实测Qwen3.8-Max：国产模型开始从「会写代码」走向「能交付任务」

如果一个 AI 每 10 分钟就要你回来看一眼，它当然有用。但它还称不是上是真正的劳动力。

过去国产模型和海外顶级模型之间最明显的体验差距，其实不在“会不会写代码”。很多模型都能写代码，都能补函数，都能改页面。真正的差距在另一个地方：你能不能把一个复杂任务交给它，然后走开。

这就是 Coding Agent 的代际差。一个需要人类持续盯着、不断拆任务、不断纠偏的模型，本质上还是一个很聪明的实习生。而可靠性，从某种程度上才代表了 Coding Agent 真正的智力水平。

所以今天 Qwen3.8 的发布，最值得看的不是 2.4 万亿参数，也不是某个单点 benchmark 又涨了几分。而是它试图补上这个代际差：国产模型也开始从“会写代码”，走向“能交付任务”。

我们认为这背后是大模型竞赛计量单位的变化。过去大家比的是一次生成的质量，这一题答得准不准，这段代码写得好不好。

但 Agent 时代，真正的计量单位：Agent究竟能帮人节省多少时间。

所以 Coding Agent 的智力，正在越来越多地体现为长程任务能力。它不只是“智能”本身，而是智能 × 可靠性的乘积。单步推理再强，如果第 20 轮开始忘目标，第 50 轮开始乱改文件，第 100 轮无法解释自己做过什么，它就仍然不能被托付。

一旦跨过端到端交付这道门槛，AI 才有机会从“效率工具预算”进入“企业级项目预算”，这中间差的不是几个百分点的模型分数，而是两个数量级的市场空间。

Qwen3.8 这次要讲的，正是这个变化：模型不再只是代码生成器，而开始接近一个可以被长期托付的执行主体。

1

长程任务跑分：Qwen3.8-Max真的可交付

从官方技术博客给出的信息看，Qwen3.8-Max 在传统能力上补齐了很多指标：总参数量 2.4 万亿，激活参数 95B，支持 1M Tokens 上下文和视觉理解。

在基础的 Text Arena 文本能力榜单和 Vision Arena 视觉能力榜单中，覆盖数学、代码、创意写作等开放式文本任务，以及编程能力（前端）等核心能力项目中，Qwen3.8-Max 均仅次于 Anthropic系列。文本能力是长程任务的前提，模型要在复杂上下文里持续理解目标、更新计划、吸收反馈，文本底座不够强，Agent 很快就会在需求理解上跑偏。

在前端设计上，Code Arena 这个榜单考察的不是「写对一个函数」，而是多步骤推理加工具调用的 agentic coding workflow：理解页面结构、生成前端代码、处理交互状态、调用工具、看结果、继续改。会写代码的模型很多，能在一个工程里持续工作、不断修正、最终交付的模型很少。目前来看，Qwen3.8-Max低于Opus5-max和以前端Coding为核心能力的K3。

但这些榜单验证的是某一个环节的基础排名和单点能力，硅星人更想了解的是在真实的交付环境下，Qwen3.8-Max能否完整地交付。

为此，硅星人建立了「Agent Long-Task Benchmark」测试集，不是让模型写一个函数或答一道算法题，而是让它完成六个完整项目：本地优先 Markdown 知识库、个人记账和投资分析仪表盘、电商后台管理系统、团队任务看板、像素风 2D RPG 游戏、Chrome AI 网页摘要扩展。

这些任务的共同特点是，都不是「一次生成」能解决的。它们需要模型自己做需求拆解、项目初始化、技术栈搭建、数据库设计、前端交互、业务逻辑、测试、构建、部署和证据留存，更像一个工程师连续干几天的活，而不是聊天框里的一次 demo。

评分拆成两部分：功能完成度占 70%，证据、可交付性、可复现性占 30%。前者看模型能不能把主体功能做出来，后者看它能不能证明这个东西真的能运行、能部署、能复现、能被验收。

第二项之所以重要，是因为很多 Agent 的问题不是「不会写」，而是「写完之后没人敢交」。页面看起来有了，但还需要运行数据，代码生成后进入测试阶段，功能实现之后的日志输出和构建产物，这些都是真实场景下需要衡量的数据标准。

从结果来看，Qwen3.8-Max能比较快地完成项目初始化、技术栈选择、基础页面搭建、CRUD 结构、LLM 应用流程和数据看板等工作。换句话说，Qwen3.8-Max 已经不是只能写单个函数或生成孤立页面，而是能把一个需求先变成一个可以继续开发的项目骨架。

