Qwen 的三件自我迭代，只有一件能下载

9 月 22 日，2026 云栖大会在杭州开幕。阿里巴巴在主论坛上公布了一批千问（Qwen）的进展，其中三件被归到同一个名字下面：大模型自我进化，也就是 RSI。1 Qwen3.8-Max 在人类完全「零参与」的情况下持续迭代超过一个月，完成 33 轮有效迭代；这个模型在一颗平头哥的 GPU 上自主适配了下代模型的推理框架，单实例吞吐提升 96%；只给它一份总线模块规格，它自主跑完从 RTL 到物理实现的完整流程，标准单元数下降 29%、面积下降 42%、功耗下降 59.5%。2 第四件事和这三件一起讲，但不在 RSI 名下：下代千问架构提前开源，训练开销约为前代旗舰的九分之一。34

这四件事值得判断的地方不在于数字是否惊人，而在于它们的落点完全不同。在这一天的所有说法里，今天就能拿走的只有一件，而它在大会召开之前就已经挂出去了。

能拿走的是一件架构。 提前开源的下代架构是 Qwen3.8-Flash-Next。它的权重挂在 Hugging Face 和 ModelScope 上，GitHub 仓库里带一份技术报告 PDF，模型卡写明这是 125B 主模型加 51B n-gram embedding、每个 token 激活 6B。56 官方把这次发布的目的写得很直白：这是 Qwen4 所用架构的早期预览，提前放出结构上的改动，是为了让社区在完整的 Qwen4 家族建在它上面之前先检验它。4 仓库创建于 8 月 24 日，权重与博客在 8 月 26 日上线，到今天累计下载 77.5 万次，非 gated。5 换句话说，大会是它最晚的一次露面，不是第一次。

另外三件的共同点是可以读到，但没法重算。 重算一件事的前提是那件事的输入在你手里，而这三件的输入都不在。芯片实验用的是平头哥自研芯片和一条工业级 EDA 工具链，官方没有公开初始 RTL，也没有说明那一份总线模块规格是哪一份；推理适配的对照物，是同一个实验里第 8 小时跑通的「首个可用版本」，也就是拿整改后的自己比对整改前的自己；33 轮自我迭代只给了轮数，没有给迭代日志。2 官方在技术文末尾自己写了边界：文中数据分别受限于特定模块、硬件、模型与工作负载，不能直接外推到其他场景。2

这里还有一处需要并排读的落差。中文通稿写的是「在从未见过的平头哥新款 GPU 上」自主适配，千问自己的技术文写的是「在真武 M890 上」完成 56 小时的适配与优化。12 M890 是今年 5 月已经发布的产品，不是一颗没见过的芯片。这个差别不影响 96% 是否为真，但它决定这句话被引用时该照哪个版本写。

两个「33」是两件事。 大会上的 33 轮，指的是模型对自身训练流程的自主迭代；而 Qwen 官方 8 月 3 日的模型博客里另有一个 33，指的是模型用五天、约 125 小时自主复现并改进一篇论文时跑的 33 轮 GPU 训练，那一次它写了约 7,600 行代码、执行了 1,100 多次动作，论文的六项主结论全部复现，随后在四轮里自己提出并测试了 18 个改进想法。7 两个数字属于两个实验。官方公开文本没有把两者对上，转述时把两处 33 当成同一件事，就会把这批证据的强度放大一倍。

官方用来证明自我迭代有效的那条曲线，中间跨了一次换版。 官方英文新闻稿写的是，靠自主训练优化与后训练技术，更新后的 Qwen3.8-Max 把 Artificial Analysis 的分数从 40 提到了 45。3 Artificial Analysis 这条目的历史快照可以逐张调出来：8 月 4 日是 53 分，指数版本 v4.1；8 月 18 日升到 58 分，指数 v4.1.1；9 月 3 日仍是 58 分。9 月 11 日指数换到 v4.3 之后，同一个 8 月条目的读数掉到 40；9 月 16 日页面标题换成「Qwen3.8 Max (0902)」，读数才是 45。8910 所以 40 到 45 这个变化确实存在，但它同时跨了一次条目替换和一次指数换版，而这个条目在换版之前的读数是 58，不是 40。同期它的上下文窗口从 100 万改成 98.4 万，输入模态里的视频支持也消失了。8 引用这个分数时，条目名和指数版本都该带上，否则读者没法判断自己在比较什么。

