阿里CEO称，Qwen 4.5模型训练参数量5至10万亿，公布最新AI芯片真武V900。

9月22日-24日， 2026年云栖大会在‌杭州国际博览中心举行。

在主论坛上，阿里集团CEO吴泳铭表示， 未来将进入机器智能时代，机器成为思考的主力，智能正在成为一种规模化商品，但机器智能时代的代表性产品，还没有出现。

吴泳铭的判断在于，未来机器供给的思考总量将是人类思考总量的1000倍以上，这件事我们在一个新的时代机器动力，我们所有的机器动力承担的这个世界的物理工作，其实现在已经接近99.9%，未来人类的思考总量也许还会继续增长，但机器思考的总量规模将以更快的速度扩张，未来机器思考的总量也会承担整个世界思考总量的99.9%。

吴泳铭指出，AI模型、AI芯片和AI云是机器智能时代基石，而AI模型通向ASI的路径逐渐清晰；机器智能释放人类的好奇心和创造力。

吴泳铭在云栖大会表示，当前客户 AI 需求非常强劲，将全力投入 AI 基础设施建设，目标到2032年阿里云运营的全球数据中心规模超过20GW。当天，平头哥发布最强国产AI芯片真武V900，算力提升至真武M890的3倍。据悉，平头哥AI芯片的年出货量将大幅提升。

“今天平头哥对于超大规模AI集群的核心芯片，我们已经进行全面覆盖。同时我们正在对芯片服务器超节点网络模型和推理系统进行联合调优，不断的提升整个AI集群的图肯产出效率。阿里自研的M890 AI超节点已经成功支撑过2万亿参数以上的大模型的推理，是全球极少数具备这样能力的公司之一。”吴泳铭称。

吴泳铭强调，当前AI数据中心相关供应的全球性紧缺，限制了阿里云算力的增长速度，为此，阿里巴巴将与所有合作伙伴一起全力投入AI基础设施建设，打造一朵面向机器智能时代的AI云。

随后，阿里巴巴ATH事业群Token Foundry Qwen LLM项目负责人，也就是阿里Qwen大模型项目负责人刘大一恒上场演讲。

刘大一恒表示，Qwen的Roadmap路线图主要有四个方向：一是深入真实生产加速RSI进化，二是革新模型架构突破效率边界，三是迈向全模态拓宽Agent边界，四是持续Scaling突破智能上限。

刘大一恒透露，Qwen4即将发布包含Qwen4-Max、Qwen4-Flash&Qwen4-Plus和Qwen4-27B四个产品。同时，在Qwen 4.5和Qwen5系列模型当中，模型训练参数量将增长为为5万亿至10万亿。

“就像如果我回到300年前，我是一个在田间工作的农夫，很难想象未来会有一个人说走进一个叫健身房的地方，付费去进行体力劳动。去年，我们说AI越强大，人类更强大，今天我们依旧这么认为，这也是我们全力迈向机器智能时代的意义，把繁重任务留给机器，把时间、创造力以及对美好事物的感受留给人类。”吴泳铭称。

以下是吴泳铭的演讲信息简要整理（未经过阿里云的审核，仅供参考）：

一年前我们判断，AGI 只是起点，AI 将继续走向能够自我迭代的超级智能（ASI）。

过去一年，我们已经习惯了从 Vibe coding 到 vibe working。AI 在长程任务方面取得了非常大的突破，自主进化的技术路径也逐渐清晰。

随着 AI 解锁更强的能力、加速渗透各类场景，我们看到了一个深刻的变化：机器正在成为思考的主力，而智能正在成为一种可以规模化的商品。

上一次这样的变化，我们可以追溯到工业革命早期。

工业革命把动力变成了规模化的商品，人类先后发明了蒸汽机、内燃机和电，并围绕它们建立了我们现在熟悉的现代产业。

这一次，我们觉得轮到了思考。过去，一个复杂问题能够得到多少思考，完全受限于人类的智力总和和分配机制。今天机器打破了这些限制 —— 随着 ASI 的逐步实现，AI 基础设施不断扩展，思考就像动力一样，成为一种可以规模化供给的商品。

