8 月 20 日晚，阿里巴巴发布新季度业绩。

阿里云外部商业化收入同比增长 45%，创 22 个季度以来的新高。AI 云及算力服务收入达到 484.37 亿元，经调整 EBITA 为 56.28 亿元，同比增长 133%，利润率升至 12%。AI 相关产品收入连续第 12 个季度实现三位数增长，本季度达到 123.76 亿元。

这组数字解释了市场对云业务的反应。同样亮眼的，还有以千问大模型为核心的一整套模型矩阵。过去一个月，阿里在大语言、图像、语音、视频、音乐五个方向上，密集摆出了一整排全球第一梯队的模型。

在这场愈演愈烈的模型大战里，绝大多数公司还在拼某一个单项，而阿里已经开始打团战。

01

模型 SOTA 是基操，全线 SOTA 才是稀缺物

过去两年，一家 AI 公司拿下某个榜单的 SOTA，早已不算新闻。真正稀缺的，是同一家公司在同一时间窗口，把最重要的几类模型都推到全球第一梯队。

这份清单目前只有阿里能一次性交出：

• 大语言模型 Qwen3.8-Max：总参数 2.4 万亿，CodeArena 编程竞技场全球第三，Artificial Analysis Agentic 智能体评测全球第一，已开放权重；

• 图像模型 Qwen-Image-3.0：Image Arena 中国第一；

• 语音模型 Qwen-Audio：ASR、TTS、Realtime 三类模型在 Artificial Analysis 相关榜单同时拿下第一，堪称语音行业”大满贯”；

• 视频模型 Wan3.0：Artificial Analysis Text-to-Image 与 Video Editing 双榜全球第一；

• 音乐模型 HappyShrimp：作为全新品类首次亮相。

把这几行放在一起看，才能读懂这份财报的另一层含义。模型 SOTA 是行业基操，全线 SOTA 才是稀缺物。这样的阵仗，非但在中国绝无仅有，放到全球也令人侧目。

更关键的是节奏。单个模型偶尔冲上榜单，靠的是某个团队在某一方向的爆发；多条产品线同时进入第一梯队，比拼的是训练基础设施、数据飞轮、算法团队和产品组织的整体协同能力。前者是灵光一现，后者是工厂能力。

阿里在 AI 行业里的生态位，也因此被重新定义。过去，外界更多把 Qwen 视为阿里在开源大语言模型领域的观察对象。现在，它已经是一个横跨文本、图像、语音、视频、音乐的模型矩阵。竞争的单位，从一款产品，切换到一整套体系。

02

Qwen3.8-27B，成了开源模型新一代「斩杀线」

模型能不能打，光看榜单不够，还要看外部开发者是否真正使用。

这一点上，Qwen3.8 提供了一个近期最直接的样本。Qwen3.8 经历了从 Preview 版本到正式版本的连续更新，随后开源的 Qwen3.8-27B 在上线两天后登顶 Hugging Face 趋势榜，并强势冲入史上最受欢迎模型榜第三，下载量超过 100 万次。业内已经开始把它视作开源模型的新一代「斩杀线」。新模型发布，得先跟它比能力再比成本，比不过，发布当天就基本失去讨论价值。

下载之后，更关键的是开发者会怎么处理模型。Qwen3.8-27B 的开源节点，正好处于全球开发者密集寻找开源模型的阶段。模型上线后，开发者会根据自己的需求进行量化和微调，也会将模型部署到不同的芯片和云平台上。应用公司则会评估模型在客服和编程等场景中的成本与效果，也会继续测试搜索与办公任务。模型被下载只是第一步，后续的适配和二次开发，才会影响它进入更多应用的速度。

Qwen 由此不再只是一次产品发布。芯片厂商第一时间适配、云平台上架，开发者跟进量化和微调，企业客户则会根据实际任务选择合适的版本。模型进入了更长的产业链，阿里提供的也不再只是一个「可以下载的模型文件」，而是一个被真实使用的基座。

这种扩散已经有数据支撑。截至目前，阿里累计开源模型超过 460 个，Qwen 系列模型全球下载总量超过 30 亿次，衍生模型数量超过 30 万个。衍生模型数量意味着开发者和机构已经在 Qwen 基础上进行持续修改，模型能力开始通过不同版本进入具体行业和应用。

