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神态，其一天然是对 Markdown 文献"大变活东说念主"这一玄幻实践的试探，而反面则是如今对模子能力的评价，依然离不开使命级任务的场景。

" AI 能不可替代标准员"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 被放进的确相貌，它并莫得想象中那么"能扛活"。它能动手任务，但践诺过程反复中断，多轮对话后凹凸文丢失，终结前后不一致。靠近非尺度需求时，器具调用也频频异常。你一觉悟来，发现进程早已卡死，尺度结局老是如斯。

问题的根源不在 Agent 的外壳，而在底层大模子本人还穷乏褂讪可靠的"践诺力"和"决策力"。

4 月 7 日，阿里云通义千问 Qwen3.6-Plus 弘扬上线，在 Terminal-Bench 2.0 编程测试中突出了 Claude Opus 4.5，拿下寰球编程模子榜首。

但咱们决定换一种更接近的确场景的方式测一次，无谓单点的 Benchmark，而是用两套的确复杂任务，袒护"决策"与"践诺"两条能力轴，全面评估 Qwen 3.6-Plus 的智能体能力上限。

01

中枢实测——"双线"侦查：

复杂决策 × Agentic Coding

实践中高价值的使命级任务，通常是多成分、多相貌、有管束、有风险，和"一步到位"的 ChatBot 对模子有着皆备不同的能力需求。因此，大模子从"聊天器具"造成的确的智能体，复杂决策能力是一个分水岭。

在本次测评中，咱们礼聘智能体决策与智能体编程两个高难度、高价值场景，构建了双线侦查体系，历练模子在的确复杂任务中的自主磋商、动态决策与工程落地能力：

▎ case1 西宾矫正试点决议想象：复杂磋商与实践决策

咱们摄取具备主动践诺能力的代表性智能体框架 OpenClaw 进行测试，在西宾矫正布景下要求模子想象贴近的确场景的复杂磋商任务，从而系统评估模子在见解相识、任务拆解、旅途磋商、决议细化与践诺决策等全进程枢纽中的发挥。

这不是一齐作文题，咱们想象的任务难度远超惯例：

代码块

某市西宾局想象在 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、个性化谨慎和学习反馈。

已知条目如下：

- 总预算上限为 800 万元东说念主民币

- 试点学校中，城区学校 8 所，县镇学校 12 所，数字化基础相反彰着

- 部分教师操心 AI 会增多备课和管理职守

- 家长关于学生数据阴事、千里迷使用、以及谜底依赖问题存在费心

- 西宾局要求相貌不可彰着扩大不同地区、不同家庭布景学生之间的西宾差距

- 相貌必须鄙人学期动手前完成首轮部署，且不可稀奇始终新增大都编制

- 若试点效果精深，来日 2 年内将辩论扩大到全市 200 所学校

请你行为相貌参谋人，完成一份试点实施决议。你的回应至少需要包括：

1. 问题界说

2. 见解与管束拆解

3. 6 个月试点决议

4. 刚正性与风险适度

5. 评估体系

6. 是否扩大到 200 所学校的决策尺度

稀奇要求：

- 明确阐述枢纽假定

- 至少提倡 2 个备选决议，并评释保举意义

- 体现短期可落地性与始终可蔓延性的均衡

- 尽量给出可践诺机制，而不是只讲原则

补充条目：试点动手 2 个月后，媒体报说念某校学生过度依赖 AI 完成效课，激发财长争议；同期另有 3 所县镇学校反馈收集与末端条目不及，本色使用率远低于城区学校。请在原决议基础上动态诊疗你的策略。

任务要求模子输出：问题界说、见解管束拆解、6 个月试点决议、刚正性风险适度、评估体系、是否扩大的决策尺度，以及要求至少 2 个备选决议并阐述保举意义。

这考验的不是翰墨生成能力，而是的确的"任务拆解与组织践诺"能力。一般模子很容易输出一堆空泛的磋商决议，且极难把控资源分派与具体任务拆解，望望 OpenClaw 在 Qwen3.6-Plus 模子下是怎么完成使命的：

