春節檔，Qwen3.5，壓軸登場！

今年這個春節檔，讓我覺得很幸運——

能在很近的距離，親眼見證，那么多優秀的國產AI模型和產品的誕生。

就今天除夕，傳聞已久的Qwen3.5，終于來了。

說不清為什么，千問大模型這時候發布，有種壓軸出場、塵埃落定的很壓秤的感覺。

尤其是旗艦模型Qwen3.5-397B-A17B，首次以開源權重亮相，最核心的概念是——原生多模態。

這個概念之前大家走的路線，大多是“拼接”。

想讓模型看懂圖，就在語言模型旁邊外掛一個視覺 encoder，把圖片轉成 token 再塞進去。

本質上還是“看圖說話”和“文字理解”兩件事，最后把兩件事的理解湊在一起。

但Qwen3.5這次玩的是，從預訓練第一天起，就讓文本、圖像、音頻、視頻這些數據在一個統一的底層空間里共同學習，視覺和語言在早期就完成了深度融合。

這意味著什么？意味著模型不再是「看到」一張圖，而是「理解」一張圖，它理解圖中的空間關系、邏輯順序，甚至能結合上下文去做推理和執行。

在處理 GUI 理解、視頻分析等多模態任務時，一個模型即可端到端完成，無需維護復雜的多模型 pipeline。

就在去年7月，黃仁勛跟王堅院士深談的時候就談過這個趨勢：

“我們已經進入AI推理時代，下一波浪潮，是物理AI。”

現在回頭看，Qwen3.5這一步，似乎就是沖著“物理AI”去的。

讓AI從能說會道的聊天機器人，變成能觸碰、能感知、能執行的智能體，去真正理解和操作那個三維的、實體的物理世界。

帶大家一起盤一盤，Qwen3.5這塊「原生多模態」的料，到底硬在哪兒。

01.當AI有了眼睛和手

咱們以前聊智能體，大多是文本層面的交互。

你跟AI說“幫我訂個外賣”，它給你生成一段訂外賣的步驟說明，或者最多調用個API接口。

這離我們想象中的數字助手，還有一段距離。

而Qwen3.5這次放出來的能力，是讓模型自己有了眼睛和手，能直接像人一樣操作手機和電腦屏幕，也可以進行多形態的互動。

我測試了幾個例子，體驗很不一樣。

比如說我直接對Qwen3.5下達指令：“參考紅包雨視頻，做一個視覺捕捉手部動作的抓紅包的游戲。”

這在過去是一個需要拆解成很多步驟的流程：

得先用一個模型學習紅包雨視頻，一個模型提取手部動態關鍵幀，再用一個模型做紅包的視頻動效，還得用一個模型寫前端代碼……最后還得找個工程師把代碼跑起來看效果。

但在Qwen3.5這里，它就是一步到位。

它自己盯著屏幕看視頻，理解時序關系和事件演變，然后同時處理視覺理解和代碼生成，最后直接給出一個可運行的「新年抓紅包」小游戲。

這種能力的背后，是原生多模態帶來的「智能體推理」變化。

因為所有模態共享表征空間，它在看視頻里那個按鈕位置的同時，也在想這個按鈕對應的代碼邏輯，視覺信息和行動決策之間沒有轉譯損耗。

在移動端，它能理解更復雜的跨應用指令；

在PC端，它能處理的不是簡單的“打開網頁”，而是像“把上周的銷售數據從微信聊天記錄里截圖，提取數字做成表格，再貼進郵件發給老板”這種多步驟、跨應用的流程。

我還做了一個「手勢音樂盒」，可以把不同的手指動作，和不同音符相對應。

進階的版本是，可以把表格、數據、截圖，按照對應關系下，都變成手勢舞和音樂，還能切換不同的音色。

和簡單的自動化映射還不一樣，這是AI在通過視覺觀察和理解，去驅動圖形界面完成工作。

比較經典的場景，ORC識別，我直接用Qwen3.5做了一個弗蘭克翻譯器，可以識別任意圖片當中的信息并翻譯，結果也很精準。

Qwen3.5模型，總參數約400B的體量，加上混合注意力架構的調度，讓它在這種強度的推理任務中，依然保持了足夠的流暢度。

Gartner的數據顯示，具備自主決策能力的AI Agent，其任務完成率已經從去年的65%提升至今年的82%，而Qwen3.5顯然已經站在了這個趨勢的前沿。

02.那道IMO幾何題，它真的會做

如果說操作屏幕是動手能力，那做數學題就是智力的體現。

去年很多模型在文字邏輯題上已經能拿到高分，但一旦涉及到帶有復雜圖形的幾何題，尤其是那種需要添加輔助線、進行多步空間想象的競賽題，大多數模型就露怯了。

原因很簡單，視覺和邏輯在兩個系統里跑，圖像特征和數學符號對不上。

我給Qwen3.5出了一道難題——韋東奕當年獲得金牌的題目，第50屆國際數學奧林匹克（IMO）題第6題。

請大家看這道題的題目：設a1，a2，…，an是互不相同的正整數。

M是有n-1個元素的正整數集，且不含數s=a1+az+…+an.一只蚱蜢沿著實數軸從原點0開始向右跳躍n步，它的跳躍距離是a1，a2…，an的某個排列。證明：可以選擇一種排列，使得蚱蜢跳躍落下的點所表示的數都不在集合M中。

