今年這個(gè)春節(jié)檔，讓我覺(jué)得很幸運(yùn)——

能在很近的距離，親眼見(jiàn)證，那么多優(yōu)秀的國(guó)產(chǎn)AI模型和產(chǎn)品的誕生。

就今天除夕，傳聞已久的Qwen3.5，終于來(lái)了。

說(shuō)不清為什么，千問(wèn)大模型這時(shí)候發(fā)布，有種壓軸出場(chǎng)、塵埃落定的很壓秤的感覺(jué)。

尤其是旗艦?zāi)Ｐ蚎wen3.5-397B-A17B，首次以開(kāi)源權(quán)重亮相，最核心的概念是——原生多模態(tài)。

這個(gè)概念之前大家走的路線(xiàn)，大多是“拼接”。

想讓模型看懂圖，就在語(yǔ)言模型旁邊外掛一個(gè)視覺(jué) encoder，把圖片轉(zhuǎn)成 token 再塞進(jìn)去。

本質(zhì)上還是“看圖說(shuō)話(huà)”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(yù)訓(xùn)練第一天起，就讓文本、圖像、音頻、視頻這些數(shù)據(jù)在一個(gè)統(tǒng)一的底層空間里共同學(xué)習(xí)，視覺(jué)和語(yǔ)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(guān)系、邏輯順序，甚至能結(jié)合上下文去做推理和執(zhí)行。

在處理 GUI 理解、視頻分析等多模態(tài)任務(wù)時(shí)，一個(gè)模型即可端到端完成，無(wú)需維護(hù)復(fù)雜的多模型 pipeline。

就在去年7月，黃仁勛跟王堅(jiān)院士深談的時(shí)候就談過(guò)這個(gè)趨勢(shì)：

“我們已經(jīng)進(jìn)入AI推理時(shí)代，下一波浪潮，是物理AI。”

現(xiàn)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(shuō)會(huì)道的聊天機(jī)器人，變成能觸碰、能感知、能執(zhí)行的智能體，去真正理解和操作那個(gè)三維的、實(shí)體的物理世界。

帶大家一起盤(pán)一盤(pán)，Qwen3.5這塊「原生多模態(tài)」的料，到底硬在哪兒。

01.當(dāng)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(shuō)“幫我訂個(gè)外賣(mài)”，它給你生成一段訂外賣(mài)的步驟說(shuō)明，或者最多調(diào)用個(gè)API接口。

這離我們想象中的數(shù)字助手，還有一段距離。

而Qwen3.5這次放出來(lái)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(jī)和電腦屏幕，也可以進(jìn)行多形態(tài)的互動(dòng)。

我測(cè)試了幾個(gè)例子，體驗(yàn)很不一樣。

比如說(shuō)我直接對(duì)Qwen3.5下達(dá)指令：“參考紅包雨視頻，做一個(gè)視覺(jué)捕捉手部動(dòng)作的抓紅包的游戲。”

這在過(guò)去是一個(gè)需要拆解成很多步驟的流程：

得先用一個(gè)模型學(xué)習(xí)紅包雨視頻，一個(gè)模型提取手部動(dòng)態(tài)關(guān)鍵幀，再用一個(gè)模型做紅包的視頻動(dòng)效，還得用一個(gè)模型寫(xiě)前端代碼……最后還得找個(gè)工程師把代碼跑起來(lái)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(shí)序關(guān)系和事件演變，然后同時(shí)處理視覺(jué)理解和代碼生成，最后直接給出一個(gè)可運(yùn)行的「新年抓紅包」小游戲。

這種能力的背后，是原生多模態(tài)帶來(lái)的「智能體推理」變化。

因?yàn)樗心B(tài)共享表征空間，它在看視頻里那個(gè)按鈕位置的同時(shí)，也在想這個(gè)按鈕對(duì)應(yīng)的代碼邏輯，視覺(jué)信息和行動(dòng)決策之間沒(méi)有轉(zhuǎn)譯損耗。