这也是当下 AI 下半场的分水岭。当模型能力普遍逼近，谁能撬动全球产业链一起用，谁就拥有别人短期抢不走的护城河。SOTA 是能力，能被全世界用起来才是护城河。一位长期观察开源生态的开发者对此的判断很直接：「榜单前三谁都可能坐一坐，但让三十万个衍生模型跑在自己底座上的公司，只会是少数几家。」

不止于此，阿里的模型矩阵正在把这种生态势能横向复制。Qwen-Image 拿下国内图像模型第一，重点押注图像信息密度和文字生成准确度；Wan3.0 公测后可以把文档和 PPT 直接转化为视频，让视频模型和真实办公场景发生连接；Qwen-Audio 把语音识别、合成、实时交互三条线一起补齐，直接对准客服、会议、智能硬件；HappyShrimp 把生成边界推进到旋律与人声。

这些方向单看是分散的，合起来却指向同一个判断：阿里不是在赌某一个模型，而是在赌「模型作为一种新型工业品」的整体生产能力。

03

以「智能前沿工厂」重估阿里

当模型可以像工业品一样被批量生产、被广泛消费，估值这件事，也就到了该换坐标系的时候。

过去，市场习惯用云厂商+互联网公司的组合来给阿里估值：一部分对标基础设施，一部分对标电商与消费。这份财报之后，这套框架开始显得不够用。一个更贴近现在阿里的说法，或许是「前沿智能工厂」。

8 月 20 日发布的财报显示，阿里云外部商业化收入同比增长 45%，创 22 个季度以来的新高。AI 云及算力服务收入达到 484.37 亿元，经调整 EBITA 同比增长 133%至 56.28 亿元，利润率达到 12%。阿里巴巴 CEO 吴泳铭在当晚的分析师电话会上给出了一组更能说明”模型 C 位”的数字：本季度阿里 AI 相关产品年化收入（ARR）突破 495 亿元，在阿里云外部商业化收入中的占比升至 35%，包括 MaaS 在内的模型与应用服务收入 ARR 已突破 160 亿元。他把这一增长定性为”算力、存储、MaaS、AI 应用的全面增长”。换句话说，撑起 45%云增速的，不是某一层业务，而是模型和应用一起在跑。

阿里在底层芯片上的投入，也在这一轮收入里同步兑现。目前，平头哥已经形成覆盖 GPU 和 CPU，同时包括存储与网络芯片的自研体系，并围绕计算和存储环节，进一步延伸到网络优化。真武 AI 芯片通过阿里云服务，已经进入自动驾驶和互联网等 20 多个行业的 650 多家外部客户，训练、微调、推理全流程均已跑通。

据吴泳铭在电话会上披露，基于新一代平头哥芯片真武 M890 的超节点实例，近日已上线阿里云规模化销售，下半年还将持续放量；与此同时，阿里云已把大型 AIDC 数据中心的交付工期压到 100 天，处于全球最领先水平——芯片和数据中心两条线，正在同步为模型工厂扩产能。

基础设施之上，应用端也在承接这些能力。阿里推出了面向个人和企业用户的千问办公。该产品同时支持桌面端 Agent 和云端 Agent，并支持企业协同 Agent，目标是进入企业的日常工作流程。消费端的千问 App 则在增加生产力和专业功能的付费服务，并接入淘宝天猫和淘宝闪购等业务。阿里披露，已有 2.5 亿用户通过千问 App 的智能体功能完成过由 AI 驱动的购物体验。

这些应用背后新增的模型调用、存储与网络需求，最终都沿着这条链路回流到阿里云，正在向 Agentic Cloud 全面演进的阿里云，本身也是这条兑现路径上的中央车间。吴泳铭在电话会上把这条链路概括为「算力-模型-Token-应用-收入」的完整商业闭环，「这是一个正向循环」。

从全局看，阿里当前的 AI 体系已经有比较明确的层级。底层包括算力和芯片，中间是覆盖多种模态的模型产品，外部连接开源开发者，商业端由阿里云承接企业客户。各部分单独看，分别属于基础设施和模型研发，再到开源社区与云服务。叠在同一家公司里，就变成一条围绕客户需求持续互相转化的链路。