1. 复杂问题结构化拆解

把糊涂需求快速调节为问题界说、见解分层、管束清单、预算分派、时刻线、评估体系等好意思满框架，逻辑严实、层级明晰，全程无标语空论，体现专科级复杂决策与任务拆解水平。

2. 多管束下精确资源均衡

在 800 万预算、6 个月周期、城乡相反、教师职守、刚正底线、无新增编制等多重强管束下，给出可践诺、可量化、可评审的落地决议，预算一分不差、资源向县镇歪斜，兼顾服从与刚正。

3. 动态风险济急与迭代决策

靠近试点第 2 个月舆情危险 + 县镇斥地收集不及双突发事件，模子快速给出济急反映、功能诊疗、预算里面调剂、部署重排，作念到不超预算、不延期、闭环贬责，展现的确智能体动态决策能力。

4. 全周期磋商与限制化蔓延想维

Qwen3.6-Plus 不仅完成了 6 个月试点想象，还同步给出试点限制蔓延至 200 所学校的 Go/No-Go 硬尺度、三阶段蔓延旅途、本钱优化机制，从架构、轨制、东说念主员、数据全方面预留接口，短期可落地、始终可蔓延，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，委用了完成度极高的决议，这背后是高水平的见解相识、全链路磋商、动态风险应酬、多管束均衡能力，正是咱们对智能体在靠近复杂决策时所期待的。

▎ case2 AI TODO Board 全进程开发：Coding 能力侦查

若是说 case1 是检会复杂场景的决策能力，那么 case2 则侧重于 Qwen3.6-Plus 在 Coding 任务中的工程闭环水平。

咱们摄取开源智能编程器具 OpenCode 进行测试，要点检会模子是否具备从需求相识到好意思满相貌委用的全链路工程结尾能力。评估内容不仅包括最终相貌是否可运行、功能是否好意思满有用、代码结构是否明晰合理，还袒护模子在编程全进程中的枢纽能力，任务拆解、结尾旅途磋商、阶段性决策、测试与调试、问题定位与确立，以及基于反馈不时迭代并不断到可用终结的能力。

# Coding Evaluation Task

你是一个高档软件工程 Agent，请完成一个可运行的 **TODO** 相貌，并体现好意思满闭环能力：需求相识、任务拆解、结尾磋商、编码、测试、确立、委用。

任务：开发一个 **AI TODO Board**，让用户通过天然谈话创建 TODO，在看板中管理景况，并通过 AI 格调能力自动拆解子任务、识别优先级、教唆风险和下一步动作。

时刻要求：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，不要求的确后端。

功能要求：结尾三列 TODO 看板 Todo、Doing、Done；每个 TODO 卡片至少包含标题、描绘、优先级、截止时刻、标签、子任务摘记、完成程度；援手景况流转，可拖拽，如不使用拖拽需提供合理替代交互。提供天然谈话输入框，举例"未来下昼前完成招聘首页改版，包含 Hero、岗亭列表、FAQ，优先级高"，系统需自动索取标题、通晓时刻、估量优先级、生成 3 – 5 个子任务，并允许用户在提交前裁剪。右侧提供 AI Assistant 面板，援手 TODO 拆解建议、风险教唆、下一步建议、过期提醒。需要援手搜索、按优先级筛选、仅看过期、快速记号完成、空景况、加载态、荒谬态。

UI / UX 要求：暗色模式优先，当代、邃密、来日感 SaaS 格调，有彰着层级、留白、卡片质感和狭窄动效，桌面端好意思满可用，迁徙端基本可用，不可是脚手架默许后台格调。

