这一代升级了什么：跟自家上一代同场比，涨幅最大的是连续干活的能力

官方给这一代的定位是四个方向全面加强：编程、办公、科研、长周期任务，核心主张是「端到端可靠交付」，一件事从头干到尾，中间不用人扶。

同一张成绩单里拿上一代旗舰 Qwen3.7-Max 对照，涨幅集中在要连着干很多步的项目上：

后面那个开一年网店的模拟里，年底总现金比上一代多 152%。单点问答类的涨幅就小得多：GPQA Diamond（研究生级科学问答）从 92.4 到 92.6，几乎原地。涨的地方都在长活上。

跑分有输有赢：写代码仍落后 Claude 最强档，多模态是它的主场

发布页把 Claude Opus 4.8、Claude Fable 5、GPT-5.6 Sol、Gemini 3.1 Pro 都拉进了对比表，输赢都印在自己页面上：

写代码的差距最实在：SWE-bench Pro 落后 Claude Fable 5 十二分多。反过来，听懂复杂指令一项高出第二名 10 分，复现论文全场最高，文档解析、长视频理解、操作电脑这些多模态项目也排第一，这一片是它的主场，但没有通吃，屏幕定位、安卓手机操作仍是 Fable 5 更高。

官方性能总览图。来源：Qwen 发布页

脚注里有个细节：相当一部分编码项目是拿 Claude Code 当评测框架跑的，用对手家的工具测自己的模型，评测框架这一层不占自家便宜。表里 Fable 5 空着的几项，官方标注是暂无可用分数。

16 天没人插手：模型自己接需求、写代码、跑测试，攒下 265 次提交

第一个活：从一个空文件夹起步，开发一个叫 oh-my-cli 的命令行工具，全程不许人插手。

它给自己搭了一条自动循环：用户反馈和社区实践进来先变成 GitHub issue，然后按状态机领任务、写实现，写完自动跑构建、单元测试和端到端测试，全过了才合并；哪一步挂了，任务自动退回去重修。这套循环本身也在被它升级，运行途中它给项目加上了 /goal、/resume、会话回放、桌面版这些新能力。

到 7 月 30 日、自主运行约 16 天时，仓库攒下 265 次提交、127 个 PR、151 个 issue。全过程的痕迹公开在 GitHub 仓库 qwen-code-dev-bot/oh-my-cli 里，每一条 commit 都能翻。

一篇论文加一批 GPU：五天复现六项结论，还找出了比论文更好的方法

第二个活换成科研。给它一篇今年 5 月的数据挑选论文和一批 GPU（训练模型用的显卡），没有任何起始代码，论文标题和链接在文末来源栏。论文研究的问题很实际：训练数据多到用不完、预算有限，该留哪些样本？论文给的答案：挑「艰难抉择点」多的样本，也就是解题过程中，模型真正拿不准该往哪走的那些时刻。

它先花约 37 小时把论文的整套流水线从零写出来，数据处理、训练、评测约 7,600 行代码，然后把论文六项主要结论全部复现了一遍：用论文的方法挑数据去微调 Qwen3-8B（80 亿参数的开源小模型，实验对象不是它自己），在竞赛数学基准 AIME24 上比随机挑数据高 7.7 个百分点。

复现是前 37 小时，之后的约 88 小时它跑起一个科研循环：提出改进假设，写代码，上 GPU 训练，分析结果，进下一轮。四轮下来，自己提出并测掉 18 种想法：

第三轮比第二轮回撤了 0.4 分，表里原样保留。最后胜出的想法反而最简单：不算复杂的加权分数，直接数每个样本里「艰难抉择点」的个数。前后约五天 125 小时不间断、1,100 多步操作、33 轮 GPU 训练，没人碰过键盘。

天池真比赛：45 次提交从 0.60 爬到 0.853，压过 87% 的人类队伍

第三个活有对手：阿里云天池上的 WWW2025 多模态对话意图识别挑战赛，526 支人类队伍同场。任务是读电商客服对话，文字加商品截图，判断顾客到底想要什么。时限 24 小时。

