阿里巴巴開源 30B 多模態：30 億活化參數，正面叫陣 GPT-5-Mini

10 月 4 日，阿里雲通義千問團隊一次放出了 Qwen3-VL-30B-A3B 的 Instruct 與 Thinking 兩個版本，並附帶 FP8 量化權重，同場還上了更大一號的 Qwen3-VL-235B-A22B 的 FP8 版本。官方給的成績單很直接：在 STEM 推理、視覺問答、OCR 文字辨識、影片理解和 Agent 任務這五個方向上，對標 GPT-5-Mini 和 Claude 4-Sonnet，部分項目還要更好。

真正值得停下來看的，是名字裡那串 A3B。

30B 的外殼，3B 的胃口

Qwen3-VL-30B-A3B 的總參數量是 300 億，但每次推論真正參與計算的，只有大約 30 億。這是典型的混合專家（MoE）架構：模型內部準備了大量專家，每次處理一個 token，只挑出最合適的一小撮來幹活，其餘的按兵不動。

把它想成一家公司會更直觀。全公司三萬名員工，但每個具體專案只需要抽調其中三千名對口的專家，剩下的人繼續待命。公司的能力儲備是三萬人級別的，具體一個專案的人力成本卻接近三千人。

這個結構帶來的好處很實際。顯示記憶體佔用和推論速度更接近一個遠小於 30B 的稠密模型，而能力上限仍然保留了 30B 級別的底子。對需要在本地或私有環境裡跑多模態能力的團隊來說，這正好是過去幾年最難湊齊的組合：既要有能對標閉源旗艦的效果，又不能要求一張堆滿顯示記憶體的卡。

成績單為什麼要按這五個方向發

官方挑出來對標的方向，恰好是多模態落地最密集的戰場。

OCR 是文件數位化、票據辨識、截圖取字這類剛需。影片理解是短影音時代的內容生產入口，誰能看懂影片，誰就能把影片轉成可檢索、可編輯的素材。Agent 是讓模型不止看懂、還能動手，這是今年業內幾乎所有人都在押的主線。STEM 與 VQA 則是教育、科研、工業質檢這些高價值場景的門票。

一個活化參數只有 30 億的模型，能在這幾條線上跟閉源旗艦較勁，這件事本身比任何單項分數都更有訊號意義。它說明能力密度還在被重新壓縮：同樣的效果，需要的算力在下降；或者說，同樣的算力，能換來的能力在上升。

開源這張牌，打的是部署成本

通義這一輪沒有只放一個版本。Instruct 面向常規的指令跟隨與問答，Thinking 走的是先想後答的推論路徑，FP8 權重則是給那些想在有限顯示記憶體裡塞進整套模型的人準備的。

三個版本一起上，指向的是同一件事：把多模態從「雲端 API 呼叫」推向「可以自己部署」。一旦權重能下載、能量化、能在私有伺服器上跑起來，採購邏輯就會變。過去企業算的是每百萬 token 多少錢，現在多了一個選項，算的是自有顯卡攤到每百萬 token 多少錢。對用量大的團隊，後者的帳往往更划算，而且資料不出內網。

這也是國產開源模型過去一年最穩定的進攻方向。不再單純比誰的參數更大、榜單更高，而是比誰能讓更多人以更低的門檻把模型用起來。當能力差距被壓到可接受的範圍，價格和可取得性就變成了真正的勝負手。

開源的另一面

權重公開，意味著任何人都能下載、微調、二次分發。好處是生態擴張極快，量化版、行業微調版、邊緣裝置適配版會很快在社群裡長出來。風險也同樣明確：模型離開了發布方的視線，被用在哪裡、怎麼用，發布方幾乎無從約束。

對開發者來說，這反而把選擇權推到了自己手裡。你要清楚自己的合規邊界，清楚資料能不能出境，清楚二次分發的授權條款。開源把工具交給你，同時也把責任交給你。

接下來看什麼

這五個方向的對標只是起點。真正決定一個多模態模型能不能在生產裡站住的，很少是某一項基準的分數，而是它在連續幾十輪任務裡會不會突然出包，是它在真實文件、真實影片、真實混亂輸入下的穩定性。

30 億活化參數這條路能不能持續往上走，取決於下一代的專家調度效率、訓練資料品質和後訓練策略。如果這條路走得通，被改寫的就不只是某個榜單，而是整個行業對「需要多大模型才夠用」的預設假設。

一個能力接近旗艦的模型，如果執行成本只有旗艦的一個零頭，那麼真正稀缺的，就不再是算力，而是想清楚該拿它做什麼的人。