阿里在WAIC推出Agent-Native Cloud、开源平头哥SAIL并上线Qwen 3.8-Max-Preview：从模型竞争推进到芯片、云、Agent与终端全栈

2026年7月29日

今日触发新闻：阿里在 WAIC 2026 集中展示 Agent-Native Cloud，于 7 月 18 日发布 AgentLoop、AgentTeams 与 TokenWorks，并开放平头哥 T-Head SAIL 软件栈，随后于 7 月 19 日在 Token Plan、Qoder 和 QoderWork 上线 Qwen 3.8-Max-Preview；同场出现的还有秒悟团队版、Qwen Clip 耳机和可接第三方技能的智能体眼镜技术。

一句话判断

阿里这轮发布最值得看的，不是又多了一个大模型，也不是把芯片、云和耳机摆在同一张展台上，而是它开始把 AI 竞争的计量单位从「模型一次回答有多聪明」改成「一个 Agent 在真实组织里能否长期、低成本、可治理地工作」。模型仍是入口，但决定商业结果的控制权，正在向芯片软件栈、推理调度、Agent 运行时、企业权限和终端分发迁移。

这也解释了看似分散的发布为何发生在同一个时间点。SAIL 处理「算力能不能被软件吃满」；TokenWorks 处理「海量请求怎样路由和复用算力」；AgentRun、AgentLoop、AgentTeams 处理「Agent 怎样部署、观测、优化和协作」；Qwen 3.8-Max-Preview 提供新的能力上限；秒悟、Qwen Clip 和智能体眼镜则争夺人与 Agent 接触的入口。

一条链已经出现了。但链条出现，不等于链条已经跑通。

纵向分析：阿里为什么会走到「全栈」

第一阶段：云先于模型，阿里的起点是一套大规模计算系统

理解阿里今天的全栈，得从大模型热潮之前讲起。

阿里云在 2009 年成立，早期最重要的技术资产不是某个面向消费者的产品，而是飞天分布式计算系统。电商业务给了它一个其他后来者很难复制的训练场：双十一的瞬时流量、推荐与搜索、支付和物流，都要求计算、存储、网络与调度同时稳定。阿里最早学会的不是「怎样做一个聪明的模型」，而是「怎样把复杂软件长期运行在巨量基础设施上」。

这段历史决定了它后来进入 AI 的方式。阿里没有把模型实验室单独架在云之外，而是一直尝试把算法、计算平台和业务负载绑在一起。这个选择在 2010 年代并不显眼；到了 Agent 时代，它反而成了关键，因为 Agent 不是一次 API 调用，而是一串持续发生、会访问数据和工具、可能长时间运行的调用。

如果说聊天机器人消费的是 token，Agent 消费的则是运行环境。

第二阶段：2018—2021，平头哥把「购买算力」改成「定义算力」

2018 年，阿里整合中天微与达摩院芯片团队，成立平头哥半导体。这个节点常被解释为中国科技公司进入芯片行业，但从阿里自身的路径看，更准确的说法是：云业务开始向下控制最昂贵、也最容易形成外部依赖的一层。

2019 年的含光 800 是第一次清晰验证。它不是面向通用市场的消费芯片，而是针对 AI 推理设计，并先进入阿里内部场景。阿里当时披露，淘宝每天约十亿张商品图片的处理时间可从一小时缩短到五分钟；杭州城市大脑中，四颗含光 800 可以替代此前的 40 块 GPU 完成相同视频处理工作。这里真正重要的不是发布会上的峰值数字，而是产品定义方式：先从自有业务里找到稳定、庞大的负载，再以软硬协同做专用芯片。

2021 年，平头哥发布 5nm 服务器 CPU 倚天 710，阿里云同时推出磐久服务器。含光解决的是特定 AI 推理，倚天与磐久则把自研范围扩展到云数据中心的通用计算。阿里由此建立了一条后来反复使用的路线：

