雷峰网讯 你不错从共事 .skill 的爆火中看到两种截然有异的期间姿色，其一天然是对 Markdown 文献"大变活东谈主"这一奇幻现实的试探，而反面则是如今对模子智商的评价，依然离不开使命级任务的场景。

" AI 能不成替代范例员"的须生常谭之下，今天的真问题是，国产大模子能在多大程度上给与开发使命流。

这背后是一个被反复考证的痛点：当 AI Agent 被放进真实款式，它并莫得设想中那么"能扛活"。它能出手任务，但实践过程反复中断，多轮对话后高下文丢失，驱散前后不一致。濒临非圭表需求时，器用调用也时时失实。你一醒觉来，发现经过早已卡死，圭表结局老是如斯。

问题的根源不在 Agent 的外壳，而在底层大模子自己还短缺褂讪可靠的"实践力"和"决策力"。

4 月 7 日，阿里云通义千问 Qwen3.6-Plus 细腻上线，在 Terminal-Bench 2.0 编程测试中卓越了 Claude Opus 4.5，拿下群众编程模子榜首。

但咱们决定换一种更接近真实场景的面容测一次，无须单点的 Benchmark，而是用两套真实复杂任务，遮蔽"决策"与"实践"两条智商轴，全面评估 Qwen 3.6-Plus 的智能体智商上限。

01

中枢实测——"双线"侦察：

复杂决策 × Agentic Coding

现实中高价值的使命级任务，不时是多身分、多时势、有照管、有风险，和"一步到位"的 ChatBot 对模子有着全都不同的智商需求。因此，大模子从"聊天器用"造成确凿的智能体，复杂决策智商是一个分水岭。

在本次测评中，咱们取舍智能体决策与智能体编程两个高难度、高价值场景，构建了双线侦察体系，磨真金不怕火模子在真实复杂任务中的自主计较、动态决策与工程落地智商：

▎ case1 讲授立异试点决策遐想：复杂计较与现实决策

咱们聘任具备主动实践智商的代表性智能体框架 OpenClaw 进行测试，在讲授立异布景下要求模子遐想贴近真实场景的复杂计较任务，从而系统评估模子在推测打算表示、任务拆解、旅途计较、决策细化与实践决策等全经过要津中的发达。

这不是一都作文题，咱们遐想的任务难度远超惯例：

代码块

某市讲授局推测打算在 6 个月内，为 20 所公立中学试点部署一套" AI 学习助手"系统，匡助学生进行课后答疑、个性化锻真金不怕火和学习反馈。

已知条目如下：

- 总预算上限为 800 万元东谈主民币

- 试点学校中，城区学校 8 所，县镇学校 12 所，数字化基础各异明显

- 部分教师回来 AI 会加多备课和管理包袱

- 家长关于学生数据秘密、千里迷使用、以及谜底依赖问题存在费神

- 讲授局要求款式不成明显扩大不同地区、不同家庭布景学生之间的讲授差距

- 款式必须不才学期出手前完成首轮部署，且不成特别恒久新增多半编制

- 若试点效果细密，改日 2 年内将计划扩大到全市 200 所学校

请你行动款式参谋人，完成一份试点实施决策。你的回话至少需要包括：

1. 问题界说

2. 推测打算与照管拆解

3. 6 个月试点决策

4. 公谈性与风险限度

5. 评估体系

6. 是否扩大到 200 所学校的决策圭表

特别要求：

- 明确阐明重要假定

- 至少提倡 2 个备选决策，并讲解推选意义

- 体现短期可落地性与恒久可蔓延性的均衡

- 尽量给出可实践机制，而不是只讲原则

补充条目：试点出手 2 个月后，媒体报谈某校学生过度依赖 AI 完奏效课，激励家长争议；同期另有 3 所县镇学校反馈网罗与末端条目不及，试验使用率远低于城区学校。请在原决策基础上动态调养你的策略。

任务要求模子输出：问题界说、推测打算照管拆解、6 个月试点决策、公谈性风险限度、评估体系、是否扩大的决策圭表，以及要求至少 2 个备选决策并阐明推选意义。

这考验的不是翰墨生成智商，而是确凿的"任务拆解与组织实践"智商。一般模子很容易输出一堆缺乏的计较决策，且极难把控资源分拨与具体任务拆解，望望 OpenClaw 在 Qwen3.6-Plus 模子下是如何完成使命的：

