文：王智远 | ID:Z201440

今天阿里发了Qwen3.6-Plus。

千问3.6系列的第一款模型，编程能力接近Claude系列，100万Token上下文窗口。

往前倒两天，4月1日，Wan2.7-Image，图像生成和编辑统一模型；3月30日，Qwen3.5-Omni，全模态大模型，215项全球最佳性能。

四天，三个模型。全模态感知、图像生成、Agent编程，完全不同的方向，这是ATH事业群成立两周以来的第一次集中亮相。

不知道你有没有想过：三个方向完全不同的模型，为什么偏偏选在同一个窗口期发？

01

先说结论，我认为，这三个模型单独看，每一个都是各自赛道上的常规迭代；拼在一起看就不一样了。

Omni管感知，Wan2.7管生成，Qwen3.6-Plus管执行。加在一起，刚好覆盖了一个完整Agent工作流的三个阶段。

不信，我们拆开来看。

先说Omni，全模态，能听能看；支持113种语言和方言，在音视频理解这类任务上拿了215项全球最佳，超过了谷歌的Gemini-3.1 Pro。

这个模型有一个细节值得多说两句。它长出了一种能力：

打开摄像头，对着一张手画的草图说你想要什么，哪怕描述的是一个带复杂产品逻辑的界面，它也能直接给你生成一个可以跑的原型。动动嘴就能编程。

关键在于，这个能力不是团队刻意训练出来的。

它是模型在多模态能力持续扩展的过程中，自己长出来的，感知能力积累到某个临界点之后，它开始能做一些设计者自己都没预料到的事情。

再看Wan2.7-Image，做图像生成的。

AI生图这个领域有两个老问题。一个叫「标准脸」，生出来的人长得都一样，审美疲劳。一个叫「色彩盲盒」，你没法精确控制画面的配色。

Wan2.7针对这两个痛点做了专门优化，捏脸可以从骨相、眼眸到五官全方位定制；配色上做了一个调色盘功能，用户可以用色值精确控制颜色的数量和占比。

在人类偏好盲测中，Wan2.7的文生图能力超过了GPT-Image1.5和国内主流模型；它还有一个跟今天这个话题直接相关的特性：支持被龙虾调用，让Agent画画。

也就是说，Agent的能力边界又往外推了一步，之前能写代码、能查资料、能总结文档，现在还能做设计了。

然后是今天发的Qwen3.6-Plus。

阿里给它的定位「国内最强编程模型」。数据上看，确实站得住。好几个主流的编程和Agent能力评测里，3.6-Plus可以匹敌Claude Opus 4.5，显著超过了参数量两倍甚至三倍于它的GLM-5和Kimi-K2.5。

这些评测的名字你不用记，记住它们测什么的就行：

一个测能不能修真实项目的Bug，一个测能不能操作终端，还有几个测在龙虾里能不能完成一个完整任务。所以，三者指向同一件事：模型的价值正在从「生成文本」迁移到「完成任务」。

3.6-Plus还做了一件很有针对性的事。

它在训练过程中，集中对市面上主流的Agent框架做了优化适配，包括OpenClaw、Claude Code等等；100万Token的上下文窗口，意味着它可以一次性装下一个中等规模项目的完整代码库。

你看，一个团队做出一个好模型不稀奇，三个放在一起，这说明背后有统一的节奏。

02

这个节奏从哪来？两周前阿里成立了ATH事业群，这件事大家都知道了，我不重复。

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

Token是什么？我们跟AI对话、让它写代码、让它画图，消耗的都是Token。它是AI世界的燃料。Hub是枢纽，是集散中心。

我们可以把ATH理解成一个Token炼油厂和加油站网络。

通义实验室是上游油田，负责把原油炼出来；MaaS平台是管道，负责把油输送出去；千问APP、悟空、AI创新这些应用，是下游的加油站，直接面向开车的人。

吴泳铭给这个事业群定的使命也是这个逻辑：创造Token、输送Token、应用Token。你看，你又听说过。

不过，这个命名有意思的地方在于，它暗含了一个判断：AI这门生意的核心资产是Token的流转效率。

什么是流转效率？

现在有两家自来水公司，水的质量差不多，都是达标的。

一家只有水厂，水造出来了，但管网不行，送到用户家里要绕三道弯，水压不稳，有时候拧开龙头半天没水；另一家从水厂到管网到龙头全是自己的，拧开就来，水压稳定，24小时不断。

你说用户会选谁？显然，用户会选后者。

对应到AI里，模型就是水厂，平台是管网，应用就是用户家里的水龙头。水质（模型能力）固然重要，达到一定水准后，用户感受到的差距是水压，打开龙头的那一瞬间，水能不能立刻出来。

Token流转效率，讲的就是这件事：从模型生成Token，到用户在应用中实际使用，链路有多短、响应有多快、损耗有多小。

这个判断不只阿里一家在做。

有消息说OpenAI内部已经把核心考核从日活用户切到了每日Token消耗量；两家公司，一个在旧金山，一个在杭州，得出了同一个结论。

所以，ATH名字透露了阿里对AI商业化的底层思考。Agent时代，衡量一家AI公司值不值钱的指标，正在从多少人在用，变成消耗多少Token，谁的Token管线跑得最顺，谁就离钱最近。