在移動(dòng)端，它能理解更復(fù)雜的跨應(yīng)用指令；

在PC端，它能處理的不是簡(jiǎn)單的“打開(kāi)網(wǎng)頁(yè)”，而是像“把上周的銷(xiāo)售數(shù)據(jù)從微信聊天記錄里截圖，提取數(shù)字做成表格，再貼進(jìn)郵件發(fā)給老板”這種多步驟、跨應(yīng)用的流程。

我還做了一個(gè)「手勢(shì)音樂(lè)盒」，可以把不同的手指動(dòng)作，和不同音符相對(duì)應(yīng)。

進(jìn)階的版本是，可以把表格、數(shù)據(jù)、截圖，按照對(duì)應(yīng)關(guān)系下，都變成手勢(shì)舞和音樂(lè)，還能切換不同的音色。

和簡(jiǎn)單的自動(dòng)化映射還不一樣，這是AI在通過(guò)視覺(jué)觀察和理解，去驅(qū)動(dòng)圖形界面完成工作。

比較經(jīng)典的場(chǎng)景，ORC識(shí)別，我直接用Qwen3.5做了一個(gè)弗蘭克翻譯器，可以識(shí)別任意圖片當(dāng)中的信息并翻譯，結(jié)果也很精準(zhǔn)。

Qwen3.5模型，總參數(shù)約400B的體量，加上混合注意力架構(gòu)的調(diào)度，讓它在這種強(qiáng)度的推理任務(wù)中，依然保持了足夠的流暢度。

Gartner的數(shù)據(jù)顯示，具備自主決策能力的AI Agent，其任務(wù)完成率已經(jīng)從去年的65%提升至今年的82%，而Qwen3.5顯然已經(jīng)站在了這個(gè)趨勢(shì)的前沿。

02.那道IMO幾何題，它真的會(huì)做

如果說(shuō)操作屏幕是動(dòng)手能力，那做數(shù)學(xué)題就是智力的體現(xiàn)。

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

原因很簡(jiǎn)單，視覺(jué)和邏輯在兩個(gè)系統(tǒng)里跑，圖像特征和數(shù)學(xué)符號(hào)對(duì)不上。

我給Qwen3.5出了一道難題——韋東奕當(dāng)年獲得金牌的題目，第50屆國(guó)際數(shù)學(xué)奧林匹克（IMO）題第6題。

請(qǐng)大家看這道題的題目：設(shè)a1，a2，…，an是互不相同的正整數(shù)。

M是有n-1個(gè)元素的正整數(shù)集，且不含數(shù)s=a1+az+…+an.一只蚱蜢沿著實(shí)數(shù)軸從原點(diǎn)0開(kāi)始向右跳躍n步，它的跳躍距離是a1，a2…，an的某個(gè)排列。證明：可以選擇一種排列，使得蚱蜢跳躍落下的點(diǎn)所表示的數(shù)都不在集合M中。

Qwen3.5給出的答案非常長(zhǎng)，說(shuō)實(shí)話(huà)，我沒(méi)有完全看懂，大概能理解它的思路。

然后和標(biāo)準(zhǔn)答案一對(duì)，才發(fā)現(xiàn)解法很標(biāo)準(zhǔn)。

這道題在IMO競(jìng)賽里，頁(yè)屬于難度高的一檔，需要建立坐標(biāo)系、設(shè)定變量、進(jìn)行嚴(yán)謹(jǐn)邏輯推導(dǎo)的難題。

在沒(méi)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(qiáng)有點(diǎn)思路。

而Qwen3.5的解題過(guò)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(lái)更是絲滑。

它先通過(guò)視覺(jué)系統(tǒng)識(shí)別了圖形中的點(diǎn)、線(xiàn)、角關(guān)系，然后迅速在腦子里建立了一個(gè)虛擬的坐標(biāo)系，把幾何問(wèn)題代數(shù)化，接著一步步推導(dǎo)，最終得出那個(gè)角度值。

這種能力的關(guān)鍵在于，它證明了模型在物理空間推理上的潛力。

王堅(jiān)院士和黃仁勛對(duì)談時(shí)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(guī)律、空間邏輯。