这一点，在表现最稳的 Chrome 扩展、电商后台、记账仪表盘三个任务里表现得尤其明显，这几个任务有明确的业务结构和相对标准化的工程路径。比如电商后台，在第一轮静态自查中已经完成了登录鉴权链路、路由保护、seed 管理员账号机制和后台基础框架。不是简单写了一个登录页，而是把后台系统的入口能力搭了起来。模型已经能从「代码片段」推进到「项目骨架」。

更重要的是，模型开始具备一定的“交付意识”。它不只是生成代码，还会围绕登录鉴权、路由保护、seed 数据、后台框架、构建路径这些真实项目里必须存在的环节推进任务。这说明 Qwen3.8-Max 的 Coding 能力已经从“代码补全”往“工程搭建”前进了一步。

当然，长程任务真正难的部分仍然在后半程：部署、复现、证据留存、实时状态同步、复杂状态机和多轮交互稳定性。这些也是目前拖分最明显的地方。但这恰好说明，长程 Benchmark 的价值不在于给模型一个漂亮总分，而在于把“会写”和“能交付”之间的距离量出来。

所以，如果用一句话概括这次测试：Qwen3.8-Max 已经在结构化工程任务里表现出可托付雏形，尤其擅长把复杂需求拆成项目骨架并完成主体功能；它离完全生产级交付还需要补齐证据闭环和长程状态一致性，但交付能力的差距正在缩小。

1

16天长程无人干预，不是Qwen3.8-Max的极限

那么长程任务到底能有多长？

在 Qwen3.8-Max 的技术博客里，有一个让我们没有想到的案例：oh-my-cli。这个项目由Qwen3.8-Max自主运行了16 天，无人持续监管。时间单位已经完全脱离了按分钟、小时计算的范畴，而是按天甚至是按周计算。

用户只给出一句「创建一个自进化的智能体 Harness」，模型从空文件夹出发，自主搭建 Loop Engineering 框架，编排智能体自动领取和执行任务。它把用户反馈、社区实践和模型自测结果纳入工程循环，将需求规范化为 issue，再由 agent 自动领取、执行、测试、修复、继续迭代。

这个过程持续了 16 天。最终交付出一个真实可用的自进化智能体框架，项目完全开源，完整过程保存在 GitHub 仓库，可查代码、commit、PR 和 issue。

今天很多模型都能写 CLI，也能写一个 demo 级的 agent wrapper。oh-my-cli 真正值得讨论的地方在于，它不是一次生成出来的，是在一个无人持续介入的长程过程中被模型一点点推进出来的。

它要先理解「自进化智能体 Harness」意味着什么，然后设计项目结构，处理命令行交互、会话管理、恢复、压缩、审批、工具调用、MCP、工作区隔离、undo/redo、headless protocol、handoff 等一整套 Agent runtime 问题。更重要的是，它要在持续反馈中不断修正自己。

模型要把工程任务变成一个持续循环：需求进入系统转成 issue，issue 拆解成任务，任务变成代码，代码进入测试和反馈，反馈再变成下一轮行动。

一个成熟工程师不只会写函数，更知道如何围绕目标组织行动：搭骨架、填模块、遇到报错定位、测试失败回滚、需求变化调整计划、最后留下能被别人接手的证据。oh-my-cli 的意义，是它把 Qwen3.8-Max 的能力从「会写代码」推到了「会组织工程过程」。

但光能干活还不够。谈「放手让模型干活」的时候，硅星人认为还有一个必须被回应的问题：成本。

有时候并不是模型做不到，而是人处于成本考量不敢放手让模型自进化。长程任务不是一次调用成本，而是一段过程成本。

根据彭博社的对比，Qwen3.8-Max 输入 $2/M Tokens、输出 $6/M Tokens，Qwen3.8-Max 的输出价格是 GPT-5.6 Sol 的五分之一，是 Fable 5 的八分之一。

在短任务中成本差距并不明显，但长程任务会把价格差距放大到不可忽视的程度。一个 Agent 连续工作 16 天，背后可能是几十万次 Token 消耗。按 Fable 5 的定价，一个项目的模型成本可能达到几百甚至上千美元；按 Qwen3.8-Max 的定价，同样的任务量成本降到十分之一以内。

当模型既能做到长时间无人干预地推进任务，成本又控制在企业可接受的范围内时，它才能真正产生生产价值：不是「有用的工具」，而是可以被排进项目计划里的生产力。

1

结语

在 Qwen3.8 的官方博客里，已经能看到这种生产力正在落地：头部智能体平台用它搭建大规模 Agent 系统；开发者让它承担高强度工程任务；科研团队用它跑通「文献—数据—仿真」的完整研究闭环；白领工作者把图片、手稿、视频等繁杂材料一次性交给它处理。同一个模型，在不同领域、不同工作流中被反复用到「离不开」。

能力信任和价格信任同时成立的时候，Coding Agent 才真正从 demo 进入生产。