阿里巴巴的 Qwen 系列在 2026 年的迭代速度非常快：从 Qwen 3（2025 年 4 月）到 Qwen 3.5（2026 年 2 月），再到 Qwen 3.6（2026 年 4 月）——一年一个大版本变成了几乎一个季度一次。
但 Qwen 3.6 的意义不在迭代速度，而在于它做了一个反直觉的决定：在大家疯狂堆 MoE 专家的时代，推了一个 27B 的稠密（Dense）模型，然后在代码能力上打败了自家 397B 的 MoE 旗舰。
同时 2026 年 5 月，Qwen 4 Preview（32B-A3B）已经在 LLMCheck 的开源本地榜单上冲到第一。阿里在开源大模型这个赛道上，正在从"跟跑"变成"最难忽视的那一家"。
Qwen 系列的演化
先理清时间线，因为这个系列确实有点乱了：
| 版本 | 时间 | 旗舰模型 | 架构 | 亮点 |
|---|---|---|---|---|
| Qwen 3 | 2025.04 | 235B-A22B MoE | MoE | 思考/非思考模式切换首秀 |
| Qwen 3.5 | 2026.02 | 397B-A17B MoE | MoE | 原生视觉 + 201 语言 |
| Qwen 3.6 | 2026.04 | 27B Dense | 混合注意力 | SWE-bench 77.2%，打败旗舰 |
| Qwen 3.7-Max | 预览中 | — | — | 100 万 token 上下文 |
| Qwen 4 Preview | 2026.05 | 32B-A3B | MoE | LLMCheck 开源本地榜 #1 |
Qwen 3.6：最反常也最有意思的一个
Qwen 3.5 的旗舰是 397B（总参数）/ 17B（激活参数）的 MoE，原生支持视觉和多语言。按常规剧本，Qwen 3.6 应该是一个更大的 MoE。
但阿里选了另一条路：一个 27B 的稠密模型，用混合注意力架构来打代码场景。
架构：Gated DeltaNet + 传统自注意力
这可能是 Qwen 3.6 最值得关注的技术细节。
Transformer 的注意力机制有一个众所周知的问题：随着序列变长，计算量呈平方级增长。各种"线性注意力"方案试图解决这个问题，但通常在某些任务上会牺牲质量。
Qwen 3.6 采用了一种混合方案：
- Gated DeltaNet（线性注意力）：处理长序列中的大部分 token，效率高、内存友好
- 传统自注意力（Softmax Attention）：保留在关键位置，确保推理质量
这两种机制在每一层中混合使用，而不是分成"部分层用 A、部分层用 B"。这使得模型在长序列代码推理和标准 NLP 任务上都能保持竞争力，同时把参数量控制在 27B。
基准表现
| 基准 | Qwen 3.6-27B | Qwen 3.5-397B-A17B | 对比 |
|---|---|---|---|
| SWE-bench Verified | 77.2% | 76.2% | 27B > 397B |
| SWE-bench Pro | 53.5% | 50.9% | 27B > 397B |
| Terminal-Bench 2.0 | 59.3% | 52.5% | 27B > 397B |
一个 27B 的稠密模型在代码基准上全面超越了一个 397B 的 MoE 模型——这不是参数的胜利，是架构选择和训练策略的胜利。
Thinking Preservation
Qwen 3.6 还引入了一个在 Agent 场景中非常实用的特性：Thinking Preservation（跨轮推理保留）。
之前的思考模式在每一轮对话中都是"各自为政"的——模型会单独思考当前这一轮的输入，不会利用上一轮的推理上下文。在单次问答中这没问题，但在多步 Agent 工作流中，信息断层会导致效率低下。
Thinking Preservation 让 Agent 在跨轮推理中保留了思维链路。阿里的官方表述比较克制，但社区测试显示，在涉及多步工具调用、代码编写-调试循环的场景中，这个特性有明显效果。
Qwen 4 Preview：开源本地榜登顶
2026 年 5 月，阿里又发布了 Qwen 4 Preview（32B-A3B）。看起来像个"增量更新"，但 LLMCheck 将其评为当前开源本地可部署模型榜单的第一名（73/100 分）。
核心指标：
- SWE-Verified：76%
- MMLU：88%
- HumanEval：92%
- AIME（数学竞赛）：89%
- 24GB Mac（Q4 量化）可运行
- 推理速度：M4 Pro 上 58-78 tok/s
相比上一代 Qwen 3.6-35B-A3B，它改进了混合推理模式——不再需要手动切换思考/非思考模式，Qwen 4 Preview 会自动判断任务的复杂度，对简单问题快速回答，对复杂问题启动 Thinking Mode。
许可证依然是 Apache 2.0。
阿里的开源策略
以 Apache 2.0 许可开源所有模型，这个策略在 2026 年显得越来越有先见之明：
- Meta 的 Llama 4 用的是自家宽松许可（有 MAU 上限条款），OSI 不承认这是开源
- Google 的 Gemma 4 就更宽松了——它甚至不是 open-weight 许可证，而是有使用限制的自定义许可
- Microsoft 的 Phi-4 是 MIT，但微软没有训练任何接近前沿规模的模型
- DeepSeek 的 V4 是 MIT，但不支持多模态
阿里在开源策略上是所有大公司里最一致的一个：从 Qwen 1 到 Qwen 4 Preview，全部 Apache 2.0，全部公开权重，从 0.6B 到 400B+ 全覆盖。这个策略的直接结果是：2026 年，Qwen 衍生模型数超过 10 万个，全球下载量超 3 亿次，超越了 Llama 成为全球第一开源模型家族。
当然，阿里做开源不是做慈善。Qwen 的强大免费版本为阿里云的 API 服务（DashScope）做了最好的引流——你有权力自己部署模型，但如果你不想管基础设施，可以用 API。这是一种比"限制开源版本、卖付费版"更聪明的策略。
小结
Qwen 3.6 告诉我们：在开源大模型的竞争中，参数规模和架构类型不是胜负手，架构效率和训练策略才是。 27B 的稠密模型能在代码上打过 397B 的 MoE，这不是"参数膨胀竞赛"能解释的。
而 Qwen 的 Apache 2.0 全线开源策略，正在从根本上改变开发者对大模型的选择逻辑：当你可以下载一个有竞争力的前沿模型、自己部署、商用无限制的时候，"为什么还要用闭源 API"这个问题会越来越难回答。
- Qwen 官方：qwen.ai
- Qwen 3.6 发布公告：qwen.ai/blog
- LLMCheck 榜单：llmcheck.net