ATH后，阿里開始亮底牌了

文：王智遠 | ID:Z201440

今天阿里發(fā)了Qwen3.6-Plus。

千問3.6系列的第一款模型，編程能力接近Claude系列，100萬Token上下文窗口。

往前倒兩天，4月1日，Wan2.7-Image，圖像生成和編輯統(tǒng)一模型；3月30日，Qwen3.5-Omni，全模態(tài)大模型，215項全球最佳性能。

四天，三個模型。全模態(tài)感知、圖像生成、Agent編程，完全不同的方向，這是ATH事業(yè)群成立兩周以來的第一次集中亮相。

不知道你有沒有想過：三個方向完全不同的模型，為什么偏偏選在同一個窗口期發(fā)？

01

先說結(jié)論，我認為，這三個模型單獨看，每一個都是各自賽道上的常規(guī)迭代；拼在一起看就不一樣了。

Omni管感知，Wan2.7管生成，Qwen3.6-Plus管執(zhí)行。加在一起，剛好覆蓋了一個完整Agent工作流的三個階段。

不信，我們拆開來看。

先說Omni，全模態(tài)，能聽能看；支持113種語言和方言，在音視頻理解這類任務(wù)上拿了215項全球最佳，超過了谷歌的Gemini-3.1 Pro。

這個模型有一個細節(jié)值得多說兩句。它長出了一種能力：

打開攝像頭，對著一張手畫的草圖說你想要什么，哪怕描述的是一個帶復(fù)雜產(chǎn)品邏輯的界面，它也能直接給你生成一個可以跑的原型。動動嘴就能編程。

關(guān)鍵在于，這個能力不是團隊刻意訓(xùn)練出來的。

它是模型在多模態(tài)能力持續(xù)擴展的過程中，自己長出來的，感知能力積累到某個臨界點之后，它開始能做一些設(shè)計者自己都沒預(yù)料到的事情。

再看Wan2.7-Image，做圖像生成的。

AI生圖這個領(lǐng)域有兩個老問題。一個叫「標準臉」，生出來的人長得都一樣，審美疲勞。一個叫「色彩盲盒」，你沒法精確控制畫面的配色。

Wan2.7針對這兩個痛點做了專門優(yōu)化，捏臉可以從骨相、眼眸到五官全方位定制；配色上做了一個調(diào)色盤功能，用戶可以用色值精確控制顏色的數(shù)量和占比。

在人類偏好盲測中，Wan2.7的文生圖能力超過了GPT-Image1.5和國內(nèi)主流模型；它還有一個跟今天這個話題直接相關(guān)的特性：支持被龍蝦調(diào)用，讓Agent畫畫。

也就是說，Agent的能力邊界又往外推了一步，之前能寫代碼、能查資料、能總結(jié)文檔，現(xiàn)在還能做設(shè)計了。

然后是今天發(fā)的Qwen3.6-Plus。

阿里給它的定位「國內(nèi)最強編程模型」。數(shù)據(jù)上看，確實站得住。好幾個主流的編程和Agent能力評測里，3.6-Plus可以匹敵Claude Opus 4.5，顯著超過了參數(shù)量兩倍甚至三倍于它的GLM-5和Kimi-K2.5。

這些評測的名字你不用記，記住它們測什么的就行：

一個測能不能修真實項目的Bug，一個測能不能操作終端，還有幾個測在龍蝦里能不能完成一個完整任務(wù)。所以，三者指向同一件事：模型的價值正在從「生成文本」遷移到「完成任務(wù)」。

3.6-Plus還做了一件很有針對性的事。

它在訓(xùn)練過程中，集中對市面上主流的Agent框架做了優(yōu)化適配，包括OpenClaw、Claude Code等等；100萬Token的上下文窗口，意味著它可以一次性裝下一個中等規(guī)模項目的完整代碼庫。

你看，一個團隊做出一個好模型不稀奇，三個放在一起，這說明背后有統(tǒng)一的節(jié)奏。

02

這個節(jié)奏從哪來？兩周前阿里成立了ATH事業(yè)群，這件事大家都知道了，我不重復(fù)。

我想聊它的名字：Alibaba Token Hub。嗯，不叫AI實驗室，不叫大模型中心，叫，Hub。

Token是什么？我們跟AI對話、讓它寫代碼、讓它畫圖，消耗的都是Token。它是AI世界的燃料。Hub是樞紐，是集散中心。

我們可以把ATH理解成一個Token煉油廠和加油站網(wǎng)絡(luò)。

通義實驗室是上游油田，負責把原油煉出來；MaaS平臺是管道，負責把油輸送出去；千問APP、悟空、AI創(chuàng)新這些應(yīng)用，是下游的加油站，直接面向開車的人。