不过，这套体系能否长期保持效率，仍然要看模型迭代速度和算力成本，也要看企业付费意愿。阿里需要持续证明，新模型能够带来更多有效调用，开源用户能够转化为长期客户，AI 收入的增长也能够改善云业务利润。当前的财报已经给出了第一阶段答案，阿里云的增长和利润正在同步加快。

把镜头拉远，这轮 AI 竞争正在完成一次静悄悄的换挡。

上半场，行业比的是谁能率先冲到某个榜单的顶端；下半场，比的是谁能同时在多个模态上持续产出 SOTA、并把它们兑换成真实的商业收入和产业影响力。前者是短跑，后者是团战。

阿里今天的动作，正是一次典型的”团战开局”：一边用模型矩阵拉齐能力上限，一边用开源生态放大扩散半径，再用阿里云和 Agent 产品把 Token 运输到广阔的应用现场。追求最前沿的 AGI 是一条线，把 AI 价值落向实处、深处是另一条线，两条线在同一家公司里第一次被拧成了一股。

回到开头那个问题：AI 下半场真正的胜负手是什么？

不是再造一个更大的模型，而是造一座能持续造出更好模型、并把它们送到全世界手里的工厂。阿里已经打响了模型团战的第一枪，接下来要看的，是这座前沿智能工厂的产能，能否跟上它自己制造出的这份需求。

*头图来源：视觉中国

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

头图来源：Wapoo 官网

极客公园获悉，面向 Gen Alpha 的视频共创社交平台 Wapoo 已完成近千万美元天使轮融资。本轮融资由某互联网集团旗下战略投资方投资，其在全球化产品运营、年轻用户生态及新兴市场拓展方面已具备一定积累，探奇资本担任公司独家融资顾问。目前，Wapoo 团队约 10 人，并已开始筹备下一轮融资。

过去十年，短视频完成了对全球用户注意力的接管，也逐渐逼近既有产品形态的边界。一个新的问题正在浮出水面：跟着 Roblox 和 Minecraft 长大的 Gen Alpha，是否还会满足于被动刷视频？

他们习惯修改、共创，也习惯在数字世界留下自己的版本。但进入 TikTok、Instagram 等大众内容平台后，这些用户重新成为信息流里的观看者。现有平台承接了他们的注意力，却未必承接住了他们改变内容的欲望。

Wapoo 创始人杨名宇曾在快手负责用户研究，后在 TikTok 担任产品经理，从 0 到 1 负责 TikTok Stories、TikTok Now 等社交模块，并面对面访谈过大量来自不同国家和地区的短视频用户，对用户使用这类产品的需求和痛点有深刻了解。在他看来，下一代视频社交的答案，不在更高效的算法投喂里，而在让用户和朋友一起把内容「玩」起来。

一条没有固定结局的视频

Wapoo 今年 5 月在美国上线。简单来说，它是一款可以让用户和朋友反复改写同一条视频的社交产品。

在传统短视频平台上，一条视频发布，通常意味着创作结束。观众可以观看、点赞、评论、转发，也可以通过合拍或拼接另做一条内容，但很难直接进入原视频，改变它后来的走向。

Wapoo 想把发布从「终点」变成「起点」。

用户看到一段视频后，可以继续修改其中的人物、视角或情节：把自己放进视频，把朋友套进流行梗里，将一段正经剧情拐向恶搞方向，或者沿着已有版本续写另一个结局。生成式 AI 被藏在操作背后，用户不必理解模型或复杂的剪辑流程，只需要表达一个简单意图。

新生成的视频不会与原内容彻底断开，而是作为一个新版本留在内容链路中。其他人既可以回到最初版本，也可以沿着任何一个分支继续修改。一条视频由此不再只有作者交付的唯一结局，而会随着参与者增加不断生长。

Wapoo 使用页面｜图片来源：受访者

这与传统互动影视有所不同。互动影视通常由专业团队提前设计分支，用户拥有选择权，却很少拥有真正的改写权；短视频平台的合拍和 Stitch 降低了回应门槛，但新内容通常仍作为另一条独立作品存在。

Wapoo 更核心的设想是，后续的二创、三创也能成为内容演化的一部分。内容的价值不只来自最初的发布者，也来自后来每一次改变。如果说传统视频像凝固后的混凝土，Wapoo 希望它更像一盒数字乐高：每位参与者都可以拆解、重组，再把自己的版本交给下一个人。

