1. 引言与模型概述

1.1 模型背景与定位

Qwen3.5-397B-A17B是阿里巴巴通义千问团队于2026年2月16日（农历除夕）正式发布并开源的新一代超大规模稀疏混合专家（MoE）视觉-语言模型，同时也是Qwen3.5系列的首款旗舰模型。作为该系列的开篇之作，它标志着通义千问在大模型技术演进上的关键跨越——从单纯的参数规模竞赛，转向了兼顾极致性能与落地可行性的能效优化赛道。
从命名规则的细节，即可清晰解读其核心设计逻辑：

• 397B：代表模型的总参数量规模，达到3970亿级别，属于当前开源模型中参数体量的第一梯队；
• A17B：其中“A”是“Active（激活）”的缩写，意味着每处理一个输入Token时，仅会动态激活约170亿参数参与计算；
• Qwen3.5系列：相较于前代，该系列实现了从“文本优先、视觉可选”到“原生多模态融合”的架构范式升级——视觉与语言模块在底层共享注意力机制与专家层，而非简单的“文本模型外挂视觉编码器”拼接方案，这也是其命名中未沿用传统“VL（视觉-语言）”后缀的核心原因。
  根据官方定义，该模型的核心定位是「为Agentic AI时代而生的开源视觉-语言基础模型」：其设计目标并非仅作为单一任务的推理工具，而是要成为能支撑复杂智能体系统的基座——具备原生理解文本、图像、视频多模态信息的能力，可直接对接工具调用、长周期任务规划、人机交互界面（GUI）操作等Agentic场景需求。
  为了让开发者和企业用户快速验证其能力，该模型采用完全宽松的Apache 2.0开源协议，不仅开放了全系列模型权重，还同步提供了推理代码、训练框架、多模态工具链及API适配文档，支持免费商用、二次开发与修改分发，大幅降低了产业级应用的门槛。
  【OpenAI】获取OpenAI API Key的多种方式全攻略：从入门到精通，再到详解教程！

1.2 核心优势概览

Qwen3.5-397B-A17B的核心优势，本质是架构创新与工程优化的深度协同——并非依赖单一技术突破，而是通过多维度创新的组合，突破了大模型“性能-成本-规模”的不可能三角。其关键优势可概括为以下四点：

1. 前所未有的推理效率：尽管总参数量高达397B，但通过极致稀疏的MoE架构设计，每Token仅激活约4%的参数（17B），结合混合注意力机制与FP8精度优化，其推理吞吐量较上一代万亿参数模型Qwen3-Max-Thinking提升了8.6~19倍——在32K上下文长度下为8.6倍，256K超长上下文下可达19倍——同时部署显存占用降低了60%，单轮推理成本也同步下降60%。这一突破直接解决了超大规模模型“参数越多、推理越慢、成本越高”的行业痛点。
2. 原生多模态理解能力：采用“早期文本-视觉融合”的原生设计，视觉编码器与语言模型在训练阶段即共享底层语义空间，而非后期拼接。这一设计使其能原生支持文本、图像、视频的统一处理，甚至可直接理解图文混排的PDF文档、GUI界面元素等复杂多模态输入，无需额外的多模态RAG流程辅助。
3. 强化学习驱动的智能体能力：构建了可扩展的异步强化学习（RL）框架，通过“训推分离”的架构设计，支持百万级规模的智能体环境交互——每个智能体可独立完成工具调用、任务拆解等操作，框架通过动态负载均衡、细粒度故障恢复等技术，将端到端训练速度提升了3~5倍，最终赋予模型极强的长周期任务规划与工具使用能力。
4. 全球化与长上下文支持：将语言覆盖范围从Qwen3系列的119种扩展至201种语言与方言，针对低资源语言也做了专项优化；同时支持256K Token的超长上下文窗口，结合KV Cache量化与前缀缓存技术，在长文档总结、多轮对话等场景的性能衰减幅度较前代模型降低了30%以上。

2. 技术架构深度解析

2.1 总体架构设计：混合专家与注意力机制的协同

Qwen3.5-397B-A17B的总体架构，是稀疏MoE与混合注意力机制的深度耦合——这种设计既兼顾了超大规模模型的知识容量，又解决了传统稠密模型的推理效率瓶颈。