未来我们判断将进入机器智能时代。今天我们要讲的，其实就是我们对机器智能时代的思考，以及阿里巴巴的战略选择。

一、重新理解 AI：不是人造智能，而是新物种

首先我想理清一个概念。

大家习惯把 AI 叫做 "人工智能"，但是 "artificial" 这个词在英文里更像是 "人造的"—— 我们说人造钻石、人造皮革，就是这个意思。但谈到 AI，我们也习惯用这样一种思维方式去思考它，希望造出像人一样思考的 AI。过去我们都在问：AI 能不能像人一样思考？图灵测试也一度成为大家衡量 AI 的金标准。

但是我们来回顾一下工业革命。蒸汽机、内燃机在早期也许是替代人和马能做的事情，比如矿井抽水、织布、搬运 ——"马力" 这个词当时就是这么来的。但很快，机器动力能做的事情远远超过了人和动物的体力劳动：再多的人和马也无法让火车飞奔，更无法让飞机和火箭上天。

机器动力不是简单的 "人造体力"，而是创造了一个完全不同的物种。机器动力的深度、广度和密度，让人类做到了以前从未想到过的事情。

同样，今天的机器智能也不是人类智能的替代品，而是完全不同的物种。今天我们看到 AI 帮人编程、帮人写报告写 PPT，只是机器智能的初级阶段。当机器智能的供给变得无限充沛，它对人类社会的意义将远远超出我们现在定义的 "对现有脑力劳动的替代"，这种变化将比工业革命来得更加深刻。

二、两个判断：机器思考总量将是人类的 1000 倍以上

对于未来机器智能时代，我们有两个判断。

第一个判断：未来机器供给的思考总量，将是人类思考总量的 1000 倍以上。

这件事我们可以换个角度看 —— 在机械动力时代，全世界所有机械动力承担的物理工作，现在已经接近 99.9%。未来人类的思考总量也许还会继续增长，但机器思考的总量规模将以更快的速度扩张，我们觉得未来机器思考的总量也会承担整个世界思考总量的 99.9%。

我们可以从供给和需求两个方面来推演。

首先是供给的变化。

人类顶级思考的供给其实十分有限 —— 全世界知名的科学家和资深专家，数量非常有限。培养一名顶级科学家或行业专家，需要数十年的学习和实践，还需要天赋和运气。这会让很多领域的研究长期缺少足够的智力投入。

例如新生儿早衰症这样一种罕见病，每年全球新增病例可能仅几十例，全球有记录的患者可能只有几百人。这样的罕见病很难获得充足的研究资源。从现有医药产业的商业逻辑上来看，很少有公司愿意花几十年时间、耗费巨资为几百人研发一种新药。但是当 AI 具备专业研究所需的智力水平后，只要算力足够多、算力足够便宜，每个细分领域都有可能组织上百万个智能体持续研究、模拟和验证，探索不同的方案。过去这些资源投入不足的研究方向，规模化的智力供给、顶级思考，将从奢侈品变成可规模化供给的商品。

想象一下：未来我们整个世界，每个细分领域都有上百万量级的 AI 科学家和专家持续创新、攻克难题，这会给人类社会带来多么大的改变。

其次是需求的变化。

工业时代我们看到，人类消费的很多商品取决于人口的数量。咖啡需要有人喝，一天喝一杯、也许 3 杯 5 杯，但终归有个上限；车要有人开，手机要有人用。

一个人一生能消费的物理商品总是有限的。但是当 AI 的能力越来越强，这个关系会发生根本性的变化。

设想一下未来的场景：当我们让 AI 去造一艘飞船去火星 —— 这样一个现在看起来天方夜谭的复杂任务 ——AI 未来也许可以将它分解成成千上万个子任务，有上百万个智能体不眠不休地持续工作，直至任务完成。人只需要给 AI 提供一个创意和目标，它就能调动庞大的智力资源。

