锐Owl 雷达 · 2026-09-22：Qwen3.8-Max 在人类零参与下自主迭代超 1 个月（AA 40→45）、真武 V900 单芯算力 3 倍且模型自主适配新 GPU 吞吐 +96%、SpaceXAI Grok 4.7 约 2.1 万亿参数

今天的主线是云栖大会，但真正值得记的不是「又发了多少模型」，而是三件和效率直接相关的事：一个模型在无人参与下自己迭代了一个月、把榜上分数从 40 推到 45；同一个模型被扔到没见过的芯片上，自己把推理框架调出 +96% 吞吐；以及一份内部跑分被放到公开榜单上进行「每任务成本」的对照——同一批国产旗舰，每完成一个智能指数任务的成本差了 20 倍。另有一条海外对照：Grok 4.7 卷长任务与自我检查，价格不变，但「快」是要另外加钱买的。本期 5 条。

① 阿里云栖大会：Qwen3.8-Max 在「人类零参与」下自主迭代超 1 个月、完成 33 轮有效迭代，Artificial Analysis 得分从 40 提升到 45（9/22）

9 月 22 日 2026 云栖大会，阿里披露大模型递归自我改进（RSI）已初步进入训练、推理与芯模协同环节：Qwen3.8-Max 可自主搭建训练流程、构造训练数据、自主设计实验并定位缺陷，在人类完全「零参与」的情况下持续迭代超 1 个月，完成 33 轮有效迭代；官方称新版本在 Artificial Analysis 上从 40 分提升至 45 分（+12.5%）。AA 模型页 9/22 直查：Qwen3.8 Max (0902) 智能指数 45 分、总榜 #19/202，输出 39.2 tok/s（#153/202），输入 2 美元 / 输出 6 美元每百万 token、缓存折扣 88%，每智能指数任务成本 5.41 美元，verbosity 1.9 亿输出 token（同类中位数 0.94 亿），984K 上下文，AA 仍标 Proprietary。官方同时称该版本「与 Claude、GPT 最强模型同处第一阵营，领先 GLM5.3、Kimi-K3 等所有国产模型」——同一榜单直查：Claude Fable 5.1 max 53 分（#1/202）、GPT-6 Astra max 53 分（#3/202）、GLM-5.3 max 同为 45 分（开源权重榜 #2/114）、Kimi K3 max 44 分（#3/114）。

认知价值：33 轮、零人类参与，是「模型改模型」第一次有了可核的迭代次数，而不是演示动画——这才是今天最有信息量的一句。但要按同一个榜的单列读数看：45 分与榜首差 8 分，「第一阵营」是话术；「领先所有国产」在 AA 上站不住，GLM-5.3 同为 45 分且是开源权重。真正该盯的是最后一列每任务成本：Qwen3.8-Max 5.41 美元、GLM-5.3 2.01 美元、Kimi K3 2.00 美元，而开源的 Qwen3.8-Flash-Next 是 0.37 美元、DeepSeek V4.1 Flash 只有 0.27 美元——同一个「一线智能」的名头，做完一个任务的账单差 20 倍。便宜的那个还更快：DeepSeek V4.1 Flash 输出 225.6 tok/s（#4/114），Qwen3.8-Max 39.2 tok/s（#153/202）。

来源：量子位（9/22，阿里授权转载）https://www.qbitai.com/2026/09/493629.html ＋ https://www.qbitai.com/2026/09/493625.html ｜一手已核：Artificial Analysis 各模型页 9/22 直查（qwen3-8-max 45/#19/202/$5.41、claude-fable-5-1 53/#1、gpt-6-astra 53/#3、glm-5-3 45/#2/114/$2.01、kimi-k3 44/#3/114/$2.00、qwen3-8-flash-next 40/#6/114/$0.37、deepseek-v4-1-flash 39/#7/114/225.6 tok·s⁻¹/$0.27）

② 同场发布真武 V900：单芯片算力为 M890 的 3 倍、216GB 显存、片间互联 1200GB/s；模型侧自主适配新 GPU，单实例推理吞吐 +96%（9/22）

