今回のアップグレード内容：前世代との比較で最も伸びたのは「長期間の自律稼働」

公式は今回の世代を、プログラミング、オフィス業務、科学研究、長期タスクの4分野で全面的に強化したと位置づけ、「エンドツーエンドの信頼できる成果」を核心とする。1つのタスクを最初から最後まで、人間の介入なしで完遂することを目指している。

同じ評価表で前世代フラッグシップの Qwen3.7-Max と比較すると、伸びが顕著なのは、多くのステップを連続して実行する必要があるプロジェクトです。

後述する1年間のネットショップ経営シミュレーションでは、年末の総現金が前世代比152%増。単発のQ&A系スコアの伸びは小幅で、GPQA Diamond（大学院レベルの科学Q&A）は92.4→92.6とほぼ横ばい。伸びは長期タスクに集中している。

スコアは一長一短：コーディングは Claude 最上位に及ばず、マルチモーダルが強み

発表ページでは、Claude Opus 4.8、Claude Fable 5、GPT-5.6 Sol、Gemini 3.1 Pro を比較表に掲載し、勝敗を自らのページで明示しています。

コーディングの差は最も明確だ。SWE-bench Pro では Claude Fable 5 に12ポイント以上の差をつけられている。一方、複雑な指示の理解は2位に10ポイント差をつけてトップ、論文再現も全体最高。ドキュメント解析、長尺動画理解、PC操作といったマルチモーダル系も1位だ。ただし、全てを制しているわけではない。画面要素の特定やAndroidスマホ操作は Fable 5 が上回る。

公式の性能サマリー図。出典：Qwen 発表ページ

脚注には小さな記載がある。コーディングプロジェクトの相当数は Claude Code を評価フレームワークとして使用して実行されている。つまり競合他社のツールで自社モデルを評価しており、フレームワーク部分で自社に有利な操作はしていない。表内の Fable 5 の空白項目は、公式によると現時点で利用可能なスコアがないためです。

16日間、人間の介入なし：モデル自身が要件を受け、コードを書き、テストを実行、265回のコミットを蓄積

1つ目のタスク：空のフォルダから開始し、oh-my-cli というコマンドラインツールを開発します。全工程で人間の介入は禁止です。

モデルは自動ループを自身で構築した。ユーザーフィードバックとコミュニティの実践は、まず GitHub issue になり、次にステートマシンに従ってタスクを引き受け、実装を書き、完了後に自動でビルド、単体テスト、エンドツーエンドテストを実行。全て成功した場合のみマージされる。いずれかのステップで失敗した場合は、タスクは自動的に戻されて修正されます。このループ自体もモデル自身がアップグレード。実行中に /goal、/resume、セッションリプレイ、デスクトップ版などの新機能をプロジェクトに追加した。

7月30日、自律稼働開始から約16日時点で、リポジトリには265回のコミット、127のPR、151のissueが蓄積されました。全プロセスの痕跡は GitHub リポジトリ qwen-code-dev-bot/oh-my-cli で公開されており、各コミットを確認できます。

論文1本とGPU一式：5日間で6つの結論を再現、さらに論文より優れた方法も発見

2つ目のタスクは研究です。今年5月に発表されたデータ選択に関する論文と、GPU一式（モデル学習用グラフィックボード）が与えられました。初期コードは一切なし。論文のタイトルとリンクは、文末の出典欄にあります。論文が扱う問題は実践的だ。訓練データが多すぎて使い切れず、予算も限られている場合、どのサンプルを残すべきか。論文の答えは、「難しい決断ポイント」を多く含むサンプルを選ぶこと。つまり、モデルが推論中に、本当に進むべき道に迷う瞬間を多く含むサンプルです。

まず論文のパイプライン全体を約37時間かけてゼロから作成。データ処理、学習、評価で約7,600行のコードになった。その後、論文の主要な結論6つをすべて再現した。論文の方法でデータを選択し Qwen3-8B（80億パラメータのオープンソース小モデル。実験対象は自身ではありません）をファインチューニングしたところ、競技数学ベンチマーク AIME24 で、ランダムにデータを選んだ場合より7.7ポイント高いスコアを達成しました。