每一个超级个体未来都可以拥有上万倍的智力杠杆。思考的消耗量将不再与人口数量成正比，而是与机器智能的思考深度和供给规模成正比。机器思考的总量，未来将远远超过人类思考的总量。

今天机器思考的总量，我们做个简单算术，大概不到人类的 3%。如果未来机器思考的总量是人类的 1000 倍，简单推演一下，机器思考未来的规模需求还有几万倍以上的增长空间。

三、第二个判断：代表性产品还没有出现

第二个判断：机器智能时代的代表性产品，还没有出现。

今天说这个话好像觉得比较奇怪 —— 我们的 AI 应用还在层出不穷，大家使用得也越来越多。但是我们回顾过去：电最早的用途其实是替代煤油灯和蜡烛，用来照明。

1882 年，爱迪生点亮了附近大概 400 盏灯。但是有意思的是，最早的时候爱迪生卖灯泡，它是送半年的电 —— 就像我们今天的 AI 软件的营销大战，我们下载一个软件，它就送一个月的 token。

很多改变世界的东西，其实是后来才出现的。1902 年空调才出现，后来大家习以为常的洗衣机、电冰箱等陆续进入家庭；而第一台计算机要到 1946 年，距离珍珠街那 400 盏灯已经过去 60 多年。

当然我们相信，今天 AI 时代的进展会比当年快得多，机器智能时代的代表性产品肯定不需要等 60 年。

今天的 AI coding，打个比喻的话，非常像机器智能时代早期的电灯 —— 它替代的是人类现在可以做的这些工作，替代的是人类社会现有的工作：辅助编程也好，写报告也好。但是当下 AI 正在进入更广泛的办公领域，仅仅替代现有的工作，我们觉得不可能创造一个真正的新的时代。

今天我们很难预测，当机器智能爆发之后，会出现什么样的新产品、新发明。就像我们如果回到过去，站在 1882 年的电灯下，很难想象出电气时代这么多纷繁复杂、创新的、有意思的新产品。但是无论后来出现多少新发明，第一步都是要建足够多的发电站，铺足够广的电网。

1900 年前后，很多电器其实已经开始进入家庭，但当时全世界一整年的发电量放到今天，只能够全世界用两个小时。机器智能时代同样需要更强大的基础设施建设。

四、机器智能时代的三大基石

机器智能时代的三大基石，就现在来看，我们觉得是：AI 模型、AI 芯片和 AI 云。

它们是机器思考能够规模化供给的前提。只有 AI 基础设施足够完善、足够发达，各种应用层面的 AI 新产品、新发明才能层出不穷。

如果从电的发展历史来看，未来机器智能对 AI 基础设施的需求，对比今天的规模几乎是没有上限的。阿里巴巴将坚定投入以 AI 模型、AI 芯片和 AI 云为代表的基础设施建设，这是我们长期的战略选择。

第一块基石：AI 模型

去年我们谈到 AI 从自主行动走向自我迭代，今年我们看到，在通往 ASI 的技术路径变得更加清晰 —— 从 coding 办公到科学研究，模型正在承担越来越多的真实任务，这些真实任务和反馈会让模型变得越来越强。AI 研究员们也逐渐探索出超级人工智能的具体技术路径：递归式自我改进，也就是行业所称的 RSI。模型从真实反馈中能发现自己的短板，自己设计实验、自己构建数据、评价结果，循环推动模型自身的进化。

目前我们的千问团队也在进行 ASI 方面的探索，并取得了一定的进展。千问团队正在持续推进模型架构和数据优化的研究，计划训练 5~10T 规模的全新模型，目标是能够完成更复杂、更长程的任务，向 ASI 迈进。

