除夕夜，阿里官宣发布并开源新一代千问大模型千问3.5（Qwen3.5-Plus）。这是继2025年除夕发布Qwen2.5-Max后，阿里又一次在除夕带来新一代模型。
现在，千问APP与PC端（qianwen.com）已经同步上线，用户可在页面顶部选择模型新一代模型，来体验千问3.5的能力。
去年除夕更新的Qwen2.5-Max重点在规模和性能，而这次，千问3.5更像是一场从纯文本模型到原生多模态模型的底层架构层面重构。
与前几代的千问大语言模型相比，千问3.5这次带来哪些模型性能的提升呢？
从预训练来看，千问3是在纯文本Tokens上进行，而千问3.5的预训练则基于视觉和文本混合token。也就是说，视觉理解不再像从前那样以外挂模块形式存在，而是同语言能力共同在底层建模“作战”。
此外，其还大幅新增了中英文、201种语言与方语言、STEM和推理等数据。这意味着，打破了以往的局限性，而是尝试让模型在更密集的世界知识和推理逻辑。
值得关注的是，千问3.5以少于40%的参数量实现了超万亿的Qwen3-Max基座模型的高性能。这背后反应的不是简单的堆参数，而是效率导向的架构优化。
在推理、编程、Agent智能体等全方位基准评估中均表现优异：
·在指令遵循IFBench上，以76.5分刷新所有模型纪录；
·在MMLU-Pro知识推理评测中超越GPT-5.2，获得87.8分得分；
·在博士级难题GPQA测评中得分为88.4分，高于Claude4.5，但与GPT-5.2的92.4分和Gemini3Pro相比仍有进步的空间；
·在通用Agent评测BFCL-V4、搜索Agent评测Browsecomp等基准中，千问3.5表现与Gemini3Pro、GPT-5.2相比性能更优。
总体来看，这种原生多模态训练，为千问3.5的视觉能力带来了显著提升。千问3.5在多项权威测评中，均实现了最佳性能，包括多模态推理（MathVison）、通用视觉问答VQA（RealWorldQA）、文本识别和文件理解（CC_OCR）、空间智能（RefCOCO-avg）、视频理解（MLVU）等。
可以看到的是，千问3.5不再是“语言强、视觉补”，而是在统一架构下形成了一种相对完整的能力矩阵。
千问3.5之所以能实现性能的显著提升，离不开性对Transformer经典架构的突破。
此前，千问团队自研的门控技术成果“GatedAttentionforLargeLanguageModels:Non-linearity,Sparsity,andAttention-Sink-Free”，获得全球AI顶会2025NeurIPS最佳论文。
本次千问3.5创新的混合架构中已融合该技术，团队结合线性注意力机制和稀疏混合专家MoE模型架构，实现了“高参数、低激活”的结构：模型总参数规模达397B，但每次推理仅激活17B参数。这种结构带来的好处可能是，模型在保持高性能能力的同时，推理效率大幅度提升。
根据千问官网，千问3.5通过训练稳定优化以及多token预测等系列技术，实现了Qwen3.5性能比肩Qwen3-Max模型，并在此基础上对推理效率进一步提升：在32K上下文场景中，千问3.5推理吞吐量可提升8.6倍；而在256K超长上下文中，Qwen3.5推理吞吐量最大能实现19倍的提升。
这意味着，在长文本分析、复杂推理、Agent调度等场景中，成本和延迟大幅下降。
基于优异的视觉能力，千问3.5还突破性地实现了从Agent框架到Agent应用，尤其是在提升操作效率方面。例如，能够自主操作手机与电脑，高效完成日常任务，在移动端支持更多主流APP与指令，在PC端可处理更复杂的多步骤操作，包括跨应用数据整理、自动化流程执行等。
同时，千问团队还构建了一个可扩展的Agent异步强化学习框架，基于此端到端可加速3到5倍，并将插件式智能体Agent支持扩展至百万级规模。这也是标志千问从对话模型向行动模型过渡转化。
千问透露，下一阶段的重点将从模型规模转向系统整合：构建具备跨会话持久记忆的智能体、面向真实世界交互的具身接口、自我改进机制。
放眼全球全球的大模型竞争已然不再只是比拼“更大、更准”，而是“更高效、更可执行”。千问3.5不仅是一次模型的更新，一场关于模型的效率革命，已经开始了。
参考资料：
https://qwen.ai/blog?id=qwen3.5
排版：刘雅坤
广源配资提示：文章来自网络，不代表本站观点。