从「改视频」到「和朋友一起改」

产品上线之初，团队最想验证的是：用户是否愿意动手改变一条视频。

答案初步成立后，他们很快发现了另一个更重要的变量——关系。当视频里出现朋友、同学，或者某个小群体共同经历过的事情时，用户的参与动力会明显增强。

有人把朋友放进当下流行的梗里，有人完成改写后点名邀请另一个人接力。一个人发起，第二个人接住，第三个人又把故事引向另一个方向。视频在反复回应中逐渐变成小圈子里的内部梗和共同记忆。

「我们原来想验证的是，用户愿不愿意改视频。后来发现更重要的问题是，改写会在哪些关系结构里自然发生。」杨名宇告诉极客公园。

这个发现让 Wapoo 从「可玩视频社区」进一步收敛为「视频共创社交平台」。过去两个月，团队的迭代重点也转向朋友邀请、内容回应、分支展示和群体参与。用户进入产品后，首先看到的不是一套复杂的 AI 工具，而应当是朋友发来的内容，以及一次可以顺手接住的邀请。

生成式 AI 解决的是「能不能改」，熟人关系回答的是「为什么要改」。这是 Wapoo 从采访中呈现出的第一个产品亮点：AI 并不直接充当产品主角，而是把原本较重的视频创作，降低为接近回复消息的一次互动。

让内容和关系由同一个动作产生

Wapoo 的第二个产品亮点，是试图让内容与关系在同一次行为中生长。

传统平台通常拥有两套相对独立的系统。发布一条视频是在增加内容；关注一个人、发起私聊，则是在经营关系。两者可以互相导流，但需要用户完成不同动作。

Wapoo 希望把它们压缩成一个「原子动作」——改写。

用户每改一次视频，一方面产生新的内容版本；另一方面，也记录下「谁接住了谁」「谁改变了谁的表达」「哪些人共同做过一条内容」。当一群人持续围绕同一条视频接力，内容分支同时成为他们的互动历史。

杨名宇将其概括为：「互动就是创作，创作就是关系，关系就是分发。」在他的设想中，传统平台的内容网络效应与关系网络效应更像相加，Wapoo 想验证的则是两者能否相乘。

这套设计也解释了 Wapoo 为什么选择视频，而不是更通用的互动内容或轻小游戏。杨名宇认为，单纯的生成能力会随着模型升级迅速普及；如果产品只有生成效率，没有社区文化和关系链，就很容易被模型厂商或大平台覆盖。

视频则已经是一种成熟的用户行为。人们知道如何拍、如何看，也习惯把视频发给具体的人。Wapoo 不需要重新教育用户为什么消费视频，只需要改变他们能对视频做什么。

杨名宇对关系壁垒的认识，也来自 TikTok Now 与 BeReal 的竞争。即使 TikTok 拥有庞大流量，也很难让用户离开朋友已经聚集的 BeReal。功能可以复制，关系却很难整体搬迁。Wapoo 想沉淀的，正是一群人共同改过内容、共同留下过版本的历史。

为 Gen Alpha 接住一次社交迁移

Wapoo 目前把重心放在美国，目标用户是用着 Roblox、Minecraft 长大，正在进入大众社交平台的年轻人。

杨名宇把他们在十几岁经历的变化称为「15 岁的社交断层」。小时候，他们在 Roblox 和 Minecraft 中与朋友共同搭建、探索和改变世界，共创本身就是社交。随着年龄增长，他们开始转向 TikTok、Instagram 和 Snapchat，却从主动参与者重新变成算法信息流里的观看者。

Wapoo 想承接这次迁移。它不要求用户花几个小时搭建一个虚拟世界，只需要接住朋友的一段视频，换一个人物或改一个结局。生成式 AI 在这里的意义，不是让每个人成为专业创作者，而是让创作轻到足以成为日常社交动作。

增长上，团队现阶段更关注具体圈层的「社交密度」。与其获得大量彼此孤立的注册用户，Wapoo 更希望先进入学校、球队或街区等已有关系的群体，让一个人带来一群朋友，再把高密度互动复制到下一个圈层。