2.1.1 混合专家（MoE）层设计

该模型的MoE架构是其实现“大参数、高效率”平衡的核心，具体配置经过了多轮工程验证：

• 专家配置：模型共包含512个独立的前馈神经网络（FFN）专家，这一数量远高于前代Qwen3系列的128个专家，能更精细地拆分不同任务的计算负载；
• 激活策略：默认采用“10个路由专家+1个共享专家”的激活机制——每处理一个输入Token时，路由器会先计算Token与各专家的匹配度，选择10个最相关的专家参与计算，同时固定激活1个共享专家。共享专家的核心作用是兜底处理低频率Token或边缘场景的计算需求，避免因路由器分配偏差导致的性能波动，这一设计也有效提升了模型的训练稳定性与泛化能力；
• 参数复用逻辑：总参数量397B的模型，通过MoE的稀疏激活机制，将实际参与计算的参数控制在17B——这一规模与当前主流的商用小模型相当，但由于总参数池的知识覆盖更全面，其实际性能可对标甚至超越万亿参数级别的稠密模型。

2.1.2 混合注意力机制

为了同时满足长上下文处理与计算效率的需求，该模型采用了Gated DeltaNet（线性注意力）+ Gated Attention（全注意力） 的混合架构，其具体设计是对Transformer架构的关键革新：

• 架构比例：模型共包含60层Transformer块，分为15个循环单元，每个单元由3层Gated DeltaNet与1层Gated Attention组成——两者的比例为3:1。这一比例是在“长上下文效率”与“复杂推理精度”之间的最优平衡：Gated DeltaNet负责大部分长序列的高效处理，Gated Attention则在关键层提供精确的注意力计算。
• Gated DeltaNet：这是结合了Mamba2的门控衰减机制与Delta Rule隐状态更新策略的线性注意力变体。与传统全注意力的二次复杂度（O(n²)，n为序列长度）不同，Gated DeltaNet的计算复杂度仅为O(n)，能更高效地处理长序列输入；同时通过门控机制动态调整隐状态的更新幅度，避免了线性注意力常见的精度损失问题。
• Gated Attention：采用标准的全Softmax注意力机制，但加入了可学习的门控参数——门控参数会根据输入Token的重要性，动态调整注意力权重的分配强度。在处理数学推理、逻辑推导等需要精确上下文关联的任务时，该层能显著提升模型的推理精度，弥补线性注意力在复杂任务上的不足。
  这种混合注意力的设计，让模型在长上下文场景的计算效率提升了4倍以上，同时在MMLU、GSM8K等基准测试中的精度损失控制在2%以内，实现了效率与精度的平衡。

2.2 核心架构组件详解

除了基础的MoE与注意力层，Qwen3.5-397B-A17B还包含多个核心组件，共同支撑其多模态、长上下文、高稳定性的能力。

2.2.1 视觉编码器：原生多模态融合的基础

作为原生视觉-语言模型，该模型的视觉编码器并非独立模块，而是与语言模型深度耦合的核心组件：

• 架构选型：采用改进版的DeepStack Vision Transformer架构——与传统ViT仅提取顶层特征不同，该编码器会在第8、16、24层分别提取多尺度视觉特征，既保留了图像的细粒度纹理信息（如文字边缘、图标细节），又能捕捉高层语义信息（如图像的整体内容主题）；
• 融合机制：视觉特征提取完成后，会被编码为与文本Token维度一致的视觉Token序列，与文本Token序列拼接后，共同输入至后续的Transformer层进行联合处理。这一“早期融合”的设计，让视觉与语言信息在底层语义空间即可实现深度交互，而非简单的特征叠加，这也是其多模态任务性能远超“拼接式”模型的核心原因。

2.2.2 上下文窗口与KV Cache优化

针对长上下文处理的痛点，该模型在上下文窗口管理与KV Cache优化上做了多层级的设计：

• 上下文窗口基础：原生支持256K Token的上下文长度，较Qwen3系列的128K实现了翻倍，能覆盖大部分企业级长文档处理、多轮对话的需求；
• 动态Prefix Cache（前缀缓存） ：这是专门针对长序列输入的优化策略——模型会识别输入序列中的重复前缀（如多轮对话中的系统提示词、长文档的固定格式头部），将其缓存至独立的内存池，后续处理相同前缀时无需重复计算，直接复用缓存结果。实测显示，该策略可将长文档场景的首Token生成延迟降低约40%；
• FP8 KV Cache量化：在推理阶段，将KV Cache的存储精度从传统的BF16降至FP8 E4M3格式，这一优化可将KV Cache的内存占用降低约50%，同时对推理精度的影响小于1%；
• 异构内存池管理：通过在vLLM、SGLang等推理框架中构建多个独立的内存池实例，实现CPU、GPU显存的灵活调度——系统会根据当前推理负载，动态调整各内存池的分配比例，将KV Cache的内存使用效率提升至90%以上，避免了传统静态分配导致的资源浪费。

