2026年8月3日 — 阿里巴巴今日正式發佈新一代基座大模型 Qwen3.8-Max，總參數量達 2.4兆（2.4T） ，啟動參數 95B（950億） 。
這是繼Kimi K3之後，中國第二個參數規模突破2兆的大模型，也是千問系列迄今尺寸最大、性能最強的旗艦產品。
在權威第三方榜單 Arena 中，Qwen3.8-Max 整體性能位列全球第二，僅次於 Anthropic 的 Claude 系列，程式設計能力（CodeArena）更是位居全球第四。
01
一、技術架構：稀疏MoE + 混合注意力的極致最佳化
1.1 參數規模與啟動效率
Qwen3.8 的核心突破在於稀疏混合專家（MoE）架構與混合注意力機制的聯合最佳化。
| 指標 | 數值 |
|---|---|
| 總參數量 | 2.4T（萬億） |
| 啟動參數 | 95B（950億） |
| 啟動比例 | 約 3.96% |
| 上下文長度 | 1M Tokens |
技術解讀：2.4T 的總參數意味著模型擁有極其龐大的知識容量，但每次推理僅啟動約 95B 參數——這種稀疏啟動機制讓模型在保持超大知識儲備的同時，推理效率顯著提升。相比稠密架構（Dense），MoE 架構的推理成本可降低 10-20 倍。
1.2 混合注意力機制
Qwen3.8 引入了混合注意力機制（Hybrid Attention），結合稀疏注意力（如 Sliding Window Attention、GQA/MQA）與全注意力，在保持長上下文理解能力的同時，降低注意力計算的複雜度。這是支撐 1M Tokens 超長上下文的關鍵技術。
1.3 訓練策略：真實環境 + 算力聯合強化學習
Qwen3.8 在專業任務（Cowork）上的突破，得益於真實環境與算力的聯合強化學習（RL）擴展。
傳統大模型訓練依賴靜態資料集，而 Qwen3.8 通過以下方式提升真實任務表現：
- 真實環境反饋：模型在真實軟體環境中執行任務，獲取執行結果作為訓練訊號
- 算力感知訓練：將計算資源約束納入訓練目標，讓模型學會在有限算力下交付最優結果
- 數百種專業任務覆蓋：法律、金融、辦公等高頻場景均有針對性最佳化
02
二、橫向對比：Qwen3.8 與全球主流旗艦模型
2.1 參數規模與架構對比
| 模型 | 廠商 | 總參數 | 啟動參數 | 架構類型 | 上下文長度 | 開源狀態 |
|---|---|---|---|---|---|---|
| Qwen3.8-Max | 阿里巴巴 | 2.4T | 95B | 稀疏MoE | 1M | ✅ 即將開源 |
| Kimi K3 | 月之暗面 | 2.8T | ~50B(估) | 稀疏MoE + KDA | 1M | ✅ 已開源 |
| Claude Fable 5 | Anthropic | 未公開 | 未公開 | Dense Transformer | 200K | ❌ 閉源 |
| Claude Opus 5 | Anthropic | 未公開 | 未公開 | Dense Transformer | 300K | ❌ 閉源 |
| GPT-5.6 Sol | OpenAI | 未公開 | 未公開 | Dense Transformer | 1M | ❌ 閉源 |
| GPT-5.6 Terra | OpenAI | 未公開 | 未公開 | Dense Transformer | 未公開 | ❌ 閉源 |
| Gemini 3.1 Pro | 未公開 | 未公開 | MoE Encoder-Decoder | 2M | ❌ 閉源 | |
| LongCat-2.0 | 美團 | 1.6T | ~48B | MoE | 1M | — |
關鍵發現：
- Qwen3.8 的 2.4T 參數在全球開源模型中位列第二，僅次於 Kimi K3（2.8T）
- 閉源巨頭（OpenAI、Anthropic、Google）均未公開參數量，轉向"性能導向"敘事
- Gemini 3.1 Pro 以 2M 上下文領先，但架構更重；Qwen3.8 的 1M 上下文在性價比上更具優勢
2.2 API 定價對比（每百萬 Tokens）
| 模型 | 輸入價格 | 輸出價格 | 相對 Qwen3.8 成本倍數 |
|---|---|---|---|
| Qwen3.8-Max（國際） | $2 | $6 | 1.0x（基準） |
| Qwen3.8-Max（國內） | ¥12 (~$1.7) | ¥36 (~$5) | ~0.85x |
| GPT-5.6 Terra | $2.50 | $15 | 輸入 1.25x / 輸出 2.5x |
| Gemini 3.1 Pro | ~$3.5 | ~$3.5 | 輸入 1.75x / 輸出 0.58x |
| GPT-5.6 Sol | $5 | $30 | 輸入 2.5x / 輸出 5x |
| Claude Opus 5 | ~$5 | ~$25 | 輸入 2.5x / 輸出 4.2x |