再現は最初の37時間。その後、約88時間かけて研究ループを実行した。改善仮説の提案、コード作成、GPUでの学習、結果分析、次のラウンドへ。4ラウンドで、自ら18のアイデアを提案しテストした。

3ラウンド目は2ラウンド目より0.4ポイント低下していますが、表はそのままの値を掲載しています。最終的に最も優秀だったアイデアは、むしろシンプルなものだった。複雑な重み付けスコアではなく、各サンプル内の「難しい決断ポイント」の数を直接数える、という方法だ。前後5日間、125時間の連続稼働、1,100ステップ以上の操作、33ラウンドのGPU学習。キーボードに触れた人間はいませんでした。

天池の本番コンペ：45回の提出で 0.60 から 0.853 へ、人間チームの87%を凌駕

3つ目のタスクには対戦相手がいる。Alibaba Cloud 天池で開催された WWW2025 マルチモーダル対話意図認識チャレンジで、526チームの人間が参加した。タスクは、ECサイトのカスタマーサービス対話（テキストと商品スクリーンショット）を読み、顧客が本当に欲しいものを判断すること。制限時間は24時間です。

モデルはルールを読み、自身で計画を立てた。複数の中国語テキストモデルと画像認識モデルをファインチューニングし、統合した重み付き投票システムを構築。各モデルの投票重みは交差検証で調整した。45回の提出のたびに、リーダーボードのフィードバックを次のバージョンに反映。精度は 0.60 から 0.853 まで上昇し、458の人間チーム（全体の87%）を上回った。

最も「盛れない」ケース：機能は1ビットも譲れず、チップ回路を 8,298 ゲートから 678 ゲートへ

長期タスクの中でも最難関：暗号演算ハードウェア回路（GCD/RSA アクセラレータ）の設計です。このケースの成果は水増しできません。機能検証は逐位正確（bit-exact）であることが要求されます。ランダムテストでの4種類のビット幅の出力が、標準回答とすべてのビットが一致しなければならず、1ビットでも違えば不合格です。その前提で、使用する論理ゲートの少なさを競います。ゲート数は論理合成ツール Yosys によって算出され、人が評価するものではありません。

与えられたのはタスクの説明、空のインターフェーススケルトン、評価スクリプトのみ。参考設計はなかった。シミュレーション、論理合成、物理設計のツールサンドボックスで、約500ラウンドのインタラクション、71回の評価を連続実行し、ゲート数は以下のように減少した。

数百ラウンド実行した後も、モデルは大規模な変更を行い続けた。第170ラウンド以降もモジュール境界を越えた構造的リファクタリングを実行し、小規模な修正に留まらなかった。678ゲートという結果は、公式によると同時に評価されたモデルの中で最高。参加モデルのリストは公開されていない。

最終設計は、実際の配置配線フロー（OpenROAD、Nangate45 プロセスライブラリ）に送られ、実際のチップ物理レイアウトが生成されました。

タイミング成立とは、回路が目標周波数500MHzで実際に安定動作することを意味します。削減された8割の面積は、実チップとして製造可能で、実測値が得られます。

シミュレーションで1年間ネットショップ経営：10万元が41.6万元に、途中で152社の詐欺業者も見抜く

E-Commerce Bench は、Taobao と Tmall の実際の匿名化データに基づくシミュレーション環境。365日、12種の店舗タイプ、60カテゴリ、7,000種の商品、約600社のサプライヤー。10万元の初期資金で複数店舗を同時に運営し、商品選択、仕入れ交渉、在庫、価格設定、返品処理を全て自分で決定。年末の総現金で評価される。

