雷峰网讯 你不错从共事 .skill 的爆火中看到两种截然有异的时期心理，其一虽然是对 Markdown 文献"大变活东说念主"这一玄幻推行的试探，而反面则是如今对模子才气的评价，还是离不开服务级任务的场景。

" AI 能弗成替代圭表员"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收受开发服务流。

这背后是一个被反复考证的痛点：当 AI Agent 被放进简直样子，它并莫得联想中那么"能扛活"。它能出手任务，但引申过程反复中断，多轮对话后高下文丢失，扫尾前后不一致。面临积恶式需求时，器具调用也频频颠倒。你一觉悟来，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，而在底层大模子自身还零落稳固可靠的"引申力"和"决策力"。

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

但咱们决定换一种更接近简直场景的样式测一次，无须单点的 Benchmark，而是用两套简直复杂任务，遮盖"决策"与"引申"两条才气轴，全面评估 Qwen 3.6-Plus 的智能体才气上限。

01

中枢实测——"双线"窥探：

复杂决策 × Agentic Coding

推行中高价值的服务级任务，时时是多成分、多圭表、有料理、有风险，和"一步到位"的 ChatBot 对模子有着都备不同的才气需求。因此，大模子从"聊天器具"造成信得过的智能体，复杂决策才气是一个分水岭。

在本次测评中，咱们采纳智能体决策与智能体编程两个高难度、高价值场景，构建了双线窥探体系，闇练模子在简直复杂任务中的自主筹画、动态决策与工程落地才气：

▎ case1 涵养创新试点决议遐想：复杂筹画与推行决策

咱们继承具备主动引申才气的代表性智能体框架 OpenClaw 进行测试，在涵养创新布景下要求模子遐想贴近简直场景的复杂筹画任务，从而系统评估模子在狡计看法、任务拆解、旅途筹画、决议细化与引申决策等全经过要道中的阐述。

这不是一齐作文题，咱们遐想的任务难度远超成例：

代码块

某市涵养局狡计在 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、个性化熟识和学习反馈。

已知要求如下：

- 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，数字化基础相反显着

- 部分教师操心 AI 会增多备课和管理职责

- 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

- 涵养局要求样子弗成显着扩大不同地区、不同家庭布景学生之间的涵养差距

- 样子必须鄙人学期出手前完成首轮部署，且弗成出奇弥远新增大宗编制

- 若试点效果雅致，改日 2 年内将沟通扩大到全市 200 所学校

请你手脚样子参谋人，完成一份试点实施决议。你的回答至少需要包括：

1. 问题界说

2. 狡计与料理拆解

3. 6 个月试点决议

4. 刚正性与风险限制

5. 评估体系

6. 是否扩大到 200 所学校的决策圭表

出奇要求：

- 明确证据重要假定

- 至少提倡 2 个备选决议，并证明推选情理

- 体现短期可落地性与弥远可扩张性的均衡

- 尽量给出可引申机制，而不是只讲原则

补充要求：试点出手 2 个月后，媒体报说念某校学生过度依赖 AI 完告成课，激勉家长争议；同期另有 3 所县镇学校反馈网络与末端要求不及，实质使用率远低于城区学校。请在原决议基础上动态融合你的策略。

任务要求模子输出：问题界说、狡计料理拆解、6 个月试点决议、刚正性风险限制、评估体系、是否扩大的决策圭表，以及要求至少 2 个备选决议并证据推选情理。

这锻真金不怕火的不是笔墨生成才气，而是信得过的"任务拆解与组织引申"才气。一般模子很容易输出一堆缺乏的筹画决议，且极难把控资源分拨与具体任务拆解，望望 OpenClaw 在 Qwen3.6-Plus 模子下是怎样完成服务的：

1. 复杂问题结构化拆解

把依稀需求快速障碍为问题界说、狡计分层、料理清单、预算分拨、时候线、评估体系等完竣框架，逻辑严实、层级了了，全程无标语空论，体现专科级复杂决策与任务拆解水平。

2. 多料理下精确资源均衡

在 800 万预算、6 个月周期、城乡相反、教师职责、刚正底线、无新增编制等多重强料理下，给出可引申、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. 动态风险救急与迭代决策

面临试点第 2 个月舆情危急 + 县镇拓荒网络不及双突发事件，模子快速给出救急反应、功能融合、预算里面调剂、部署重排，作念到不超预算、不展期、闭环惩办，展现简直智能体动态决策才气。

4. 全周期筹画与限度化扩张念念维

Qwen3.6-Plus 不仅完成了 6 个月试点遐想，还同步给出试点限度扩张至 200 所学校的 Go/No-Go 硬圭表、三阶段扩张旅途、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、弥远可扩张，念念维闭环且专科。

