大模型

编程榜单的王座换人了 2026年9月2日，阿里通义更新Qwen3.8-Max。这次更新最直接的信号是：在编程能力评测CodeArena上，Qwen3.8-Max评分提升22分，达到1691分，登顶全球第一，压过了Claude Opus5和Kimi K3。 CodeArena 1691分意味着什么 CodeArena是2026年大模型编程能力评测的重要基准之一，它考察的不是刷LeetCode题的纸面分数，而是模型在真实软件工程任务上的表现：读懂一个大型代码库、定位bug、跨文件修改、遵循项目规范。这种任务比单文件代码生成难得多，也是Cursor、Claude Code这类AI编程工具最核心的能力要求。 模型 CodeArena评分 相对位置 Qwen3.8-Max 1691 全球第一（+22分） Claude Opus5 紧随其后 被反超 Kimi K3 紧随其后 被反超 Qwen3.8-Max这次是"提升22分"后登顶，说明它不是靠一次大版本跃迁，而是在持续的迭代中一点点把编程能力磨上去的。这种渐进式提升比一次性跑分爆发更有含金量，因为它反映的是真实训练流程的改进——比如代码语料的清洗、SFT数据质量的提升、强化学习在多文件任务上的优化。 每百万Tokens 5美元的成本 比登顶更重要的数字是成本：每百万Tokens综合平均仅5美元。这个价格在2026年的旗舰模型市场是什么水平？作为对比，OpenAI、Anthropic的旗舰模型API价格在每百万Tokens十几到几十美元区间，而Qwen3.8-Max把"全球第一编程能力"和"5美元成本"这两件事同时做到了。 这是一个非常聪明的商业定位：你想让用户为AI编程付费，光说"我比别人强"不够，还得说"我比别人便宜十倍"。5美元/百万Tokens的价格，让企业把Claude Code、Cursor这类工具的后端从海外模型切到Qwen的决策门槛变得极低。 千问办公3000万用户 与此同时，阿里披露千问办公用户突破3000万。这是一个比模型榜单更扎实的数字——它说明Qwen不是只在开发者圈子里有名，而是真的走进了办公室、写文档、做表格、处理邮件。3000万用户的使用数据反过来又成为模型训练的燃料，形成"用得越多→模型越好→用户越多"的飞轮。 行业影响 Qwen3.8-Max登顶CodeArena，加上5美元的成本，对海外编程模型厂商是直接的价格冲击。2026年编程模型市场的格局正在从"美国厂商定义标准"转向"中国厂商以性价比重构市场"。Claude Opus5和GPT系列依然在通用推理上领先，但在"写代码"这个最容易商业化的垂直场景，Qwen用"能力第一+成本1/3"的组合，正在抢占开发者心智。 对国内开发者来说，这意味着以后写代码的默认AI助手，很可能不再是Cursor背后的Claude，而是千问生态里某个集成了Qwen3.8-Max的国产工具。模型能力第一，成本足够低，再加上3000万办公用户的场景数据——这三者叠加，就是阿里在大模型应用层最深的护城河。 为什么是CodeArena而不是SWE-bench 值得留意的是，这次Qwen3.8-Max选择在CodeArena上公布登顶，而不是更常被引用的SWE-bench。两个评测的侧重不同：SWE-bench更偏"从GitHub真实issue复现修复"，任务分布偏窄；CodeArena覆盖更广泛的真实软件工程任务，包括跨文件重构、遗留代码迁移、测试补全等。Qwen选择CodeArena，说明其训练团队在数据构建上刻意往"真实工程工作流"倾斜，而不是在单一基准上刷分。 每百万Tokens 5美元的综合平均成本，还隐含一个商业细节：这不是"输入价格"也不是"输出价格"，而是综合平均。意味着阿里在定价上做了场景化拆分——短输入便宜、长输入略贵、输出按量计费，但把常见对话场景的加权平均值压到了5美元。这种定价方式对企业做成本测算非常友好，因为客户不需要自己去估输入输出比例，直接用综合成本做预算就行。 3000万千问办公用户则是这个定价策略的底气：当C端和办公场景的调用量足够大，阿里可以用规模摊薄推理成本，再把摊薄后的低价反哺开发者市场。这是一个"消费端养推理端、推理端抢开发者"的飞轮。 guijiagi.com 会持续跟踪CodeArena、SWE-bench等编程基准上的中美模型格局变化。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