難しさは環境自体に組み込まれている。サプライヤーはゲーム理論に基づくコアで駆動され、それぞれ性格や譲歩戦略が異なり、値下げ交渉は自然言語でラウンドごとに行われる。600社のうち152社は詐欺業者で、その手口は会費詐欺、低価格誘導、不良品など。1年間には、大規模セールによる注文爆発や台風による供給途絶も発生します。

公式が強調するのは「経験を積むごとに上達する」点だ。同じサプライヤーからの同じ商品でも、価格はラウンドごとに探りながら下げていき、交渉で得た経験は類似商品にも活用できる。2,000ラウンド以上のインタラクションで交渉効率は上昇し続け、比較対象の他のモデルは多くが中期で頭打ちでした。年末の大セールでは、純利益が10万元以上で、GLM 5.2 の約2.4倍に達しました。

数百の職業を順にテスト：弁護士チームの1週間分の作業を、1時間で1,284件のマーキング処理

上記は全て限界テストですが、日常業務に戻ります。数百の高価値職業から頻出の業務シナリオを選び、順にテストしました。発表ページでは、比較対象付きの6つの例が示されています。

一言で、クオンツ研究プロジェクトを立ち上げる

もう一つの大きなケースは、クオンツリサーチャー向けのものです。タスクの説明が一文だけ与えられ、モデルは数時間にわたり連続稼働し、自らデータシステムを構築し、ファクターを作成し、バックテストを実行。途中で証拠に基づき方向転換し、設計期間中の指標は上昇するが検証期間で低下する過学習シグナルを検出すると、冗長なファクターを自動削除。複数の経路が同じシグナルセットに収束する場合は、マルチシード交差検証を追加。幅の広さでは、6つの古典的ファクターの6つの説明文が、各カテゴリ50の研究方向に分解され、約330のサブエージェントが並行して探索。合計約6,000回のバックテストを実行し、選択されたファクターの超過シャープレシオ（同じボラティリティでどれだけ多く稼げるかを示す一般的な指標）は 0.64 から 1.48 の範囲。日次 Rank IC（ファクターの予測方向の正確さを示す指標）も全てプラスでした。

能力の源泉：訓練環境を3つの次元に分解し、レゴのように組み合わせて膨大なシナリオを生成

ケースの紹介に続き、発表ページは珍しく訓練方法についても説明しました。これらの実務能力は主に大規模強化学習によって獲得され、モデルは実際の作業環境で繰り返し作業し、結果に基づいて報酬を得ます。課題は、練習用の環境をどう準備するかです。実際の仕事は多種多様で、一つ一つ手作業で環境を構築するのは訓練の需要に追いつきません。

彼らの方法は、環境を3つの独立した次元に分解し、それぞれを拡張した上で、交差組み合わせすることです。

付随して2つの仕組みがあります。1つは統一された報酬システムです。コードが実行できるものは実行結果で検証し、Webページのような視覚的要素は評価チェックリストでレンダリング結果を確認し、さらにエージェントチェックを追加。全環境で一貫した採点基準を共有します。もう1つはオンラインデータバランサーです。各バッチの訓練データをタスク、難易度、ワークスペース、ハーネス間でバランスさせ、勾配を安定させ、計算資源を効率的に追加できるようにします。

公式図：RL 訓練規模を拡大し続けると、数十のワークベンチマークのスコアが着実に上昇。出典：Qwen 発表ページ

ハーネスとは、モデルの外側にあり、ファイルの読み取り、コマンド実行、プロセス管理を代行するツールシステムです。このモデルは Claude Code や Codex といった他社のツール内で訓練・テストされているため、ツールのシェルを変更しても性能が低下しません。

公式図：同じモデルが QwenWork、Claude Code、Codex、OpenClaw、Hermes で同等の成績。出典：Qwen 発表ページ

作業中も「目」を休めない：テレビが逆さまになっているのを発見し、自ら修正

入力側の仕様は簡潔に述べられています。200ページ以上の決算PDFをページをまたいで読み取り、構造化レポートに変換。100時間以上の長尺動画を、検索可能な「ビデオグラフメモリ」として整理し、人物、イベント、時間、シーンをネットワーク化して、いつでも取り出せます。