| Claude Fable 5 | $10 | $50 | 輸入 5x / 輸出 8.3x |
價格戰略解讀：
- Qwen3.8 國際定價僅為 Claude Fable 5 的 20%-12% ，性價比碾壓
- 中國價格更低，輸入僅 ¥12/百萬Tokens，隱式快取命中僅 ¥1.5
- 阿里以"高性能 + 低價格"策略，直接挑戰 OpenAI、Anthropic 的定價體系
2.3 性能榜單對比（Arena 排名）
| 排名 | 模型 | 綜合性能 | 程式設計能力 | 特點 |
|---|---|---|---|---|
| 1 | Claude Fable 5 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | 公認綜合能力天花板 |
| 2 | Qwen3.8-Max | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | 全球第二，程式設計第四 |
| 3 | GPT-5.6 Sol | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | Coding Agent Index 第一 |
| 4 | Claude Opus 5 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | 性價比優於 Fable 5 |
| 5 | Gemini 3.1 Pro | ⭐⭐⭐⭐ | ⭐⭐⭐ | 多模態最強，2M上下文 |
| — | Kimi K3 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | Frontend Code Arena 第一 |
性能定位：
- Qwen3.8 在 Arena 榜單中僅次於 Claude 系列，整體性能處於全球第一梯隊
- 程式設計能力（CodeArena）全球第四，前端程式碼能力尤其突出
- 在科研復現（PaperBench）、通用智能體（WideSearch、Agent's Last Exam）等評測中位居前沿
2.4 核心能力維度對比
| 能力維度 | Qwen3.8-Max | Claude Fable 5 | GPT-5.6 Sol | Kimi K3 |
|---|---|---|---|---|
| 自主程式設計 | ✅ 空資料夾→完整項目 | ✅ 程式碼深度思考 | ✅ 多Agent平行 | ✅ 開源最強 |
| 專業辦公 | ✅ 法務/金融/辦公 RL最佳化 | ⚠️ 通用能力強 | ⚠️ 需適配 | ⚠️ 通用能力強 |
| 長程任務 | ✅ 數千輪互動 | ⚠️ 200K上下文限制 | ✅ 1M上下文 | ✅ 1M上下文 |
| 多模態 | ✅ 視覺理解+長視訊 | ✅ 文字+圖像 | ✅ 文字+圖像 | ⚠️ 有限支援 |
| 開源 | ✅ 即將開源 | ❌ 閉源 | ❌ 閉源 | ✅ 已開源 |
| 價格競爭力 | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
03
三、核心能力：從"輔助"到"自主交付"
3.1 程式設計能力：端到端項目交付
Qwen3.8 在程式設計領域實現了從"程式碼補全"到"自主交付"的質變：
典型案例：模型從空資料夾出發，獨立程式設計約 16 天，交付了一個 Hermes Agent 等級的自進化智能體框架 "oh-my-cli" ，全程無需人工干預。
| 評測 | 得分 | 排名 |
|---|---|---|
| PaperBench（科研復現） | 93.0 | +28.2分（較上代） |
| CodeArena（程式設計智能體） | — | 全球第四 |
| OSWorld-Verified（電腦操作） | 86.1 | 主流模型首位 |
技術意義：這意味著大模型已經從"寫函數"的工具，進化為能夠獨立承擔工程項目的"數字工程師"。
3.2 專業辦公：法務一周工作壓縮至一小時
Qwen3.8 通過真實環境 RL 訓練，在數百種專業任務上實現生產級交付：
- 法律：數百份法律文件、千余條款標註，從一周壓縮至一小時
- 金融：自主調動平行智能體，交付完整 ETF 輪動策略並實現規模化盈利
- 體育分析：160小時比賽錄影（8400+攻防回合），數十分鐘完成戰術畫像
3.3 長程任務與多模態智能體
長程任務：Qwen3.8 支援數千輪超長互動，在"執行-反饋-迭代"閉環中持續重構演算法與策略，適用於晶片設計、商業模擬等複雜場景。
多模態能力：
- 跨頁理解 200 頁財報 PDF
- 組織 100 小時長視訊為可檢索的 Graph 記憶
- Vision Arena 榜單全球第二
04
四、產業鏈分析：從模型到生態的完整閉環