1. 先在阿里内部或阿里云中形成大规模需求； 2. 再围绕需求定义芯片和服务器； 3. 通过云把硬件能力包装成服务，避免客户直接承担迁移与采购成本。

这条路线有一个天然优点。芯片还没有成熟到能在开放市场独立竞争时，阿里云就可以先做它的最大客户和试验场。它也有一个天然风险：如果芯片只在自有云里好用，开发者不会因此离开已有的软件生态。

2026 年开源 SAIL，正是在补这笔旧账。

第三阶段：2023—2024，Qwen 把云从「算力供应商」推向「模型平台」

ChatGPT 发布后，产业竞争一度被压缩成一个问题：谁的模型更强。

2023 年 4 月 11 日，阿里发布通义千问，最初定位并不是独立的聊天产品，而是接入钉钉、天猫精灵等阿里业务，并通过阿里云向企业和开发者提供定制能力。四个月后，Qwen-7B 与 Qwen-7B-Chat 开放权重。这个先闭后开的节奏很重要：阿里同时保留商业 API 的收入空间，又用开放权重扩大开发者覆盖面。

到 2024 年，Qwen2、Qwen2.5 将尺寸、多语言、代码和多模态能力逐步铺开；阿里云百炼（国际版为 Model Studio）则把模型 API、数据集、微调、评测、部署、知识库和应用编排放到一个平台。此时的阿里全栈已经有三层：

• 底层是阿里云计算、存储、网络和部分自研芯片；
• 中间是 PAI、百炼与模型服务；
• 上层是 Qwen 以及钉钉、电商、搜索等应用。

Qwen 的开放策略给这套体系带来一层阿里原本缺少的外部网络。阿里披露，截至 2025 年 4 月，Qwen 系列已有超过 200 个开放模型、3 亿次下载和 10 万个衍生模型。这个数字不直接等同于云收入，却降低了企业尝试 Qwen 的门槛，也让阿里云有机会承接已经在 Hugging Face、ModelScope 或本地环境验证过的工作负载。

Qwen2.5 是一个转折点。模型不再只是云的附属功能，开始反过来带动云资源消耗。阿里云在 2024 年云栖大会把 Qwen2.5 与全栈 AI 基础设施同时发布，已经预告了今天的方向：开放模型负责扩张，闭源旗舰与云服务负责变现，基础设施负责承接持续增长的推理。

第四阶段：2025，阿里把 AI 从产品方向提升为资本配置方向

2025 年 2 月，阿里宣布未来三年至少投入 3800 亿元人民币建设云和 AI 基础设施，金额超过其此前十年的相关投入总和。两个月后发布的 Qwen3 引入「思考／非思考」混合推理，覆盖从 0.6B 到 235B-A22B 的稠密和 MoE 模型，并继续开放权重。

这两个动作一硬一软，却在回答同一个问题：当推理模型开始增加思考 token、Agent 开始延长任务链，算力需求会从偶发调用变成持续运行。仅靠采购通用 GPU，会让成本、供给和产品节奏受制于外部；只有模型而没有云，又难以拿到推理规模带来的收入。

阿里管理层在 2025 年进一步把自己定义为「全栈 AI 服务商」。这不是一句新的品牌口号，而是资本开支、组织目标和产品路线开始对齐。到 2026 财年末，阿里云外部收入增速已加快至 40%，AI 相关产品占外部收入约 30%。这些数据仍来自公司披露，不能替代独立审计式的产品份额判断，但至少说明 AI 已经从投入项变成云业务的主要增量来源。

同一时期，阿里开始把 Agent 从框架推进到生产环境。开源 AgentScope 负责开发，多模型接口与工具调用降低原型门槛；OpenSandbox、AgentScope Runtime 等项目处理隔离、部署和可观测；百炼负责模型、知识库、数据与企业账户。模型平台的边界开始向运行时扩张。

