雷峰网讯 你不错从共事 .skill 的爆火中看到两种判然不同的期间神色，其一天然是对 Markdown 文献"大变活东说念主"这一玄幻履行的试探，而反面则是如今对模子材干的评价，也曾离不开行状级任务的场景。

" AI 能不可替代行径员"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接收开刊行状流。

这背后是一个被反复考证的痛点：当 AI Agent 被放进真实花样，它并莫得想象中那么"能扛活"。它能脱手任务，但实践过程反复中断，多轮对话后高下文丢失，拆伙前后不一致。面临非行径需求时，器具调用也频频造作。你一醒觉来，发现历程早已卡死，行径结局老是如斯。

问题的根源不在 Agent 的外壳，而在底层大模子自己还枯竭踏实可靠的"实践力"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 编程测试中卓绝了 Claude Opus 4.5，拿下巨匠编程模子榜首。

但咱们决定换一种更接近真实场景的方式测一次，毋庸单点的 Benchmark，而是用两套真实复杂任务，隐敝"决策"与"实践"两条材干轴，全面评估 Qwen 3.6-Plus 的智能体材干上限。

01

中枢实测——"双线"观测：

复杂决策 × Agentic Coding

履行中高价值的行状级任务，常常是多要素、多法子、有管理、有风险，和"一步到位"的 ChatBot 对模子有着足够不同的材干需求。因此，大模子从"聊天器具"酿成真实的智能体，复杂决策材干是一个分水岭。

在本次测评中，咱们选择智能体决策与智能体编程两个高难度、高价值场景，构建了双线观测体系，磨真金不怕火模子在真实复杂任务中的自主盘算、动态决策与工程落地材干：

▎ case1 老师改良试点有盘算假想：复杂盘算与履行决策

咱们给与具备主动实践材干的代表性智能体框架 OpenClaw 进行测试，在老师改良配景下要求模子假想贴近真实场景的复杂盘算任务，从而系统评估模子在有盘算相识、任务拆解、旅途盘算、有盘算细化与实践决策等全历程要害中的发扬。

这不是沿途作文题，咱们假想的任务难度远超旧例：

代码块

某市老师局盘算在 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、个性化老成和学习反馈。

已知条款如下：

- 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 会加多备课和管理职责

- 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神

- 老师局要求花样不可显着扩大不同地区、不同家庭配景学生之间的老师差距

- 花样必须不才学期脱手前完成首轮部署，且不可独特恒久新增大齐编制

- 若试点效果精粹，将来 2 年内将有计划扩大到全市 200 所学校

请你看成花样照拂人，完成一份试点实施有盘算。你的回应至少需要包括：

1. 问题界说

2. 有盘算与管理拆解

3. 6 个月试点有盘算

4. 刚正性与风险限度

5. 评估体系

6. 是否扩大到 200 所学校的决策行径

独特要求：

- 明确施展要害假定

- 至少建议 2 个备选有盘算，并施展注解推选情理

- 体现短期可落地性与恒久可扩张性的均衡

- 尽量给出可实践机制，而不是只讲原则

补充条款：试点脱手 2 个月后，媒体报说念某校学生过度依赖 AI 完顺利课，激励家长争议；同期另有 3 所县镇学校反馈蚁合与终局条款不及，实质使用率远低于城区学校。请在原有盘算基础上动态退换你的策略。

任务要求模子输出：问题界说、有盘算管理拆解、6 个月试点有盘算、刚正性风险限度、评估体系、是否扩大的决策行径，以及要求至少 2 个备选有盘算并施展推选情理。

这考验的不是翰墨生成材干，而是真实的"任务拆解与组织实践"材干。一般模子很容易输出一堆缺乏的盘算有盘算，且极难把控资源分派与具体任务拆解，望望 OpenClaw 在 Qwen3.6-Plus 模子下是怎么完成行状的：

1. 复杂问题结构化拆解

把污秽需求快速转动为问题界说、有盘算分层、管理清单、预算分派、期间线、评估体系等好意思满框架，逻辑严实、层级澄澈，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管理下，给出可实践、可量化、可评审的落地有盘算，预算一分不差、资源向县镇歪斜，兼顾着力与刚正。

3. 动态风险救急与迭代决策

面临试点第 2 个月舆情危境 + 县镇拓荒蚁合不及双突发事件，模子快速给出救急反馈、功能退换、预算里面调剂、部署重排，作念到不超预算、不宽限、闭环科罚，展现真实智能体动态决策材干。

