通义千问

定义

通义千问是阿里巴巴集团推出的大语言模型系列及其配套的对话机器人，英文名为 Qwen，海外版本亦以 Qwen 为名^[1]。它并非单一模型，而是一个由多种参数规模、多种模态能力模型组成的家族，覆盖文本生成与理解、代码编写、数学推理、长文档处理，以及图像、音频、视频的理解与生成。该系列由阿里巴巴集团旗下的 通义实验室 负责研发，是阿里巴巴通义大模型家族的核心成员^[3]。

模型通过网页端、移动端应用及 阿里云 的模型服务平台百炼对外提供调用，开发者可以 API 方式访问，也可下载开源权重自行部署^[4]。

原理

通义千问基于 Transformer 神经网络结构构建，通过在海量文本上做预训练获得语言能力，再经过指令微调与强化学习对齐人类偏好^[3]。2025 年 4 月发布的千问 3 预训练数据量约 36T tokens，支持 119 种语言和方言，并在后训练阶段引入多轮强化学习^[2]。

为控制推理成本，该系列大量采用混合专家（MoE）稀疏激活结构，即模型虽然含有大量总参数，但每次推理只调用其中一部分专家网络。以千问 3 旗舰模型为例，总参数量为 235B，实际激活仅约 22B^[5]。2025 年 9 月发布的下一代架构 Qwen3-Next 把这种稀疏度进一步提高，总参数 80B 而每步仅激活约 3B，专家数从 128 个扩展到 512 个，采用 10 个路由专家加 1 个共享专家的组合^[6]。

在注意力机制上，Qwen3-Next 用线性注意力（Gated DeltaNet）与门控注意力混合的方式替代标准注意力，其中约 75% 的层使用线性注意力、25% 的层保留标准注意力，以兼顾长序列效率与信息召回能力。该架构还引入原生多 token 预测机制，在预训练阶段同时预测多个后续 token，从而提升预训练效率与解码阶段吞吐^[7]。

在推理模式上，千问 3 是国内首个混合推理模型，把用于复杂逻辑任务的思考模式与用于快速应答的非思考模式集成在同一个模型中，并可通过参数设置“思考预算”来控制推理开销^[8]。

发展历程

阿里巴巴在大模型方向的积累可追溯到 2014 年成立的 iDST 研究院，2017 年 达摩院 正式成立，2020 年多模态大模型 M6 项目启动，2022 年通义实验室成立并在同年 9 月发布“通义”系列大模型。2023 年 4 月 7 日，阿里云宣布通义千问开启企业用户邀测，同月 11 日在阿里云峰会上正式对外发布^[1]。2023 年 9 月 13 日，该模型向社会公众开放，用户无需邀请即可使用^[1]。

2023 年 8 月，参数规模 70 亿的 Qwen-7B 开源，阿里巴巴由此成为国内首个开源自研大模型的大型厂商。2023 年 10 月 31 日，千亿参数的千问 2.0 在云栖大会发布。同年 12 月，720 亿参数的 Qwen-72B、18 亿参数的 Qwen-1.8B 以及视觉理解模型 Qwen-VL、音频理解模型 Qwen-Audio 相继开源。

2024 年 6 月，Qwen2 系列开源，涵盖 0.5B 至 72B 多种尺寸。2024 年 9 月 19 日，阿里云在云栖大会发布 Qwen2.5 系列，开源模型参数规模从 5 亿到 720 亿不等，支持超过 29 种语言。2025 年 4 月 29 日，新一代千问 3 发布并开源 8 款模型，包含 2 款 MoE 模型与 6 款密集模型，全部采用 Apache 2.0 协议^[2]。

2025 年 9 月，阿里云在云栖大会推出参数量突破 1 万亿的 Qwen3-Max，同年 9 月 12 日又发布下一代基础架构 Qwen3-Next 并开源 80B-A3B 系列。2026 年 2 月，Qwen3.5-Plus 开源，总参数 3970 亿，扩展支持 201 种语言^[9]。2026 年 8 月 3 日，阿里巴巴发布旗舰模型 Qwen3.8-Max，总参数 2.4 万亿，支持 100 万 token 上下文窗口，这是该系列首次开源 Max 级权重。

应用

通义千问通过网页端与移动端应用向个人用户提供问答、写作、文档总结、拍题答疑等功能^[10]。在开发者侧，模型可通过阿里云百炼平台以 API 方式调用，企业也可以在此基础上做微调、接入私有知识库或搭建智能体^[4]。截至 2025 年 9 月，已有超过 100 万家企业及个人开发者在百炼平台使用千问系列模型开展开发工作。

开源是这一系列的重要落地方式。自 2023 年起，阿里巴巴累计开源数百款千问模型，覆盖大语言模型、编程模型、视觉理解与生成模型、语音模型等类别，参数规模从 0.5B 延伸至万亿级。以 Qwen3-Next-80B-A3B 为例，其在 256K 上下文任务中表现突出，权重以 Apache 2.0 许可发布于 Hugging Face，并可通过 Transformers、SGLang、vLLM 等框架部署^[6]。

在硬件与终端侧，小尺寸模型可用于端侧部署，例如 4B 级模型面向手机端，8B 级模型可部署于电脑和汽车端^[8]。

该系列模型也被集成进阿里巴巴生态内的多项业务，2026 年 1 月，基于通义大模型的千问应用发布，接入地图、外卖、电商与健康等类型的服务。同期，上汽集团旗下 MG 品牌 2026 款 MG7 车型搭载了基于通义大模型构建的车载系统。

局限

在超长上下文场景中，模型的表现会明显下降。一项针对长上下文聚合任务的评测显示，Qwen3-235B 的聚合准确率从 32K 上下文时的 95.5% 降至 128K 时的 75.5%，在 200K 时进一步降至 55.5%^[11]。相关研究建议，生产系统在处理此类任务时应控制上下文规模，或把问题拆解为多次单文档查询^[11]。

模型仍存在生成内容与事实不符的幻觉问题。有针对长文本摘要中幻觉检测的基准研究指出，当前大语言模型在这一任务上能力仍不足，且部分模型即使识别出幻觉，给出的修正也可能与原文相同，或最终判断自相矛盾^[12]。此外，复杂多步任务中的推理能力不足，会使模型难以把一系列具体动作或对话正确归纳为抽象结论^[12]。

用户侧的公开反馈也提到若干使用层面的限制。在涉及细分学术或前沿技术问题时，模型可能出现编造引用或结论错误，复杂长链条推理容易中断，且实时联网检索的信息更新存在滞后^[10]。多轮长对话中，上下文信息可能丢失，导致后续回答与前文脱节^[13]。

参见

• Transformer —— 通义千问所采用的基础神经网络结构，其注意力机制是该系列模型的核心组件^[3]

• 混合专家模型 —— 通义千问用于降低推理成本、提升参数容量的稀疏激活架构^[5]

• 阿里云 —— 通义千问的研发与对外服务提供方，通过百炼平台向企业与开发者提供模型调用^[3]

• 达摩院 —— 阿里巴巴旗下研究机构，承担了通义千问此前的大模型技术积累

• 通义实验室 —— 阿里巴巴旗下负责通义系列模型研发的机构，通义千问即由其发布

• 大语言模型 —— 通义千问所属的技术类别，以大规模文本预训练获得语言理解与生成能力^[3]