如果说大语言模型（LLM）的前进方向是造顶级聪明、可自主进化的 "大脑"，那么多模态能力其实是机器智能发展的另一个重要方向。

我们认为，一个足够聪明的大脑还不够，AI 还需要掌握和人类交互、和人类感知的交互能力。人类通过声音、图像、表情和动作来交流，也通过这些方式表达意图和情绪。

模型需要更强的多模态能力，像人一样理解和表达这些信息，理解人类的文化、审美和价值观。

未来，人们可以像跟人一样和 AI 交流，不必面对一个复杂的交互界面，这样 AI 才能更好地服务人类。因此，理解与生成一体化的多模态模型，也是我们另一个重要的研究方向。

第二块基石：AI 芯片

如果说 token 是 AI 时代的电，芯片就是发电机。未来机器智能时代对 token 的需求几乎是没有上限，所以芯片也需要不断提高性能、扩大供给。

今天我们平头哥在对数据中心芯片进行全面布局：真武系列芯片是我们的 GPU 芯片，倚天是我们的 CPU 芯片，磐久是我们的智能网卡，还有互联芯片 —— 组建超大规模 AI 集群的核心芯片，我们已经进行全面覆盖。同时，我们正在对芯片、服务器、超节点、网络、模型和推理系统进行联合调优，不断提升整个 AI 集群的 token 产出效率。

阿里自研的M890 AI 超节点已经成功支撑过 2 万亿参数以上大模型的推理，是全球极少数具备这样能力的公司之一。本季度开始，基于 M890 的阿里云超节点，阿里云已经开始规模化上架整个数据中心。

今天我们将发布新一代 AI 芯片 ——真武 V900，这是目前中国算力性能最强的 AI 芯片，性能达到 M890 的三倍。基于它构建的单一集群可扩展至 50 万卡，支撑前沿模型的训练和推理。由于平头哥芯片产品线的逐渐成熟和客户的广泛应用，我们预计未来几年平头哥的年出货量将大幅提升。

未来智能应该是无处不在的。它不仅存活在数据中心的机房里，AI 也会进一步融入我们习惯的桌面端和移动端。

在桌面端，我们开源的Qwen2.7B 模型是全球最受开发者欢迎的模型，未来我们还将持续优化这一类模型，支持开发者和企业的本地化部署。

在移动端，我们今天也会正式发布千问 Intelligence，为合作伙伴提供移动端的 AI 解决方案，让移动设备能够完成各类复杂任务。

第三块基石：AI 云

芯片负责生产 token，云负责把 token 送到每一个需要它的地方。模型需要持续的训练和推理，智能体需要长时间执行任务，AI 开发的软件也会越来越多 —— 它们都会成为 AI 云上的 "居民"，持续调用算力和使用资源。我们需要围绕这些新的工作负载，建设为模型和智能体持续运行而设计的 AI 云。

今天我们很少注意到电网本身，但是在任何地方只要插上插座，电就来了。如果没有电网和插座，这样的生活恐怕我们一天都难以忍受。

未来使用机器智能也应该像这样方便：所有设备只要接入云，就能够随时随地使用机器智能。要做到这一点，我们需要建设一张覆盖全球、高效运转的超级网络，对 GPU、CPU、网络、存储、数据库和各种工具进行联合优化。

这张网络越完善，就会有更多的用户和智能体进来使用，形成规模效应和网络效应。

目前我们看到客户的需求非常强劲，我们将全力以赴上架 AI 算力来满足客户的需求，阿里云的收入也在持续加速增长。

但是我们看到，行业的中长期需求远超我们可以提供的供给能力。

当前 AI 数据中心相关供应的全球性紧缺，限制了阿里云算力的增长速度。为此，阿里巴巴将与所有合作伙伴一起，全力投入 AI 基础设施建设，打造一朵面向机器智能时代的 AI 云。