Qwen3.5能解IMO幾何題，就意味著它能在更復(fù)雜的真實(shí)場(chǎng)景里發(fā)揮作用。

比如讓機(jī)器人理解“把這個(gè)箱子從那個(gè)架子后面繞過(guò)去，放在卡車(chē)的角落里”，它需要計(jì)算障礙物、承重面和運(yùn)動(dòng)軌跡。

這種從學(xué)科解題到任務(wù)規(guī)劃的延伸，是通往通用人工智能的一個(gè)臺(tái)階。

被稱(chēng)為「數(shù)學(xué)莫扎特」的華人數(shù)學(xué)家陶哲軒，也一直對(duì)在IMO等數(shù)學(xué)競(jìng)賽取得成績(jī)的AI模型，十分關(guān)注；他認(rèn)為，人工智能技術(shù)，現(xiàn)已迅速接近從定性到定量成果的轉(zhuǎn)型階段。

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

從行業(yè)競(jìng)爭(zhēng)的維度看，某種程度上，也揭示了中美大模型發(fā)展路徑的分化。

華泰證券的一份研報(bào)指出，在Scaling Law 2.0驅(qū)動(dòng)下，海外重心由預(yù)訓(xùn)練轉(zhuǎn)向后訓(xùn)練與強(qiáng)化學(xué)習(xí)，依靠算力堆砌取得性能優(yōu)勢(shì)；

而國(guó)內(nèi)在算力受限的背景下，更側(cè)重架構(gòu)與算法的精修，以注意力優(yōu)化技術(shù)提升訓(xùn)練推理的效率與性?xún)r(jià)比。

Qwen3.5在視覺(jué)推理上的突破，也是這種「精修路線(xiàn)」的成果——

用更合理的架構(gòu)設(shè)計(jì)，在復(fù)雜推理任務(wù)上實(shí)現(xiàn)了對(duì)更大參數(shù)規(guī)模模型的超越。

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

03.看電影、構(gòu)思視頻，不在話(huà)下

上下文窗口這個(gè)東西，以前我們關(guān)注它，是因?yàn)殚L(zhǎng)篇小說(shuō)翻譯、財(cái)報(bào)分析這些純文本任務(wù)。

但Qwen3.5這次直接把1M token的上下文能力和多模態(tài)視頻理解結(jié)合起來(lái)。

1M token能一口氣直接吃進(jìn)去長(zhǎng)達(dá)兩小時(shí)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?jī)蓚€(gè)多小時(shí)的《盜夢(mèng)空間》去試，讓它分析“柯布心里那個(gè)關(guān)于梅爾的念想，在整個(gè)電影里是通過(guò)哪些視覺(jué)符號(hào)一步步呈現(xiàn)的？”。

這是個(gè)需要理解長(zhǎng)時(shí)序關(guān)聯(lián)的問(wèn)題。

Qwen3.5的回復(fù)讓我印象深刻。它不僅找到了陀螺第一次轉(zhuǎn)動(dòng)的開(kāi)場(chǎng)畫(huà)面，還捕捉到了不同層級(jí)夢(mèng)境中“梅爾”出現(xiàn)時(shí)的光影變化、臺(tái)詞暗示。

甚至能對(duì)比現(xiàn)實(shí)世界和夢(mèng)境中“戒指”這個(gè)道具出現(xiàn)的時(shí)機(jī)，最后生成了一篇既有細(xì)節(jié)截圖又有分析的影評(píng)。

基于對(duì)《盜夢(mèng)空間》的情節(jié)理解，我讓Qwen3.5把電影轉(zhuǎn)化成一個(gè)夢(mèng)境主題的推理密室，并做成一個(gè)小游戲。

