阿里发布Qwen4训练进展：新架构已开训，未来参数规模瞄准5-10T

9月22日云栖大会上，阿里巴巴ATH事业群Token Foundry、Qwen LLM项目负责人刘大一恒对外介绍了千问大模型的多项新进展。

据他介绍，大模型的递归自我改进（RSI）已经在模型训练、推理以及芯模协同等环节初步落地。采用新一代架构的Qwen4目前正在训练，后续Qwen4.5、Qwen5等版本参数规模将扩展到5-10T。视频生成、语音、图像、世界、音乐以及全模态等模型，也都在当天或近期推出新版本。

围绕更高智能，Qwen正加快自我进化

大模型正在朝自我迭代的方向走。这届云栖大会上，阿里集中展示了千问大模型在自我进化方面的最新成果。

模型自我训练方面，Qwen3.8-Max自己搭训练流程、造训练数据，还自己设计实验、找缺陷，在人类完全不参与的情况下连续迭代超过1个月，完成33轮有效迭代。RSI、后训练等技术联合优化之后，Qwen3.8-Max新版本在Artificial Analysis上的得分从40分升到45分，与Claude、GPT的最强模型同处第一阵营，排在GLM5.3、Kimi-K3等所有国产模型之前。

推理优化方面，面对此前没见过的平头哥新款GPU，Qwen3.8-Max自主完成下代架构Qwen3.8-Flash新模型推理框架的适配优化，单实例推理吞吐量提升96%。

芯片与模型协同设计方面，只给一份真实的总线模块规范，Qwen3.8-Max就自主跑完了前端、验证、后端的全链路自迭代。自主运行超过60小时、调用EDA工具超过万次之后，它完成了面积减少42%的物理实现优化。

Qwen LLM项目负责人刘大一恒表示，Scaling是通往ASI的关键路径，Qwen4.5、Qwen5的参数规模计划迈向5到10T。

大会现场，阿里还展示了模型核心领域的多项技术创新。架构优化上，Qwen3.8-Flash提前开源了下一代千问大模型架构，靠注意力机制和模型内信息传递机制等核心创新，在做前沿模型性能的同时把训练成本压低近90%；加上极少的参数激活，推理计算效率被推到新的帕累托前沿，成了行业性价比的“斩杀线”模型。模态扩充上，全模态模型Qwen3.8-Omni正式亮相，音视频等不同模态被高效纳入统一理解框架，为大模型开辟新的思考分区。参数扩展上，参数越大性能依然越强，未来千问大模型总参数量将扩展到5万亿甚至10万亿规模。这些技术创新会成为新一代千问大模型的基石。据介绍，Qwen4正以全新架构展开训练，Qwen4.5、Qwen5也在稳步推进。

一边探索性能前沿，一边通过“全模态”“全尺寸”的开源，阿里把前沿AI技术红利分享给全球开发者和企业。在全球最大AI开源社区Hugging Face上，Qwen3.8-27B超过DeepSeek-R1、Meta-Llama3.1等史上热门模型，拿下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，衍生模型数超过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

在创意最集中的视觉生成领域，阿里正持续迭代视觉生成模型，让AI产出更好的作品，也让用户获得更好的体验。

图像生成模型Qwen-Image-3.1亮相。它针对电商、创意、设计等真实商用场景做了全新优化，原本要数小时的视觉设计被压缩到秒级交付，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推出1.1版，人声质量、音乐表现、多语种演唱和指令理解这四个专业维度都有升级，能生成人声歌曲和纯音乐两类内容，曲风超过百种，主流语言支持十余种。

世界模型最新版本HappyOyster 2.0 Preview亮相，模型架构、训练方法和数据体系全面升级，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明显提升，世界模型开始从实验室走向真实可用。

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，体验将不再受模态边界的限制。

全新的下一代视频生成模型也将在11月发布，朝更长、更可控、更完整、更智能的方向演进：时间拉长之后，新模型依然能保持一致，创作者可以精准掌控人物、场景与镜头；模型还具备导演级的创作思维，从生成单个镜头走向理解完整叙事。

下代语音模型发布，Qwen落地多款智能终端

眼下，语音正成为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全面升级，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，像“这段录音中人的情绪怎样”这样的问题也能被理解和准确回答。

音频创作模型Qwen-Audio-3.1-TTS-Next同时全新亮相。它采用全新架构，给一段脚本就能直接生成融合对白和环境声的完整音频，有声书、影视剧和播客等专业创作的效率由此大幅提高。

Qwen-Audio-3.1-Realtime的实时交互能力再进一步，能够边听、边想、边说，多语言交互、角色扮演和共情能力也有增强。目前，该系列模型已用于千问办公和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。

同声传译模型Qwen3.8-LiveTranslate这次是第一次亮相。人类同传的平均时延在4秒以上，这个模型能压到不到2.5秒。新模型已经装进千问AI眼镜、QwenNote A2、钉钉耳机等AI硬件里。

阿里的大模型正在往终端走。面向手机的AI全栈解决方案Qwen Intelligence已经发布，针对手机场景做了深度优化，给合作伙伴提供一个基于千问大模型的Agent技术平台，让手机更可靠地完成跨应用的复杂任务。

这是阿里巴巴AI大模型的全景图。