03

上面说了，三个团队同时交卷，背后肯定有统一的节奏。ATH搭了一条Token管线，从生产到运输到消费，听起来很完整。

问题是，这个管道通不通？

毕竟市面上每家模型公司都在说「模型应用协同」，这个词我听了一年多了，已经没什么信息量了。关键在于，大家说的「协同」，根本不是同一件事。

我试着把它拆成三层来看。

第一层：接入层。

模型更新了，应用端改个版本号、发篇公告，模型团队和应用团队各干各的，发布完才临时对接。就像两支球队，比赛打完了才第一次见面握手。绝大多数公司，停留在这一层。

第二层，同步层。

模型还没正式发布，应用端就已经在联合调试了。两个团队从立项开始，就清楚对方在做什么。模型训练方向会考虑应用需求，应用产品设计也会提前适配模型能力边界。

等模型一上线，应用直接同步交付。ATH这一轮，做到的就是这一层。我为什么这么判断？

因为有几个细节对得上。

Qwen3.6-Plus专门对OpenClaw、Qwen Code、Claude Code这些主流Agent框架做了优化适配。

你想，如果模型和应用各干各的，模型不可能在训练阶段就去适配特定框架。它这么做，说明模型还没成型，就已经知道将来给谁用、怎么用。

同理，Omni能通过API直接被龙虾、Claude Code调用，处理长音视频和文档；Wan2.7支持Skill调用，Agent可以直接用它生成图像。三个模型都是出厂就自带适配接口。

再看应用端：悟空、千问APP、QoderWork，全都在Qwen3.6发布的同一时间点官宣接入，是一起冲线的。

这种节奏，必须在立项、定方向的早期，就把模型和应用放在一起统筹。ATH把五个业务整合进同一个事业群、统一负责人，本质上就是从组织上保证这件事能落地。

第三层：飞轮层。

应用跑起来后，真实用户数据回流，指导下一代模型训练；模型更好用，带来更多用户与调用量；更多调用又产生更多数据，形成正向循环。

这一层，说实话，我目前没有完整证据证明已经完全跑起来，但有几个前置信号很关键：

沙利文今年2月的报告显示，2025年下半年中国企业级大模型日均调用量，千问占比冲到32.1%，比上半年17.7%几乎翻倍，增幅第一。

调用量暴涨，意味着真实场景的反馈数据在快速积累，飞轮的燃料正在备齐。

而且，你看千问现在的客户构成。

一汽红旗把千问智能体接进了智能座舱，汽车行业。达能亚太跟阿里云合作，基于千问搭供应链和营销的Agent，消费品行业。

西门子用千问做工业机器人，工程师口述就能搭建生产线，制造业；海外更不用说，亚马逊、英伟达、Meta都在基于千问做产品，斯坦福李飞飞团队也在用千问做前沿研究。

场景越多元，数据越丰富，飞轮一旦转起来，惯性就会非常大。我的观点是：判断一条Token管线有没有真正跑通，就看两点：

一，模型发布后，应用跟上的速度够不够快；二，外部开发者是不是真的在用模型做自己的产品。

从这两个标准看，ATH第一轮已经及格。而大部分模型公司，还卡在第一层。

04

及格只是起点，现在还有一个更关键的问题摆在所有人面前：这轮大模型竞争，最后到底比的是什么？

现在牌桌上玩家一点不少，智谱、字节、腾讯、百度，全都往Agent方向冲。当所有人都在做同一件事时，必须想明白：真正的壁垒到底在哪？

模型能力算壁垒吗？不算。

现在跑分领先的窗口期越来越短，很快就被追上；龙虾生态适配算壁垒吗？OpenClaw本身就是开源的，谁都能做适配。你能优化，别人也能。

那真正的胜负手在哪？

我认为，最容易被忽视、却最可能决定终局的，是这条Token管线在企业侧的纵深。

我们先算一笔很简单的账。

一个普通C端用户，用龙虾玩一下午，写写代码、总结几篇文档，也就消耗几十万Token。玩完觉得新鲜，关掉就没了，可能一周都不打开，下次再用，说不定就换别家模型了。

企业不一样。

把AI Agent嵌进客服系统，一天处理几千工单；嵌进供应链，每天自动跑数据分析；嵌进产品设计，设计师天天用它出方案。这种Token消耗是日复一日、稳定持续的，跟水电费一样。

更关键的是：企业一旦把AI嵌入核心业务，基本不会轻易换。

换一个聊天工具的成本是零，换一套跑在业务里的AI系统，要重新对接数据、重新训流程、重新让员工适应。切换成本非常高。

哪个生意更值钱，一目了然。

C端Token消费像卖矿泉水，一瓶一瓶的，今天买你明天买他；B端Token消费像铺自来水管，一旦接通了，水费按月交，谁也不会吃饱了没事去换一套管道。

这就是悟空事业部存在的意义。

它是ATH成立时，第一次公开亮相的全新部门，定位非常清晰：B端AI原生工作平台，把模型能力深度扎进企业工作流。而且有消息透露，阿里还计划逐步把淘宝、支付宝、阿里云的B端商业服务全部整合进来。

阿里做这件事，有一个别人几乎没法复制的先天优势。

钉钉沉淀了多少企业？阿里云覆盖了多少行业？淘宝商家生态有多大体量？这些客户，不是ATH要从零去找的，因为他们本来就在阿里生态里。

ATH要做的，只是把Token管线接到这些客户已有的工作流里；对纯模型公司来说，获客是最难的一关；但对阿里来说，客户就坐在隔壁桌。

当越来越多企业的核心工作流，跑在千问的Token之上，以后比拼的，就是基础设施绑定。

顺便说一句，ATH这个名字还有另一层意思：All Time High，表面看，是个讨巧的双关，但里面野心是真的，阿里想做的，绝不止一个普通大模型。

Qwen3.6-Plus是千问3.6系列的第一款，后面还有Max版本；Token管线刚跑完第一轮，第二轮其实已经在路上了。

能不能交得更快，我们走着看。