团队希望在未来一年验证这套路径。不过，Wapoo 尚未披露用户规模、圈层渗透率和具体留存数据。现阶段更准确的说法是，它看到了三个早期信号：用户愿意改视频；熟人相关内容更容易触发参与；多人接力有机会形成内部梗和共同记忆。

从这些信号走向真正的网络效应，Wapoo 仍需证明使用频率、圈层渗透和跨圈复制。但它提出了一个值得继续观察的产品命题：当 AI 让「改变视频」轻到接近回复消息，下一代内容平台争夺的，或许不再只是一个用户看了多久，也包括一群人共同留下了什么。

头图来源：chatgpt 生成

前几天，我们注意小红书在海外发布了一款大模型 dots3-note preview。

这款模型采用 MoE 架构，总参数 280B、激活参数 16B，支持 512K 上下文，并具备文本、视觉、语音的多模态理解能力。它属于 dots3 系列，后续还将有 jazz、aria 等不同定位的版本。作为先行发布的 note 版本，它更像是小红书将模型能力推向实际业务和开发者生态的第一步。

模型上线后，海外开发者社区很快开始讨论，Hugging Face 下载量破百，华为昇腾也在当天宣布完成适配；但在国内，这次发布暂时还没有掀起太大水花。

在这件事上，值得注意的并不只是又多了一款开源模型，而是小红书开始公开展示自己的基础模型能力。

作为一家月活超过 3 亿的平台，小红书拥有海量图文和视频内容，也积累了用户从「想去哪里」「买什么」到「如何解决一个生活问题」的消费决策数据。它选择自研并开源模型，意味着AI 在小红书内部的角色，可能正在从搜索、推荐或创作工具中的一个功能，变成支撑整套产品能力的底座。

如果把大模型看作数字世界的「工业母机」，这个动作就更容易理解。它本身不是最终产品，却决定了搜索、推荐、内容创作和智能服务等上层能力的精度与迭代速度。对一个体量足够大的平台而言，长期完全依赖外部模型，并不是一个稳妥的选择。

小红书做模型，还开源了

dots3-note preview 是一款 MoE 模型：总参数 280B，激活参数 16B，支持 512K 上下文，同时覆盖文本、视觉和语音理解。

它属于 dots3 系列。小红书披露，这个系列此前曾在 IMO 2026 获得官方认证的满分成绩。此次发布的 note，是系列中更强调效率和实际部署的版本；后续还将推出 jazz 和 aria，覆盖不同的能力与成本区间。

从公开评测看，dots3-note preview 在推理、Agent 和多模态任务中给出了有竞争力的成绩。比如在 ARC-AGI-3、个人助理类任务上，它的表现超过了一部分参数规模更大的模型；但在终端操作、复杂编程等任务上，与头部模型仍有差距。

也就是说，它更像是在发布一块已经能上手使用、但仍会继续演进的能力模块。

而这恰恰更接近大模型竞争进入下一阶段后的现实：模型不只比谁在榜单上更高，更要看谁能进入真实产品，谁能被更低成本、更稳定地调用，谁能在具体场景里持续迭代。

小红书同时选择了 Apache 2.0 协议开源，并同步发布在 Hugging Face 和 GitHub。

开源当然有直接收益。

新模型最需要的是测试、反馈和生态支持。开发者会把它部署到不同硬件上，带到不同任务里，发现它在哪些地方有效、又会在哪些地方失效。华为昇腾的 0 Day 适配，就是这种生态协作速度的一个例子。

但开源的意义不止于此。

对过去在大模型领域相对低调的小红书来说，这也是一次面向技术社区的公开表达。模型、评测集、代码和部署适配，构成了可被开发者检验的技术语言。它能够让外界更具体地理解：小红书不只是在应用层接入 AI，也在参与底层能力的建设。

此次同时开放的 VibeSearchBench 与 VibeLifeBench，前者考察用户意图逐步披露时的多轮搜索能力，后者聚焦非静态环境下的跨阶段任务执行。它们并没有选择最泛化的命题，而是指向搜索与真实生活服务——这恰好是小红书最有可能建立差异化的领域。