1. 复杂问题结构化拆解

把浮松需求快速转动为问题界说、推测打算分层、照管清单、预算分拨、时辰线、评估体系等完竣框架，逻辑严实、层级澄莹，全程无标语空论，体现专科级复杂决策与任务拆解水平。

2. 多照管下精确资源均衡

在 800 万预算、6 个月周期、城乡各异、教师包袱、公谈底线、无新增编制等多重强照管下，给出可实践、可量化、可评审的落地决策，预算一分不差、资源向县镇歪斜，兼顾着力与公谈。

3. 动态风险救急与迭代决策

濒临试点第 2 个月舆情危险 + 县镇开采网罗不及双突发事件，模子快速给出救急反映、功能调养、预算里面调剂、部署重排，作念到不超预算、不延期、闭环处理，展现真实智能体动态决策智商。

4. 全周期计较与鸿沟化蔓延想维

Qwen3.6-Plus 不仅完成了 6 个月试点遐想，还同步给出试点鸿沟蔓延至 200 所学校的 Go/No-Go 硬圭表、三阶段蔓延旅途、老本优化机制，从架构、轨制、东谈主员、数据全方面预留接口，短期可落地、恒久可蔓延，想维闭环且专科。

不错看到，Qwen3.6-Plus 在本次政府级复杂决策任务中，委派了完成度极高的决策，这背后是高水平的推测打算表示、全链路计较、动态风险应付、多照管均衡智商，正是咱们对智能体在濒临复杂决策时所期待的。

▎ case2 AI TODO Board 全经过开发：Coding 智商侦察

要是说 case1 是覆按复杂场景的决策智商，那么 case2 则侧重于 Qwen3.6-Plus 在 Coding 任务中的工程闭环水平。

咱们聘任开源智能编程器用 OpenCode 进行测试，重心覆按模子是否具备从需求表示到完竣款式委派的全链路工程终了智商。评估内容不仅包括最终款式是否可运行、功能是否完竣有用、代码结构是否澄莹合理，还遮蔽模子在编程全经过中的重要智商，任务拆解、终了旅途计较、阶段性决策、测试与调试、问题定位与设置，以及基于反馈不息迭代并照管想可用驱散的智商。

# Coding Evaluation Task

你是一个高档软件工程 Agent，请完成一个可运行的 **TODO** 款式，并体现完竣闭环智商：需求表示、任务拆解、终了计较、编码、测试、设置、委派。

任务：开发一个 **AI TODO Board**，让用户通过天然言语创建 TODO，在看板中管理情景，并通过 AI 立场智商自动拆解子任务、识别优先级、辅导风险和下一步动作。

时候要求：Next.js 15+ 或 React + Vite，TypeScript，Tailwind CSS，可使用 shadcn/ui 或 Radix UI，测试使用 Vitest / Jest + Testing Library，可使用 mock 数据，不要求真实后端。

功能要求：终了三列 TODO 看板 Todo、Doing、Done；每个 TODO 卡片至少包含标题、描写、优先级、截止时辰、标签、子任务摘记、完成进程；援救情景流转，可拖拽，如不使用拖拽需提供合理替代交互。提供天然言语输入框，举例"明寰宇午前完成招聘首页改版，包含 Hero、岗亭列表、FAQ，优先级高"，系统需自动索求标题、剖释时辰、推断优先级、生成 3 – 5 个子任务，并允许用户在提交前剪辑。右侧提供 AI Assistant 面板，援救 TODO 拆解建议、风险辅导、下一步建议、落伍提醒。需要援救搜索、按优先级筛选、仅看落伍、快速标记完成、空情景、加载态、症结态。

UI / UX 要求：暗色模式优先，当代、详尽、改日感 SaaS 立场，有明显层级、留白、卡片质感和轻飞动效，桌面端完竣可用，挪动端基本可用，不成是脚手架默许后台立场。

你必须输出：1. 需求表示，2. 终了推测打算，3. 款式结构，4. 中枢代码，5. 测试代码，6. 设置过程，7. 运行阐明，8. 衡量与不及。

必须测试：天然言语剖释函数、创建 TODO 经过、TODO 情景切换逻辑、筛选逻辑。

终了后连接设置并阐明过程：挪动端横向溢出，输入"未来"频繁间剖释不褂讪，Done 列 TODO 好多时滚动体验差，2026美加墨世界杯中国认证平台筛选后情景切换导致列表炫夸特殊；你需要阐明如何定位问题、如何修改、如何考证设置奏效。