這種能力的實(shí)現(xiàn)，得益于它原生多模態(tài)架構(gòu)下的時(shí)序關(guān)系捕捉能力。

視頻不是圖像的簡(jiǎn)單堆疊，而是有因果邏輯的時(shí)間序列。

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

這對(duì)于內(nèi)容創(chuàng)作者、視頻分析師，甚至是安防監(jiān)控領(lǐng)域來(lái)說(shuō)，是一個(gè)實(shí)用的工具。

以前需要一幀一幀看的監(jiān)控錄像，以后可能只需要一句話(huà)：

“把昨天下午三點(diǎn)到五點(diǎn)，那個(gè)穿紅衣服的人出現(xiàn)的所有片段剪出來(lái)，并標(biāo)記出他每次出現(xiàn)的具體位置。”Qwen3.5已經(jīng)具備了這種潛力的雛形。

也許這也是一個(gè)更大的趨勢(shì)：中國(guó)AI在多模態(tài)領(lǐng)域的突破正從“單點(diǎn)”走向“全面”。

這個(gè)春節(jié)檔被外媒稱(chēng)為“中國(guó)AI超級(jí)周”。

智譜發(fā)布了新一代旗艦?zāi)Ｐ虶LM-5，MiniMax也有M2.5的新動(dòng)作，字節(jié)發(fā)布的Seedance 2.0同樣引發(fā)了業(yè)界關(guān)注……馬斯克都在社交媒體上感嘆進(jìn)展很快。

咨詢(xún)公司Omdia的首席分析師蘇廉節(jié)評(píng)價(jià)道：“開(kāi)源獲取、強(qiáng)大的推理能力與低部署成本的結(jié)合，已成為中國(guó)企業(yè)構(gòu)建和推廣基礎(chǔ)模型的標(biāo)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(jué)編程，潦草變藝術(shù)

最后這塊，是我覺(jué)得能觸動(dòng)普通用戶(hù)和開(kāi)發(fā)者爽點(diǎn)的功能——視覺(jué)編程能力。

文案里有個(gè)demo讓我印象很深：把手繪界面草圖直接轉(zhuǎn)為可用的前端代碼。

我在草稿紙上畫(huà)了一個(gè)潦草的App界面，畫(huà)了幾個(gè)框框?qū)憽皌itle”，打了個(gè)叉代表“商品主圖”，底下歪歪扭扭寫(xiě)了“商品介紹”相關(guān)字。

拍照，發(fā)給Qwen3.5，給它指令：“做成一個(gè)網(wǎng)頁(yè)”。

幾秒鐘后，它真的給你一個(gè)HTML文件，打開(kāi)一看，布局是對(duì)的，甚至給你配上了符合現(xiàn)代審美的色彩和圓角。

更進(jìn)一步的，你還可以通過(guò)截圖告訴它“這里有個(gè)UI Bug，幫我修一下”，它能直接定位到代碼里的問(wèn)題，生成修復(fù)方案。

這背后是像素級(jí)位置信息和代碼生成能力的融合。

模型在看那張草圖的時(shí)候，不僅識(shí)別出“這是個(gè)按鈕”，還能推理出這個(gè)按鈕在2D空間中的坐標(biāo)、大小、與周?chē)氐木嚯x。

然后，這個(gè)帶著空間屬性的“視覺(jué)理解”，直接流向“代碼生成”模塊，自動(dòng)計(jì)算布局參數(shù)，生成布局代碼。

它甚至可以在推理過(guò)程中，對(duì)圖像進(jìn)行處理，比如自動(dòng)裁剪局部區(qū)域放大細(xì)節(jié)，或者通過(guò)標(biāo)注來(lái)強(qiáng)化關(guān)鍵特征，從而實(shí)現(xiàn)比傳統(tǒng)方法更精細(xì)的視覺(jué)推理。

但這種能力真正的價(jià)值，不只在代碼生成本身。把Qwen3.5放進(jìn)阿里整個(gè)AI版圖里看，它的戰(zhàn)略意義才真正顯現(xiàn)。

國(guó)泰海通的一份研報(bào)點(diǎn)出了一個(gè)趨勢(shì)：阿里的頂層戰(zhàn)略正在發(fā)生變化，從“比模型”轉(zhuǎn)向“拼體系”，用“模型+生態(tài)+AI Infra”爭(zhēng)奪下一代平臺(tái)的主導(dǎo)權(quán)。