Qwen3.5給出的答案非常長，說實話，我沒有完全看懂，大概能理解它的思路。

然后和標準答案一對，才發現解法很標準。

這道題在IMO競賽里，頁屬于難度高的一檔，需要建立坐標系、設定變量、進行嚴謹邏輯推導的難題。

在沒有視頻只有文案的情況下，我盯著那道題的文字描述“s=a1+az+…+an”都看了半天，腦子里才勉強有點思路。

而Qwen3.5的解題過程，清晰地還原了它的推理鏈條。

還有一道圖形的題目，Qwen3.5解起來更是絲滑。

它先通過視覺系統識別了圖形中的點、線、角關系，然后迅速在腦子里建立了一個虛擬的坐標系，把幾何問題代數化，接著一步步推導，最終得出那個角度值。

這種能力的關鍵在于，它證明了模型在物理空間推理上的潛力。

王堅院士和黃仁勛對談時提到的那句“下一波浪潮是物理AI”，核心就是讓AI理解物理規律、空間邏輯。

Qwen3.5能解IMO幾何題，就意味著它能在更復雜的真實場景里發揮作用。

比如讓機器人理解“把這個箱子從那個架子后面繞過去，放在卡車的角落里”，它需要計算障礙物、承重面和運動軌跡。

這種從學科解題到任務規劃的延伸，是通往通用人工智能的一個臺階。

被稱為「數學莫扎特」的華人數學家陶哲軒，也一直對在IMO等數學競賽取得成績的AI模型，十分關注；他認為，人工智能技術，現已迅速接近從定性到定量成果的轉型階段。

模型不再只是匹配答案，而是在進行多步邏輯推導，這是過去那些外掛視覺模塊的模型不容易做到的。

從行業競爭的維度看，某種程度上，也揭示了中美大模型發展路徑的分化。

華泰證券的一份研報指出，在Scaling Law 2.0驅動下，海外重心由預訓練轉向后訓練與強化學習，依靠算力堆砌取得性能優勢；

而國內在算力受限的背景下，更側重架構與算法的精修，以注意力優化技術提升訓練推理的效率與性價比。

Qwen3.5在視覺推理上的突破，也是這種「精修路線」的成果——

用更合理的架構設計，在復雜推理任務上實現了對更大參數規模模型的超越。

路透社最近的一篇觀察也印證了這一點：中國AI模型的推理能力不遜色于美國同行，但部署成本要低得多，這正在影響全球AI產業的成本效率曲線。

03.看電影、構思視頻，不在話下

上下文窗口這個東西，以前我們關注它，是因為長篇小說翻譯、財報分析這些純文本任務。

但Qwen3.5這次直接把1M token的上下文能力和多模態視頻理解結合起來。

1M token能一口氣直接吃進去長達兩小時的視頻素材，不需要提前抽幀，不需要分段處理，就是完整地看完。

我拿了一部兩個多小時的《盜夢空間》去試，讓它分析“柯布心里那個關于梅爾的念想，在整個電影里是通過哪些視覺符號一步步呈現的？”。

這是個需要理解長時序關聯的問題。

Qwen3.5的回復讓我印象深刻。它不僅找到了陀螺第一次轉動的開場畫面，還捕捉到了不同層級夢境中“梅爾”出現時的光影變化、臺詞暗示。

甚至能對比現實世界和夢境中“戒指”這個道具出現的時機，最后生成了一篇既有細節截圖又有分析的影評。

基于對《盜夢空間》的情節理解，我讓Qwen3.5把電影轉化成一個夢境主題的推理密室，并做成一個小游戲。

這種能力的實現，得益于它原生多模態架構下的時序關系捕捉能力。

視頻不是圖像的簡單堆疊，而是有因果邏輯的時間序列。

Qwen3.5在處理視頻時，能分析不同時刻的事件演變，把碎片化的鏡頭語言，串聯成有邏輯的敘事整體。

這對于內容創作者、視頻分析師，甚至是安防監控領域來說，是一個實用的工具。

以前需要一幀一幀看的監控錄像，以后可能只需要一句話：

“把昨天下午三點到五點，那個穿紅衣服的人出現的所有片段剪出來，并標記出他每次出現的具體位置。”Qwen3.5已經具備了這種潛力的雛形。

也許這也是一個更大的趨勢：中國AI在多模態領域的突破正從“單點”走向“全面”。

這個春節檔被外媒稱為“中國AI超級周”。

智譜發布了新一代旗艦模型GLM-5，MiniMax也有M2.5的新動作，字節發布的Seedance 2.0同樣引發了業界關注……馬斯克都在社交媒體上感嘆進展很快。