2.2.3 推理优化技术

为了进一步提升推理效率与稳定性，该模型还集成了多种行业前沿的推理优化技术：

• 多Token预测（MTP） ：这一模块挂载于模型主干网络的尾部，会在主干网络输出最后一个隐状态后，基于该状态一次性预测多个后续Token（默认预测3个）。实测显示，该技术可将单轮推理的Token生成延迟降低约20%，尤其在低并发场景下，能显著提升用户的交互体验；
• 投机采样（Speculative Sampling） ：通过一个轻量级的“草稿模型”快速生成候选Token序列，再由主模型进行验证，将验证通过的候选Token批量输出。这一策略可将端到端推理速度提升约30%，同时不会影响输出质量；
• Logits Warmer启动策略：在模型启动初期，会逐步提升模型的输出Logits温度，避免因模型参数未完全稳定导致的输出波动。实测显示，该策略可将模型启动初期的错误率降低约25%，提升了大规模并发推理时的稳定性。

2.3 训练与基础设施

该模型的高性能，不仅依赖于算法层面的架构创新，更离不开底层训练基础设施的全栈协同优化——正是这种“算法-硬件”的深度协同，支撑了397B参数模型的稳定训练与高效推理。

2.3.1 FP8混合精度训练

这是模型能实现超大规模训练的关键技术之一，其核心是在保证训练精度的前提下，最大化降低内存占用与计算开销：

• 精度分层策略：在训练阶段，将激活值、MoE路由计算、矩阵乘法（GEMM）等计算密集型操作的精度降至FP8，以减少内存占用与计算开销；而对梯度、权重等对精度更敏感的部分，则保留BF16精度，避免训练过程中的精度漂移；
• Runtime Monitoring机制：系统会实时监控各层的训练损失与梯度变化，当某层的精度误差超过阈值时，会自动将该层的计算精度切回BF16。这一动态调整机制，既保证了训练的稳定性，又实现了内存的高效利用——最终实现了约50%的激活内存占用降低，以及超过10%的训练速度提升。

2.3.2 可扩展异步强化学习框架

为了支撑智能体能力的规模化训练，该模型采用了“训推分离”的异步RL框架，其核心设计是解耦训练与推理的资源，实现大规模智能体环境的高效交互：

• 架构设计：将训练集群与推理集群完全分离，推理集群负责与百万级智能体环境进行实时交互，生成高质量的交互数据；训练集群则异步接收这些数据，进行模型参数更新。这种设计避免了传统“训推一体”架构中，推理任务对训练资源的抢占，硬件利用率从传统架构的约40%提升至85%以上；
• 核心优化技术：
  • Rollout Router Replay：记录智能体交互过程中的路由器分配策略，在训练阶段进行重放，让模型学习更优的专家路由逻辑，提升MoE的计算效率；
  • 多轮Rollout Locking：在多轮对话场景中，锁定前序轮次的Rollout状态，避免重复计算，提升训练效率；
  • 动态负载均衡：根据各训练节点的计算负载，动态分配训练任务，避免节点过载或闲置；
  • 细粒度故障恢复：当某一训练节点出现故障时，仅需恢复该节点的当前任务，无需重启整个训练集群，大幅降低了训练中断的影响。
    这些优化的综合效果，使端到端训练速度提升了3~5倍，能稳定支撑百万级智能体环境的规模化训练。

2.3.3 异构基础设施协同

针对超大规模模型的训练与推理需求，该模型采用了异构基础设施的协同设计，充分发挥不同硬件的优势：

• 视觉-语言解耦并行：将视觉编码器与语言模型的并行策略分离——视觉编码器采用数据并行（DP），语言模型采用张量并行（TP）+流水线并行（PP）的混合并行策略。这种设计避免了传统统一并行策略在多模态任务上的效率瓶颈，在混合文本-图像-视频数据的训练场景中，吞吐量接近纯文本训练的基线（约98%）；
• 昇腾/英伟达GPU适配：针对主流的AI加速芯片（如英伟达A100/H100、昇腾Atlas 800 A2）做了专项算子优化——例如，针对昇腾芯片的NPU架构，优化了MoE路由算子与注意力算子的计算逻辑；针对英伟达芯片，优化了FP8精度下的矩阵乘法算子。实测显示，这些优化可将昇腾芯片上的推理吞吐量提升约25%，英伟达芯片上的训练速度提升约15%。