內(nèi)部提出的“通云哥”概念，將通義實(shí)驗(yàn)室、阿里云、平頭哥綁定為一體化“黃金三角”，強(qiáng)調(diào)算力供給、模型能力與系統(tǒng)工程的協(xié)同。

這意味著Qwen3.5的能力，未來(lái)將直接注入到整個(gè)阿里數(shù)字經(jīng)濟(jì)體的毛細(xì)血管里。

你可以想象這樣的場(chǎng)景：在淘寶購(gòu)物時(shí)，拍一張心儀的家具照片，Qwen3.5直接看懂你的風(fēng)格偏好，自動(dòng)在商品庫(kù)中匹配，還能用AR能力幫你預(yù)覽擺放效果；

在高德地圖里，拍一下眼前的街景，它能識(shí)別地標(biāo)并規(guī)劃路線(xiàn)；在釘釘里，手繪一個(gè)流程圖，它直接轉(zhuǎn)成可執(zhí)行的自動(dòng)化工作流。

平頭哥在底層提供算力支撐，阿里云負(fù)責(zé)規(guī)模化部署，千問(wèn)模型打通應(yīng)用層——這種從AI基礎(chǔ)設(shè)施到上層應(yīng)用的全鏈路打通，正是其他廠商短期內(nèi)不容易復(fù)制的優(yōu)勢(shì)。

05.

測(cè)完Qwen3.5，我坐在電腦前想了很久。

當(dāng) AI 能夠替代越來(lái)越多大家過(guò)去認(rèn)為 “只有人才能做” 的事情，我們也不得不解構(gòu)自己，被逼迫著回答 “自己作為人，到底還有什么獨(dú)特的價(jià)值”。

去年的DeepSeek R1讓大家看到了中國(guó)模型在單點(diǎn)推理能力上的突破，那是屬于一個(gè)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(chǎn)業(yè)鏈協(xié)同作戰(zhàn)的圖景

終于，人工智能不只是單一的「語(yǔ)言腦」，還有了「視覺(jué)眼」和「行動(dòng)手」。

從芯片在底層支撐海量多模態(tài)數(shù)據(jù)的訓(xùn)練，到模型本身原生支持圖像、視頻、代碼，再到未來(lái)打通手機(jī)、電腦、智能家居乃至工業(yè)機(jī)器人的生態(tài)——

阿里正在做的，是讓AI存在于對(duì)話(huà)框之外，慢慢滲透進(jìn)生活的不同角落。

以開(kāi)源為基礎(chǔ)，衍生出種種不同的場(chǎng)景的模型和應(yīng)用。

那種感覺(jué)就像是，去年我們還在為造出了一臺(tái)跑得很快的引擎而高興；

今年卻發(fā)現(xiàn)，有人已經(jīng)把這臺(tái)引擎，裝進(jìn)了一輛可以適應(yīng)不同路況的車(chē)?yán)铮⑶议_(kāi)始規(guī)劃更長(zhǎng)遠(yuǎn)的路線(xiàn)。

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

中原證券的一份報(bào)告甚至指出，2026年國(guó)產(chǎn)AI大模型將形成對(duì)海外頭部模型的替代，或?qū)⒂绊懭駻I模型競(jìng)爭(zhēng)格局。

回過(guò)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(jié)、騰訊在各自領(lǐng)域的進(jìn)展，中國(guó)AI在2026年初呈現(xiàn)出的這股勢(shì)頭，比去年更加扎實(shí)。

我期待，未來(lái)當(dāng)我們拿起手機(jī)，或者走進(jìn)辦公室，那個(gè)無(wú)處不在的AI助手，能真正看懂我們的手勢(shì)，預(yù)判我們的需求。

讓每個(gè)人的生活，因?yàn)檫@份源自中國(guó)的技術(shù)，變得更加簡(jiǎn)單而美好。