「按照原来安排继续干」

离职的消息最沸沸扬扬的时候，在 Qwen 团队的核心负责人林俊旸在朋友圈发了两句话：

「Qwen 的兄弟们，按照原来安排继续干，没问题的。」

「安排好的」？这是什么？

林俊旸离开前夕，Qwen 团队刚刚发布了一件被全球开发者社区刷屏的东西。Qwen 3.5 Small 系列，参数量从 0.8B 到 9B，专为端侧设备设计，可以在普通笔记本电脑上运行。

不是一个更大的模型——而是一组更小的模型。要知道，过去三年里，AI 行业最强大的共识是「越大越好」。OpenAI 的 Sam Altman 四处筹措万亿美金建设算力基础设施，各家实验室军备竞赛般地烧钱烧卡，底层假设只有一个：模型越大，就越聪明。

这套逻辑被称为 Scaling Law，它不仅仅是一条技术规律，更像一种信仰——整个行业的融资叙事、人才分配、硬件投资都建立在这个前提之上。

但 Qwen 3.5 Small 的发布，和林俊旸的离开，同时发生。一个技术信号和一个人事信号，交织出一个更复杂的故事：小模型到底在发生什么？它为什么重要？

当 9B 打赢 120B

即便不是开发者，也可以跑分上一窥 Qwen 3.5 的战绩：

Qwen 3.5 Small 系列中，9B 参数的模型在多项基准测试中全面超越了 OpenAI 的 gpt-oss-120B——一个参数量是它 13 倍的模型。

这些不是边缘指标上的微弱优势，而是在核心推理任务上的系统性领先。一个可以装进笔记本的模型，在数学、科学、视觉推理上全面击败了一个需要数据中心级硬件才能运行的对手。

当然了，摸着良心说，gpt-oss-120B 不是 OpenAI 的旗舰产品，而是其开放权重的中端线。而且它采用 MoE 架构，标称 120B 参数，但每个 token 实际只激活约 5.1B 参数——所以参数量的对比，在工程层面并不像字面数字那么悬殊。

但这不影响趋势本身的成立。因为 Qwen 3.5 Small 并不是孤例。

同一时期，Nature 报道了一个微型递归模型（TRM），在 ARC-AGI 逻辑测试中击败了多个顶级大语言模型。Google Research 在 2026 年初发表论文，证明小模型在意图提取任务上的表现优于显著更大的模型。PNAS 上的一项研究更直接——模型规模与说服力之间呈急剧递减收益，大到一定程度之后，更大几乎不带来更好。

《华尔街日报》早在 2025 年 10 月就已经敢说，「大模型拿走了所有的关注，但小模型才真正干活的那个。」

这些信号共同指向一个判断：以小博大不是偶发事件，而是大势所趋。

那么问题来了——小模型凭什么？

才不是大模型的替身文学

直觉上，人们容易把小模型理解为「大模型的平替」，同样的方法，只是规模小一些，性能差一点，胜在便宜。

但事实恰恰相反：今天的小模型之所以能以小博大，是因为它们在技术方法论上，走了一条和大模型完全不同的路。

第一，数据质量压倒数据规模。 大模型的路线是「尽可能多地吞入互联网数据」，而小模型路线的代表——比如微软的 Phi-4 系列——走的是精筛路线：用高质量的合成数据加上严格筛选的公开数据集，让模型在更少的数据上学到更精确的能力。这背后的逻辑转变是根本性的：不是「喂得越多越聪明」，而是「吃得精才学得好」。

第二，原生多模态设计取代了适配器拼接。 传统做法是先训练一个纯文本大模型，再通过适配器模块接入图像、视频、音频等能力。Qwen 3.5 采用了完全不同的架构：将视觉 token 和文本 token 在同一个潜空间中联合训练，从底层就是多模态的。这意味着它是一个天生就同时理解文字和图像的模型。这种架构在小参数量下反而更有优势，因为不需要额外的适配器开销。

第三，量化技术带来的不只是压缩。 4-bit 量化常常被理解为「把模型压小 4 倍以节省存储」，但它真正的意义在于减少 4 倍的内存吞吐量。在端侧设备上，瓶颈往往不是存储空间，而是内存带宽，也就是数据从内存搬运到处理器的速度。量化技术让小模型在带宽受限的手机和笔记本上，获得了决定性的速度优势。