我们的目标是：到 2032 年，阿里云运营的全球数据中心规模超过 20GW，以满足行业快速增长的 AI 需求。

结语：把时间留给创造力

最后，当机器成为思考的主力，我们每个人都会问自己：未来会有什么样的变化？

我们可以回顾一下过往。

工业革命让机器承担了越来越多的体力劳动，人类从繁重的体力劳动中解放出来之后，发展出了更多有意思的运动，足球、篮球，现在的奥运会、世界杯、NBA，这些都是工业革命后的产物。

历史上这样的事情一再发生：印刷术的兴起，让人类的文化创作爆发式增长。

当机器承载了更多不得不做的事情，人便有时间去做真正想做的事情。未来机器智能将为人类的好奇心和创造力，打开更大的空间。

今天我们很难具体描绘未来是什么样的。就像如果我回到 300 年前，我是一个在田间工作的农夫，很难想象未来会有一个人说 "走进一个叫健身房的地方，付费去进行体力劳动"。

去年我们说：AI 越强大，人类更强大。

今天我们依旧这么认为。这也是我们全力迈向机器智能时代的意义 —— 把繁重的任务留给机器，把时间、创造力以及对美好事物的感受，留给人类。

祝大家度过一个充实愉快的云栖大会，谢谢大家。

以下是刘大一恒的演讲全文整理（有一定润色）：

各位云栖大会的现场嘉宾与线上朋友们，大家上午好。

今天我带给大家的演讲主题是《Qwen：迈向真实世界智能体》。

过去几年，AI 大模型经历了两次显著的跨越：最开始我们处在问答时代，人类向 AI 提问，AI 给出答案；随后进入推理时代（Reasoning），模型开始用更多的 token 去思考、推理、验证，解决越来越复杂的问题。

而今年，大模型正式进入第三个阶段 —— 智能体（Agent）时代。模型不再只是被动等候提问的助手，而是可以自主规划、调用工具、持续迭代、闭环完成任务的智能体。

AI 的消费也从一次对话变成一项任务，这种变革直接拉动了全球用户对 token 需求的指数级爆发式增长。

面向 Agent 时代，千问的北极星目标是什么？

简单来说就是两条腿走路 —— 既要仰望星空，又要脚踏实地。

仰望星空，是指我们要追求更高智能，并加速自我进化。Agent 时代，复杂长程任务对模型智能的要求越来越高，因此我们会持续打磨千问 Max。但只靠旗舰大模型，就无法规模化落地。

因此，我们也推出了Qwen4 Flash、Plus 系列，以及专为本地部署打造的千问 27B，不断降低模型的使用门槛。

面向 Agent 时代，Qwen的 Roadmap 会聚焦四个关键方向。

第一个关键方向，是让模型深入真实行业生产，通过能力提升、场景渗透、反馈积累，形成自我进化循环。随着千问能力的不断提升，我们的模型开始加速进入越来越多的真实生产环节。

我们最近发布的Qwen 3.8 Max，相比上一代 3.7，短短两个月，真实用户收入已经增长了 8.5 倍，而 token 消耗量更是暴涨了 12 倍。我们深刻感受到，千问正在帮助越来越多行业的用户实现生产力跃迁。

在 Agent 时代，最先进入真实生产的一个重要领域就是编程（Coding）。过去模型做 Coding，更多是补全代码、回答技术问题。

但今天，千问正在进入更加复杂的编程工作，驱动复杂软件工程，自主开发。千问模型在 Coding 能力上也实现了全面跃迁。

无论是海外知名的 Code Arena 榜单，还是各类复杂的 Coding Agent 任务，从代码生成到复杂系统创建，千问的能力都在自我进化、持续提升，达到业界领先水平。

除了 Coding 之外，当千问进入到更多真实行业之后，下一个关键问题是：它到底能不能胜任专业工作？我们围绕数百个高价值的真实任务，对千问做了大量基准评测和行业专家众测。