这是一条容易被忽略的演进：2023 年，百炼的核心对象是「模型应用」；2026 年，Agent-Native Cloud 的核心对象已经是「持续工作的数字成员」。

第五阶段：2026 WAIC，把散落的组件收束成一套 Agent 操作系统

WAIC 上的 Agent-Native Cloud 不是单一产品，而是一组跨层组件。

AgentRun 提供 Agent 从开发、部署到运维的生命周期管理。AgentLoop 记录运行轨迹，做实时追踪、评估和优化。AgentTeams 处理多个 Agent 的协调、权限和治理。阿里云 PAI 新增的 TokenWorks 则把请求路由、推理执行、算力复用和调度放入统一系统，通过 PAI-EAS 提供服务。

四个名字背后，其实是四种生产问题：

阿里自己的案例给出了一点生产证据：AgentTeams 被用于 LoongSuite 开源项目后，三周自动审查 108 个 PR、处理 48 个 Issue。这个样本不足以证明平台已经适合所有企业，但它比「能创建多 Agent」更接近真正有价值的指标——工作持续了多久，处理了多少任务，出了问题能不能追踪。

产品可用性还没有完全跟上这张架构图。阿里云材料称 AgentTeams、AgentLoop 已开启公测，但 7 月下旬的 AgentLoop 帮助文档仍要求主账号 UID 加入邀测白名单。无影 Agentic Computer 等组件在 WAIC 前已有文档和版本记录。因此，这轮发布更适合被理解为一套产品组合的集中命名和升级，而不是所有组件在同一天首次问世、同时全面商用。

平头哥 SAIL 则补上硬件与上层框架之间的缺口。官方资料显示，SAIL 覆盖驱动与 Runtime、C/C++ 与 Python、编译器和调试器、高性能库、框架及工具，兼容 PyTorch、TensorFlow、vLLM、SGLang 等生态；SDK 2.1 支持 CUDA 13.0 API 与 Triton 3.5.x。它服务的不是 2019 年含光 800，而是真武 810E、M890 以及磐久超节点这一代训练与推理基础设施。

这次「开源」需要加一道注脚。平头哥已经在公开 GitHub 组织中放出 Triton for SAIL、DeepGEMM for SAIL、FlashAttention for SAIL、ACTLIZE、FlashMLA for SAIL 和 HGGC Samples 等编译器、算子库与示例代码，各仓分别采用 MIT、BSD-3-Clause 或 Apache-2.0 等许可证；SDK 包、驱动、文档、分析与调试工具则通过开发者门户提供。但它不是一个具有统一许可证的完整 monorepo，公开仓库仍依赖另行取得的 SAIL／PPU SDK、运行时驱动和真武硬件，部分 Quick Start 在首发期还残留阿里内网地址。因而更准确的表述是：SAIL 已发生真实的代码开放，但这是多仓、混合许可证、依赖专用运行环境的生态开放，尚不能等同于完整栈可独立复现。

这个差别非常关键。开发者真正担心的不是能否下载一个 SDK，而是能否定位兼容问题、提交修复、预测版本节奏，以及在供应商改变路线时继续维护自己的代码。CUDA 的壁垒也不只是 API，而是十多年积累的编译器、算子库、文档、社区经验和人才市场。

再看 Qwen 3.8-Max-Preview。阿里官方称其总参数量为 2.4 万亿，初步测试仅次于 Fable 5，并表示后续 Qwen 3.8-Max 将开放权重。模型已进入 Token Plan、Qoder、QoderWork 与 Qwen Chat，开发者可以实际调用；但截至 7 月 29 日，公开模型卡、激活参数量、训练说明和完整基准表仍然暂缺。社区早期反馈一边称赞规划和代码能力，一边集中抱怨速度、可用区域和缺少可复核 benchmark。

所以，Qwen 3.8-Max-Preview 在这套全栈中的角色不是「已经被证明的新冠军」，而是一台压力发生器：更大的模型、更长的 Agent 任务，迫使 TokenWorks、真武芯片、SAIL 和 Agent 运行时证明自己。