这些方法论上的突破已经开始转化为产品。3 月第一周，苹果发布了 M5 全线芯片，每颗 GPU 核心内置 Neural Accelerator，AI 性能较 M1 提升最高 8 倍。与此同时，苹果研究院公开了 Ferret-UI Lite——一个仅 3B 参数的端侧 GUI 代理，可以本地操控手机和桌面应用。加上 Apple Intelligence 约 3B 参数的端侧基础模型，苹果正在将「on-device AI」从概念推进到芯片、模型、交互三位一体的产品形态。

微软的 Phi-4 multimodal 也开始尝试商用上线 Azure，3.8B 参数，接受文本、音频和图像输入。开源社区的反馈更加直接——Reddit 上的开发者实测后认为 Qwen 3.5 的 4B 版本是「甜点级」模型：跨任务稳定、无崩溃、远快于 9B 版本。

技术路线已经被验证，产品化拐点已经到来，天边泛起鱼肚白，曙光乍现。

而就在此刻，林俊旸选择离开。

最会做小模型的公司，最没有动力让它成功

Qwen 3.5 Small 在发布后获得了开发者社区的广泛认可，开源社区的评测结果甚至超出了官方发布时的宣传。

但是，他所在的公司是阿里巴巴，阿里巴巴的商业引擎是阿里云。

大模型和云计算之间存在天然的正向循环：模型越大，推理所需的算力越多，客户就越需要购买云计算服务。对阿里云来说，大模型是完美的商业叙事——它同时推高了客户的算力需求和对云平台的依赖。

而小模型的逻辑恰恰相反。小模型的核心价值在于可以在端侧设备上运行——手机、笔记本、边缘服务器。这意味着客户可以绕开云，在本地完成推理。对用户来说，这意味着更低的成本、更好的隐私和更低的延迟。但对阿里云来说，这意味着收入被侵蚀。

Qwen 3.5 Small 做得越好，对阿里云的商业叙事就越尴尬。

这不是阿里一家的问题。放眼中国的科技巨头，几乎所有 AI 领先的公司都面临同样的结构性矛盾。百度和腾讯的处境与阿里类似——商业模式建立在云服务和平台抽成之上，小模型的端侧化趋势直接削弱了它们的价值主张。

字节跳动的豆包手机是一个有趣的例外，但字节做硬件才刚起步，远没有建立起「芯片+操作系统+模型」的垂直整合能力。

华为理论上最有条件，既有芯片，又有终端设备。但在制裁的影响下，它的算力上限本身就逼着它走小模型路线，这更多是被动的求生策略，而非主动的战略选择。至于小米、OPPO、vivo，它们有设备，却不是 AI-first 的公司，缺乏自研模型的基因和持续投入的动力。

全球范围内，真正打通端侧 AI 全栈的公司，可能只有一家：苹果。芯片、设备、操作系统、自研模型，全部自有。苹果的动力来自复合型的商业模式，这驱动它把一切计算尽可能留在设备上，因为每一次端侧 AI 体验的提升，都会转化为硬件的溢价和生态的黏性。

不过，这里需要诚实地处理一个可能的反驳：云厂商难道不能走「端云协同」的路线吗？用小模型做端侧入口，复杂的推理任务回调云端处理，两边都不耽误。

理论上可以。但这恰恰说明了问题——在端云协同的框架下，小模型对云厂商来说是「引流工具」，而不是「独立产品」。云厂商没有动力把小模型做到好到不需要云。

还有一个绕不开的反例：微软也是云厂商，但它在认真做 Phi-4 系列小模型，而且已经商用上线。这是否说明「左右互搏」的论点站不住脚？

非也。微软之所以能两条腿走路，是因为它同时拥有 Windows 和 Surface 的硬件生态、Azure 的云平台以及 Copilot 的端侧产品线。做 Phi-4 对微软来说是防御性布局：如果端侧 AI 的趋势不可逆转，为了大局，宁可壮士断腕，自折一臂，也不能把端侧市场拱手让给开源社区和苹果。

但阿里没有这个选项——没有消费级操作系统、没有主流终端硬件、没有面向个人用户的 AI 产品矩阵。Qwen 做得再好，也没有自家的「最后一公里」可以落地。

动力不同，产品的天花板就不同。

这就形成了一个令人不安的画面： 小模型从实验室走向产品的真正瓶颈，不是技术能力，而是供需错位；最擅长做小模型的公司（云厂商），最没有动力让它真正成功；最需要小模型的公司（设备厂商），又缺乏独立研发的能力。