它读完比赛规则自己搭方案：微调了几个中文文本模型和一个看图模型，融成一套加权投票系统，各家投票的权重用交叉验证校准。45 次提交，每次的排行榜反馈都拿来调下一版，准确率从 0.60 一路爬到 0.853，压过 458 支人类队伍，全场的 87%。

最没法吹的案例：功能一位不许错，芯片电路从 8298 门磨到 678 门

长程任务里最硬的一个：设计一块加密运算硬件电路（GCD/RSA 加速器）。这个案例的成绩没法注水，功能验证要求逐位精确（bit-exact）：随机测试下四种位宽的输出，必须和标准答案每一个二进制位都一样，错一位就不合格；在此前提下比谁用的逻辑门少，门数（cell count）由综合工具 Yosys 算出来，不是人打分。

给它的只有任务描述、一个空的接口骨架和评估脚本，没有参考设计。它在仿真、综合、物理设计的工具沙箱里连续跑了约 500 轮交互、71 次评估，门数一路这样掉下来：

跑了几百轮之后它还在发起大改：第 170 轮之后仍在打破模块边界做结构级重构，没有停在小修小补上。678 门这个成绩，官方称在同场参评的模型里最好，参评名单没有公开。

设计最后送进了真实的布局布线流程（OpenROAD，Nangate45 工艺库），生成实际的芯片物理版图：

时序达标的意思是：电路真能在 500 MHz 的目标频率下稳定跑；省下来的八成面积，做得成实体芯片，测得出真实数。

模拟开一年网店：10 万本金变 41.6 万，途中还要认出 152 家骗子供应商

E-Commerce Bench 是用淘宝天猫真实脱敏数据搭的模拟环境：365 天、12 种店铺类型、60 个类目、7,000 种商品、近 600 家供应商。10 万元启动资金同时开几家店，选品、进货议价、库存、定价、退货全得自己拿主意，年底看总现金。

难点埋在环境里。供应商由博弈论内核驱动、各有性格和让步策略，压价要一轮轮用自然语言谈；600 家里混着 152 家骗子，套路是会费陷阱、低价诱导、货不对板；一年里还有大促爆单和台风断料。

官方展示的重点是「越玩越会」：同一家供应商的同款商品，价格一轮轮试探着压低，谈出来的经验还能搬到同类商品上；2,000 多轮交互里议价效率一直在涨，对照的其他模型普遍中期就到顶了。年终大促那一波，它的净利润超过 10 万元，是 GLM 5.2 的近 2.4 倍。

几百种职业挨个试：律师团队一周的活，一小时标完 1284 条

以上都是极限测试，落回日常：他们从几百种高价值职业里挑高频工作场景挨个试，发布页给了六个带对照的例子。

一句话，起一个量化研究项目

另一个大案例给了量化研究员：一句任务描述，它连续干数小时，自己搭数据系统、建因子、跑回测，中途按证据换方向，看到设计期指标涨、验证期掉头向下的过拟合信号，就自动删冗余因子；多条路径收敛到同一组信号，就加多种子交叉验证。广度上，六类经典因子的六句描述被拆成每类 50 个研究方向，调度约 330 个子智能体并行挖，一共约 6,000 次回测，入选因子的超额夏普比率（承担同样波动能多赚多少的常用指标）在 0.64 到 1.48 之间，日频 Rank IC（衡量因子预测方向准不准的指标）也全部为正。

能力从哪来：训练环境按三个维度拆开，像乐高一样组合出海量场景

案例讲完，发布页少见地交代了训练方法：这些干活能力主要靠大规模强化学习，让模型在真实工作环境里反复干活、按结果给分。难题是练习用的环境从哪来：真实工作千姿百态，一个个手工搭环境跟不上训练的胃口。

他们的做法是把环境拆成三个独立维度，各自扩充，再交叉组合：

配套两件事。一套统一的奖励系统：代码能跑的就用执行结果验证，网页这类靠看的就按评分表检查渲染出来的样子，再加 agentic 检查，所有环境共用一致的给分口径。一个在线数据均衡器：把每批训练数据在任务、难度、工作区、harness 上配平，梯度才稳，算力才加得上去。