今回の世代の本当の変化は、もう一方にあります。視覚が作業プロセスに組み込まれたことです。タスク実行中、モデルは自身の中間生成物を継続的に確認します。ページレイアウト、オブジェクトの向き、アニメーション効果まで。レンダリングされた部屋でテレビが逆さまになっていたり、インターフェースがずれていたりすれば、問題を特定し、再計画し、自ら修正します。「見る」ことは、「入力を理解する」方法から、作業しながら検収するフィードバックループへと変化しました。

付随して、新しいベンチマーク RecreationBench を発表しました。実際のアプリケーションをブラックボックスとして扱い、ソースコードを与えず、ネットワーク接続も禁止。画面を見て、ボタンをクリックして理解し、ゼロからアプリ全体を複製します。Ubuntu、macOS、Windows、Android、Web の5プラットフォームをカバーします。さらに、既存のAIエージェントフレームワークに画像・動画処理、マルチモーダルメモリなどの機能を追加する拡張ライブラリ Qwen-MM-Plugins も公開しました。

今すぐ使える：Web版は無料、2つの環境変数で Claude Code に接続

Web版は chat.qwen.ai で、すぐに利用できます。API は Alibaba Cloud の DashScope にあり、OpenAI と Anthropic の両プロトコルに対応。Claude Code のエンジンをこれに変更するには、いくつかの環境変数を設定するだけです。

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=<あなたのAPIキー>

Codex、OpenClaw、Qoder、Qwen Code にも公式設定があります。API は reasoning_effort パラメータで推論深度を調整可能。3段階：xhigh（デフォルト、最も深く考える）、medium、low（高速・省コスト）。価格は発表ページに記載なし、オープンソースのライセンスも未発表。これらは来週を待つ必要があります。

発表ページが提示するのは、最初から最後まで人間がキーボードに触れなかった5つのタスクです。最短24時間、最長365日。

これだけ長時間自律稼働できる背景には、訓練環境の設計があります。Qwen は練習環境を「タスク」「ワークスペース」「ツールシェル（ハーネス。モデルに代わりファイルを読み、コマンドを実行し、プロセスを管理するソフトウェア層）」の3次元に分解し、それぞれを拡張してから交差組み合わせることで、環境数を掛け算で増やしています。モデルは Claude Code や Codex といった他社製ツール内で訓練・テストされているため、シェルを変えても性能は落ちません。

与えられたのはタスク説明文と空のインターフェースのみ。参考設計はありません。タスクは暗号演算回路の作成です。この成果は水増しが不可能です。機能検証は逐位正確（bit-exact）が要求され、出力の全ビットが標準回答と一致しなければならず、1ビットでも違えば不合格。その上で、使用する論理ゲートの少なさを競います。ゲート数は論理合成ツールが算出し、人が評価するものではありません。

最終バージョンは実際の配置配線フローに送られました。チップ面積は 106×106 マイクロメートルから 46×46 マイクロメートルへと80%縮小、配線総長は8分の1になり、500メガヘルツでタイミングが成立。回路はこの周波数で実際に安定動作します。

スコアは発表ページでは一部に過ぎません。Claude 最上位と並べた場合、負けた項目も自らのページに掲載しています。

コーディングの差は最も明確で、12ポイント以上の差がついています。一方、マルチモーダル（テキスト、画像、動画を同時処理）分野が強みで、ドキュメント解析、長尺動画理解も1位です。ターミナル操作では GPT-5.6 Sol の88.8が最高で、Qwen の86.6は中間。これらのスコアは全て Qwen チーム自身のテストによるもので、第三者による再テストは未実施です。また、コーディングプロジェクトの相当数は Claude Code を評価フレームワークとして使用しています。

Web版 chat.qwen.ai はすぐに使えます。API は OpenAI と Anthropic の両プロトコルに対応しています。