3. 性能表现深度评测

3.1 基准测试结果

Qwen3.5-397B-A17B在主流NLP、多模态与智能体基准测试中，均取得了顶尖的性能表现，尤其在多模态与智能体任务上，实现了对同类开源模型的显著领先。

3.1.1 学术基准测试

以下为模型在核心学术基准上的测试结果（数据来源于官方技术报告及第三方权威评测）：

基准测试类型	数据集	模型得分	同梯队模型对比
知识推理	MMLU	88.61%	高于GLM-4.5-355B（86.56%）、DeepSeek-V3.2-671B（88.11%）
知识推理	MMLU-Pro	87.8%	与GPT-5.2（87.4%）相当，高于Claude 4.5 Opus（85.7%）
知识推理	MMLU-Redux	89.09%	高于Qwen3-235B-A22B（87.44%）、K2-1T-A32B（86.65%）
知识推理	SuperGPQA	57.96%	高于K2-1T-A32B（44.86%）、Qwen3-235B-A22B（42.84%）
知识推理	MMMLU	85.82%	高于GLM-4.5-355B（82.26%）、K2-1T-A32B（82.26%）
数学推理	GSM8K	93.71%	高于Qwen3-235B-A22B（91.17%）、Claude 4.5 Opus（89.31%）
数学推理	MATH	74.14%	高于Qwen3-235B-A22B（71.84%）、GLM-4.5-355B（61.84%）
数学推理	KoRBench	54.08%	与K2-1T-A32B（53.84%）相当，高于Qwen3-235B-A22B（50.80%）
代码生成	HumanEval	89.3%	全系列最强，高于Qwen3.5-27B（89.1%）
代码生成	Evalplus	79.32%	高于Qwen3-235B-A22B（77.60%）、K2-1T-A32B（71.77%）
代码生成	MultiPLE	79.39%	高于K2-1T-A32B（70.64%）、Qwen3-235B-A22B（65.94%）
代码生成	SWE-agentless	43.26%	高于DeepSeek-V3.2-671B（34.67%）、Qwen3-235B-A22B（31.77%）
多模态理解	MMBench_EN-DEV-v1.1	93.7%	与Gemini-3 Pro（93.7%）相当，高于K2.5-1T-A32B（94.2%，仅低0.5个百分点）
多模态理解	EmbSpatialBench	84.5%	与Qwen3-VL-235B-A22B（84.3%）相当，高于GPT-5.2（81.3%）
多模态理解	OCRBench	93.1%	高于K2.5-1T-A32B（92.3%）、Gemini-3 Pro（90.4%）
多模态理解	CountBench	97.2%	与Gemini-3 Pro（97.3%）相当，高于Claude 4.5 Opus（90.6%）
智能体能力	BBH	90.98%	高于K2-1T-A32B（89.11%）、Qwen3-235B-A22B（87.95%）
智能体能力	Tool Decathlon	38.3%	高于K2.5-1T-A32B（27.8%）、Qwen3-Max-Thinking（18.8%）
智能体能力	BrowseComp	78.6%	高于GPT-5.2（65.8%）、Claude 4.5 Opus（67.8%）
智能体能力	SWE-bench Verified	76.4%	与GPT-5.2（80.0%）接近，高于Claude 4.5 Opus（80.9%，仅低0.5个百分点）
从测试结果可以看出，该模型在知识推理、数学推理、代码生成、多模态理解与智能体能力等维度，均实现了对同参数量级模型的领先，部分任务甚至超过了万亿参数级别的闭源模型。