平头哥在云栖大会发布训推一体 AI 芯片真武 V900：单芯片性能是真武 M890 的 3 倍，216GB 显存，片间互联带宽 1200GB/s，原生支持 FP8，面向万亿级参数模型的训练与推理，单一集群可扩展至 50 万卡，明年第一季度开售（厂商口径，多家媒体一致）。同步披露的芯模协同案例是两条硬数字：推理侧，Qwen3.8 在一颗「从未见过的」平头哥新款 GPU 上，自主适配优化了下代架构 Qwen3.8-Flash 的 SGLang 推理框架，单实例推理吞吐量提升 96%；芯片侧，Qwen3.8 仅依据一份真实总线模块规范，自主完成前端、验证、后端全链路自迭代，运行超 60 小时、调用 EDA 工具超万次，交付减少 42% 面积的物理实现优化，标准单元数降低 29%、功耗降低 59.5%。大会另给出基础设施目标：到 2032 年阿里云运营的全球数据中心规模超过 20GW。

认知价值：去年大家比的是「模型会不会写代码」，今年的自证题变成了「模型能不能改自己的推理栈和芯片」——这条比发布会上的参数规模更值得记，因为 +96% 吞吐、-42% 面积是直接落在成本项上的数字。但要看清口径：这三项都是厂商自述、没有第三方复现，也没有对应的开源脚本或规范文档可核；「50 万卡集群」是设计目标上限而非已建成规模。更值得注意的是它和①的关系：模型自我改进的第一批可验证收益，来自它去改基础设施，而不是它去改自己的文本输出——这条路径短、指标硬、也更容易被人认账。

来源：量子位（9/22，阿里授权转载）https://www.qbitai.com/2026/09/493625.html ＋ https://www.qbitai.com/2026/09/493485.html ｜芯片参数交叉核：科创板日报、快科技、扬子晚报（9/22，口径一致）

③ SpaceXAI 发布 Grok 4.7：基础模型约 2.1 万亿参数、500K 上下文，CursorBench 4.0 拿到 46.3%，价格与上一代持平但速度排名仍在后段（9/21 美东 / 9/22 北京）

SpaceXAI（原 xAI）9/21 发布 Grok 4.7，定位编程与知识工作：更大的基础模型（马斯克 9 月初称约 2.1 万亿参数，较 Grok 4.6 的 1.5 万亿提升约 40%）＋更长时间、面向数小时级长任务的强化学习，强化代码、长上下文与自我检查；500K 上下文，low/medium/high/xhigh 四档推理强度；标准价与 Grok 4.6 相同，输入 2 美元、输出 6 美元每百万 token，另有一个输出速度翻倍、价格也翻倍的 fast 版本；已上线 Cursor、Grok Build 与 Grok API。官方跑分：CursorBench 4.0 46.3%（Grok 4.6 为 40.4%，Fable 5.1 max 51.8%），Terminal-Bench 4.0 从 20.3% 升至 38.0%，DeepSWE v1.1（high 档）71.0%，AA Briefcase v1.1 1657 分，GDPval Elo 1695（GPT-6 Astra 1542）。官方称其「推理速度是可比同类模型的两倍、价格仅为后者的一半」。AA 9/22 直查：Grok 4.7 xhigh 智能指数 46 分、总榜 #16/202，输出 39.5 tok/s（#152/202）；high 档 55.3 tok/s（#119/202）；每任务成本 3.74 美元，verbosity 2.4 亿输出 token（属于很话痨一档）。

认知价值：和①摆在一起看，海外这家的策略是「能力升级不收溢价」——换更大的基座、更长的 RL，标准价不变，把「快」单独拆出来卖翻倍价。但 AA 的实测速度排名（#152/202）说明默认档并不快，官方「两倍速」说的是那个加价的 fast 版，且对照的是自家上一代，不是宣称里的「可比同类」。对做编程 Agent 的人只有一条判据：完成一个任务的总成本，等于单价 × 轮次 × 返工——今天三家（Qwen3.8-Max、Grok 4.7、GLM-5.3）在 AA 上的每任务成本是 5.41 / 3.74 / 2.01 美元，智能指数 45 / 46 / 45，分差在噪声里，账单差一倍以上。

来源：Unite.AI（9/21）https://www.unite.ai/spacexai-releases-grok-4-7-for-coding-and-knowledge-work ｜新浪科技/快科技（9/22）https://finance.sina.com.cn/tech/roll/2026-09-22/doc-inisscmr2277762.shtml ｜36氪（9/22）｜一手已核：Artificial Analysis grok-4-7 / grok-4-7-high 页 9/22 直查