你还将收到一张参考 UI 截图，请分析其布局、层级、配色、间距、组件关联，并高保真复刻该页面，阐明哪些部分全都复刻，哪些部分作念工程化折中，然后基于截图连接修改代码直到尽量接近。

不要只写想路，必须给出可运行代码、测试代码、设置后的最终终了。

这不是一个能靠蛮干硬生生"写"出来的任务。

开发一个 AI TODO Board，需终了三列看板（Todo、Doing、Done），援救天然言语创建 TODO 并自动索求标题、时辰、优先级、子任务，还要提供 AI Assistant 面板进行拆解建议和风险辅导，援救搜索、筛选，输出完竣终了推测打算、款式结构、中枢代码、测试代码、设置过程阐明。

传统大模子在这种场景下，即使名义上能完成委派，也不时难以试验运行。然而 Qwen3.6-Plus 发达得像是一位相配老谈的架构工程师和 UI 遐想师。

1. 全经过闭环开发，任务计较与及时进展可视化

款式启动阶段，Qwen3.6-Plus 当先进行了需求拆解，精确把捏 AI TODO Board 开发的中枢时候，还制定了包含 16 个时势的澄莹终了推测打算。从款式启动化、依赖装置，到中枢功能开发、测试编写，再到问题设置，这套决策不错胜仗交给工业级软件工程团队去实践，况兼每一步均以可视化进程条及时呈现进展。

开发过程中，模子严格死守软件工程范例，像专科的开发团队同样，顺序完成了从任务拆解到测试委派的全链路要津，不仅终露馅测试用例全部通过，还针对挪动端横向溢出、时辰剖释不褂讪、滚动体验差等中枢问题进行系统性设置，确保款式从原型到制品的牢固落地。

值得着重的是，在开发做事器启动、土产货部署等要津 Qwen3.6-Plus 均一次奏效，委派着力远超惯例开发经过。

2. 代码迭代与精确返修，工程化智商拉满

在代码终了阶段，Qwen3.6-Plus 展现出塌实的时候功底与严谨的代码迭代逻辑。针对款式中枢模块，模子完成了从组件遐想到情景管理的全栈开发：

▪   基于 Radix UI 与 shadcn/ui 搭建当代化 UI 组件库，打造千里浸式暗色 SaaS 立场界面；

▪   开发天然言语剖释器，终了中英文时辰、优先级智能索求与子任务自动生成；

▪   期骗 Zustand 完成 TODO 情景管理，援救拖拽流转、搜索筛选、落伍提醒等全功能；

返修是软件工程不可幸免的要津，能否精确定位问题地方进行针对性修改，再完成考证的闭环，是模子在使命级任务中会濒临的真实考验。在 AI TODO Board 的开发中，Qwen3.6-Plus 也有着不俗的发达。

挪动端横向溢出问题，通过调养容器宽度与布局属性处理，优化时辰剖释逻辑，斡旋使用 UTC 时辰处理幸免剖释偏差，替换滚动组件升迁 Done 列大数目场景的滚动体验，重构筛选逻辑排斥情景切换后的炫夸特殊……

每一次设置均配套新增测试用例考证，确保问题透澈处理且不引入新 bug。这些过程都是由模子自主完成，我看到的，惟有开发日记里一行行澄莹可回想的记载。

3. 高保真 UI 复刻与功能全遮蔽，委派质料达标

原生多模态智商使得 Qwen3.6-Plus 能严格参考 UI 截图完成高保真复刻，在布局层级、配色立场、组件交互上高度规复遐想要求。

在功能层面，委派着力也全都遮蔽需求。应用援救天然言语输入，可自动索求标题、剖释时辰，然青年景 3-5 个子任务且援救剪辑；AI 助手面板提供拆解建议、风险辅导等智商；搜索、优先级筛选、落伍检察等实勤奋能也一一终了。最终委派的款式，可胜仗土产货部署运行，界面与功能均达到预期委派圭表。

