通义千问

事件回顾 2026年7月4日，国内AI行业发生了一件标志性事件：字节跳动旗下豆包与阿里巴巴旗下通义千问，在同一日发布服务调整公告，宣布2026年7月15日正式下线平台内全部用户自定义智能体功能。 两大头部平台同日对同一核心功能"亮起红灯"，这在AI行业尚属首次。 时间线 时间节点 事件 7月2日 阿里宣布整合QoderWork、悟空、MuleRun三款Agent产品 7月4日 豆包、千问同步发布智能体下线公告 7月15日 智能体功能正式下线 7月15日—10月15日 数据备份窗口期（可查看/导出历史数据） 10月15日后 平台按隐私政策处理数据，不可恢复 为什么两大平台同时退出？ 1. 商业模式不成立 用户自定义智能体看起来热闹，但平台端面临三重困境： 算力成本高：每个智能体都需要独立推理资源，免费用户占比过高 留存率低：大部分用户创建智能体后7天内不再使用 变现困难：智能体商店缺乏付费意愿，C端用户付费率不足2% 2. 安全合规压力 随着《生成式AI服务管理暂行办法》深入执行，平台对用户生成内容（包括智能体的prompt和行为）承担连带责任。用户创建的智能体可能产出违规内容，平台审核成本远超收益。 3. 战略聚焦 两家都在从"广撒网"转向"重点突破"： 阿里：整合三款Agent产品为一个All-in-One企业生产力工具 字节：将资源集中到豆包核心对话和视频生成（Seedance 2.5） 对企业Agent选型的影响 直接影响 正在使用豆包或千问智能体功能的企业，需要在10月15日前完成迁移。可选项： 方案 优势 劣势 自建Agent框架 完全可控，数据私有 开发成本高，需要技术团队 OpenClaw等开源框架 灵活定制，社区活跃 需要自部署运维 企业版Agent平台 有SLA保障 费用较高 转用其他C端平台 快速上手 可能面临同样的下线风险 选型建议 1. 不要把核心业务绑在C端平台 C端平台的智能体功能随时可能调整。企业级Agent应该选择有明确SLA的企业版或开源方案。 2. 数据主权是底线 智能体的prompt、知识库、对话历史是企业核心资产。选择支持数据导出和私有化部署的方案。 3. 框架层 > 平台层 与其依赖某个平台，不如构建自己的Agent框架层。开源框架（OpenClaw、LangChain、CrewAI等）提供更好的长期可控性。 4. 关注MCP生态 Model Context Protocol正在成为Agent工具调用的标准协议。选择支持MCP的框架，避免被某个模型供应商锁定。 更深层的信号 两大平台同日下线智能体，折射出行业三个深层趋势： 趋势一：从"人人都是Agent开发者"到"Agent是专业工具" 2025年的Agent热潮让很多非技术用户创建了大量低质量智能体。行业正在回归理性——Agent开发需要专业能力，不是拖拽几下就能做好。 ...

通义千问3企业版：阿里云的AI生态战略 2026年6月，阿里云在云栖大会2026上发布了通义千问3企业版（Qwen3 Enterprise）。与消费级版本不同，企业版专注于私有部署、行业适配和开源生态建设——阿里云正在用"开源+企业服务"的双轮驱动策略，构建中国最大的AI生态。 模型规格 企业版模型矩阵 Qwen3 Enterprise不是单一模型，而是一个模型矩阵： 模型 参数量 激活参数 上下文 定位 Qwen3-Ent-72B 72B (Dense) 72B 128K 通用企业级 Qwen3-Ent-MoE-110B 110B 18B 256K 高性价比 Qwen3-Ent-MoE-320B 320B 35B 1M 旗舰版 Qwen3-Ent-VL-72B 72B + ViT 72B 128K 多模态 Qwen3-Ent-Coder-32B 32B 32B 128K 代码专用 企业可以根据自身需求选择不同规格。所有模型都支持私有部署，并提供完整的微调工具链。 技术架构 旗舰版Qwen3-Ent-MoE-320B的关键设计： qwen3_enterprise_config = { # MoE配置 "num_experts": 48, "experts_per_token": 5, "router_type": "noisy_top_k_gating", "load_balancing_loss": 0.01, # 注意力 "num_layers": 64, "hidden_size": 12288, "num_attention_heads": 96, "num_kv_heads": 8, # GQA 12:1 "head_dim": 128, # 上下文 "max_position_embeddings": 1048576, # 1M "rope_type": "dynamic_ntk", "rope_base": 1000000, # 词表 "vocab_size": 152000, # 中文优化 # 量化支持 "supported_precisions": ["fp16", "bf16", "int8", "int4"], "kv_cache_quantization": ["fp8", "int4"], } 开源策略 Qwen3的开源策略是其最大亮点： ...