大家可以看到，在很多专业领域，千问的能力已经进入全球模型第一梯队，甚至媲美部分行业专家。

需要注意的是，这些任务并不是简单的问答，而是真正的专业工作任务：比如它可以作为 UI 设计师完成原型设计，可以作为量化交易员分析数据、构建策略，可以作为专业律师处理复杂的法律分析，也可以完成 3D 建模、公关营销、科研分析等高度专业化的任务。

所以，我们越来越感受到一个非常重要的变化：千问的能力边界正在从通用问答，快速扩展到专业生产。

接下来再给大家展示一个更加专业也更加复杂的生产力场景 —— 芯片设计。

我们让千问进入真实的工业级 EDA 环境，完整参与达摩院 3D 创新架构研究。

在这个过程中，输入只提供一份真实的总线模块 Spec，千问同步迭代前端验证和后端全链路，优化芯片的面积和功耗，不断根据结果进行自我迭代。

整个过程连续运行了 60 多个小时，累计完成了数万次工业级 EDA 工具调用，最终在保证性能的同时，面积缩减 42%。模型设计芯片，而更强的芯片又将反哺更强的模型。我们相信，这个飞轮将在未来形成真正的 "芯模协同进化"。

当模型深入越来越多的真实生产环境后，我们也开始探索一条新的路径：让模型训练本身形成自我进化的闭环。

它首先从真实的内测日志和用户反馈中，自动定位模型当前的能力缺陷；然后针对这些缺陷，自动构造新的训练数据和环境。模型自建的数据生成管线会先放到小模型上，进行多轮验证和迭代，不断筛选和优化数据质量，再进入最终 Max 模型的训练。这套数据闭环系统已经持续运行了一个多月，累计完成了 33 轮有效数据迭代。

我们希望在未来构建一种更加自动化、持续化、数据驱动的自我进化机制，让模型在真实世界中持续发现自己的不足，并推动下一代模型不断变得更好。

随着后训练技术的不断进步，以及基于真实生产反馈的自我进化，我们在 30 天内实现了千问 3.8 Max 性能的再突破。

在世界知名的 Artificial Analysis（AA）智能指数榜单上，我们模型的性能从 40 分，一个月提升到了 45 分，达到国内第一的水平。此外，在各类内外部的复杂 Agent 任务评测上，模型能力也得到了显著提升。

接下来让我们回到 Roadmap 的第二点。

在 Agent 时代，模型需要长时间运行、持续推理，同时还要能够高效训练、不断扩展。因此，我们希望持续探索新的模型结构，突破效率的边界。

前不久我们推出了千问 3.8 Flash-Next，采用了我们最新一代的模型架构，核心做了四个方面的突破。

第一，采用混合线性注意力机制，不再依赖对长上下文不友好的全注意力机制，更适合长程任务。

第二，我们引入自研的 GQA（分组查询注意力），增加模型的信息通路，同时提升训练稳定性，让模型更容易向更大规模扩展。

第三，引入 NGram Embedding，通过高效的外接记忆，以更低的成本扩展模型容量。

第四，我们采用架构与优化协同设计的 Scaling，带来模型训练效率与性能的双重提升。

最终，千问 3.8 Flash 在只激活 6B 参数的情况下，实现了智能与效率的帕累托新前沿。

全新架构带来的变化，我们可以用几个数字直观感受：相比上一代千问 3.7 Plus，千问 3.8 Flash 的激活参数降低到了 1/3，训练成本更是降到了 1/9。这意味着我们可以用更少的计算，训练出更高效的模型。在推理侧，百万 token 输入价格降低到原来的 1/4；而面对百万级超长上下文，预填充吞吐更是提升了 8.6 倍。

在效率大幅上升的同时，模型的智能也并没有下降。结合后训练技术的进步，在 AA 智能指数上，3.8 Flash 的性能相比 3.7 Plus 提升了 14% 之多。而这，就是我们通过全新架构所实现的 —— 突破效率的边界。