4. 极致测试与问题闭环，质料把控体系完善

测试要津是模子委派的中枢亮点之一。Qwen3.6-Plus 针对中枢模块编写了全遮蔽测试用例，包括 23 个天然言语剖释测试、14 个情景管理与经过测试，全面考证天然言语剖释、TODO 创建、情景切换、筛选逻辑等中枢功能的褂讪性。

在设置要津，模子针对每一个露馅的问题均完成了 "定位 - 修改 - 考证" 的全经过，新增边际测试用例确保设置效果的褂讪性，最终终了款式零中枢 bug、测试全通过的高质料委派情景。

天然，测试案例也露馅了 Qwen 3.6-Plus 不褂讪的一面。  在实测中咱们不雅察到了明显短板：

▪ 首字蔓延（TTFT）：免费预览版首字出刻下辰随机高达 11 秒，在需要快速反馈的场景下会破损开发者心流

▪   偶发性输出轮回（Looping）：在极高复杂度任务中，模子随契机堕入重迭输出团结段内容的轮回

▪   API 频率甘休较严格：Rate Limit 在高频 Agent 自动化任务中容易触发，可能中断长经过实践

▪   安全范围智商不及：在安全经营任务（权限管理、加密终了）上奏着力仅为 43.3%，不建议在波及高安全级别的自动化经过中单独使用

但两项测试完成后，一个感受仍然很澄莹，Qwen 3.6-Plus 简略一支完竣的团队，在职务计较、代码迭代和问题精确设置上，发达出了工业级软件工程的委派水准。

02

Agentic Coding 的工程高地

Qwen 3.6-Plus 的非常之处在于，双线并行的形状初度在国产模子中出现。过往国产模子不时只在某一维度上杰出，能写代码但决策弱，能计较但实践崩，但工业级 Agentic Coding 需要的恰正是二者兼具。Qwen 3.6-Plus 作念到了这极少，在编程智能体和复杂经过决策两条阵线上同期靠拢第一梯队：

▪   Terminal-Bench 2.0：61.6 分，卓越 Claude Opus 4.5（59.3），在 shell 操作、文献管理、进程限度等硬核末端任务上，它是当今最强的模子之一；

▪   Claw-Eval：58.7 分，极接近 Claude Opus 4.5（59.6），在真实宇宙多步 Agent 任务中进入第一梯队；

▪ SWE-bench Verified：78.8%，处理大多数企业级 Bug 设置和代码重构已绰绰过剩；

▪   老本：输入 ¥ 2/M，输出 ¥ 12/M，约为 Claude 的 1/10；

这意味着什么？

在 Terminal 操控和器用调用上的跳跃，使 Qwen 3.6-Plus 成为了当前最相宜丢进 OpenClaw 这类 Agent 框架中"跑起来"的国产模子。不是扶植写代码，它果真能作念到像你的 AI 开发搭档那样，驱动产物长出来。在 Coding 赛谈依然成为一派红海的今天，Qwen 3.6-Plus 再一次让软件开发的门槛降了一截。

从被调用的器用到实践任务的参与者，当模子脚色的这一滑型越发成为各大厂商的共鸣，咱们看到阿里作念出了我方的取舍。Qwen 3.6-Plus 的计谋定位并非万能型选手，更像是专攻 Agentic Coding 这一垂直场景的作品。背后的原因不难表示，当基础模子的智商趋于同质化，能否在真实工程环境中自主完成任务依然成为了最进攻的竞争高地。

03

模子层，走向参数着力之争

更值得着重之处在于，Qwen 3.6-Plus 在参数着力上发达出了显耀的上风。横向对比，GLM-5、Kimi-K2.5 等模子的参数目均是其 2-3 倍。

用更少的参数终了更好的性能，这在大模子此前宽敞以参数鸿沟换智能水平的布景下，不错被视为一种全新的范式转念。

比起小模子的"调解"，一个越来越无法刻薄的视角是，大模子的交易化正在从头界说 AI 性能的圭表。模子教练、推理一向以重进入的面容示东谈主，也严容庄容地成为了大模子交易化的瓶颈，而更高的参数着力会让模子厂商在上述领域领有贵重的竞争力。

Benchmark 仍特兴趣兴趣，但今天单元老本下的有用智能更能阐明问题。在当前的时候眉目中，参数着力，依然成为了模子鸿沟化落地的钥匙。

雷峰网著作世界杯官方认证平台