全球最強(qiáng)編程模型，中國造。

作者丨吳海明

編輯丨梁丙鑒 馬曉寧

你可以從同事.skill 的爆火中看到兩種截然不同的時代情緒，其一固然是對 Markdown 文件“大變活人”這一魔幻現(xiàn)實(shí)的試探，而反面則是如今對模型能力的評價，已經(jīng)離不開工作級任務(wù)的場景。

“AI 能不能替代程序員”的老生常談之下，今天的真問題是，國產(chǎn)大模型能在多大程度上接管開發(fā)工作流。

這背后是一個被反復(fù)驗(yàn)證的痛點(diǎn)：當(dāng) AI Agent 被放進(jìn)真實(shí)項(xiàng)目，它并沒有想象中那么“能扛活”。它能開始任務(wù)，但執(zhí)行過程反復(fù)中斷，多輪對話后上下文丟失，結(jié)果前后不一致。面對非標(biāo)準(zhǔn)需求時，工具調(diào)用也頻頻失誤。你一覺醒來，發(fā)現(xiàn)流程早已卡死，標(biāo)準(zhǔn)結(jié)局總是如此。

問題的根源不在 Agent 的外殼，而在底層大模型本身還缺乏穩(wěn)定可靠的“執(zhí)行力”和“決策力”。

4月7日，阿里云通義千問 Qwen3.6-Plus 正式上線，在 Terminal-Bench 2.0 編程測試中超越了 Claude Opus 4.5，拿下全球編程模型榜首。

但我們決定換一種更接近真實(shí)場景的方式測一次，不用單點(diǎn)的 Benchmark，而是用兩套真實(shí)復(fù)雜任務(wù)，覆蓋“決策”與“執(zhí)行”兩條能力軸，全面評估 Qwen 3.6-Plus 的智能體能力上限。

01

核心實(shí)測——“雙線”考核：

復(fù)雜決策 × Agentic Coding

現(xiàn)實(shí)中高價值的工作級任務(wù)，往往是多因素、多步驟、有約束、有風(fēng)險，和“一步到位”的 ChatBot 對模型有著完全不同的能力需求。因此，大模型從“聊天工具”變成真正的智能體，復(fù)雜決策能力是一個分水嶺。

在本次測評中，我們選擇智能體決策與智能體編程兩個高難度、高價值場景，構(gòu)建了雙線考核體系，檢驗(yàn)?zāi)Ｐ驮谡鎸?shí)復(fù)雜任務(wù)中的自主規(guī)劃、動態(tài)決策與工程落地能力：

case1 教育改革試點(diǎn)方案設(shè)計(jì)：復(fù)雜規(guī)劃與現(xiàn)實(shí)決策

我們采用具備主動執(zhí)行能力的代表性智能體框架 OpenClaw 進(jìn)行測試，在教育改革背景下要求模型設(shè)計(jì)貼近真實(shí)場景的復(fù)雜規(guī)劃任務(wù)，從而系統(tǒng)評估模型在目標(biāo)理解、任務(wù)拆解、路徑規(guī)劃、方案細(xì)化與執(zhí)行決策等全流程環(huán)節(jié)中的表現(xiàn)。

這不是一道作文題，我們設(shè)計(jì)的任務(wù)難度遠(yuǎn)超常規(guī)：

代碼塊

某市教育局計(jì)劃在 6 個月內(nèi)，為 20 所公立中學(xué)試點(diǎn)部署一套“AI 學(xué)習(xí)助手”系統(tǒng)，幫助學(xué)生進(jìn)行課后答疑、個性化練習(xí)和學(xué)習(xí)反饋。

已知條件如下：

- 總預(yù)算上限為 800 萬元人民幣

- 試點(diǎn)學(xué)校中，城區(qū)學(xué)校 8 所，縣鎮(zhèn)學(xué)校 12 所，數(shù)字化基礎(chǔ)差異明顯

- 部分教師擔(dān)心 AI 會增加備課和管理負(fù)擔(dān)

