一个月，33轮迭代，没有人工参与。这是千问在云栖大会上给出的数字。

Qwen3.8-Max 完成了一次完整的自我改进闭环：自主搭建训练流程、构造数据、设计实验、定位缺陷。整个过程零人工介入，团队把它称为 RSI 递归自我改进。效果直接体现在分数上——Artificial Analysis 得分提升 12.5%，来到 45 分，同时拿下 Agentic 智能体与 CodeArena 前端编程两项第一。

自我进化不止发生在训练环节

推理端，模型在从未见过的平头哥 GPU 上自主适配 Qwen3.8-Flash 的新推理架构，吞吐量提升 96%。芯片端，基于真实芯片规范自主迭代超过 60 小时，完成物理实现优化，面积减少 42%。

训练、推理、芯片，三个环节都出现了模型自己动手的痕迹。这比单纯刷榜更能说明问题：它开始处理那些原本需要工程师反复试错的活儿。

参数路线图被直接画到了10T

阿里同时公布了后续的扩展计划。回顾这条曲线：

  • Qwen2.5：72B
  • Qwen3：235B
  • Qwen3.8-Max：2.4T
  • Qwen4.5 与 Qwen5：5-10T

项目负责人刘大一恒的说法是，Scaling 是迈向 ASI 的关键路径。从 72B 到 10T，跨度接近两个数量级，这条路线图没有留缓冲。

成本端也在同步下压。Qwen3.8-Flash 的训练成本砍掉近 90%，全模态价格统一为 0.8 元/百万 Token。规模往上走，单价往下走，这两条线同时出现，才是这次发布里最值得琢磨的部分。

让模型自己训自己，和把参数堆到 10T，是两条不同的路。千问这次把两条都摆上了台面。