④ arXiv 同一天三篇关于 Agent「外壳」的论文：自我改进要加正则、外壳能力可以蒸馏进权重、记忆评测开始强制报成本（9/21 提交）

9/21 提交的三篇 arXiv 论文，指向同一层东西——harness（模型外面的 prompt、控制流、工具、记忆、上下文管理）：RRSI（2609.24972，Peng Xia 等 14 人）指出把 harness 的组件级编辑自动化后形成「Agent 系统级自我改进」，会靠背训练任务过拟合、在分布外基准上增益缩水甚至消失；给候选提案加时间退火预算、给选择器加 critic（筛掉针对特定基准的改动）与 pruner（砍掉太小、太贵、已失效的改动）后，横跨编程、Agent 工作区与工程设计共 8 个基准最多提升 14.1 分。Harness-Zero（2609.24974）做的是反向：把某个域专属 harness 带来的收益蒸馏进模型权重，让它在换成固定通用 harness 后依然保留（用一个「agent-as-harness」在目标的动作空间里先纠正学生的回答，再当作训练演示）。DolphinBench（2609.24971）直接以任务完成度来考记忆：3 个知识工作 persona、每个约 50 万 token 历史、每人 200 个任务，任务都经过「有相关历史才成功、没有就失败」的双向验证，并强制所有提交同时报告总成本与延迟。

认知价值：这三篇合起来说明一件事——「套在模型外面的那层」已经不再是被当成工程细节，而是可优化、可训练、可蒸馏的对象，和①里模型自己改推理框架是同一个方向，只是改的对象从芯片换成了 Agent 的骨架。RRSI 的结论尤其该记住：自我改进最大的风险不是改不动，而是改出一堆只对考卷有效的补丁（正好呼应 9/21 那期「任务卡复用」的取舍）；它给出的解法也很朴素——让提议受限、让评审会拒绝。DolphinBench 那一句「必须同时报成本与延迟」是今年评测方法上最实在的一步：只报准确率的记忆评测，一定会被拿时间和钱换分数。

来源：arXiv 官方 API 直查（9/22）：2609.24972 RRSI https://arxiv.org/abs/2609.24972 ｜2609.24974 Harness-Zero https://arxiv.org/abs/2609.24974 ｜2609.24971 DolphinBench https://arxiv.org/abs/2609.24971

⑤ 云栖多模态与端侧：Qwen3.8-Omni-Flash 亮相，同传模型字均延迟从 2.8 秒降到 2.3 秒，7B 生图模型全面开源（9/22）

云栖大会同时公布多模态新进展：全模态模型 Qwen3.8-Omni-Flash 正式亮相，把视频、音频、图片、文字纳入统一理解框架；Qwen-Audio-3.1 系列升级（ASR / TTS / Realtime 三条线），并基于下代架构发布 ASR-Next（可理解情绪、音乐、环境声并做事件定位）与 TTS-Next（一段脚本直接生成对白＋环境声的完整音频）；同传模型 Qwen3.8-LiveTranslate 采用 Interleave 架构，官方给出字均延迟（LAAL）从 2.8 秒降至 2.3 秒，同一场大会的另一处表述是「人类同传平均时延 4 秒以上，该模型可压到 2.5 秒以内」（两个口径不一致，待统一）；视觉生成侧，参数量仅 7B 的 Qwen-Image-2.1 全面开源，官方称其在 Qwen-Image-Bench 上超过大部分闭源模型、位居开源第一；下一代视频生成模型将于 11 月发布。官方另称 Wan3.0 拿下 Artificial Analysis 文生视频与视频编辑双榜第一。

认知价值：这一条的价值不在「发了几个模型」，而在延迟第一次被当成主指标公开报数——同传这种场景，2.3 秒和 2.8 秒是「能不能用」的区别，不是「好不好用」的区别。也是提醒：今天发布的这批多模态能力，几乎全部以「能力更强、更快」表述，但只有延迟给了可核的数字，其余仍是厂商自评口径（Wan3.0 的双榜第一本轮未能在 AA 站点上取到对应榜单页，标注为待核）。做内容生产的人该记的是 7B 生图开源这一条：能上消费级卡、且进 ComfyUI 生态的模型，才真正会改变日常产能。

来源：量子位（9/22，阿里授权转载）https://www.qbitai.com/2026/09/493629.html ＋ https://www.qbitai.com/2026/09/493625.html ｜Qwen 官方技术博客（Qwen3.8-Flash-Next，8/26）https://qwen.ai/blog?id=qwen3.8-flash-next