- 家長對于學(xué)生數(shù)據(jù)隱私、沉迷使用、以及答案依賴問題存在顧慮

- 教育局要求項(xiàng)目不能明顯擴(kuò)大不同地區(qū)、不同家庭背景學(xué)生之間的教育差距

- 項(xiàng)目必須在下學(xué)期開始前完成首輪部署，且不能額外長期新增大量編制

- 若試點(diǎn)效果良好，未來 2 年內(nèi)將考慮擴(kuò)大到全市 200 所學(xué)校

請你作為項(xiàng)目顧問，完成一份試點(diǎn)實(shí)施方案。你的回答至少需要包括：

1. 問題定義

2. 目標(biāo)與約束拆解

3. 6 個月試點(diǎn)方案

4. 公平性與風(fēng)險控制

5. 評估體系

6. 是否擴(kuò)大到 200 所學(xué)校的決策標(biāo)準(zhǔn)

額外要求：

- 明確說明關(guān)鍵假設(shè)

- 至少提出 2 個備選方案，并解釋推薦理由

- 體現(xiàn)短期可落地性與長期可擴(kuò)展性的平衡

- 盡量給出可執(zhí)行機(jī)制，而不是只講原則

補(bǔ)充條件：試點(diǎn)開始 2 個月后，媒體報道某校學(xué)生過度依賴 AI 完成作業(yè)，引發(fā)家長爭議；同時另有 3 所縣鎮(zhèn)學(xué)校反饋網(wǎng)絡(luò)與終端條件不足，實(shí)際使用率遠(yuǎn)低于城區(qū)學(xué)校。請?jiān)谠桨富A(chǔ)上動態(tài)調(diào)整你的策略。

任務(wù)要求模型輸出：問題定義、目標(biāo)約束拆解、6個月試點(diǎn)方案、公平性風(fēng)險控制、評估體系、是否擴(kuò)大的決策標(biāo)準(zhǔn)，以及要求至少2個備選方案并說明推薦理由。

這考驗(yàn)的不是文字生成能力，而是真正的“任務(wù)拆解與組織執(zhí)行”能力。一般模型很容易輸出一堆空洞的規(guī)劃方案，且極難把控資源分配與具體任務(wù)拆解，看看 OpenClaw 在 Qwen3.6-Plus 模型下是怎么完成工作的：

1.復(fù)雜問題結(jié)構(gòu)化拆解

把模糊需求快速轉(zhuǎn)化為問題定義、目標(biāo)分層、約束清單、預(yù)算分配、時間線、評估體系等完整框架，邏輯嚴(yán)密、層級清晰，全程無口號空話，體現(xiàn)專業(yè)級復(fù)雜決策與任務(wù)拆解水平。

2.多約束下精準(zhǔn)資源平衡

在 800 萬預(yù)算、6 個月周期、城鄉(xiāng)差異、教師負(fù)擔(dān)、公平底線、無新增編制等多重強(qiáng)約束下，給出可執(zhí)行、可量化、可評審的落地方案，預(yù)算一分不差、資源向縣鎮(zhèn)傾斜，兼顧效率與公平。

3.動態(tài)風(fēng)險應(yīng)急與迭代決策

面對試點(diǎn)第 2 個月輿情危機(jī) + 縣鎮(zhèn)設(shè)備網(wǎng)絡(luò)不足雙突發(fā)事件，模型快速給出應(yīng)急響應(yīng)、功能調(diào)整、預(yù)算內(nèi)部調(diào)劑、部署重排，做到不超預(yù)算、不延期、閉環(huán)解決，展現(xiàn)真實(shí)智能體動態(tài)決策能力。

4.全周期規(guī)劃與規(guī)模化擴(kuò)展思維

Qwen3.6-Plus 不僅完成了 6 個月試點(diǎn)設(shè)計(jì)，還同步給出試點(diǎn)規(guī)模擴(kuò)展至 200 所學(xué)校的 Go/No-Go 硬標(biāo)準(zhǔn)、三階段擴(kuò)展路徑、成本優(yōu)化機(jī)制，從架構(gòu)、制度、人員、數(shù)據(jù)全方面預(yù)留接口，短期可落地、長期可擴(kuò)展，思維閉環(huán)且專業(yè)。