「没问题的」

回到林俊旸的那条朋友圈，「继续按照安排好的干，没问题的」。

也许技术路线确实没有问题，一切都在朝着正确的方向走。但在一家以云为重的公司里，就算做出世界级的小模型，团队的处境注定不会舒适。

这不是对阿里的批评——任何一家以云收入为生命线的公司，面对一项可能侵蚀自身收入的技术路线，都会陷入同样的两难。这是一个结构性矛盾，不是个人或管理层的选择问题。

比人事更值得关注的，是 Scaling Law 本身正在发生的变化。

过去三年，「越大越好」不仅仅是一条技术规律，它是整个 AI 行业的信条。融资叙事围绕它建立——投资人相信更大的模型意味着更强的能力，所以万亿美金涌向算力基础设施。人才分配围绕它运转——最顶尖的研究者被吸引到训练最大模型的团队。硬件投资围绕它定价——英伟达的估值建立在一个前提之上：对算力的需求会永远增长。

现在，这个前提正在松动。MIT 的研究估计，效率提升将使中等硬件上的模型在 5 到 10 年内逐步追平最大最贵的模型。芝加哥大学的研究表示，数据质量正在取代数据规模成为核心竞争维度。

产品化的方向不再只有云端，而是同时向端侧扩散。Scaling Law 正在从一条单调递增的曲线，变成一张需要在多个维度上寻找最优解的地图。

不再是「越大越好」，而是「在对的地方，用对的大小」。

林俊旸大概比大多数人更早地感受到了这个变化。他用 Qwen 3.5 Small 证明了一件事：在对的方法论下，9B 参数可以击败 120B。但他同时也撞上了另一堵墙——技术上的正确，不等于商业上的可行，更不等于组织上的舒适。

他说，没问题的。确实，技术路线已经铺好了，而剩下的问题不在实验室里，而在实验室外面。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

马年春节，「千问帮我」变成了一种新年俗。

5520 万杯奶茶、66 倍的电影票订单、机票单周暴涨 540%——「一句话下单」近 2 亿次的背后，是用嘴巴购物的春节新景象。其中最让我意外的一个数字是：有超过 400 万名 60 岁以上的用户，在这个春节让千问帮忙下了单。那些习惯在 App 界面里迷路的长辈，开始用说话代替点击了。

春节热潮还没退去，千问又增加一个更高频的日常场景——打车。

不过，打车这件事，和之前的那些「一句话下单」不太一样。奶茶口味选错了，大不了将就喝掉；电影票订错了，退改也不算大问题。

但打车是一个对「精确」有刚性要求的场景，地址差一个字，你可能被送到城市的另一头；时间判断出了偏差，误掉的可能是一趟航班。

这意味着 AI 接手打车，没有「差不多就行」的余地。

说到打车，这件事说难不难，但「顺不顺」这件事，差异很大。打开 App，手动输入目的地，选车型，找定位，点确认……整套流程少说十几下。还好，这已经是最理想的情况了。

麻烦的是那些「塞不进下拉菜单」的需求。「路上顺便接个朋友」、「有孕妇，开得稳一点」——这类话，打车 App 里没有地方填。你也可以上车之后再和司机沟通，但大多数时候凑合凑合就算了。

打车 App 这么多年，把流程打磨得越来越顺，但底层逻辑没变——「人适应 App」。它把你的需求拆成有限的几个下拉选项，你在里面挑，它来执行。

可打车本身就是一件变量特别多的事。起点终点只是最基础的两项，往上叠加的可能是车型偏好、价格区间、时间预约、途经地点、乘客状况、车内环境……每多一个变量，用传统界面操作的成本就多一层。

如果 AI 能理解这些需求，事情就不一样了，这也是千问 AI 打车的逻辑：让 App 适应人，说出来就能走。

从最简单的通勤，到带着全家和一堆特殊要求出发，APPSO 带你看看这个 AI 打车到底能不能满足我的需求。

一句话就能走

早上赶时间，我试了最直接的一句：「打车去公司，出租车也可以。」

我说完之后，千问直接展示了行程规划页面：重点显示「已为你规划去上班的行程」，并同步展现了出租车选项——司机已接单。

就这一句话，它理解了「去公司」——调取了常用地址；也听懂了「出租车也可以」——把车型偏好同时带上，直接办妥。从说话到接单，操作步骤：1 步。

这件事本身有点微妙。「打车去公司，出租车也可以」是人对人说话时才会有的表达方式，不是人对系统填的表单。千问让这句话变得可以被执行——这个升级，比「快了几秒」要有意义得多。