接下来是我们 Roadmap 的第三个部分。我们认为，未来的 Agent 不应该只理解文字，而应该同时理解语言、代码、音频、图片、视频、各类文件和音视频内容，真正成为能够理解现实世界信息的通用智能体。因此，我们需要迈向全模态，不断拓宽 Agent 边界。

在视觉多模态上，我们希望千问做到的不只是看懂一张图，而是真正帮助 Agent 理解世界、探索世界和创造世界。

在理解世界上，千问 3.8 在知名的 Vision Arena 榜单上取得了优异成绩，展现了强大的视觉理解能力，并辅助Qwen探索世界。

在数字世界里，用户提出制作赛车模拟器的需求，千问就可以协同使用设计软件、建模工具和游戏引擎，把一个复杂任务的多个环节串联起来。

而这样的 Agent 能力也在延伸到物理世界：结合现场看到的视觉信息，执行真实世界的连续任务，帮助人类探索物理世界。

而连接到智能眼镜，它也可以像人类一样，通过对环境视觉信息的实时感知，帮助 Agent 完成任务的执行。

最后，借助视觉多模态，我们可以更好地创造世界。给千问一张视觉参考，它就可以把画面中的构想变成可以交互使用的应用。

在视觉之外，我们认为真正走向通用智能，还需要进一步理解音视频 —— 因为人类感知世界 99% 以上的信息都源自音视频。千问 3.8 Omni，正是我们面向全模态通用智能迈出的重要一步。这一代 Omni 在音视频推理和 Agent 任务上都实现了大幅提升，能力进一步逼近业界顶尖水平。同时，我们通过智能密度优化，整体成本相比上一代降低了 90% 以上。我们的目标非常明确：让全模态不仅更智能，也能真正用得起。

接下来看一段视频，感受全模态生产力带来的升级。视频中依次展示了：超长电影素材自动剪辑成片；一句话为音乐生成 MV，端到端交付最终 MV 产物；全模态多人会议智能体等新的应用场景。

与此同时，我们也将相关模型权重全部开源，鼓励开发者和我们一起探索全模态的应用边界。

最后回到 Roadmap 的第四个方向：持续 Scaling，突破智能上限。

我们始终相信，基础模型的智能上限，离不开持续的算力、数据和模型规模投入。因此，未来我们还会沿着 Scaling Law 持续扩大预训练计算量，不断推动模型能力向更高上限突破。

事实上，回顾Qwen的发展，这条 Scaling 曲线一直在持续。在千问 2.5 时代，我们的旗舰模型规模还是 72B；而到近期的千问 3.8，参数规模已经扩展到 2.4T，两年来参数量整整提升了 33 倍。

未来，我们还会继续向更大规模发起冲击：在千问 4 之后的千问 4.5 和千问 5 版本，我们计划将模型参数规模进一步推向 5～10T。我们相信，持续 Scaling 是加速迈向 ASI 的关键路径。

沿着我们的 Roadmap，下一代千问 4 系列也即将到来，它包括：继续追求智能上限的千问 4 Max；追求极致效率和性价比的千问 4 Flash 和 Plus；以及广受本地开发者期待的千问 4 27B。我们希望用一套完整的千问系列，覆盖不同用户的需求。

过去几年，我们持续将全模态、全尺寸的先进模型开源给全球开发者。到今天，Qwen模型的全球下载量已经超过 30 亿次，衍生模型超过 30 万个，居全球第一；我们也累计开源了 460 多款官方模型。而就在前不久，千问 3.8 27B 在发布仅仅两个月的时间里，就迅速超越了 DeepSeek V4 Flash、Llama 等知名模型，成为 Hugging Face 平台历史上点赞数最高的模型。

我们深刻感受到，Qwen正在形成一个真正的全球开发者生态。我们始终相信，AI 的价值不应该只属于少数企业，而应该成为全世界用户都可以获得、使用和创造的基础能力。未来，我们会坚持开源开放，让更多人用得起 AI、用得上 AI、参与创造 AI，实现 AI 普惠。

谢谢大家！