可以看到，Qwen3.6-Plus 在本次政府級復(fù)雜決策任務(wù)中，交付了完成度極高的方案，這背后是高水平的目標(biāo)理解、全鏈路規(guī)劃、動態(tài)風(fēng)險應(yīng)對、多約束平衡能力，正是我們對智能體在面對復(fù)雜決策時所期待的。

case2 AI TODO Board 全流程開發(fā)：Coding 能力考核

如果說 case1 是考察復(fù)雜場景的決策能力，那么 case2 則側(cè)重于 Qwen3.6-Plus 在 Coding 任務(wù)中的工程閉環(huán)水平。

我們采用開源智能編程工具 OpenCode 進(jìn)行測試，重點(diǎn)考察模型是否具備從需求理解到完整項(xiàng)目交付的全鏈路工程實(shí)現(xiàn)能力。評估內(nèi)容不僅包括最終項(xiàng)目是否可運(yùn)行、功能是否完整有效、代碼結(jié)構(gòu)是否清晰合理，還覆蓋模型在編程全流程中的關(guān)鍵能力，任務(wù)拆解、實(shí)現(xiàn)路徑規(guī)劃、階段性決策、測試與調(diào)試、問題定位與修復(fù)，以及基于反饋持續(xù)迭代并收斂到可用結(jié)果的能力。

# Coding Evaluation Task

你是一個高級軟件工程 Agent，請完成一個可運(yùn)行的 **TODO** 項(xiàng)目，并體現(xiàn)完整閉環(huán)能力：需求理解、任務(wù)拆解、實(shí)現(xiàn)規(guī)劃、編碼、測試、修復(fù)、交付。

任務(wù)：開發(fā)一個 **AI TODO Board**，讓用戶通過自然語言創(chuàng)建 TODO，在看板中管理狀態(tài)，并通過 AI 風(fēng)格能力自動拆解子任務(wù)、識別優(yōu)先級、提示風(fēng)險和下一步動作。

技術(shù)要求：Next.js 15+ 或 React + Vite，TypeScript，Tailwind CSS，可使用 shadcn/ui 或 Radix UI，測試使用 Vitest / Jest + Testing Library，可使用 mock 數(shù)據(jù)，不要求真實(shí)后端。

功能要求：實(shí)現(xiàn)三列 TODO 看板 Todo、Doing、Done；每個 TODO 卡片至少包含標(biāo)題、描述、優(yōu)先級、截止時間、標(biāo)簽、子任務(wù)摘要、完成進(jìn)度；支持狀態(tài)流轉(zhuǎn)，可拖拽，如不使用拖拽需提供合理替代交互。提供自然語言輸入框，例如“明天下午前完成招聘首頁改版，包含 Hero、崗位列表、FAQ，優(yōu)先級高”，系統(tǒng)需自動提取標(biāo)題、解析時間、推斷優(yōu)先級、生成 3–5 個子任務(wù)，并允許用戶在提交前編輯。右側(cè)提供 AI Assistant 面板，支持 TODO 拆解建議、風(fēng)險提示、下一步建議、逾期提醒。需要支持搜索、按優(yōu)先級篩選、僅看逾期、快速標(biāo)記完成、空狀態(tài)、加載態(tài)、錯誤態(tài)。

UI / UX 要求：暗色模式優(yōu)先，現(xiàn)代、精致、未來感 SaaS 風(fēng)格，有明顯層級、留白、卡片質(zhì)感和細(xì)微動效，桌面端完整可用，移動端基本可用，不能是腳手架默認(rèn)后臺風(fēng)格。

你必須輸出：1. 需求理解，2. 實(shí)現(xiàn)計(jì)劃，3. 項(xiàng)目結(jié)構(gòu)，4. 核心代碼，5. 測試代碼，6. 修復(fù)過程，7. 運(yùn)行說明，8. 權(quán)衡與不足。