3.1.2 关键任务性能分析

针对核心NLP与多模态任务，其具体表现可细化为以下维度：

• 文本生成：在MMLU-Pro知识推理评测中获得87.8分，与GPT-5.2相当；在长文档总结任务中，对128K Token的技术白皮书总结准确率达到92%，关键信息遗漏率较前代模型降低了40%。第三方实测显示，其生成的学术论文摘要、营销文案、技术文档等内容，逻辑严谨性与格式规范性均达到“可直接商用”的水平，尤其在因果关系分析场景，几乎不会出现“因果倒置”或“逻辑断裂”的问题。
• 问答任务：在RealWorldQA（真实世界场景问答）基准中取得83.9%的准确率，仅次于GPT-5.2（83.3%）位居第二。在多轮对话场景中，即使上下文长度达到200K Token，其答案准确率仍能维持在85%以上，远高于同类型模型的60%平均水平。
• 翻译任务：支持201种语言的互译，在WMT24++多语言翻译基准中，中文-英文方向的BLEU值达到48.2，较Qwen3系列提升了15%；中文-日文、中文-阿拉伯语等低资源语言方向的BLEU值也分别提升了12%和18%。
• 代码生成：HumanEval得分89.3%，SWE-agentless得分43.26%，尤其在复杂代码逻辑生成（如分布式系统架构、机器学习模型实现）场景，其首次通过测试的比例（Pass@1）达到68%，较前代模型提升了25%。
• 多模态任务：在MMBench_EN-DEV-v1.1、OCRBench、CountBench等多模态基准中，均达到或超过GPT-5.2、Gemini-3 Pro等闭源模型的水平。其中，在GUI界面元素识别任务中，其准确率达到94%，能直接支撑智能体对电脑或手机界面的操作需求。

3.2 推理性能与效率

该模型的推理性能优势，不仅体现在基准测试的得分上，更体现在实际部署中的速度、显存占用与并发能力——这些指标直接决定了模型的产业落地价值。

3.2.1 生成速度与吞吐量

以下为模型在不同硬件环境下的推理速度与吞吐量数据（数据来源于官方测试及第三方实测）：

硬件环境	量化精度	上下文长度	生成速度	吞吐量
NVIDIA RTX 5090	FP16	32K Token	20 tokens/s	-
NVIDIA RTX 5090	FP16	128K Token	17.87±0.33 tokens/s	-
NVIDIA RTX 5090	FP16	200K Token	16.97±0.16 tokens/s	-
NVIDIA A100 80GB ×8	FP8	32K Token	-	8.6×Qwen3-Max
NVIDIA A100 80GB ×8	FP8	256K Token	-	19.0×Qwen3-Max
Apple M1 Ultra	Q4_K_M	256K Token	~20 tokens/s	-
浪潮NF5488A5（8×A100 80GB）	FP8	32K Token	-	支持50+并发请求
从数据可以看出，该模型的推理效率优势在长上下文场景中尤为明显——256K Token上下文下的吞吐量较Qwen3-Max提升了19倍，即使在消费级硬件（如Apple M1 Ultra）上，也能实现20 tokens/s左右的生成速度。

3.2.2 显存占用与稳定性

模型的显存占用经过了多维度优化，同时具备极强的并发稳定性：

• 显存占用：在4bit量化精度下，模型的显存占用约为8.5GB，单张NVIDIA A100 80GB显卡即可运行；在FP8精度下，显存占用约为17GB，8×A100 80GB集群可稳定支撑256K上下文长度的推理需求。
• 稳定性：在浪潮NF5488A5服务器（8×A100 80GB）上，采用SGLang推理框架，可稳定支持50+并发请求，99分位延迟控制在100ms以内；连续运行72小时后，模型输出准确率无明显衰减，内存泄漏率控制在0.01%以内。

4. A17B芯片硬件协同优化（注：原命名中“A17B”为激活参数标识，非芯片型号）

需要特别说明的是，模型命名中的“A17B”并非指特定芯片型号，而是“Active 17B”的缩写，代表每Token激活的参数规模。不过，该模型针对当前主流的AI加速芯片（如英伟达A100/H100、昇腾Atlas 800 A2）做了深度硬件协同优化，充分发挥了硬件的计算潜力。

4.1 硬件架构对齐

为了适配不同芯片的架构特性，模型在算子层面做了针对性设计：

• 算子融合：将多个连续的算子（如卷积、激活、归一化）融合为一个复合算子，减少了数据在内存与计算单元之间的传输次数。例如，在昇腾Atlas 800 A2芯片上，MoE路由算子与GEMM算子的融合，可将计算效率提升约30%；
• 数据布局优化：根据不同芯片的内存访问特性（如英伟达的Tensor Core偏好16×16的矩阵布局，昇腾的NPU偏好32×32的矩阵布局），调整模型参数与中间结果的存储格式，将内存访问效率提升约25%；
• 稀疏计算适配：针对芯片的稀疏计算单元（如英伟达A100的稀疏Tensor Core），优化了MoE稀疏激活的计算逻辑——仅将激活的专家参数加载至计算单元，未激活的专家参数存储于显存，减少了无效计算。实测显示，这一优化可将昇腾芯片上的推理吞吐量提升约25%，英伟达芯片上的训练速度提升约15%。