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议，这背后是高水平的狡计看法、全链路筹画、动态风险移交、多料理均衡才气，正是咱们对智能体在面临复杂决策时所期待的。

▎ case2 AI TODO Board 全经过开发：Coding 才气窥探

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

咱们继承开源智能编程器具 OpenCode 进行测试，重心覆按模子是否具备从需求看法到完竣样子委派的全链路工程已毕才气。评估内容不仅包括最终样子是否可运行、功能是否完竣灵验、代码结构是否了了合理，还遮盖模子在编程全经过中的重要才气，任务拆解、已毕旅途筹画、阶段性决策、测试与调试、问题定位与诞生，以及基于反馈不绝迭代并敛迹到可用扫尾的才气。

# Coding Evaluation Task

你是一个高档软件工程 Agent，请完成一个可运行的 **TODO** 样子，并体现完竣闭环才气：需求看法、任务拆解、已毕筹画、编码、测试、诞生、委派。

任务：开发一个 **AI TODO Board**，让用户通过天然话语创建 TODO，在看板中管理气象，并通过 AI 作风才气自动拆解子任务、识别优先级、领导风险和下一步动作。

时间要求：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，不要求简直后端。

功能要求：已毕三列 TODO 看板 Todo、Doing、Done；每个 TODO 卡片至少包含标题、描述、优先级、截止时候、标签、子任务选录、完成程度；复旧气象流转，可拖拽，如不使用拖拽需提供合理替代交互。提供天然话语输入框，举例"未来地午前完成招聘首页改版，包含 Hero、岗亭列表、FAQ，优先级高"，系统需自动提真金不怕火标题、瓦解时候、意象优先级、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，复旧 TODO 拆解建议、风险领导、下一步建议、过时提醒。需要复旧搜索、按优先级筛选、仅看过时、快速标志完成、空气象、加载态、流弊态。

UI / UX 要求：暗色模式优先，当代、精细、改日感 SaaS 作风，有显着层级、留白、卡片质感和微细动效，桌面端完竣可用，移动端基本可用，弗成是脚手架默许后台作风。

你必须输出：1. 需求看法，2. 已毕狡计，3. 样子结构，4. 中枢代码，5. 测试代码，6. 诞生过程，7. 运行证据，8. 衡量与不及。

必须测试：天然话语瓦解函数、创建 TODO 经过、TODO 气象切换逻辑、筛选逻辑。

已毕后链接诞生并证据过程：移动端横向溢出，输入"未来"过去间瓦解不稳固，Done 列 TODO 许多时滚动体验差，FIFA世界杯官方合作指定网站筛选后气象切换导致列表炫耀异常；你需要证据如何定位问题、如何修改、如何考证诞生成功。

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，证据哪些部分都备复刻，哪些部分作念工程化折中，然后基于截图链接修改代码直到尽量接近。

不要只写念念路，必须给出可运行代码、测试代码、诞生后的最终已毕。

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，需已毕三列看板（Todo、Doing、Done），复旧天然话语创建 TODO 并自动提真金不怕火标题、时候、优先级、子任务，还要提供 AI Assistant 面板进行拆解建议和风险领导，复旧搜索、筛选，输出完竣已毕狡计、样子结构、中枢代码、测试代码、诞生过程证据。

传统大模子在这种场景下，即使名义上能完成委派，也时时难以实质运行。然而 Qwen3.6-Plus 阐述得像是一位极度老说念的架构工程师和 UI 遐想师。

1. 全经过闭环开发，任务筹画与及时进展可视化

样子启动阶段，Qwen3.6-Plus 最初进行了需求拆解，精确把抓 AI TODO Board 开发的中枢时间，还制定了包含 16 个圭表的了了已毕狡计。从样子运行化、依赖装置，到中枢功能开发、测试编写，再到问题诞生，这套决议不错径直交给工业级软件工程团队去引申，并且每一步均以可视化程度条及时呈现进展。

开发过程中，模子严格衔命软件工程表率，像专科的开发团队相通，挨次完成了从任务拆解到测试委派的全链路要道，不仅已毕了测试用例全部通过，还针对移动端横向溢出、时候瓦解不稳固、滚动体验差等中枢问题进行系统性诞生，确保样子从原型到制品的稳固落地。

值得提神的是，在开发服务器启动、腹地部署等要道 Qwen3.6-Plus 均一次成功，委派服从远超成例开发经过。

2. 代码迭代与精确返修，工程化才气拉满

在代码已毕阶段，Qwen3.6-Plus 展现出塌实的时间功底与严谨的代码迭代逻辑。针对样子中枢模块，模子完成了从组件遐想到气象管理的全栈开发：

▪   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 作风界面；

▪   开发天然话语瓦解器，已毕中英文时候、优先级智能提真金不怕火与子任务自动生成；

▪   诓骗 Zustand 完成 TODO 气象管理，复旧拖拽流转、搜索筛选、过时提醒等全功能；

返修是软件工程不可幸免的要道，能否精确定位问题场合进行针对性修改，再完成考证的闭环，是模子在服务级任务中会面临的简直锻真金不怕火。在 AI TODO Board 的开发中，Qwen3.6-Plus 也有着不俗的阐述。