4. 全周期盘算与范围化扩张想维

Qwen3.6-Plus 不仅完成了 6 个月试点假想，还同步给出试点范围扩张至 200 所学校的 Go/No-Go 硬行径、三阶段扩张旅途、资本优化机制，从架构、轨制、东说念主员、数据全方面预留接口，短期可落地、恒久可扩张，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，请托了完成度极高的有盘算，这背后是高水平的有盘算相识、全链路盘算、动态风险支吾、多管理均衡材干，正是咱们对智能体在面临复杂决策时所期待的。

▎ case2 AI TODO Board 全历程开发：Coding 材干观测

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

咱们给与开源智能编程器具 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花样请托的全链路工程已毕材干。评估内容不仅包括最终花样是否可运行、功能是否好意思满有用、代码结构是否澄澈合理，还隐敝模子在编程全历程中的要害材干，任务拆解、已毕旅途盘算、阶段性决策、测试与调试、问题定位与诞生，以及基于反馈持续迭代并管理到可用拆伙的材干。

# Coding Evaluation Task

你是一个高等软件工程 Agent，请完成一个可运行的 **TODO** 花样，并体现好意思满闭环材干：需求相识、任务拆解、已毕盘算、编码、测试、诞生、请托。

任务：开发一个 **AI TODO Board**，让用户通过天然言语创建 TODO，在看板中管理景色，并通过 AI 作风材干自动拆解子任务、识别优先级、教导风险和下一步动作。

手艺要求：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：已毕三列 TODO 看板 Todo、Doing、Done；每个 TODO 卡片至少包含标题、描写、优先级、截止期间、标签、子任务摘要、完成进程；支撑景色流转，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"，系统需自动索要标题、融会期间、想到优先级、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，支撑 TODO 拆解建议、风险教导、下一步建议、落伍提醒。需要支撑搜索、按优先级筛选、仅看落伍、快速标志完成、空景色、加载态、差错态。

UI / UX 要求：暗色模式优先，当代、细巧、将来感 SaaS 作风，有显着层级、留白、卡片质感和隐微动效，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作风。

你必须输出：1. 需求相识，2. 已毕盘算，3. 花样结构，4. 中枢代码，5. 测试代码，6. 诞生过程，7. 运行施展，8. 衡量与不及。

必须测试：天然言语融会函数、创建 TODO 历程、TODO 景色切换逻辑、筛选逻辑。

已毕后延续诞生并施展过程：迁徙端横向溢出，输入"未来"时期间融会不踏实，Done 列 TODO 好多时滚动体验差，2026世界杯竞猜(中国)官网筛选后景色切换导致列表高慢很是；你需要施展如何定位问题、如何修改、如何考证诞生凯旋。

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，施展哪些部分足够复刻，哪些部分作念工程化折中，然后基于截图延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、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），支撑天然言语创建 TODO 并自动索要标题、期间、优先级、子任务，还要提供 AI Assistant 面板进行拆解建议和风险教导，支撑搜索、筛选，输出好意思满已毕盘算、花样结构、中枢代码、测试代码、诞生过程施展。

传统大模子在这种场景下，即使名义上能完成请托，也常常难以实质运行。可是 Qwen3.6-Plus 发扬得像是一位极度老说念的架构工程师和 UI 假想师。

1. 全历程闭环开发，任务盘算与及时进展可视化

花样启动阶段，Qwen3.6-Plus 当先进行了需求拆解，精确把合手 AI TODO Board 开发的中枢手艺，还制定了包含 16 个法子的澄澈已毕盘算。从花样脱手化、依赖安设，到中枢功能开发、测试编写，再到问题诞生，这套有盘算不错径直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，模子严格罢职软件工程标准，像专科的开发团队雷同，轮番完成了从任务拆解到测试请托的全链路要害，不仅已毕了测试用例全部通过，还针对迁徙端横向溢出、期间融会不踏实、滚动体验差等中枢问题进行系统性诞生，确保花样从原型到制品的稳重落地。

值得留心的是，在开发服务器启动、腹地部署等要害 Qwen3.6-Plus 均一次凯旋，请托着力远超旧例开发历程。

2. 代码迭代与精确返修，工程化材干拉满

在代码已毕阶段，Qwen3.6-Plus 展现出塌实的手艺功底与严谨的代码迭代逻辑。针对花样中枢模块，模子完成了从组件假想到景色管理的全栈开发：

▪   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；

▪   开发天然言语融会器，已毕中英文期间、优先级智能索要与子任务自动生成；

▪   诈欺 Zustand 完成 TODO 景色管理，支撑拖拽流转、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害，能否精确定位问题方位进行针对性修改，再完成考证的闭环，是模子在行状级任务中会面临的真实考验。在 AI TODO Board 的开发中，Qwen3.6-Plus 也有着不俗的发扬。