咨詢公司Omdia的首席分析師蘇廉節評價道：“開源獲取、強大的推理能力與低部署成本的結合，已成為中國企業構建和推廣基礎模型的標志性模式”。

而Qwen3.5的視頻理解能力，正是這種模式下的又一例證。

04.視覺編程，潦草變藝術

最后這塊，是我覺得能觸動普通用戶和開發者爽點的功能——視覺編程能力。

文案里有個demo讓我印象很深：把手繪界面草圖直接轉為可用的前端代碼。

我在草稿紙上畫了一個潦草的App界面，畫了幾個框框寫“title”，打了個叉代表“商品主圖”，底下歪歪扭扭寫了“商品介紹”相關字。

拍照，發給Qwen3.5，給它指令：“做成一個網頁”。

幾秒鐘后，它真的給你一個HTML文件，打開一看，布局是對的，甚至給你配上了符合現代審美的色彩和圓角。

更進一步的，你還可以通過截圖告訴它“這里有個UI Bug，幫我修一下”，它能直接定位到代碼里的問題，生成修復方案。

這背后是像素級位置信息和代碼生成能力的融合。

模型在看那張草圖的時候，不僅識別出“這是個按鈕”，還能推理出這個按鈕在2D空間中的坐標、大小、與周圍元素的距離。

然后，這個帶著空間屬性的“視覺理解”，直接流向“代碼生成”模塊，自動計算布局參數，生成布局代碼。

它甚至可以在推理過程中，對圖像進行處理，比如自動裁剪局部區域放大細節，或者通過標注來強化關鍵特征，從而實現比傳統方法更精細的視覺推理。

但這種能力真正的價值，不只在代碼生成本身。把Qwen3.5放進阿里整個AI版圖里看，它的戰略意義才真正顯現。

國泰海通的一份研報點出了一個趨勢：阿里的頂層戰略正在發生變化，從“比模型”轉向“拼體系”，用“模型+生態+AI Infra”爭奪下一代平臺的主導權。

內部提出的“通云哥”概念，將通義實驗室、阿里云、平頭哥綁定為一體化“黃金三角”，強調算力供給、模型能力與系統工程的協同。

這意味著Qwen3.5的能力，未來將直接注入到整個阿里數字經濟體的毛細血管里。

你可以想象這樣的場景：在淘寶購物時，拍一張心儀的家具照片，Qwen3.5直接看懂你的風格偏好，自動在商品庫中匹配，還能用AR能力幫你預覽擺放效果；

在高德地圖里，拍一下眼前的街景，它能識別地標并規劃路線；在釘釘里，手繪一個流程圖，它直接轉成可執行的自動化工作流。

平頭哥在底層提供算力支撐，阿里云負責規模化部署，千問模型打通應用層——這種從AI基礎設施到上層應用的全鏈路打通，正是其他廠商短期內不容易復制的優勢。

05.

測完Qwen3.5，我坐在電腦前想了很久。

當 AI 能夠替代越來越多大家過去認為 “只有人才能做” 的事情，我們也不得不解構自己，被逼迫著回答 “自己作為人，到底還有什么獨特的價值”。

去年的DeepSeek R1讓大家看到了中國模型在單點推理能力上的突破，那是屬于一個階段的成果。

而今天的Qwen3.5，背靠阿里巴巴AI“大模型+云+芯片”的完整全棧陣型，向我們展示了一幅產業鏈協同作戰的圖景

終于，人工智能不只是單一的「語言腦」，還有了「視覺眼」和「行動手」。

從芯片在底層支撐海量多模態數據的訓練，到模型本身原生支持圖像、視頻、代碼，再到未來打通手機、電腦、智能家居乃至工業機器人的生態——

阿里正在做的，是讓AI存在于對話框之外，慢慢滲透進生活的不同角落。

以開源為基礎，衍生出種種不同的場景的模型和應用。

那種感覺就像是，去年我們還在為造出了一臺跑得很快的引擎而高興；

今年卻發現，有人已經把這臺引擎，裝進了一輛可以適應不同路況的車里，并且開始規劃更長遠的路線。

Qwen3.5證明了中國AI在模型架構層面的創新能力，證明了我們不僅能跟跑，還能在「原生多模態」這個路徑上找到自己的方向。

中原證券的一份報告甚至指出，2026年國產AI大模型將形成對海外頭部模型的替代，或將影響全球AI模型競爭格局。

回過頭看，從DeepSeek R1去年的亮相，到今天Qwen3.5的格局奠定，再到智譜、字節、騰訊在各自領域的進展，中國AI在2026年初呈現出的這股勢頭，比去年更加扎實。

我期待，未來當我們拿起手機，或者走進辦公室，那個無處不在的AI助手，能真正看懂我們的手勢，預判我們的需求。

讓每個人的生活，因為這份源自中國的技術，變得更加簡單而美好。