第六阶段：从云端向终端延伸，阿里开始争夺 Agent 的最后一米

WAIC 同场发布 Qwen Clip 耳夹式耳机，并展示升级后的智能体眼镜技术。Qwen Clip 集成千问助手，面向翻译、会议纪要和健康记录；智能体眼镜计划支持第三方技能、全双工语音、眼球追踪与生物感知。

阿里过去在消费硬件上并不占优势。它有天猫精灵、高德、钉钉、淘宝和支付宝等高频入口，却没有 Android、Windows 或鸿蒙那种操作系统级控制权。耳机与眼镜的价值不在于短期销量，而在于测试一种新的分发方式：当 Agent 不再等待用户打开 App，而是通过语音、视线和环境持续接收任务，云端的模型与运行时会得到更密集的调用。

这也是阿里全栈里最不确定的一段。芯片、云和企业平台已经有客户与收入基础；可穿戴终端尚未证明用户会长期佩戴、愿意授权，也未证明第三方技能能形成生态。把它放进全栈图里合理，把它当成已经成立的终端优势则为时过早。

横向分析：全栈玩家究竟在争什么

这不是一个只有阿里参加的比赛。到 2026 年，全球主要云厂商几乎都在向芯片、模型、Agent 平台与终端扩张。区别不在于谁能填满更多格子，而在于每一家从哪里长出来、哪一层最强、又希望用哪一层锁定客户。

Google：从模型与自研芯片出发，终端和协议覆盖最完整

Google 的纵向路径与阿里不同。TPU 从 2015 年起围绕内部机器学习负载演进，Gemini 来自长期模型研究，Vertex AI 把它们包装成企业服务，Agent Development Kit、Vertex AI Agent Engine 与 A2A 协议再向 Agent 层扩张；Android、Chrome、Workspace 和 Pixel 提供天然终端。

Google 的优势是关键层之间已经有多年协同：模型团队知道 TPU 的特性，云平台可以直接提供 Gemini，Android 与 Workspace 又能给 Agent 分发位置。A2A 被交给 Linux Foundation 管理，也表明 Google 希望在多 Agent 互操作上占据协议入口，而不只是出售一个托管平台。

它的短板同样来自历史。Google 产品线多、调整频繁，企业客户需要在 Vertex、Gemini Enterprise、Workspace 和不同 Agent 工具之间理解边界。它在中国市场也无法复制全球生态优势。对阿里而言，Google 是「全栈完整度」最高的参照物，但不是中国企业市场里最直接的销售对手。

AWS：云与芯片很强，模型层坚持多供应商

AWS 的路线从云基础设施向上生长。Trainium、Inferentia 处理训练与推理成本，Bedrock 聚合 Anthropic、Meta、Mistral 和 Amazon Nova，AgentCore 提供运行、身份、记忆、网关、可观测和评测。到 re:Invent 2025，AWS 又把 Trainium3、Nova 2、Frontier Agents 与 AI Factories 放在一起。

AWS 与阿里的共同点，是都有庞大的云客户和自研芯片动机；不同点是 AWS 不要求客户把模型选择押在 Nova 上。Bedrock 的多模型策略降低了企业对单一模型路线的焦虑，也让 AWS 可以把利润留在云和运行时。

阿里百炼同样接入第三方模型，但 Qwen 对它更重要。开放 Qwen 带来开发者网络，闭源旗舰带来 API 差异，自研芯片又需要稳定负载。阿里的层间耦合更强，成功时可以得到更高协同，任何一层落后时也更容易拖累整条链。

Microsoft + OpenAI：企业软件分发最强，底层自主性仍在补课

微软的控制点是企业身份、数据和工作入口。Azure 提供算力与模型，Microsoft Foundry Agent Service 提供私有网络、工具连接、评测与托管运行，Copilot Studio 和 Microsoft 365 把 Agent 送进 Office、Teams 与业务流程，Windows 再提供终端入口。