官方图：RL 训练规模持续加大，数十个工作类基准的分数稳步上涨。来源：Qwen 发布页

harness 是模型外面那层替它读文件、跑命令、管流程的工具系统。它是在 Claude Code、Codex 这些别人家的工具里练和测的，所以换一个工具外壳，性能不塌。

官方图：同一个模型在 QwenWork、Claude Code、Codex、OpenClaw、Hermes 里成绩相当。来源：Qwen 发布页

干活时眼睛不闲着：发现电视放反了，自己回头改

输入端的规格一句带过：200 多页的财报 PDF 能跨页读成结构化报告；100 多小时的长视频能整理成可检索的「视频图谱记忆」，人物、事件、时间、场景连成网，随查随取。

这一代真正的变化在另一头：视觉被装进了干活的过程里。执行任务时它持续看自己的中间产物，页面布局、物体方向、动画效果，渲染出来的房间里电视放反了、界面错位了，就定位问题、重新规划、自己改掉。看，从「理解输入」的一种方式，变成了边干边验收的反馈回路。

配套出了一个新基准 RecreationBench：把一个真实应用当黑盒，不给源码、不许联网，纯靠看界面、点按钮去理解它，再从零把整个应用复刻出来，覆盖 Ubuntu、macOS、Windows、Android、Web 五个平台。另外放出了 Qwen-MM-Plugins 扩展库，给现有的 Agent 框架补图像视频处理、多模态记忆这些能力。

现在就能用：网页免费，两个环境变量接进 Claude Code

网页版在 chat.qwen.ai，打开就能用。API 挂在千问AI平台，同时兼容 OpenAI 和 Anthropic 两种协议，Claude Code 想换它当引擎，配几个环境变量就行：

export ANTHROPIC_MODEL="qwen3.8-max"
export ANTHROPIC_SMALL_FAST_MODEL="qwen3.8-max"
export ANTHROPIC_BASE_URL=https://dashscope.aliyuncs.com/apps/anthropic
export ANTHROPIC_AUTH_TOKEN=<你的API密钥>

Codex、OpenClaw、Qoder、Qwen Code 也都有官方配置。API 支持用 reasoning_effort 参数调推理深度，三档：xhigh（默认，想得最深）、medium、low（快而省）。价格发布页没提，开源用什么许可证也还没说，这两样都得等下周。

发布页拿出来说服人的，是五件从头到尾没人碰键盘的活，最短 24 小时，最长 365 天。

能连着干这么久，来路在训练环境的搭法：Qwen 把练习场拆成任务、工作空间、工具外壳（harness，替模型读文件、跑命令、管流程的那层软件）三个维度，各自扩充再交叉组合，环境数量按乘法涨。它是在 Claude Code、Codex 这些别人家的工具里练和测的，换个外壳成绩不塌。

给它的只有一句任务描述和一个空接口，没有参考设计：做一块加密运算电路。这件活的成绩注不了水，功能验证要求逐位精确（输出的每一个二进制位都要和标准答案对上，错一位就不合格），过了这关才比谁用的逻辑门少，门数由综合工具算出来，不是人打分。

最后这一版送进了真实的布局布线流程：芯片面积从 106×106 微米缩到 46×46 微米，省掉八成，布线总长只剩八分之一，500 兆赫兹下时序达标，电路真能在这个频率上稳定跑。

跑分在发布页只占一小段。摆到 Claude 最强档旁边，它输的那几项也印在了自己页面上。

写代码的落后最实在，差了十二分多；多模态那一片（同时处理文字、图片、视频）是它领先的地方，文档解析、长视频理解也排第一。终端操作一项 GPT-5.6 Sol 的 88.8 最高，Qwen 的 86.6 排中间。这些分数全部出自 Qwen 团队自己的测试，暂无第三方复测；其中相当一部分编码项目是拿 Claude Code 当评测框架跑的。

网页版 chat.qwen.ai 打开就能用，接口这边同时兼容 OpenAI 和 Anthropic 两套协议。