移动端横向溢出问题，通过融合容器宽度与布局属性惩办，优化时候瓦解逻辑，长入使用 UTC 时候处理幸免瓦解偏差，替换滚动组件进步 Done 列大数目场景的滚动体验，重构筛选逻辑摈斥气象切换后的炫耀异常……

每一次诞生均配套新增测试用例考证，确保问题透顶惩办且不引入新 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了了可追溯的记载。

3. 高保真 UI 复刻与功能全遮盖，委派质地达标

原生多模态才气使得 Qwen3.6-Plus 能严格参考 UI 截图完成高保真复刻，在布局层级、配色作风、组件交互上高度回复遐想要求。

在功能层面，委派服从也都备遮盖需求。应用复旧天然话语输入，可自动提真金不怕火标题、瓦解时候，然青年景 3-5 个子任务且复旧剪辑；AI 助手面板提供拆解建议、风险领导等才气；搜索、优先级筛选、过时张望等实勤奋能也逐个已毕。最终委派的样子，可径直腹地部署运行，界面与功能均达到预期委派圭表。

4. 极致测试与问题闭环，质地把控体系完善

测试要道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盖测试用例，包括 23 个天然话语瓦解测试、14 个气象管理与经过测试，全面考证天然话语瓦解、TODO 创建、气象切换、筛选逻辑等中枢功能的稳固性。

在诞生要道，模子针对每一个走漏的问题均完成了 "定位 - 修改 - 考证" 的全经过，新增边际测试用例确保诞成效果的稳固性，最终已毕样子零中枢 bug、测试全通过的高质地委派气象。

天然，测试案例也走漏了 Qwen 3.6-Plus 不稳固的一面。  在实测中咱们不雅察到了显着短板：

▪ 首字延长（TTFT）：免费预览版首字出当前候就怕高达 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，模子就怕会堕入重迭输出团结段内容的轮回

▪   API 频率限制较严格：Rate Limit 在高频 Agent 自动化任务中容易触发，可能中断长经过引申

▪   安全范围才气不及：在安全计划任务（权限管理、加密已毕）上成功率仅为 43.3%，不建议在触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，一个感受仍然很了了，Qwen 3.6-Plus 大约一支完竣的团队，在职务筹画、代码迭代和问题精确诞生上，阐述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，双线并行的模式初度在国产模子中出现。过往国产模子时时只在某一维度上隆起，能写代码但决策弱，能筹画但引申崩，但工业级 Agentic Coding 需要的恰正是二者兼具。Qwen 3.6-Plus 作念到了这少许，在编程智能体和复杂经过决策两条阵线上同期迫临第一梯队：

▪   Terminal-Bench 2.0：61.6 分，突出 Claude Opus 4.5（59.3），在 shell 操作、文献管理、进程限制等硬核末端任务上，它是现在最强的模子之一；

▪   Claw-Eval：58.7 分，极接近 Claude Opus 4.5（59.6），在简直天下多步 Agent 任务中进入第一梯队；

▪ SWE-bench Verified：78.8%，处理大多数企业级 Bug 诞生和代码重构已绰绰多余；

▪   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向上，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。不是提拔写代码，它确切能作念到像你的 AI 开发搭档那样，驱动居品长出来。在 Coding 赛说念还是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。

从被调用的器具到引申任务的参与者，当模子变装的这一行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采纳。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。背后的原因不难看法，当基础模子的才气趋于同质化，能否在简直工程环境中自主完成任务还是成为了最重要的竞争高地。

03

模子层，走向参数服从之争

更值得提神之处在于，Qwen 3.6-Plus 在参数服从上阐述出了权臣的上风。横向对比，GLM-5、Kimi-K2.5 等模子的参数目均是其 2-3 倍。

用更少的参数已毕更好的性能，这在大模子此前广大以参数限度换智能水平的布景下，不错被视为一种全新的范式障碍。

比起小模子的"息争"，一个越来越无法疏远的视角是，大模子的交易化正在重新界说 AI 性能的圭表。模子涵养、推理一向以重参加的形貌示东说念主，也铿锵有劲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厚爱的竞争力。

Benchmark 仍有酷爱，但今天单元本钱下的灵验智能更能证据问题。在当前的时间头绪中，参数服从，还是成为了模子限度化落地的钥匙。

雷峰网著述FIFA世界杯官方合作指定网站