必須測試：自然語言解析函數(shù)、創(chuàng)建 TODO 流程、TODO 狀態(tài)切換邏輯、篩選邏輯。

實(shí)現(xiàn)后繼續(xù)修復(fù)并說明過程：移動端橫向溢出，輸入“明天”時時間解析不穩(wěn)定，Done 列 TODO 很多時滾動體驗(yàn)差，篩選后狀態(tài)切換導(dǎo)致列表顯示異常；你需要說明如何定位問題、如何修改、如何驗(yàn)證修復(fù)成功。

你還將收到一張參考 UI 截圖，請分析其布局、層級、配色、間距、組件關(guān)系，并高保真復(fù)刻該頁面，說明哪些部分完全復(fù)刻，哪些部分做工程化折中，然后基于截圖繼續(xù)修改代碼直到盡量接近。

不要只寫思路，必須給出可運(yùn)行代碼、測試代碼、修復(fù)后的最終實(shí)現(xiàn)。

這不是一個能靠蠻干硬生生“寫”出來的任務(wù)。

開發(fā)一個 AI TODO Board，需實(shí)現(xiàn)三列看板（Todo、Doing、Done），支持自然語言創(chuàng)建 TODO 并自動提取標(biāo)題、時間、優(yōu)先級、子任務(wù)，還要提供 AI Assistant 面板進(jìn)行拆解建議和風(fēng)險提示，支持搜索、篩選，輸出完整實(shí)現(xiàn)計(jì)劃、項(xiàng)目結(jié)構(gòu)、核心代碼、測試代碼、修復(fù)過程說明。

傳統(tǒng)大模型在這種場景下，即使表面上能完成交付，也往往難以實(shí)際運(yùn)行。但是 Qwen3.6-Plus 表現(xiàn)得像是一位非常老道的架構(gòu)工程師和 UI 設(shè)計(jì)師。

1.全流程閉環(huán)開發(fā)，任務(wù)規(guī)劃與實(shí)時進(jìn)展可視化

項(xiàng)目啟動階段，Qwen3.6-Plus 首先進(jìn)行了需求拆解，精準(zhǔn)把握 AI TODO Board 開發(fā)的核心技術(shù)，還制定了包含 16 個步驟的清晰實(shí)現(xiàn)計(jì)劃。從項(xiàng)目初始化、依賴安裝，到核心功能開發(fā)、測試編寫，再到問題修復(fù)，這套方案可以直接交給工業(yè)級軟件工程團(tuán)隊(duì)去執(zhí)行，而且每一步均以可視化進(jìn)度條實(shí)時呈現(xiàn)進(jìn)展。

開發(fā)過程中，模型嚴(yán)格遵循軟件工程規(guī)范，像專業(yè)的開發(fā)團(tuán)隊(duì)一樣，依次完成了從任務(wù)拆解到測試交付的全鏈路環(huán)節(jié)，不僅實(shí)現(xiàn)了測試用例全部通過，還針對移動端橫向溢出、時間解析不穩(wěn)定、滾動體驗(yàn)差等核心問題進(jìn)行系統(tǒng)性修復(fù)，確保項(xiàng)目從原型到成品的平穩(wěn)落地。

值得注意的是，在開發(fā)服務(wù)器啟動、本地部署等環(huán)節(jié) Qwen3.6-Plus 均一次成功，交付效率遠(yuǎn)超常規(guī)開發(fā)流程。

2.代碼迭代與精準(zhǔn)返修，工程化能力拉滿

在代碼實(shí)現(xiàn)階段，Qwen3.6-Plus 展現(xiàn)出扎實(shí)的技術(shù)功底與嚴(yán)謹(jǐn)?shù)拇a迭代邏輯。針對項(xiàng)目核心模塊，模型完成了從組件設(shè)計(jì)到狀態(tài)管理的全棧開發(fā)：