这套路线的强项不是每一层都自产，而是企业已有的 Entra 身份、SharePoint 数据、Teams 协作和 Office 权限可以直接成为 Agent 的上下文。Agent 如果要在真实组织里工作，权限与数据往往比模型参数更难迁移。

它的结构性约束也很清楚。微软与 OpenAI 深度合作，却仍需同时发展自研模型和 Maia 芯片、接入第三方模型，以避免核心能力过度依赖单一伙伴。Foundry、Copilot Studio 和 Agent 365 等命名及产品边界持续变化，开发者社区对 SDK 迁移和服务关系存在真实困惑。

阿里在中国企业市场拥有类似的云、钉钉、电商和账户体系，但钉钉还没有形成 Microsoft 365 那样的全球企业软件控制力。它需要证明 AgentTeams 不是独立控制台，而能真正进入企业现有的身份、审批、数据库和协作流程。

华为：自主硬件与终端最强，开放模型生态相对弱

华为是阿里在中国全栈道路上最直接的镜像。昇腾与 CANN 向上连接 ModelArts、盘古和华为云，鸿蒙、小艺、手机、汽车和大量行业设备向下游延伸；CloudMatrix384 则用 384 颗昇腾 NPU 与 192 颗鲲鹏 CPU 组成超节点，集中解决大模型训练与推理。

华为的优势来自硬件工程、政企渠道和终端装机量。它不需要先发明一个新的消费硬件类别，就能把 Agent 推到手机、车机和鸿蒙设备上。在国产算力供应与行业项目中，昇腾—CANN 也已经形成比平头哥更可见的人才和适配网络。

阿里的优势恰好在另一端。Qwen 的开放权重生态更活跃，阿里云公有云与互联网业务能制造多样、持续的真实负载，百炼更容易吸引从开放模型进入的开发者。两者的竞争不只是芯片性能，而是谁能把「迁移成本」降得更低：华为依靠硬件装机和行业方案，阿里依靠模型生态、云服务与 CUDA 兼容。

放到一张图里，差异就清楚了

用户最终不会因为「全栈」三个字采购。开发者会问 SDK 是否稳定、模型是否可复现、日志能否定位错误；企业会问权限能否继承、数据是否出域、故障责任归谁；财务负责人会问一次任务完成的总成本，而不是单个 token 的挂牌价。

从这些问题看，阿里此次发布同时打中了正确方向，也暴露了尚未回答的空白：AgentLoop 和 TokenWorks 的生产数据、AgentTeams 的权限模型、SAIL 的完整开放边界、Qwen 3.8 的正式模型卡与价格，都还需要外部证据。

横纵交汇：真正的战场是「运行控制权」

历史怎样塑造今天的位置

阿里今天能把模型、云、Agent 和芯片放在一条链上，并不是从 2026 年才开始做全栈。

飞天留下的是分布式系统能力；电商留下的是高并发真实负载；平头哥留下的是软硬协同与供应链自主诉求；Qwen 开放权重留下的是开发者分发；百炼留下的是企业模型入口；3800 亿元投入则把这些技术方向变成了不能轻易回头的资本承诺。

这些历史资产汇到一起，形成阿里当前最独特的优势：它既有足够大的内部需求去打磨基础设施，又有公有云把基础设施卖给外部客户，还有开放模型把开发者引到云上。Google 也有类似结构，但主要优势在全球消费者和软件生态；AWS 有云与芯片，却不把一个自有模型生态置于中心；华为有芯片与终端，但开放模型分发较弱。

阿里不是每层都领先，但它拥有把每层互相喂养的条件。

优势的根源，也可能变成包袱

阿里的第一项优势是成本控制。自研芯片、超节点、SAIL、TokenWorks 与 Qwen 如果协同成功，可以围绕模型结构和任务负载共同优化，减少对通用 GPU 的依赖。这个优势可追溯到含光 800 在内部业务中先验证、再云服务化的路线。

