2026年11月8日,年度技术发布大会在上海举行。围绕“全栈协同”这一主题,一次性发布了新一代模型矩阵、Agent开发平台3.0以及自研AI基础设施集群三项核心升级,覆盖从底层算力调度到上层应用编排的完整链路。这场发布会没有停留在单点产品的迭代上,而是把模型、平台与基础设施放进同一张技术蓝图里同步推进,构成了近三年规模最大的一次体系化更新。
如果用一句更上层的判断来概括:正在从“提供模型能力”转向“提供可被企业直接编排的智能生产体系”。模型决定能力上限,平台决定落地效率,基础设施决定成本曲线,三者只有在同一节奏上迭代,AI才可能从项目制试点走向规模化生产。这一判断贯穿了本次大会的全部发布内容。
下文将按照模型矩阵、平台与Agent生态、基础设施三层结构,对本次发布的技术细节、关键指标与真实落地数据进行完整梳理。

从大会现场释放的信息看,此次并未把资源集中于单一“参数更大”的模型,而是以矩阵化的方式重新划分能力边界,再用统一的平台与基础设施承接这些能力的分发与成本控制。这种组织方式的差异,比任何单项指标都更值得关注。
本次发布会最先登场的是的模型矩阵。与上一代“一个主力模型打天下”的思路不同,新矩阵按能力密度、响应时延与部署成本三个维度分层,形成旗舰、轻量、多模态、推理专用四条产品线,并共用同一套对齐与安全底座。首席技术官在现场表示,模型矩阵的目标不是数量扩张,而是让企业在同一技术栈内按场景选择成本最合适的档位。
DQ-Pro 2.0采用720B总参数、48B激活参数的混合专家架构,在保持推理算力开销可控的前提下扩大了知识容量。上下文窗口从上一代的128K扩展至256K,长文档抽取任务的完整率提升18.7%。在公布的内部评测集上,该模型的中文学术理解得分提升12.4%,代码缺陷修复通过率提升21.3%,长文档多跳问答准确率提升15.6%。对需要处理合同、赛事规程、技术手册等长文本的企业用户来说,上下文扩容带来的直接价值是减少分段调用与信息丢失,从而降低整条推理链的成本。
同步推出7B与13B两个规格的轻量模型,支持INT4量化后在单张消费级显卡上运行,端侧首字响应延迟控制在180毫秒以内。该系列模型主要面向实时性要求高、数据不出内网的场景,例如场馆闸机的人证核验、客服机器人的本地意图识别。给出的测试数据显示,13B版本在保留通用对话能力的前提下,单位请求成本较调用旗舰模型下降约82%,这让高频低复杂度的调用第一次具备了经济可行性。
多模态方向是本次升级幅度较大的部分。的视频理解模型支持30分钟连续片段的时序建模,并采用自适应帧采样策略,在运动画面等高变化场景下自动提高采样密度。文档侧,表格结构还原准确率达到96.2%,手写体OCR识别准确率提升至94.8%。这两项能力对体育行业的赛事剪辑、数据统计与票务实名核验具有直接价值,也解释了为何把多模态列为与语言模型并列的独立产品线。
面向复杂决策场景,发布了推理专用模型DQ-R1,通过强化学习与过程监督提升多步推理稳定性。在数学推理与逻辑链条类测试中,该模型通过率达到82.5%,较上一代提升26.1个百分点;在工具调用类任务中,多步执行的成功率从61.4%提升至78.6%。强调,DQ-R1的价值不在于刷榜,而在于把“思考步数”变成可配置参数,让企业能够按任务复杂度控制成本。
从矩阵结构可以看出,的模型策略已经明确转向“分层供给”:用旗舰模型守住能力上限,用轻量模型压低边际成本,用专用模型吃透垂直场景。四类模型共享同一套对齐流程与安全策略,意味着企业在切换档位时不必重做适配工作,这是矩阵化相对于堆叠单模型的核心优势。
值得单独说明的是评测口径。本次公布了评测集构成、采样方式与人工复核比例,并开放了其中三套内部评测集供开发者复现。对长期困扰企业的“参数好看、落地失效”问题而言,可复现的评测口径比单纯的分数更有意义。
模型之外,本次发布的重心落在Agent开发平台3.0上。该平台把此前分散在SDK、控制台与运维工具中的能力整合为四层结构:工具调用协议层、记忆与状态层、编排与调试层、评测与灰度层。平台负责人在现场给出的定位是,平台的目标是让一个业务团队在三周内完成从需求拆解到上线的全流程,而不是把时间消耗在环境搭建与提示词试错上。
平台3.0定义了统一的工具描述规范,支持HTTP、gRPC与本地函数三种接入方式,工具注册后由平台自动完成参数校验、重试与超时控制。公布的数据显示,接入标准化工具后,单次任务的平均失败重试次数从2.7次降至0.9次,端到端任务完成率提升至91.2%。对已有大量内部系统的企业而言,这意味着不必重写业务逻辑,只需按规范暴露接口即可被Agent调用。
