在近期举办的云栖大会上，阿里通义千问团队接连发布多款人工智能模型，引发科技界广泛关注。此次发布的模型涵盖语言、视觉、多模态及编程等多个领域，展现了中国在人工智能领域的创新实力。
新一代旗舰模型Qwen3-Max成为焦点，其参数量超过万亿规模，分为指令版和思考版两个版本。在数学评测中，思考版在AIME25和HMMT榜单上取得满分成绩，展现了强大的逻辑推理能力。指令版则在SWE-Bench评测中以69.6分位居全球第一梯队，并在Tau2 Bench测试中以74.8分超越Claude Opus4和DeepSeek V3.1，证明其在解决实际问题方面的卓越表现。
视觉理解领域迎来重大突破，Qwen3-VL-235B-A22B模型正式开源。该模型分为指令版和推理版，指令版在多项主流视觉感知评测中表现优异，性能达到甚至超过Gemini 2.5 Pro；推理版则在多模态推理评测基准上取得SOTA表现。特别该模型支持带图推理功能，在四项基准测试中成绩显著提升。
实际应用测试中，Qwen3-VL展现出惊人能力。当输入手绘网页草图时，模型能快速生成对应的HTML和CSS代码。在复杂图像分析任务中，模型能准确识别图像中的"头部、手部、男性、女性、眼镜"等类别，并以JSON格式报告边界框坐标。视频理解方面，模型能处理长视频内容，实现帧级时间与视觉内容的精细对齐。
技术层面，Qwen3-VL采用多项创新设计。MRoPE-Interleave技术将时间、高度、宽度信息交错分布，实现全频覆盖，提升长视频理解能力。DeepStack机制融合ViT多层特征，增强视觉细节捕捉和图文对齐能力。视频时序建模升级为文本时间戳对齐机制，支持"秒数"和"HMS"两种输出格式，显著提升复杂时序任务的处理精度。
全模态领域迎来里程碑式进展，Qwen3-Omni作为首个原生端到端全模态AI模型，统一处理文本、图像、音频和视频内容，在22个音视频基准测试中达到SOTA水平。已开源的版本包括30B参数的指令版、思考版和字幕生成版。基于该模型衍生的Qwen3-LiveTranslate实现18种语言的离线和实时音视频翻译，准确率超越Gemini-2.5-Flash和GPT-4o-Audio-Preview等同类产品。
编程领域同样带来惊喜，新升级的Qwen3-Coder-Plus采用"Qwen Code+Claude Code"联合训练方式，性能显著提升。配套的Qwen Code产品增加多模态模型和sub-agent支持，允许用户输入图像进行编程。实际测试中，该模型成功生成3D宝塔效果，展现强大的代码生成能力。
在模型架构创新方面，Qwen3-Next基础模型架构正式发布。该模型总参数量约80B，但在仅激活3B参数的情况下，性能即可与Qwen3-235B媲美。训练成本较密集模型Qwen3-32B降低超90%，长文本推理吞吐量提升超过10倍，为高效AI训练和推理开辟新路径。
阿里云智能集团董事长兼CEO吴泳铭在演讲中指出，实现通用人工智能(AGI)已是确定性事件，但这仅是起点，终极目标是发展出能自我迭代的超级人工智能(ASI)。他提出ASI发展将经历四个阶段：智能涌现(学习人)、自主行动(辅助人)、自我迭代(超越人)和超级人工智能(ASI)。同时他预言，大模型将成为下一代操作系统，自然语言是未来的源代码，AI Cloud是下一代计算机，全球可能最终形成5-6个超级云计算平台。