风险也来自同一处。专用优化容易让系统在自家模型、自家云和自家芯片上表现最好，却提高异构环境下的迁移难度。SAIL 强调 CUDA API 兼容，正说明 CUDA 已经定义了开发者预期；兼容是一条必要的桥，却也可能让 SAIL 长期跟随对手的接口节奏。

第二项优势是开放模型带来的开发者网络。Qwen 的大量下载和衍生模型，为百炼和阿里云提供了全球触点。可 Qwen 3.8-Max-Preview 暂时只给 API 和产品入口，没有同步给模型卡、完整基准与权重，说明阿里也在开放扩张和旗舰变现之间寻找新平衡。如果预览期过长或指标无法复核，过去靠开放积累的信任会被消耗。

第三项优势是业务场景。淘宝、钉钉、高德、云客户和开源项目能提供 Agent 长期运行所需的真实反馈。它的反面是组织复杂度：芯片、云、模型、企业软件与消费终端并非天然共享一个产品节奏。全栈最怕的不是缺一个方框，而是每个团队都做出了自己的方框，却没有统一身份、日志、计费、版本和责任边界。

从模型竞争到系统竞争，评价指标必须换

模型时代最受关注的是 benchmark。Agent 时代仍需要模型评测，但企业更关心五个系统指标：

• 任务成功率：不是单轮回答分数，而是完整业务任务能否完成；
• 单位成功任务成本：包含模型 token、容器、存储、网络、重试与人工接管；
• 长程可靠性：运行数小时或数天后，错误是否累积；
• 可治理性：身份、权限、审计、数据边界和紧急停止是否有效；
• 可迁移性：模型、框架或硬件更换后，业务是否需要重写。

Agent-Native Cloud 的产品设计已经碰到这五项，但发布材料还没有给出足够的量化结果。下一轮竞争不会由谁先造出 AgentLoop 这个品类决定，而由谁能公开回答「它把失败率从多少降到多少、把每次成功任务成本从多少降到多少」决定。

三个未来剧本

最可能的剧本：阿里成为中国企业 Agent 的默认运行底座之一

Qwen 保持开放模型影响力，百炼继续吸引企业，AgentRun、AgentLoop 和 AgentTeams 与阿里云身份、数据库、函数计算、容器和安全产品深度整合；真武与 SAIL 先在阿里云内部和成本敏感的推理负载中扩大使用，再逐步向外部开发者开放。

这个剧本不要求 Qwen 永远排名第一，也不要求真武在单卡性能上击败所有 GPU。只要整套系统在中国企业环境中更便宜、更容易合规、更容易采购，阿里就能把模型热度转换成云收入。2026 财年云外部收入加速与 AI 产品占比上升，为这个方向提供了早期商业信号。

最危险的剧本：全栈变成高成本的内部耦合

Qwen 旗舰模型缺少透明评测，SAIL 开放程度不足以形成外部社区，Agent 产品长期停留在邀测和案例展示，终端又没有稳定用户入口。各层只能在阿里内部互相证明，外部客户仍用英伟达 GPU、第三方模型和更成熟的 Agent 平台。

此时，3800 亿元投入会放大问题。基础设施折旧要求持续高利用率，模型训练和推理又快速变化；如果自研芯片无法承接足够多的开放负载，阿里必须同时维护自有与外部硬件栈，复杂度和成本都会上升。全栈原本为了减少依赖，最后可能产生更多内部依赖。

最乐观的剧本：SAIL 与 Qwen 共同形成 CUDA 之外的开放路径

SAIL 将核心源码、路线图、issue 和外部贡献机制真正公开，兼容层让现有 PyTorch、vLLM 和 SGLang 工作负载低成本迁移；Qwen 的开放模型为真武提供大量可复现负载，阿里云再用 TokenWorks 和超节点把成本优势传导给开发者。耳机、眼镜、钉钉、高德和电商入口持续产生 Agent 任务，形成从终端反馈到模型、从模型到芯片优化的数据回路。