迁徙端横向溢出问题，通过退换容器宽度与布局属性科罚，优化期间融会逻辑，融合使用 UTC 期间处理幸免融会偏差，替换滚动组件进步 Done 列大数目场景的滚动体验，重构筛选逻辑摈斥景色切换后的高慢很是……

每一次诞生均配套新增测试用例考证，确保问题透顶科罚且不引入新 bug。这些过程齐是由模子自主完成，我看到的，只消开发日记里一行行澄澈可纪念的记载。

3. 高保真 UI 复刻与功能全隐敝，请托质料达标

原生多模态材干使得 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、组件交互上高度收复假想要求。

在功能层面，请托着力也足够隐敝需求。应用支撑天然言语输入，可自动索要标题、融会期间，然青年景 3-5 个子任务且支撑剪辑；AI 助手面板提供拆解建议、风险教导等材干；搜索、优先级筛选、落伍稽查等实勤劳能也逐个已毕。最终请托的花样，可径直腹地部署运行，界面与功能均达到预期请托行径。

4. 极致测试与问题闭环，质料把控体系完善

测试要害是模子请托的中枢亮点之一。Qwen3.6-Plus 针对中枢模块编写了全隐敝测试用例，包括 23 个天然言语融会测试、14 个景色管理与历程测试，全面考证天然言语融会、TODO 创建、景色切换、筛选逻辑等中枢功能的踏实性。

在诞生要害，模子针对每一个披露的问题均完成了 "定位 - 修改 - 考证" 的全历程，新增边际测试用例确保诞奏效果的踏实性，最终已毕花样零中枢 bug、测试全通过的高质料请托景色。

天然，测试案例也披露了 Qwen 3.6-Plus 不踏实的一面。  在实测中咱们不雅察到了显着短板：

▪ 首字蔓延（TTFT）：免费预览版首字出现期间偶然高达 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，模子偶然会堕入重迭输出并吞段内容的轮回

▪   API 频率扫尾较严格：Rate Limit 在高频 Agent 自动化任务中容易触发，可能中断长历程实践

▪   安全界限材干不及：在安全关系任务（权限管理、加密已毕）上凯旋率仅为 43.3%，不建议在波及高安全级别的自动化历程中单独使用

但两项测试完成后，一个感受仍然很澄澈，Qwen 3.6-Plus 大致一支好意思满的团队，在职务盘算、代码迭代和问题精确诞生上，发扬出了工业级软件工程的请托水准。

02

Agentic Coding 的工程高地

Qwen 3.6-Plus 的极度之处在于，双线并行的款式初度在国产模子中出现。过往国产模子常常只在某一维度上杰出，能写代码但决策弱，能盘算但实践崩，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历程决策两条阵线上同期靠近第一梯队：

▪   Terminal-Bench 2.0：61.6 分，卓绝 Claude Opus 4.5（59.3），在 shell 操作、文献管理、进程限度等硬核终局任务上，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 诞生和代码重构已绰绰多余；

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

这意味着什么？

在 Terminal 操控和器具调用上的跨越，使 Qwen 3.6-Plus 成为了现时最相宜丢进 OpenClaw 这类 Agent 框架中"跑起来"的国产模子。不是支持写代码，它的确能作念到像你的 AI 开发搭档那样，驱动居品长出来。在 Coding 赛说念也曾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。

从被调用的器具到实践任务的参与者，当模子变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选择。Qwen 3.6-Plus 的战术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，当基础模子的材干趋于同质化，能否在真实工程环境中自主完成任务也曾成为了最伏击的竞争高地。

03

模子层，走向参数着力之争

更值得留心之处在于，Qwen 3.6-Plus 在参数着力上发扬出了显贵的上风。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，这在大模子此前广泛以参数范围换智能水平的配景下，不错被视为一种全新的范式改革。

比起小模子的"和解"，一个越来越无法疏远的视角是，大模子的交易化正在从头界说 AI 性能的行径。模子训导、推理一向以重干涉的面庞示东说念主，也铿锵有劲地成为了大模子交易化的瓶颈，而更高的参数着力会让模子厂商在上述领域领有谨慎的竞争力。

Benchmark 仍有预想，但今天单元资本下的有用智能更能施展问题。在现时的手艺端倪中，参数着力，也曾成为了模子范围化落地的钥匙。

雷峰网著述2026世界杯竞猜中国官网