? 基于 Radix UI 與 shadcn/ui 搭建現(xiàn)代化 UI 組件庫，打造沉浸式暗色 SaaS 風(fēng)格界面；

? 開發(fā)自然語言解析器，實(shí)現(xiàn)中英文時間、優(yōu)先級智能提取與子任務(wù)自動生成；

? 利用 Zustand 完成 TODO 狀態(tài)管理，支持拖拽流轉(zhuǎn)、搜索篩選、逾期提醒等全功能；

返修是軟件工程不可避免的環(huán)節(jié)，能否精準(zhǔn)定位問題所在進(jìn)行針對性修改，再完成驗(yàn)證的閉環(huán)，是模型在工作級任務(wù)中會面對的真實(shí)考驗(yàn)。在 AI TODO Board 的開發(fā)中，Qwen3.6-Plus 也有著不俗的表現(xiàn)。

移動端橫向溢出問題，通過調(diào)整容器寬度與布局屬性解決，優(yōu)化時間解析邏輯，統(tǒng)一使用 UTC 時間處理避免解析偏差，替換滾動組件提升 Done 列大數(shù)量場景的滾動體驗(yàn)，重構(gòu)篩選邏輯消除狀態(tài)切換后的顯示異常……

每一次修復(fù)均配套新增測試用例驗(yàn)證，確保問題徹底解決且不引入新 bug。這些過程都是由模型自主完成，我看到的，只有開發(fā)日志里一行行清晰可追溯的記錄。

3.高保真 UI 復(fù)刻與功能全覆蓋，交付質(zhì)量達(dá)標(biāo)

原生多模態(tài)能力使得 Qwen3.6-Plus 能嚴(yán)格參考 UI 截圖完成高保真復(fù)刻，在布局層級、配色風(fēng)格、組件交互上高度還原設(shè)計(jì)要求。

在功能層面，交付成果也完全覆蓋需求。應(yīng)用支持自然語言輸入，可自動提取標(biāo)題、解析時間，然后生成 3-5 個子任務(wù)且支持編輯；AI 助手面板提供拆解建議、風(fēng)險提示等能力；搜索、優(yōu)先級篩選、逾期查看等實(shí)用功能也逐一實(shí)現(xiàn)。最終交付的項(xiàng)目，可直接本地部署運(yùn)行，界面與功能均達(dá)到預(yù)期交付標(biāo)準(zhǔn)。

4.極致測試與問題閉環(huán)，質(zhì)量把控體系完善

測試環(huán)節(jié)是模型交付的核心亮點(diǎn)之一。Qwen3.6-Plus 針對核心模塊編寫了全覆蓋測試用例，包括 23 個自然語言解析測試、14 個狀態(tài)管理與流程測試，全面驗(yàn)證自然語言解析、TODO 創(chuàng)建、狀態(tài)切換、篩選邏輯等核心功能的穩(wěn)定性。

在修復(fù)環(huán)節(jié)，模型針對每一個暴露的問題均完成了 “定位 - 修改 - 驗(yàn)證” 的全流程，新增邊緣測試用例確保修復(fù)效果的穩(wěn)定性，最終實(shí)現(xiàn)項(xiàng)目零核心 bug、測試全通過的高質(zhì)量交付狀態(tài)。

當(dāng)然，測試案例也暴露了 Qwen 3.6-Plus 不穩(wěn)定的一面。在實(shí)測中我們觀察到了明顯短板：

? 首字延遲（TTFT）：免費(fèi)預(yù)覽版首字出現(xiàn)時間有時高達(dá)11秒，在需要快速反饋的場景下會破壞開發(fā)者心流

?偶發(fā)性輸出循環(huán)（Looping）：在極高復(fù)雜度任務(wù)中，模型有時會陷入重復(fù)輸出同一段內(nèi)容的循環(huán)

?API頻率限制較嚴(yán)格：Rate Limit 在高頻Agent自動化任務(wù)中容易觸發(fā)，可能中斷長流程執(zhí)行

?安全邊界能力不足：在安全相關(guān)任務(wù)（權(quán)限管理、加密實(shí)現(xiàn)）上成功率僅為43.3%，不建議在涉及高安全級別的自動化流程中單獨(dú)使用