吳泳銘給這個事業(yè)群定的使命也是這個邏輯：創(chuàng)造Token、輸送Token、應(yīng)用Token。你看，你又聽說過。

不過，這個命名有意思的地方在于，它暗含了一個判斷：AI這門生意的核心資產(chǎn)是Token的流轉(zhuǎn)效率。

什么是流轉(zhuǎn)效率？

現(xiàn)在有兩家自來水公司，水的質(zhì)量差不多，都是達標的。

一家只有水廠，水造出來了，但管網(wǎng)不行，送到用戶家里要繞三道彎，水壓不穩(wěn)，有時候擰開龍頭半天沒水；另一家從水廠到管網(wǎng)到龍頭全是自己的，擰開就來，水壓穩(wěn)定，24小時不斷。

你說用戶會選誰？顯然，用戶會選后者。

對應(yīng)到AI里，模型就是水廠，平臺是管網(wǎng)，應(yīng)用就是用戶家里的水龍頭。水質(zhì)（模型能力）固然重要，達到一定水準后，用戶感受到的差距是水壓，打開龍頭的那一瞬間，水能不能立刻出來。

Token流轉(zhuǎn)效率，講的就是這件事：從模型生成Token，到用戶在應(yīng)用中實際使用，鏈路有多短、響應(yīng)有多快、損耗有多小。

這個判斷不只阿里一家在做。

有消息說OpenAI內(nèi)部已經(jīng)把核心考核從日活用戶切到了每日Token消耗量；兩家公司，一個在舊金山，一個在杭州，得出了同一個結(jié)論。

所以，ATH名字透露了阿里對AI商業(yè)化的底層思考。Agent時代，衡量一家AI公司值不值錢的指標，正在從多少人在用，變成消耗多少Token，誰的Token管線跑得最順，誰就離錢最近。

03

上面說了，三個團隊同時交卷，背后肯定有統(tǒng)一的節(jié)奏。ATH搭了一條Token管線，從生產(chǎn)到運輸?shù)较M，聽起來很完整。

問題是，這個管道通不通？

畢竟市面上每家模型公司都在說「模型應(yīng)用協(xié)同」，這個詞我聽了一年多了，已經(jīng)沒什么信息量了。關(guān)鍵在于，大家說的「協(xié)同」，根本不是同一件事。

我試著把它拆成三層來看。

第一層：接入層。

模型更新了，應(yīng)用端改個版本號、發(fā)篇公告，模型團隊和應(yīng)用團隊各干各的，發(fā)布完才臨時對接。就像兩支球隊，比賽打完了才第一次見面握手。絕大多數(shù)公司，停留在這一層。

第二層，同步層。

模型還沒正式發(fā)布，應(yīng)用端就已經(jīng)在聯(lián)合調(diào)試了。兩個團隊從立項開始，就清楚對方在做什么。模型訓(xùn)練方向會考慮應(yīng)用需求，應(yīng)用產(chǎn)品設(shè)計也會提前適配模型能力邊界。

等模型一上線，應(yīng)用直接同步交付。ATH這一輪，做到的就是這一層。我為什么這么判斷？

因為有幾個細節(jié)對得上。

Qwen3.6-Plus專門對OpenClaw、Qwen Code、Claude Code這些主流Agent框架做了優(yōu)化適配。

你想，如果模型和應(yīng)用各干各的，模型不可能在訓(xùn)練階段就去適配特定框架。它這么做，說明模型還沒成型，就已經(jīng)知道將來給誰用、怎么用。

同理，Omni能通過API直接被龍蝦、Claude Code調(diào)用，處理長音視頻和文檔；Wan2.7支持Skill調(diào)用，Agent可以直接用它生成圖像。三個模型都是出廠就自帶適配接口。

再看應(yīng)用端：悟空、千問APP、QoderWork，全都在Qwen3.6發(fā)布的同一時間點官宣接入，是一起沖線的。

這種節(jié)奏，必須在立項、定方向的早期，就把模型和應(yīng)用放在一起統(tǒng)籌。ATH把五個業(yè)務(wù)整合進同一個事業(yè)群、統(tǒng)一負責人，本質(zhì)上就是從組織上保證這件事能落地。

第三層：飛輪層。

應(yīng)用跑起來后，真實用戶數(shù)據(jù)回流，指導(dǎo)下一代模型訓(xùn)練；模型更好用，帶來更多用戶與調(diào)用量；更多調(diào)用又產(chǎn)生更多數(shù)據(jù)，形成正向循環(huán)。