换句话说，小红书不只是做一个模型，也在尝试定义：什么样的 Agent，才算真正理解用户的生活需求。

为什么内容平台要自己做模型？

一个常见的问题是：现在第三方模型已经足够强，为什么像小红书这样的内容平台，还要投入巨大资源自研？

答案并不复杂。对于小规模团队，调用 API 是合理选择；但对拥有数亿用户、高频搜索和推荐场景的平台来说，模型能力一旦成为核心链路的一部分，就很难完全依赖外部供给。

先是一笔成本账。

搜索、推荐、内容审核、广告创意、客服、创作工具，这些业务如果逐步由模型驱动，调用量会非常惊人。外部 API 的优势是接入快，但调用越多，成本和价格波动带来的不确定性也越大。自研模型不意味着完全放弃外部模型，却能让平台在高频、稳定、明确的场景中获得更可控的成本结构。

更关键的是，通用模型可以回答很多问题，但未必真正理解小红书上的「找餐厅」、「做攻略」、「挑婚纱」、「装修避坑」意味着什么。生活决策不是一次检索就能完成的任务：用户会补充条件、改变预算、比较方案，也会被图片、评论和真实体验影响。

小红书的内容生态有自己的语境。图文笔记、短视频、评论区、消费决策链路，构成了一套非常具体的用户表达与行为方式。平台如果希望 AI 深度参与其中，就需要模型理解这些非标准、强上下文、不断变化的需求。

再往下，是数据与能力的闭环，以及掌控力。

对内容平台而言，数据不是简单的训练材料。如何让模型理解内容、服务用户，又确保数据使用、安全和权限处于可控范围内，是长期命题。模型能力掌握在自己手里，意味着平台能够更快地完成从数据、训练到产品反馈的循环。

当 AI 开始影响核心产品体验时，模型本身就会成为基础设施的一部分。接下来，模型会越来越接近平台的基础设施。能力边界、服务价格、迭代节奏，以及数据的使用方式，不能长期完全取决于外部供应商。

所以，字节有豆包，腾讯有混元，阿里有通义，百度有文心，各家在追赶大模型热潮的同时，也是在补自己的基础能力。

大模型的玩家名单，还会继续变长

过去两年，大模型市场的主角似乎已经很清晰：互联网大厂、明星创业公司，以及科研机构。

但小红书开源大模型的出现提醒了一件事：模型竞争不只属于模型公司。

拥有高频场景、独特数据和足够技术投入的平台，都有可能在某一个节点下场。美团需要模型优化本地生活服务和商家经营；快手需要更深的内容理解与生成能力；电商、出行、游戏、音乐平台，也都在面对类似的问题。

它们未必都需要训练最强的通用模型，但会越来越需要拥有适合自身业务的模型能力。

这有点像云计算的发展。早期，大多数公司使用公共云；当规模、成本和业务复杂度达到一定程度后，一些大型平台开始自建数据中心，并形成公有云、自建基础设施和混合架构并存的格局。

模型也可能走向类似的分层。

少数公司继续推进能力上限，提供最强的通用模型；更多平台则围绕自己的数据和场景，训练或定制模型；大量中小团队仍会以 API 为主要选择。未来并非所有公司都要成为模型厂商，但会有越来越多公司把模型视为必须掌握的一层能力。

小红书的 dots3-note preview，正是这个变化中的一个样本。

图片来源：studio.dots.ai

当然，它距离「一个成熟的生活智能体」还有很远。小红书自己也提到，dots3-note preview 的强化学习训练仍不充分，模型在幻觉控制、文本与多模态能力平衡、稳定性等方面还有待改善。演示中的真实生活任务，也仍主要运行在模拟环境中。

模型能力要真正变成用户体验，靠的不只是模型本身。

它还需要数据连接、工具调用、权限控制、安全机制，以及一整套产品交互的配合。用户不会因为模型在某项基准中领先，就自然获得更好的体验；真正决定体验的，是它能不能在用户搜索、做攻略、比较商品、完成决策时，稳定地解决问题。

所以，接下来最值得看的并不是 dots3-note preview 会在榜单上排第几，而是三个更具体的问题：小红书后续会把能力边界推到哪里；自研模型会先进入搜索、推荐还是创作工具；以及，当一个内容平台开始公开自己的模型能力后，会不会有更多拥有场景和数据的平台加快跟进。

模型最终会造出什么，取决于它被放进什么产品、服务什么人。而这，才是小红书这次发布更值得继续观察的部分。