但兩項(xiàng)測試完成后，一個感受仍然很清晰，Qwen 3.6-Plus 好像一支完整的團(tuán)隊(duì)，在任務(wù)規(guī)劃、代碼迭代和問題精準(zhǔn)修復(fù)上，表現(xiàn)出了工業(yè)級軟件工程的交付水準(zhǔn)。

02

Agentic Coding 的工程高地

Qwen 3.6-Plus 的特別之處在于，雙線并行的格局首次在國產(chǎn)模型中出現(xiàn)。過往國產(chǎn)模型往往只在某一維度上突出，能寫代碼但決策弱，能規(guī)劃但執(zhí)行崩，但工業(yè)級 Agentic Coding 需要的恰恰是二者兼具。Qwen 3.6-Plus 做到了這一點(diǎn)，在編程智能體和復(fù)雜流程決策兩條戰(zhàn)線上同時逼近第一梯隊(duì)：

? Terminal-Bench 2.0：61.6分，超越Claude Opus 4.5（59.3），在shell操作、文件管理、進(jìn)程控制等硬核終端任務(wù)上，它是目前最強(qiáng)的模型之一；

? Claw-Eval：58.7分，極接近Claude Opus 4.5（59.6），在真實(shí)世界多步Agent任務(wù)中進(jìn)入第一梯隊(duì)；

? Claw-Eval：58.7分，極接近Claude Opus 4.5（59.6），在真實(shí)世界多步Agent任務(wù)中進(jìn)入第一梯隊(duì)；

? SWE-bench Verified：78.8%，處理大多數(shù)企業(yè)級Bug修復(fù)和代碼重構(gòu)已綽綽有余；

? 成本：輸入￥2/M，輸出￥12/M，約為Claude的1/10；

這意味著什么？

在 Terminal 操控和工具調(diào)用上的領(lǐng)先，使 Qwen 3.6-Plus 成為了當(dāng)前最適合丟進(jìn) OpenClaw 這類 Agent 框架中“跑起來”的國產(chǎn)模型。不是輔助寫代碼，它真的能做到像你的 AI 開發(fā)搭檔那樣，驅(qū)動產(chǎn)品長出來。在 Coding 賽道已經(jīng)成為一片紅海的今天，Qwen 3.6-Plus 再一次讓軟件開發(fā)的門檻降了一截。

從被調(diào)用的工具到執(zhí)行任務(wù)的參與者，當(dāng)模型角色的這一轉(zhuǎn)型越發(fā)成為各大廠商的共識，我們看到阿里做出了自己的選擇。Qwen 3.6-Plus 的戰(zhàn)略定位并非全能型選手，更像是專攻 Agentic Coding 這一垂直場景的作品。背后的原因不難理解，當(dāng)基礎(chǔ)模型的能力趨于同質(zhì)化，能否在真實(shí)工程環(huán)境中自主完成任務(wù)已經(jīng)成為了最重要的競爭高地。

03

模型層，走向參數(shù)效率之爭

更值得注意之處在于，Qwen 3.6-Plus 在參數(shù)效率上表現(xiàn)出了顯著的優(yōu)勢。橫向?qū)Ρ龋珿LM-5、Kimi-K2.5 等模型的參數(shù)量均是其 2-3 倍。

用更少的參數(shù)實(shí)現(xiàn)更好的性能，這在大模型此前普遍以參數(shù)規(guī)模換智能水平的背景下，可以被視為一種全新的范式轉(zhuǎn)移。

比起小模型的“妥協(xié)”，一個越來越無法忽視的視角是，大模型的商業(yè)化正在重新定義 AI 性能的標(biāo)準(zhǔn)。模型訓(xùn)練、推理一向以重投入的面目示人，也順理成章地成為了大模型商業(yè)化的瓶頸，而更高的參數(shù)效率會讓模型廠商在上述領(lǐng)域擁有寶貴的競爭力。

Benchmark 仍有意義，但今天單位成本下的有效智能更能說明問題。在當(dāng)前的技術(shù)脈絡(luò)中，參數(shù)效率，已經(jīng)成為了模型規(guī)模化落地的鑰匙。

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。