针对多轮长任务场景,平台引入分层记忆机制,将短期会话上下文、任务中间状态与长期知识库分离存储,并支持按Token预算动态裁剪。在实际测试中,跨20轮以上的任务上下文保持率从63.5%提升至89.4%,同时平均Token消耗下降27.8%。这一设计直接回应了Agent落地中最常见的两个抱怨:任务做一半忘了目标,以及成本随轮次线性膨胀。
披露,截至2026年10月,平台注册开发者达到32万,企业客户4800家,API日均调用量21亿次,同比增长3.6倍。平台上的Agent应用数量超过5.4万个,其中进入生产环境的比例从去年的11%提升至29%。这组数据说明的生态已经从“试用驱动”转向“生产驱动”,而生产环境比例往往是判断AI平台是否真正被采用的关键指标。
大会现场分享的一个案例来自一家覆盖多城市的体育场馆运营方。该客户在平台上搭建了两个Agent:一个负责赛事排期与场地资源冲突检测,另一个承接票务咨询与退改签工单。上线三个月后,排期冲突导致的临时调整下降41%,人工客服工单量下降46%,首响时间从平均4分钟压缩到19秒。这个案例的意义在于,它并非演示环境中的理想流程,而是需要对接既有票务系统、场地管理系统与客服工单系统的真实集成工程。
同步开放了三款模型的权重与推理代码,允许商业使用,累计下载量已达180万次,社区提交的有效PR超过2400个。方面表示,开源并非放弃商业闭环,而是把适配成本转移给生态共同承担——企业侧的直接反馈是,私有化部署的适配周期从平均6周缩短至11天。
从平台层看,的路径选择相对清晰:不做垂直应用的最终交付方,而是把工具协议、记忆机制与评测体系做成公共基础设施,让ISV与企业自建团队在上层竞争。目前其ISV合作伙伴已达620家,覆盖28个省级行政区,这种“平台做底座、生态做场景”的分工,是在本次发布会上反复强调的生态主张。
本次发布会第三部分的信息密度最高,也最能解释前述模型与平台升级为何能够同时发生。发布了自研加速卡、高速网络、分布式存储与统一调度平台的组合方案,核心目标只有一个:把单位Token的推理成本与万卡级训练的稳定性同时压到可规模化区间。
自研的DQ-X2加速卡采用FP16 512 TFLOPS、HBM 96GB的规格,卡间互联带宽提升至上一代的1.8倍。在同等模型规模下,单机8卡推理吞吐较上一代提升2.3倍,首Token延迟下降41%。对而言,自研芯片的意义不在于替代通用GPU,而在于为高频调用的轻量模型提供成本更优的算力选项,形成“旗舰模型用通用算力、高频模型用自研算力”的混合供给结构。
网络层:万卡训练的线;在新集群中部署了3.2Tbps的RDMA网络,配合拓扑感知的通信调度策略,在万卡规模下实现了92%的线性加速比,较上一代集群提升15个百分点。通信拥塞导致的训练抖动下降63%,这对于需要长时间连续训练的大模型任务尤为关键——抖动往往意味着数天的算力浪费。
存储侧,单集群容量达到20PB,检查点写入时间从原来的约30分钟压缩至90秒,故障恢复时间缩短至90秒以内。这意味着一次硬件故障对训练进度的影响从“半天”级别下降到“分钟”级别。对于动辄需要数周连续训练的团队,容错能力的提升几乎等价于有效算力的提升。
统一调度平台支持训练、推理、数据处理三类负载的混部,通过细粒度切分与优先级抢占,把集群GPU平均利用率从58%提升至79%。配合弹性配额机制,中小团队排队等待时间平均下降72%。方面披露,这一调度能力已在其自建集群与多家企业私有云环境中完成验证。
在推理服务层面,通过连续批处理、前缀缓存与算子融合三项优化,把单位Token的推理成本较2025年同期下降57%,P99延迟控制在320毫秒以内。成本与延迟同时下降并不常见,其背后是模型分层、算力混合与调度优化三项工作的叠加结果,也印证了本次发布会“全栈协同”的主题并非修辞。
把三部分发布内容放在一起看,本次大会的逻辑是完整的:模型矩阵提供分层能力,Agent平台把能力转化为可编排的生产组件,基础设施则决定这套体系的成本与稳定性上限。三者同步推进,才使得“企业可以在同一技术栈内完成从试点到规模化”这一表述具备现实基础。
从九游体育,九游体育股份有限公司,九游体育官方网站,九游Sports生态数据看,目前拥有32万注册开发者、4800家企业客户、620家ISV合作伙伴,业务覆盖28个省级行政区,并在新加坡与法兰克福设有区域节点。方面宣布,未来三年将投入120亿元用于算力建设、模型研发与开发者激励,其中约四成投向基础设施。这一投入结构与其“全栈协同”的定位相互印证。
对整个行业而言,此次发布释放的信号是明确的:AI竞争的焦点正在从单一模型能力转向体系化交付能力,谁能把模型、平台与算力组织成一条稳定的成本曲线,谁就更有可能在企业级市场中占据长期位置。选择了这条更重、更慢但更难被替代的路径。