這一層，說實話，我目前沒有完整證據(jù)證明已經(jīng)完全跑起來，但有幾個前置信號很關(guān)鍵：

沙利文今年2月的報告顯示，2025年下半年中國企業(yè)級大模型日均調(diào)用量，千問占比沖到32.1%，比上半年17.7%幾乎翻倍，增幅第一。

調(diào)用量暴漲，意味著真實場景的反饋數(shù)據(jù)在快速積累，飛輪的燃料正在備齊。

而且，你看千問現(xiàn)在的客戶構(gòu)成。

一汽紅旗把千問智能體接進了智能座艙，汽車行業(yè)。達能亞太跟阿里云合作，基于千問搭供應(yīng)鏈和營銷的Agent，消費品行業(yè)

西門子用千問做工業(yè)機器人，工程師口述就能搭建生產(chǎn)線，制造業(yè)；海外更不用說，亞馬遜、英偉達、Meta都在基于千問做產(chǎn)品，斯坦福李飛飛團隊也在用千問做前沿研究。

場景越多元，數(shù)據(jù)越豐富，飛輪一旦轉(zhuǎn)起來，慣性就會非常大。我的觀點是：判斷一條Token管線有沒有真正跑通，就看兩點：

一，模型發(fā)布后，應(yīng)用跟上的速度夠不夠快；二，外部開發(fā)者是不是真的在用模型做自己的產(chǎn)品。

從這兩個標準看，ATH第一輪已經(jīng)及格。而大部分模型公司，還卡在第一層。

04

及格只是起點，現(xiàn)在還有一個更關(guān)鍵的問題擺在所有人面前：這輪大模型競爭，最后到底比的是什么？

現(xiàn)在牌桌上玩家一點不少，智譜、字節(jié)、騰訊、百度，全都往Agent方向沖。當所有人都在做同一件事時，必須想明白：真正的壁壘到底在哪？

模型能力算壁壘嗎？不算。

現(xiàn)在跑分領(lǐng)先的窗口期越來越短，很快就被追上；龍蝦生態(tài)適配算壁壘嗎？OpenClaw本身就是開源的，誰都能做適配。你能優(yōu)化，別人也能。

那真正的勝負手在哪？

我認為，最容易被忽視、卻最可能決定終局的，是這條Token管線在企業(yè)側(cè)的縱深。

我們先算一筆很簡單的賬。

一個普通C端用戶，用龍蝦玩一下午，寫寫代碼、總結(jié)幾篇文檔，也就消耗幾十萬Token。玩完覺得新鮮，關(guān)掉就沒了，可能一周都不打開，下次再用，說不定就換別家模型了。

企業(yè)不一樣。

把AI Agent嵌進客服系統(tǒng)，一天處理幾千工單；嵌進供應(yīng)鏈，每天自動跑數(shù)據(jù)分析；嵌進產(chǎn)品設(shè)計，設(shè)計師天天用它出方案。這種Token消耗是日復(fù)一日、穩(wěn)定持續(xù)的，跟水電費一樣。

更關(guān)鍵的是：企業(yè)一旦把AI嵌入核心業(yè)務(wù)，基本不會輕易換。

換一個聊天工具的成本是零，換一套跑在業(yè)務(wù)里的AI系統(tǒng)，要重新對接數(shù)據(jù)、重新訓(xùn)流程、重新讓員工適應(yīng)。切換成本非常高。

哪個生意更值錢，一目了然。

C端Token消費像賣礦泉水，一瓶一瓶的，今天買你明天買他；B端Token消費像鋪自來水管，一旦接通了，水費按月交，誰也不會吃飽了沒事去換一套管道。

這就是悟空事業(yè)部存在的意義。

它是ATH成立時，第一次公開亮相的全新部門，定位非常清晰：B端AI原生工作平臺，把模型能力深度扎進企業(yè)工作流。而且有消息透露，阿里還計劃逐步把淘寶、支付寶、阿里云的B端商業(yè)服務(wù)全部整合進來。

阿里做這件事，有一個別人幾乎沒法復(fù)制的先天優(yōu)勢。

釘釘沉淀了多少企業(yè)？阿里云覆蓋了多少行業(yè)？淘寶商家生態(tài)有多大體量？這些客戶，不是ATH要從零去找的，因為他們本來就在阿里生態(tài)里。

ATH要做的，只是把Token管線接到這些客戶已有的工作流里；對純模型公司來說，獲客是最難的一關(guān)；但對阿里來說，客戶就坐在隔壁桌。

當越來越多企業(yè)的核心工作流，跑在千問的Token之上，以后比拼的，就是基礎(chǔ)設(shè)施綁定。

順便說一句，ATH這個名字還有另一層意思：All Time High，表面看，是個討巧的雙關(guān)，但里面野心是真的，阿里想做的，絕不止一個普通大模型。

Qwen3.6-Plus是千問3.6系列的第一款，后面還有Max版本；Token管線剛跑完第一輪，第二輪其實已經(jīng)在路上了。

能不能交得更快，我們走著看。