#阿里 (10)

源自阿里内部官方 AI 评审助手（两年数万开发者、百万级缺陷）：确定性流水线 + LLM Agent 混合架构，行级评审意见，内置 NPE/线程安全/XSS/SQL 注入规则集，支持 Claude Code/Codex/Cursor 等插件与 CI/CD 集成，附 200 真实 PR、1505 条标注缺陷的公开基准。OpenAI/Anthropic 兼容。

阿里open-code-review

Go43k3.1k133

图像生成设计与前端梯顶C

Qwen-Image-2.1:一套开放权重同时做生成、局部编辑与透明输出

阿里 Qwen 的图像生成与编辑一档,把文生图、局部编辑(圈选/涂抹/独立 mask)、最多 10 张参考图融合与原生 RGBA 透明输出收进同一个 7B 视觉生成组件(32 层 Single-Stream DiT),并用混合粒度注意力与前缀 KV 缓存复用压低批量出图的边际成本;原生 2048px、7 档宽高比。它是当前可下载权重里图像竞技场排位最靠前的一档(文生图第 17 / Elo 1228,图像编辑第 16 / 1367),但许可是 Qwen Research License 而非 Apache-2.0,商用前必须单独读条款,diffusers 还需从 git 主干安装。未做基准复现,置信度记 C(厂商宣称)。

7B视觉生成组件参数厂商宣称 · 2026-09

产品阿里 Qwen (Alibaba)官网 Repo

视频生成影音创作梯顶C

Wan 万相:视频生成侧的开放权重基线,让整个生态能在自己机器上迭代

阿里通义万相把视频生成模型以 Apache-2.0 放出权重,是视频域里最重要的公共基线。它的价值与闭源服务不同:不在于「今天出片最好看」,而在于可微调、可复现、可在自己的推理栈上跑——LoRA、ControlNet 式条件控制、量化加速、蒸馏少步数这一整套生态工作都围绕它展开。对情报站来说,一个开放权重基线意味着「视频生成现在能做到什么」这个问题第一次有了可以自己验证的参照系,而不必相信厂商精选样本。许可与仓库公开这两条已核验,画质与物理表现仍是 C 级厂商口径。

Apache-2.0开放权重许可厂商宣称 · 2025-07

产品阿里巴巴通义 Alibaba Tongyi官网 Repo

QwenGyre：训练 xLong 长程智能体的弹性强化学习框架

单次执行数小时、数百次模型与环境交互、生命周期近 100 万 token 的 xLong 长程智能体任务，把在线强化学习推到两个极限：rollout 长尾让 GPU 大量空转，黑盒 harness 的分叉历史又让轨迹严重冗余。QwenGyre 的回答是解耦三种生命周期——harness 执行、GPU 角色、训练样本。弹性调度器以水位 w(t)=d(t)-f(t) 为准绳在 rollout 与训练之间迁移 GPU 角色，RDMA KV-cache 迁移与 Mooncake 权重拉取把角色切换压到平均 8.52 秒与 3.46 秒，且全程不打断在途执行；轨迹处理器用 TITO 记录与轨迹树保住每个输出的原始条件上下文，为超时执行已完成的部分打分，并按 main、main-summary、sub-agent、sub-agent-summary 的角色优先级每执行至多准入 5 条轨迹，共享前缀只训一次。在旗舰 Qwen 3.8 2.4T、每条 rollout 70 万 token 的规模上，48 步把 NL2RepoBench 通过率从 52.5% 提到 58.5%，相对 Colocate 与 Async 分别取得最高 1.85× 与 1.78× 的端到端加速。

Weiqi Wang, Yuxin Zhou, Mouxiang Chen · 378次阅读 · 2026年9月27日

强化学习LLM智能体

2026年9月27日

0:21

Qwen-Image-2.1-Turbo 上线：8 步出图，画质不变快 4 倍

@HuggingApps · 457次播放 · 2026-10-09

Qwen-ImageText-to-Image

ID Balancing：基于 PID 负载控制的极稀疏 MoE 稳定训练

通过混合专家（MoE）扩展大语言模型，可以在几乎不增加单 token 计算量的前提下大幅增加参数量；但要把参数规模继续往上推，就需要越来越稀疏的路由，而路由越稀疏，专家负载不均就越严重。负载不均会降低参数利用率与训练效率，甚至破坏训练稳定性，成为可靠扩展的瓶颈。本文把两种代表性的免辅助损失方法统一看作不完整的 PID 控制器：DeepSeek 的 loss-free 方法相当于固定步长的积分控制，Kimi K3 的 Quantile Balancing 相当于广义的比例控制。基于这一控制视角，作者提出 ID Balancing——一个积分-微分控制器：积分项随负载误差的大小缩放，微分项仅在失衡恶化时开启，因而在误差大或正在变大时给出更强校正，在接近平衡时只做小幅更新。在 768 个专家的 Top-10 / Top-5 / Top-3 三种路由设置下，相对最优基线，ID Balancing 在 Top-3 下把主干网络最坏 MaxVio 降低超过 50%、训练平均 MinVio 降低超过 12%；当总参数从 18.9B 扩到 69.9B（Top-10-of-768）时，其最坏 MaxVio 几乎不变，比辅助损失基线低约 89.6%。同时它保持了有竞争力的语言建模与下游性能。稀疏度越高，ID Balancing 的优势越明显，为扩展更大、更稀疏的 MoE 模型提供了可行路径。

Peng Jin, Zihan Qiu, Zekun Wang · 144次阅读 · 2026年9月30日

Mixture-of-ExpertsLoad Balancing

2026年9月30日

阿里 68 页《AI Native 研发实践》手册精读：编码只占研发链路不到 1%，主战场在别处

阿里 2026 Handbook 精读：三个真实案例（AIDC 数字投手、千问用增 Agent、万有无界）、五大挑战与四层企业级 Agent 基础设施。核心数据：编码仅占研发链路 <1%（1 小时编码 vs 3 周上线）、交付周期减半、缺陷率降 70%、变更失败率降 90%+；「云上 Scrum」组织形态、Session→Commit→Change→Workitem 度量归因、Guardrail 三态门控（UNKNOWN 永不视作 PASS）、以及「把自己蒸馏完就没位置了」的组织代价反思。

博客

AI CodingAI Native

5:39

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。

#阿里 (10)

阿里开源 Open Code Review：内部两百万级缺陷验证的混合架构 AI 代码评审 CLI

Qwen-Image-2.1:一套开放权重同时做生成、局部编辑与透明输出

Wan 万相:视频生成侧的开放权重基线,让整个生态能在自己机器上迭代

QwenGyre：训练 xLong 长程智能体的弹性强化学习框架

Qwen-Image-2.1-Turbo 上线：8 步出图，画质不变快 4 倍

ID Balancing：基于 PID 负载控制的极稀疏 MoE 稳定训练

阿里 68 页《AI Native 研发实践》手册精读：编码只占研发链路不到 1%，主战场在别处

小鹏机器人获9亿美元融资,创中国具身智能单笔最大

阿里推出Wan 3.0视频生成模型

Glob3R:基于3D基础模型的全局SfM