之前在高德里设好了家和公司的地址，现在切到千问打车，那些预设直接就在，完全不需要重新配置什么。每天重复的路线，每次都稳稳地执行到位，通勤这种事，要的就是快、准、稳。

就因为这个，我就特别想把千问装到我爸手机上。过去她出门购物哪怕拿着大袋小袋也不愿意自己打车，不是嫌贵，就是不太会用打车软件，输入那些信息对她来说都太过复杂，最后就懒得折腾了。

只要按住语音说了句：「打车回家。」千问马上识别了当前位置并自动填入，就近匹配车辆，常用地址自动记忆识别，司机已接单。确认一下，车就在来的路上了。

「动动嘴，车就来了」的体验，不在于「快了多少秒」，在于说清楚你想要什么，这件事变顺滑多了。甚至那些原本卡在界面门口的老人，终于可以直接走进来了。

那些你「没法输入」的需求，也能满足

最简单的一句话搞定通勤，已经够用了。但打车的需求远不止如此——真正麻烦的，是那些你心里有、嘴上能说、但 App 界面里永远没有输入框的部分。

我试了一句：「叫辆空气清新的车去虹桥T2，我过敏性鼻炎。」

以前这话只能和司机说，而且大多数情况下，等你上车再说已经来不及了。

千问回应后，行程确认页面里「空气清新」选项被自动勾选。AI 直接把鼻炎过敏的诉求翻译成了可筛选的车辆偏好标签，不需要你自己去找选项。

再试一句：「逛了一下午不想挤公交了，帮我叫个特惠快车。」

这句话里藏着两个信息：累了不想挤公交的情绪，和对价格的在意。千问直接匹配了特惠快车，预估费用 9.1 元–12.7 元，确认叫车后支付页面重点显示已支付金额和「平台优惠 -12.8 元」——便宜这件事，不用自己翻菜单比价，说一句就到位了。

还有一次，我说：「娃刚睡着，帮我叫个安静点的车回家。」

这句话的信息量远不止「安静」两个字。「安静点的车」背后的真实需求是：车里别乱说话、别打电话、开稳一点、别急刹——这些对司机行为的隐性期待，千问也能满足。行程确认页面里，直接给司机带句话「车内保持安静」

商务场景同样如此。「接待重要签约客户，帮我安排一辆豪华车，预约明晚 18 点从公司到北京饭店。」一句话说完，千问推荐豪华车，预约时间精确到 18:00。

过去在打车软件里，选车型、设置预约时间、填写目的地，是分别独立的操作流程。现在千问压缩进一句话里，一起办完。

乘车途中，朋友突然发消息：「我也在诶。」

搁以前，虽然打车软件也能添加途经点，但还是要打开软件找到这个选项手动输入再点选，还是相对繁琐，还真不如让朋友自己重新打一辆来得方便。

现在，我可以直接说：「顺路接下我朋友，她在朝阳公园南门。」

地图重新规划，途经点自动标记在地图上。没有重新开单，没有让朋友自己叫车，没有任何别扭，就一句话，插进正在进行的行程里，办完了。

过去叫车，是在系统选项里「圈选需求」。AI 叫车，是用自己的语言「描述需求」。千问负责把你说的话，翻译成可以执行的指令。

那些选项框装不下的，现在说出来，也能办。

越复杂的需求，越能看出差别

前面这些，算是小试牛刀。打车需求的真正复杂度，是多个变量同时出现的时候，千问 AI 打车正是冲着这类复杂场景去的。

「周六下午两点，全家从家出发去西湖景区地面停车场，顺路经过山姆会员商店，要坐得下五个人。」

这句话里塞了四个要素：预约时间、目的地、途经点、座位数。传统打车软件要逐一输入和确认，而且途经点和多人座位的组合往往要反复调整。

千问对这类多变量场景的处理方式是这样的：推荐 6 座商务车，途经点选的山姆会员商店，预约时间定到周六 14:00，变量没有落下任何一个。

真正让我有点触动的是这个场景：「帮我打车去妇保医院，有孕妇，告诉司机不要急刹和猛加速。」

目的地、乘客特殊状况、驾驶行为要求——多个维度同时提出。千问匹配了专车，勾选了驾驶平稳，还生成了一条针对孕妇乘车情况的关怀提示，供用户确认是否传达给司机。

「有孕妇，不要急刹和猛加速」这个细节，AI 读懂了，然后把它翻译成了一套完整的服务指令。以前这些话只能坐上车再说，或者不说，靠运气。下拉菜单从来没有一个选项叫「孕妇乘客，请稳驾并提前知晓」。