4.2 性能优化效果

这些硬件协同优化的效果，最终体现在模型的训练与推理效率上：

• 训练效率：在昇腾Atlas 800 A2集群上，模型的训练吞吐量达到了每秒3200万亿次浮点运算（FLOPS），较未优化前提升了约40%；
• 推理效率：在英伟达H100芯片上，模型的推理吞吐量达到了每秒12000 tokens，较未优化前提升了约50%；
• 能效比：在相同算力需求下，模型的能效比较未优化前提升了约30%——例如，完成1000轮智能体交互任务的能耗，从约20度降低至约14度。

5. 总结与展望

5.1 技术总结

Qwen3.5-397B-A17B的技术架构与性能表现，是通义千问团队在大模型领域多年技术积累的集中体现，其核心突破可概括为三点：

1. 架构创新：通过“稀疏MoE+混合注意力”的架构设计，在保证超大规模模型知识容量的前提下，将推理效率提升了8.6~19倍，首次实现了“397B总参数规模、17B激活参数”的能效平衡，突破了超大规模模型的推理效率瓶颈；
2. 工程优化：从FP8混合精度训练、异步RL框架到硬件协同优化，构建了全栈式的工程优化体系——FP8训练技术实现了50%的激活内存降低，异步RL框架实现了3~5倍的训练速度提升，硬件协同优化实现了30%以上的能效比提升，这些技术共同支撑了超大规模模型的稳定训练与高效部署；
3. 能力升级：实现了从“文本模型”到“原生多模态智能体基座”的跨越——原生多模态融合设计使其能直接处理文本、图像、视频多模态输入，规模化RL训练使其具备了强大的工具调用与任务规划能力，全球化语言支持与长上下文能力则覆盖了更广泛的场景需求。

5.2 优势与局限

5.2.1 核心优势

• 性能领先：在知识推理、数学推理、代码生成、多模态理解、智能体能力等核心任务上，均达到了当前开源模型的顶尖水平，部分任务（如BrowseComp搜索评测、OCRBench）甚至超过了GPT-5.2、Claude 4.5 Opus等闭源模型；
• 效率极高：稀疏激活机制与全栈工程优化，使其推理成本较同参数量级模型降低了60%，部署门槛大幅降低——单张A100 80GB显卡即可运行，中小企业也能实现私有化部署；
• 开源生态完善：采用Apache 2.0开源协议，提供了完整的模型权重、推理代码、训练框架、多模态工具链及API适配文档，支持免费商用与二次开发。第三方开发者社区已针对该模型开发了数十种量化版本（如Q4_K_M、IQ2_XS）与部署工具（如vLLM、SGLang），能满足从消费级设备到企业级集群的多样化部署需求。

5.2.2 局限性

• 数学推理精度仍有提升空间：在MATH、AIME等高中及以上难度的数学竞赛基准中，其得分虽高于同参数量级模型，但较GPT-5.2、Claude 4.5 Opus等闭源模型低约5~8个百分点，尤其在复杂微积分、线性代数证明题场景，错误率相对较高；
• 逻辑一致性控制难度较高：在长文档问答场景中，当上下文长度超过200K Token时，模型可能出现“事实混淆”或“逻辑断裂”的问题——例如，将文档前半部分的人物信息与后半部分的事件错误关联。官方技术报告显示，其长文档场景的事实性准确率较100K Token场景下降了约15%；
• 低资源语言性能存在差异：虽然支持201种语言与方言，但在部分低资源语言（如非洲的豪萨语、亚洲的尼泊尔语）上，性能较中文、英文等主流语言低约20~30个百分点，主要原因是训练数据中低资源语言的占比较低（仅约5%）。

5.3 未来展望

基于该模型的技术基础，通义千问团队的未来研发方向主要集中在以下三个维度：

1. 模型规模与稀疏度优化：计划进一步提升模型的总参数量至500B以上，同时将激活参数占比从当前的约4%（17B/397B）降低至2%以内——例如，总参数量500B，激活参数仅10B，进一步突破“性能-成本”的平衡极限；
2. 智能体能力升级：重点提升模型的长周期任务规划能力——例如，支持跨天的复杂项目管理任务；同时增强工具调用的可靠性，计划将工具调用的错误率从当前的约5%降低至1%以内；
3. 多模态交互深化：计划支持更长时长的视频理解（从当前的20分钟提升至60分钟），并增强视频内容的细粒度理解能力（如识别视频中的动作序列、场景变化）；同时探索多模态创作能力，例如根据文本描述生成视频脚本或短视频。