9 月 24 日的云栖大会，阿里宣布通义千问 Qwen3-Max 达到“超万亿参数”规模，训练数据量高达 36T tokens。周靖人称它是“通义家族最强”。这是国产大模型第一次，正式站在“万亿级”的门槛上。
这次发布会之所以格外受关注，是因为“万亿”这个词本身的象征意义。在 AI 发展史上，每一次参数数量的跨越，都会被视作行业新纪元的标志：从 GPT-2 的 15 亿参数，到 GPT-3 的 1750 亿参数，再到 GPT-4 被推测接近万亿。
如今，国内厂商第一次在舞台上宣布“我们也有万亿”，这不仅是一次产品升级，更是一次“地位宣言”。
成绩同样引人注目：在数学推理测试 AIME25 中，Qwen3-Max 取得 86.4% 的准确率，位列全球前三。在编程基准 SWE-Bench Verified 上得分 69.6%，仅次于 GPT-4.1（71.2%），位居全球第二。在 Chatbot Arena 综合榜单中进入前五，最高位列第四。这是国产大模型首次在多项国际权威基准上全面进入世界前列。
更值得注意的是，阿里并非只推出一个“巨无霸”，而是将其切分为多个方向：Thinking 版专注复杂推理，适合科研、数学、金融分析等场景。Instruct 版擅长指令遵循，更像 ChatGPT 的日常应用版。
Omni 版则支持实时语音交互与多模态，让用户能够和 AI 进行自然对话，甚至在视频场景里实现即时反馈。对普通用户而言，这已经不仅是一个聊天机器人，而是一个能写代码、能看文档、还能听得懂、看得见的全能助手。
但“万亿”背后，也潜藏着巨大的不确定性：这是国产大模型真正的腾飞起点，还是一场技术军备竞赛的陷阱？
为什么国内厂商没有退路
在国际市场，OpenAI 的 GPT-4.1、Anthropic 的 Claude 已经开始追求“更轻、更灵活”。GPT-4.1 的重点是多智能体协作与 API 工具调用，Claude 则强调长文本和安全性。换句话说，他们意识到“越大越好”的阶段正在过去。
而国内，却几乎所有巨头都被推向了万亿参数这条单行道。
资本市场的推力最直接。2024 年，国内超过 50 家大模型公司融资总额突破 300 亿元。投资人最敏感的指标不是你能否落地，而是你是否能在技术指标上追平国际巨头。参数数值，成了最能“安抚市场”的语言。于是，“万亿”成了过关口令，谁没到万亿，谁就可能被贴上“二线”的标签。
企业客户也加了一把火。在采购逻辑里，模型越大，意味着越靠谱。很多需求被天然等同于“只有万亿才行”：跨语种客服、动辄 20 万字的合同审查、跨行业知识整合等等。哪怕实际差距只是 92% 与 93% 的准确率，在客户眼里也足以放大成决定性的差别。于是厂商们不得不迎合这种认知，把“万亿”当成展示实力的筹码。
更深层的原因也在于产业环境。高端 GPU 的获取仍受限制，国内厂商在算法优化上难以直接与国际巨头硬碰硬。于是，唯有通过“以量补质”来走捷径：扩大参数规模，用工程手段换性能表现。就像 LCD 时代，中国厂商把背光做到极致，才在画质上追上 OLED，如今在大模型赛道，厂商们也只能靠堆算力来追赶。
而这并不是选择，而是被裹挟后的必然。不卷上去，就意味着退出牌桌。
冷冰冰的算力账单
据行业测算（斯坦福 AI Index 2024 数据，结合多家券商研报），训练一次万亿参数模型，能耗可达 2000–5000 万度电，仅电费成本就超过上千万元。如果算上 GPU 采购、数据清洗、分布式工程调度等全流程，完整成本可能超过数十亿元。
推理阶段同样昂贵。恒信证券的一份测算指出，万亿模型的单次调用开销，是百亿模型的 2–4 倍。这意味着企业在部署时要么承担更高的算力租赁费用，要么就要接受调用速度和稳定性的下降。
然而，性能提升却往往只是个位数。比如在客服场景下，一个模型准确率 92%，另一个 93%，后者的训练成本却可能翻倍。对于企业来说，多花的不是 1%，而是实实在在的数亿预算。
这就是所谓的“边际效益递减”。随着参数规模越来越大，性能提升越来越有限，而能耗、账单却是成倍增加。对于巨头来说，这可能是可以承受的“战略性亏损”，但对于普通企业来说，这种成本根本不具备推广价值。
阿里的真正野心，不止是参数
既然如此，阿里为什么还要第一个喊出“万亿”呢？
答案很清楚：阿里瞅准的并不是单纯的参数竞赛，而是一盘云生态的棋。
阿里的真正目标，是让 Qwen3-Max 成为下一代阿里云的“操作系统”。在百炼平台，它已经开放 API，按 Token 计费。Qwen3-Coder 在 OpenRouter 的调用量一度暴涨 1474%，跃居全球第二。同期推出的 Qwen3-VL、通义万相 2.5、通义百聆，覆盖了视频生成、语音交互、视觉编程等核心场景。
这一套动作，意味着阿里要的不只是展示“万亿”，而是要通过 API、工具链，把企业和开发者的工作流牢牢绑定在阿里云的生态里。未来，当企业习惯用 Qwen 提供的代码生成、长文档处理、语音交互服务时，迁移成本会越来越高，最终只能留在阿里云。
换句话说，“万亿”是招牌，真正的生意在后面。阿里卖的不是模型，而是云上的智能操作系统。
万亿之后，中国要回答更大的问题
Qwen3-Max 抬高了门槛，国内厂商被迫跟进。但世界的方向，未必是越大越好。OpenAI 在推小模型和多智能体，Anthropic 在强化安全与效率，而 Meta 则通过开源 Llama 系列构建全球开发者生态。相比之下，国内的“闭源+堆参数”路线，是否会在长期竞争中失去灵活性？
这也是为什么“智能密度”概念变得重要。所谓“智能密度”，就是单位算力、单位成本下所能提供的有效智能输出。未来的竞争，不在于谁的参数最多，而在于谁能用同样的资源，交付更聪明、更实用的结果。
换个角度看，万亿参数确实是护城河，但可能也是最后的倔强。它能否真正转化为产业价值，要看三点：企业是否愿意为高昂算力买单，开发者是否愿意留在生态，用户是否能切实感受到“省钱省力”。
如果答案是肯定的，万亿参数将成为中国大模型产业的里程碑。如果不是，它可能会重演“曲面电视”的故事：技术领先，却与用户无关。
最后
当全球 AI 进入“智能密度”时代，中国能否从“参数军备竞赛”转向“场景智能革命”，将决定我们是引领者，还是陪跑者。
万亿参数或许能刷榜，但只有让用户省下一分算力开销，才是真正伟大的AI。
本文来自微信公众号“科技不许冷”
作者：科技不许冷
该文观点仅代表作者本人