这一天能自己核的东西比看上去少。 按「有没有第三方或公开产物」把当天的数字分成两栏：能自己核的三样是 Flash-Next 的权重与许可、Artificial Analysis 独立跑出的 45 分，以及 Vals AI 用自家 harness 跑出的名次——它给出的位置是 Vals 指数 29/59，在它自己的 RSI 榜上排 10/18。1112 只有官方口径的是另外几样：33 轮、96%、42%/29%/59.5%，以及平头哥真武 V900 相对上一代的三倍性能。这几项到今天为止没有第三方复现，也没有可下载的产物，而真武 V900 本身计划要到 2027 年一季度才量产。13

同一个月里，别人说同一件事时用的是另一种句法。 Vals AI 已经把 RSI 做成了可比榜单：每项任务给固定的算力与时间预算，模型在现成的 agent harness 里跑，并且必须用 Marimo notebook 留下可以续接的实验记录。12 智谱在 9 月 17 日披露，GLM-5.3 驱动的 Infra Agent 在十万卡集群上完成推理基础设施的自主优化，不到两周把吞吐提到 3 倍，唐杰自己的措辞是「一个最小规模的循环已经出现」。13 更早的 7 月，Weco AI 公开了一套 RSI 分级门槛，把「净收益」定义为同时满足四个条件：公平的人类基线、可持续的多步趋势、超出被优化度量之外的泛化，以及固定的物理预算。14 把这些门槛和云栖的三句话并排看，差距不在能力而在举证——33 轮是一个计数，不是一份日志；96% 是一次实验内的前后对比，不是一个能被别人重跑的基准。这个领域本身也还没有共识：IBM 在 9 月的一篇报道里引用布朗大学 Michael Littman 的质疑，「结果系统会更擅长设计新的 AI 系统」这件事是否逻辑自洽都不清楚；同一篇里 IBM 的 Gabe Goodhart 指出，当前的改进环路普遍仍有人类在环。15

为什么是现在。 这场大会给出的框架比数字更大。阿里巴巴集团首席执行官吴泳铭在开幕主论坛上说，未来机器供给的思考总量将是人类思考总量的 1000 倍以上，今天这个比例还不到 3%，机器最终会承担 99.9% 的思考工作；他把今天的 AI Coding 比作 1882 年爱迪生珍珠街电站点亮的那 400 盏电灯，说它替代的是现有的「古法编程」。1617 同一场演讲给出的目标，是到 2032 年阿里云运营的全球数据中心规模超过 20GW。17 这些话没有可核的算法，作用也不在描述测量结果，而在给这一年的投入定调。把它们和 RSI 的三组数字放在一起读，就能看出这一天发布的东西属于两种文本：一种是宣告方向的，一种是声称结果的；需要你去验收的是后者。

谁会受影响。 要把下代架构放进自己技术栈的团队，今天就能下载权重、读技术报告，但读到的许可不是 Apache-2.0 而是 Qwen 社区许可，采购前得看清楚条款。5 要给这类说法写对外材料或内部立项的团队，需要先分清哪一句背后有能下载的东西、哪一句只是当天的一句话。1 做评测与复现的团队则多了一个具体动作：这条曲线换过版本、换过条目，历史快照都还在，取数时必须把版本号一起记下来。910

落到动作，这周能定五件事。 第一，先问能下载什么，再问提升了多少。第二，把口径要全：九分之一的训练开销对比物是 Qwen3.7-Plus，而且只指训练成本，不含推理。4 第三，引榜单分数要带条目名与指数版本。8 第四，「开源了下代架构」和「Qwen3.8-Flash 开源」是两件事：放出来的是 Flash-Next 权重，Qwen3.8-Flash 是建在这套权重上的托管版本，默认 100 万上下文并带官方内置工具。45 第五，看许可，不要把 Flash-Next 当成 Apache-2.0 的替代品。5

还有一件事值得记下来：这一天中文媒体的报道几乎都来自同一份稿子，量子位那篇文末原文写着「本文由阿里巴巴提供，量子位获授权转载」，同一段文字在多家平台逐段重复，措辞还在转发中漂移——同一处事实被写成「从 40 涨至 45 分」，也被写成「上涨 12.5%」。1 英文侧的独立采写集中在一个月前那次发布上：The New Stack 当时提示过，同一套基准的独立运行会跑出不同的分数；the-decoder 写的是独立验证仍未完成；Trending Topics 逐项拆表后指出，那张对比表里有七项测试是阿里自研的，外部无法核验。181920 9 月 22 日这批自我迭代的说法，到今天还没有进入英文独立报道。

这件事最后停在一句话上：33 轮没有日志，架构有仓库。 四件事里能写进你技术判断的，是能下载的那一件。