频理解模型Qwen-Audio-3.1-ASR-Next全新发布，它能够理解人物情绪、音乐、环境声与机械声，完成声音描述、事件定位、音频问答与推理，让“这段录音中人的情绪怎样”这样的问题能够被理解和准确回答。
同时，音频创作模型Qwen-Audio-3.1-TTS-Next全新亮相，它采用全新架构，可根据一段脚本，直接生成融合对白和环境声的完整音频，极大提高有声书、影视剧和播客等专业创作的效率。
Qwen-Audio-3.1-Realtime实时交互能力再提升，能够边听、边想、边说，并进一步增强多语言交互、角色扮演和共情能力。目前，该系列模型已应用于千问办公和Qoder，并接入QwenNote A2随身助理、QwenNote Eva桌面机器人和千问AI眼镜等硬件产品。
此外，同声传译模型Qwen3.8-LiveTranslate首次登场，人类同传平均时延在4秒以上，但该模型可将时延压缩至不到2.5秒。据了解，新模型已接入千问AI眼镜、QwenNote A2、钉钉耳机等AI硬件。
阿里大模型加速走向终端。AI手机全栈解决方案Qwen Intelligence发布，专为手机场景深度优化，为合作伙伴提供基于千问大模型的 Agent 技术平台，让手机能够更可靠地完成跨应用的复杂任务。
阿里巴巴AI大模型全景图