这个剧本的难度最高，因为 CUDA 的护城河不是一个接口，也不是一代芯片，而是长期稳定的软件生态。阿里若想接近它，需要把「开放」从下载权限变成治理结构，把「兼容」从发布表格变成第三方持续测试，把「全栈」从产品清单变成可测量的任务成本。

结尾：WAIC 展示的是一张施工图

2019 年，含光 800 证明阿里可以为自己的业务造一颗 AI 芯片。2023 年，Qwen 证明它可以进入模型竞争。2026 年，Agent-Native Cloud、SAIL 与 Qwen 3.8-Max-Preview 被放在一起，阿里试图证明的事情更大：它能不能从一次模型调用，一直控制到一项工作完成。

我的判断是，这轮发布真正推进的不是「阿里也有全栈」，而是阿里开始争夺 Agent 的运行控制权。谁控制运行时，谁就能看到任务轨迹、安排模型与算力、定义权限和计费，也最有机会把模型能力转成持续收入。

但 WAIC 给出的仍是一张施工图。Agent-Native Cloud 需要生产数据，SAIL 需要更透明的开放治理，Qwen 3.8-Max-Preview 需要模型卡和第三方评测，终端需要长期使用证明。下一次再看这套体系，不该数它新增了多少产品，而该看三个数字：外部 Agent 连续运行了多久，单位成功任务成本降了多少，非阿里团队向 SAIL 贡献了多少代码。

这三个数字，才会决定全栈是护城河，还是一张更长的产品清单。

信息来源

1. Alibaba Cloud Unveils Agent-Native Innovations at WAIC 2026 2. 阿里云在 WAIC 上发布智能体原生创新成果 3. WAIC 2026 阿里云主题论坛倒计时 4. 龙蜥 AI Infra 新力量：T-Head SAIL 软件栈正式开源 5. T-Head SAIL SDK Release Note v2.1 6. 平头哥真武产品与 T-Head SAIL 软件栈 7. 平头哥新闻：SAIL、真武 M890 与磐脉 920 8. Triton for SAIL GitHub Repository 9. DeepGEMM for SAIL GitHub Repository 10. FlashAttention for SAIL GitHub Repository 11. AgentLoop 邀测说明 12. AgentTeams 与 AgentLoop 公测说明 13. Alibaba Cloud Unveils New Server Chips to Optimize Cloud Computing Services 14. Some of the Major Topics from Apsara Conference 2019 15. Alibaba Cloud Unveils Tongyi Qianwen 16. Qwen Technical Report 17. Alibaba Cloud Unveils Qwen2.5 and Full-Stack AI Infrastructure 18. Qwen2.5 Technical Report 19. Qwen3: Think Deeper, Act Faster 20. Alibaba Introduces Qwen3 21. Alibaba to Invest RMB380 Billion in AI and Cloud Infrastructure 22. Alibaba Cloud’s Apsara Conference 2025: Full Stack AI + Cloud 23. Alibaba’s Cloud Revenue Growth Accelerates to 40% 24. AgentScope GitHub Repository 25. AgentScope Runtime GitHub Repository 26. Alibaba Cloud Model Studio 27. Alibaba Cloud Model Studio: Supported Models 28. Google Cloud Agent2Agent Protocol Update 29. AWS re:Invent 2025: Nova 2, Trainium3 and Frontier Agents 30. AWS Agentic AI Innovations and Amazon Bedrock AgentCore 31. Microsoft Foundry Agent Service GA 32. Microsoft Foundry 33. Huawei Cloud Announces Pangu Models 5.5 and AI Cloud Service 34. Serving Large Language Models on Huawei CloudMatrix384 35. Qwen 3.8-Max-Preview 社区早期讨论：能力与速度 36. Qwen 3.8-Max-Preview 社区早期讨论：缺少公开基准