你必须输出：1. 需求相识，2. 结尾想象，3. 相貌结构，4. 中枢代码，5. 测试代码，6. 确立过程，7. 运行阐述，8. 量度与不及。

必须测试：天然谈话通晓函数、创建 TODO 进程、TODO 景况切换逻辑、筛选逻辑。

结尾后连续确立并阐述过程：迁徙端横向溢出，输入"未来"通常间通晓不褂讪，Done 列 TODO 许多时滚动体验差，世界杯比赛买输赢(中国)2026最新官方网站筛选后景况切换导致列表高慢异常；你需要阐述如何定位问题、如何修改、如何考证确立成效。

你还将收到一张参考 UI 截图，请分析其布局、层级、配色、间距、组件关系，并高保真复刻该页面，阐述哪些部分皆备复刻，哪些部分作念工程化折中，然后基于截图连续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、确立后的最终结尾。

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，需结尾三列看板（Todo、Doing、Done），援手天然谈话创建 TODO 并自动索取标题、时刻、优先级、子任务，还要提供 AI Assistant 面板进行拆解建议和风险教唆，援手搜索、筛选，输出好意思满结尾想象、相貌结构、中枢代码、测试代码、确立过程阐述。

传统大模子在这种场景下，即使名义上能完成委用，也通常难以本色运行。关联词 Qwen3.6-Plus 发挥得像是一位终点老说念的架构工程师和 UI 想象师。

1. 全进程闭环开发，任务磋商与及时进展可视化

相貌启动阶段，Qwen3.6-Plus 率先进行了需求拆解，精确把合手 AI TODO Board 开发的中枢时刻，还制定了包含 16 个相貌的明晰结尾想象。从相貌运调节、依赖装配，到中枢功能开发、测试编写，再到问题确立，这套决议不错平直交给工业级软件工程团队去践诺，况兼每一步均以可视化程度条及时呈现进展。

开发过程中，模子严格除名软件工程表率，像专科的开发团队相同，按序完成了从任务拆解到测试委用的全链路枢纽，不仅结尾了测试用例全部通过，还针对迁徙端横向溢出、时刻通晓不褂讪、滚动体验差等中枢问题进行系统性确立，确保相貌从原型到制品的沉稳落地。

值得贯注的是，在开发就业器启动、腹地部署等枢纽 Qwen3.6-Plus 均一次成效，委用服从远超惯例开发进程。

2. 代码迭代与精确返修，工程化能力拉满

在代码结尾阶段，Qwen3.6-Plus 展现出塌实的时刻功底与严谨的代码迭代逻辑。针对相貌中枢模块，模子完成了从组件想象到景况管理的全栈开发：

▪   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 格调界面；

▪   开发天然谈话通晓器，结尾中英文时刻、优先级智能索取与子任务自动生成；

▪   垄断 Zustand 完成 TODO 景况管理，援手拖拽流转、搜索筛选、过期提醒等全功能；

返修是软件工程不可幸免的枢纽，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靠近的的确考验。在 AI TODO Board 的开发中，Qwen3.6-Plus 也有着不俗的发挥。

迁徙端横向溢出问题，通过诊疗容器宽度与布局属性贬责，优化时刻通晓逻辑，调理使用 UTC 时刻处理幸免通晓偏差，替换滚动组件晋升 Done 列大数目场景的滚动体验，重构筛选逻辑摒除景况切换后的高慢异常……

每一次确立均配套新增测试用例考证，确保问题透顶贬责且不引入新 bug。这些过程都是由模子自主完成，我看到的，唯有开发日记里一行行明晰可纪念的纪录。

3. 高保真 UI 复刻与功能全袒护，委用质地达标

原生多模态能力使得 Qwen3.6-Plus 能严格参考 UI 截图完成高保真复刻，在布局层级、配色格调、组件交互上高度归附想象要求。

在功能层面，委用服从也皆备袒护需求。应用援手天然谈话输入，可自动索取标题、通晓时刻，然青年景 3-5 个子任务且援手裁剪；AI 助手面板提供拆解建议、风险教唆等能力；搜索、优先级筛选、过期稽查等实辛劳能也逐个结尾。最终委用的相貌，可平直腹地部署运行，界面与功能均达到预期委用尺度。