1.5TB到214GB的"减肥"奇迹 2026年9月1日，腾讯发布混元Hy4轻量版。这个版本最震撼的不是跑分，而是一个纯粹的工程数字：Hy4 preview的权重文件体积从约1.5TB，压缩到了约214GB。换句话说，原来要存1500GB的模型，现在只需要214GB，体积缩小到原来的七分之一。 为什么压缩到1/7还能打 大模型"压缩"听起来简单，做起来极难。常见手段包括量化（把16位浮点权重压成8位甚至4位）、蒸馏（用大模型教小模型）、剪枝（去掉不重要的参数）。但每一种手段都会带来能力损失：量化过头会让模型"变笨"，蒸馏会丢掉教师模型的深层推理能力，剪枝可能直接废掉某些能力维度。 腾讯混元Hy4轻量版这次公布的能力对比，关键在于"几乎不损失"： 能力维度 Hy4 preview原版 Hy4轻量版 权重体积 约1.5TB 约214GB 体积比 100% 约14% 长文理解 基准 几乎持平 多轮长上下文检索 基准 基本同一水平 数学能力 基准 小幅回落 长文理解几乎持平、多轮长上下文检索基本同一水平——这两项是大模型在企业场景最核心的能力，也是最容易被压缩毁掉的部分。很多模型一压缩，长上下文的"记忆力"就断崖式下跌，因为注意力机制对参数精度非常敏感。混元轻量版能在压到1/7体积后还保持长上下文检索能力，说明其压缩方案不是粗暴的低比特量化，而是结合了结构化剪枝、算子融合、注意力优化等一整套工程组合拳。 唯一承认的代价是数学能力"小幅回落"。这其实是一种诚实：数学推理对参数精度最敏感，任何压缩都会在这一项上先露馅。腾讯没有把数学也说成"持平"，而是如实标注"小幅回落"，这种数据透明度在国产大模型里反而少见。 为什么这件事比跑分更重要 大模型行业在2026年已经进入"推理成本决定生死"的阶段。一个1.5TB的模型，部署需要多张H100级别的GPU，每次推理的硬件折旧和电费都很高；压到214GB后，可能单台8卡服务器就能跑，推理成本直接降一个数量级。 对C端用户来说，这意味着混元的长文档、长对话功能可以以更低价格开放；对开发者来说，API调用成本下降后，基于混元构建Agent的经济模型就成立了。2026年下半年大模型竞争的主线已经不是"谁的参数大"，而是"谁能把同等能力做到最便宜"。 行业影响 混元Hy4轻量版给整个行业立了一个标杆：原来旗舰级长上下文模型是可以做到1/7体积而几乎不损失核心能力的。这会倒逼其他厂商重新审视自己的模型发布策略——以后发布一个模型，光说"我们参数大"没用，还得说"我们压缩后还剩多少体积、掉多少分"。 从更宏观的视角看，这也是国产大模型在"效率工程"上的一次集体补课。过去大家拼训练规模，现在开始拼推理效率。1.5TB→214GB这个数字，本质上是在回答一个问题：大模型能不能以可负担的成本走进千万级用户的日常应用。 压缩背后的工程取舍 1.5TB压到214GB，背后大概率不是单一手段能完成的。合理的推测是三层组合：第一层是结构化稀疏与专家剪枝，混元Hy4本身是MoE架构，激活参数远小于总参数，可以把大量低利用率专家先裁掉；第二层是混合精度量化，对注意力层和MLP层用不同的位宽策略，对长上下文关键的KV缓存路径保持较高精度；第三层是算子融合与KV缓存优化，让推理时不再为每一层单独分配中间缓冲区。这种分层压缩才能解释"长上下文几乎不损失"——因为它在关键路径上保留了精度，只在非关键路径上动刀。 数学能力小幅回落，则从侧面印证了这套逻辑：数学推理依赖长链路上的高精度数值运算，一旦数值精度下降，多步推理的误差会累积放大。腾讯把这一项如实标出来，而不是藏在跑分背后，说明其工程团队对压缩损伤的分布有清晰的定量认知。 对企业用户的启示是：以后选模型不能只看"压缩后体积小"，还要看压缩损伤落在哪些能力维度。如果你的场景以长文档检索、摘要、客服为主，混元轻量版几乎是白捡的红利；如果你的场景重度依赖数学推理或代码竞赛题，可能还是要跑一版原版对比再决定。 guijiagi.com 会持续跟踪主流大模型在量化、蒸馏、推理优化上的最新进展。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com