引言 2026年3月，阿里云通义千问发布了Qwen3.5系列，这是继Qwen3之后的重大升级。Qwen3.5系列最引人注目的不是单一模型的性能，而是其覆盖从0.5B到千亿参数的全栈产品线布局。从端侧到云端，从通用到专业，Qwen3.5构建了一个完整的大模型生态。本文将对Qwen3.5系列进行全面评测，重点关注其差异化竞争力。 产品线概览 Qwen3.5系列包含多个规格，满足不同场景需求： 模型 参数量 上下文 定位 开源 Qwen3.5 Max ~600B (MoE) 256K 旗舰模型 否 Qwen3.5 Plus ~110B 128K 高性能主力 否 Qwen3.5 Turbo ~30B 128K 高性价比 否 Qwen3.5 72B 72B 128K 开源旗舰 是 Qwen3.5 14B 14B 64K 中型开源 是 Qwen3.5 7B 7B 32K 通用开源 是 Qwen3.5 3B 3B 32K 端侧部署 是 Qwen3.5 0.5B 0.5B 8K IoT/嵌入式 是 这种"全覆盖"的产品策略使Qwen3.5能够服务于从云端API到手机端侧的完整场景。 Qwen3.5 Max 旗舰评测 通用基准 MMLU-Pro： Qwen3.5 Max：82.1% GPT-5.5：87.3% DeepSeek V4：83.2% Claude Opus 4.1：85.7% C-Eval（中文综合评测）： ...

Qwen3 架构概述 Qwen3 是阿里通义千问系列的第三代大语言模型，采用 Dense 与 MoE（Mixture of Experts）双路线设计。核心架构基于 Decoder-only Transformer，引入了 GQA（Grouped Query Attention）、SwiGLU 激活函数、RoPE 位置编码等成熟组件。 Qwen3 的关键架构改进： GQA 分组注意力：减少 KV Cache 显存占用，推理吞吐提升 30%+ 长上下文支持：原生 32K，通过 YaRN 扩展至 128K 多语言训练：训练语料覆盖 119 种语言，中文占比显著提升 思考模式切换：支持 thinking/non-thinking 模式动态切换 模型规格对比 模型 参数量 层数 隐藏维度 注意力头数 上下文 类型 Qwen3-0.6B 0.6B 28 1024 16 32K Dense Qwen3-4B 4B 36 2560 32 32K Dense Qwen3-8B 8B 36 4096 32 32K Dense Qwen3-14B 14B 40 5120 40 32K Dense Qwen3-32B 32B 64 5120 40 32K Dense Qwen3-72B 72B 80 8192 64 32K Dense Qwen3-235B-A22B 235B 94 8192 64 32K MoE MoE 版本 235B-A22B 表示总参数 235B，每次推理激活约 22B 参数。 ...

国产智能体平台格局 2026 年，中国 AI Agent 市场形成"四大金刚"格局： 开发者导向 ↑ Dify ─────┬──── Coze | 文心 ─────┼──── 通义 ↓ 消费者导向 Dify：开源实力派 定位 Dify 是开源的 LLM 应用开发平台，定位"AI 版 WordPress"。 核心能力 dify_features = { "工作流编排": "可视化拖拽编排 Agent 流程", "RAG引擎": "内置向量检索 + 重排序 + 多路召回", "模型支持": "OpenAI/Claude/Qwen/DeepSeek/Ollama 等 30+", "工具生态": "内置 50+ 工具 + 自定义 API", "部署方式": "云端 SaaS + 私有部署", "开源协议": "Apache 2.0（可商用）", } 工作流示例 # Dify 工作流 YAML nodes: - id: start type: input vars: [user_query] - id: classify type: llm model: qwen3-7b prompt: "判断用户意图：{user_query}" output: intent - id: rag_search type: knowledge dataset: company_docs query: "{user_query}" condition: intent == "qa" - id: web_search type: tool tool: tavily_search query: "{user_query}" condition: intent == "search" - id: response type: llm model: qwen3-7b prompt: "基于以下信息回答：{rag_search.output or web_search.output}" 评估 维度 评分 说明 易用性 ⭐⭐⭐⭐ 可视化编排，学习曲线平缓 灵活性 ⭐⭐⭐⭐ 工作流 + Agent 两种模式 模型支持 ⭐⭐⭐⭐⭐ 30+ 模型，最全面 私有部署 ⭐⭐⭐⭐⭐ Docker 一键部署 生态 ⭐⭐⭐ 插件市场在发展 性能 ⭐⭐⭐ 高并发下需优化 适合场景 ✅ 企业内部知识库问答 ✅ 需要私有部署的政企客户 ✅ 多模型 A/B 测试 ✅ 开发者构建定制 Agent Coze（扣子）：消费级王者 定位 字节跳动出品，定位"人人都能做 Bot"——最低门槛的 Agent 构建平台。 ...