4. 极致测试与问题闭环，质地把控体系完善

测试枢纽是模子委用的中枢亮点之一。Qwen3.6-Plus 针对中枢模块编写了全袒护测试用例，包括 23 个天然谈话通晓测试、14 个景况管理与进程测试，全面考证天然谈话通晓、TODO 创建、景况切换、筛选逻辑等中枢功能的褂讪性。

在确立枢纽，模子针对每一个显现的问题均完成了 "定位 - 修改 - 考证" 的全进程，新增边际测试用例确保确立效果的褂讪性，最终结尾相貌零中枢 bug、测试全通过的高质地委用景况。

天然，测试案例也显现了 Qwen 3.6-Plus 不褂讪的一面。  在实测中咱们不雅察到了彰着短板：

▪ 首字蔓延（TTFT）：免费预览版首字出当前刻无意高达 11 秒，在需要快速反馈的场景下会唠叨开发者心流

▪   偶发性输出轮回（Looping）：在极高复杂度任务中，模子无意会堕入重叠输出合并段内容的轮回

▪   API 频率终结较严格：Rate Limit 在高频 Agent 自动化任务中容易触发，可能中断前程程践诺

▪   安全范围能力不及：在安全干系任务（权限管理、加密结尾）上成服从仅为 43.3%，不建议在触及高安全级别的自动化进程中单独使用

但两项测试完成后，一个感受仍然很明晰，Qwen 3.6-Plus 省略一支好意思满的团队，在职务磋商、代码迭代和问题精确确立上，发挥出了工业级软件工程的委用水准。

02

Agentic Coding 的工程高地

Qwen 3.6-Plus 的终点之处在于，双线并行的模式初次在国产模子中出现。过往国产模子通常只在某一维度上杰出，能写代码但决策弱，能磋商但践诺崩，但工业级 Agentic Coding 需要的恰正是二者兼具。Qwen 3.6-Plus 作念到了这少量，在编程智能体和复杂进程决策两条阵线上同期靠拢第一梯队：

▪   Terminal-Bench 2.0：61.6 分，突出 Claude Opus 4.5（59.3），在 shell 操作、文献管理、进程适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），在的确全国多步 Agent 任务中进入第一梯队；

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

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

这意味着什么？

在 Terminal 操控和器具调用上的高出，使 Qwen 3.6-Plus 成为了当前最稳当丢进 OpenClaw 这类 Agent 框架中"跑起来"的国产模子。不是辅助写代码，它确实能作念到像你的 AI 开发搭档那样，驱动居品长出来。在 Coding 赛说念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。

从被调用的器具到践诺任务的参与者，当模子扮装的这一溜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礼聘。Qwen 3.6-Plus 的策略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。背后的原因不难相识，当基础模子的能力趋于同质化，能否在的确工程环境中自主完成任务依然成为了最遑急的竞争高地。

03

模子层，走向参数服从之争

更值得贯注之处在于，Qwen 3.6-Plus 在参数服从上发挥出了显赫的上风。横向对比，GLM-5、Kimi-K2.5 等模子的参数目均是其 2-3 倍。

用更少的参数结尾更好的性能，这在大模子此前无边以参数限制换智能水平的布景下，不错被视为一种全新的范式鼎新。

比起小模子的"调和"，一个越来越无法冷漠的视角是，大模子的交易化正在重新界说 AI 性能的尺度。模子谨慎、推理一向以重插足的面貌示东说念主，也言之成理地成为了大模子交易化的瓶颈，而更高的参数服从会让模子厂商在上述领域领有可贵的竞争力。

Benchmark 仍专门旨，但今天单元本钱下的有用智能更能阐述问题。在当前的时刻头绪中，参数服从，依然成为了模子限制化落地的钥匙。

雷峰网著作2026世界杯比赛买输赢中国官网