4.1 算力層：真武 M890 超節點適配
阿里自研的真武 M890 超節點已成功適配 Qwen3.8，實現晶片、雲平台與大模型的全鏈路最佳化：
- Agentic 推理場景性能提升最高 1.5 倍
- 推理成本顯著降低
- 支援超大規模模型的訓練與推理
產業鏈意義：算力自主可控是中國國產大模型的底層保障。阿里通過自研晶片 + 自研模型的垂直整合，建構了完整的 AI 基礎設施。
4.2 模型層：開源生態的持續擴張
阿里已建立全球規模最大的開源大模型家族：
| 指標 | 資料 |
|---|---|
| 累計開源模型 | 400+ |
| 衍生模型 | 20萬+ |
| 累計下載量 | 10億+ |
Qwen3.8 開源計畫：
- Qwen3.8-Max：預計下周開源
- Qwen3.8-27B：同步開源
競爭格局：Kimi K3（2.8T）、Qwen3.8（2.4T）、MiniMax M3 Pro（2.5-3T）、DeepSeek V4 等中國國產大模型密集發佈，"T級軍備競賽"進入第二階段。
4.3 應用層：千問辦公（QwenWork）
阿里同步推出企業級 Agent 產品 "千問辦公" ，由 QoderWork、MuleRun、悟空三款產品整合而來：
產品定位：
- 業內首款同時支援桌面端 Agent、雲端 Agent、企業協同 Agent 的產品
- 已初步打通釘釘 IM，未來連接企業真實資料庫和工作流
商業模式：Skill 沉澱與共享機制——資深律師完成併購盡調後，可將流程沉澱為"組織級 Skill"，新員工直接呼叫，實現知識資產化。
4.4 服務層：極具競爭力的 API 定價
| 項目 | 國內價格 | 國際對比 |
|---|---|---|
| 輸入 | 12元/百萬Tokens | Opus5 的 40% |
| 輸出 | 36元/百萬Tokens | Opus5 的 24% |
| 隱式快取命中 | 1.5元 | — |
戰略意義：阿里以"高性能 + 低價格"策略，直接挑戰 OpenAI、Anthropic 的定價體系。國際價格僅為 Opus5 的 24%-40%，意味著同等性能下，Qwen3.8 的性價比優勢顯著。
05
五、市場反應與資本邏輯
5.1 股價表現
消息發佈當日，阿里巴巴港股大漲 7.01% ，報收 125.2 港元/股；美股盤前上漲超 5%。恆生科技指數漲超 2%，港股科技類股集體走強。
5.2 資本邏輯
摩根士丹利研報指出六大利多因素：
- 二季度財報顯示盈利見底
- AI 領域取得進展，緩解投資者對資本支出擴張的擔憂
- IPO 解禁壓力逐步消化
- 全球市場波動導致做空平倉
- AI 敞口頭寸有限，與全球市場相關性較低
- 全球投資者持倉極低
核心觀點：大模型發佈不僅是技術事件，更是估值修復的催化劑。
06
六、行業影響與未來展望
6.1 中國國產大模型的"T級俱樂部"
| 模型 | 參數量 | 發佈方 | 開源狀態 | 核心優勢 |
|---|---|---|---|---|
| Kimi K3 | 2.8T | 月之暗面 | ✅ 已開源 | 參數最大，程式設計最強 |
| Qwen3.8 | 2.4T | 阿里巴巴 | ✅ 即將開源 | 性價比高，生態完善 |
| MiniMax M3 Pro | 2.5-3T | MiniMax | 預計開源 | 多模態能力強 |
| DeepSeek V4 | 未公開 | DeepSeek | 預計開源 | 推理能力突出 |
中國國產大模型正在用"開源 + 高性能 + 低價"的組合拳，重塑全球 AI 市場競爭格局。
6.2 從模型競爭到生態競爭
大模型競爭已進入新階段：
- 參數規模：基礎門檻
- 推理效率：商業化關鍵
- 應用生態：長期壁壘
- 算力自主：底層保障
阿里通過"模型 + 晶片 + 應用 + 雲服務"的全端佈局，建構了完整的 AI 生態閉環。
6.3 開源策略的戰略價值
阿里持續押注開源，累計開源 400+ 模型，衍生模型超 20 萬個。開源不僅是技術共享，更是生態卡位：
- 開發者基於 Qwen 建構應用，形成生態依賴
- 開源版本引流至商業雲服務
- 社區反饋反哺模型迭代
07
七、結語
Qwen3.8 的發佈，標誌著中國國產大模型在參數規模、技術架構、應用落地三個維度同時達到國際頂尖水平。更重要的是，阿里展示了從模型到晶片、從應用到生態的完整能力。
關鍵啟示：
- 稀疏 MoE 是當前最優解：2.4T 參數、95B 啟動，兼顧知識容量與推理效率
- 真實環境 RL 是專業任務突破的關鍵：靜態資料集已無法滿足生產級需求
- 性價比是商業化的核心：國際價格僅為 Opus5 的 24%-40%，定價策略極具侵略性
- 開源是生態競爭的底層武器：阿里通過開源建構開發者生態，形成長期壁壘
在全球 AI 競爭進入"T級軍備競賽"的當下，Qwen3.8 的發佈不僅是一款模型的迭代，更是中國 AI 產業鏈整體實力的集中體現。(AI雲原生智能算力架構)