需求越复杂，这种差距就越明显。点选式交互的天花板就在那里——它能覆盖的，只有被设计进去的那些需求。自然语言不一样，你能说出来的，基本都能被理解。

而且在这些能力上线后，千问 AI 打车的边界还会继续往外扩。

打车只是开始，要让每次出发都更省心

到这里，千问 AI 打车的基本能力已经摸得差不多了。但更让我惊喜的，是场景串联的体验，这是把打车和其他生活场景连在一起的时刻。

去看演唱会，在鸟巢外说「帮我找鸟巢附近的酒店，演出结束后今天入住，飞猪推荐卡片弹出来，确认第一家，再说「帮我定第一家，再预约一辆车 22 点送我过去」——车和房，两句话搞定，散场直接走人。

到了酒店随口问「推荐下本地人爱吃的卤煮」，千问调出周边热门店铺。从看演出到住下来再到吃上饭，三件事在同一个对话里接连搞定。

通勤路上说「顺便帮我点杯咖啡送到前台」，车在路上，咖啡在制作——人到公司，咖啡差不多也到了。

看电影说「订两张今晚的票，打车去，散场再预约车回来」，三句话，来去都安排好。赶飞机前问「地铁还是打车哪个更快」，千问给出建议，接着直接叫车——决策和执行，在同一个对话里完成。

这才是千问 AI 打车最大的想象力所在，不在打车本身，而在打车前后。之前千问陆续接入了飞猪、高德、大麦、淘宝闪购，「吃喝玩乐行」正在被一条对话线串起来。

以前用 App，本质是「工具集」——地图一个，打车一个，订酒店一个，买票一个，靠自己在脑子里拼。千问的逻辑不一样：理解你在做什么，把接下来该做的事直接推到你面前。AI 帮你省掉的，是那些本不该操心的琐事。

好的 AI，帮你把现实生活的每一环串起来

过去几年，我们谈 AI，谈的更多是「用 AI 写作」「用 AI 画图」「用 AI 生成代码」——这些能力确实强大，但本质上，它们是把你带进一个屏幕里的虚拟创作世界。你和 AI 对话，产出一段文字，一张图，然后……这段互动就结束了。

千问 AI 打车做的事情，方向截然相反。

它不是让你沉进去，而是帮你走出来。你说一句「打车回家」，AI 在背后接通了高德的地图、物理世界的车辆调度、你常用地的地址，然后把一辆真实的车开到你楼下。

你说一句「订两张今晚的电影票，散场帮我叫车」，两小时后你坐在影院里看大银幕，散场走出来车已经在等你——AI 把订票、打车、回家这些原本分散的环节，串成了一个完整的夜晚。

这是一种很不一样的 AI 使用方式：它的成果不是一份文件，而是一次真实的生活体验。

千问背后的阿里生态，在现实世界里铺了很多年——飞猪管你去哪，淘宝管你买什么，饿了么管你吃什么，大麦管你看什么……这些产品各自独立，以往要在一个个 App 之间来回切换，手动把「出门这件事」拼起来。

现在，打车补上了最后一块拼图。

从家门口叫一辆车出发，到咖啡在路上、票已提前选好、演出散场回程提前预约——这条链路，终于在一个对话框里连通了。

千问事业群总裁吴嘉说：「我们真正想的，是让 AI 融进老百姓的日常生活场景中。」

这句话放在这里，我觉得格外准确。AI 最大的价值，从来不在于它能创造多少数字生命，而在于它能让你的真实生活过得更顺。

现在它能帮你把吃饭、出行、看演出、送老人回家这些原本散落在十几个 App 里的环节，串成一条连贯的线。吃一顿饭更省心，看一场演出更完整，带着全家出门更从容，送老人回家更放心。

所以 AI 最好的样子，不应该只是把你钉在屏幕前，更要帮你稳稳接住现实生活的每一环。

从说出口，到真实地发生——这条路越短，AI 就越有价值。

千问 AI 打车，只是让这条路，又短了一截。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。