连续工作16天 Qwen3.8-Max要把AI变成“同事”

过去两年，我们判断一个大模型够不够强，往往会问：它能不能回答复杂问题，数学推理怎么样，代码写得准不准。

但当模型能力逐渐逼近，新的问题已经变成：如果人不再守在旁边，它能不能把一件事继续做下去？

不是生成几段代码，也不是给出一份看起来完整的方案，而是自己拆解任务、调用工具、检查结果，在遇到错误后重新调整，最后交付一个真正可用的成果。

这正是阿里新一代旗舰模型Qwen3.8-Max想要回答的问题。

8月3日，Qwen团队正式发布Qwen3.8-Max。它拥有2.4万亿总参数，是目前规模最大的千问模型；但相比这个惊人的数字，更值得关注的是它将升级重点放在了自主编程、专业工作、科学研究、原生多模态和长周期任务上。

换句话说，Qwen3.8-Max不只想成为一个更聪明的聊天机器人，而是试图成为一个能够连续工作的AI同事。

2.4万亿背后

Qwen3.8-Max采用混合专家架构，也就是MoE。虽然模型总参数达到2.4万亿，但每次处理任务时，只会激活其中约950亿参数，相当于总规模的4%左右。

这并不意味着剩下的参数没有作用，而是模型会根据当前内容选择不同的专家模块参与计算。相比每次都调用全部参数，这种设计能够在扩大模型容量的同时，尽可能控制推理成本和响应速度。

所以，2.4万亿代表的是Qwen3.8-Max能够容纳的知识与能力规模，950亿激活参数则更接近一次实际推理需要动用的计算量。参数规模也不能直接等同于模型能力，真正决定体验的依然是训练质量、模型架构和任务完成效率。

不过，即便采用MoE，Qwen3.8-Max也不是普通用户能够轻松部署在个人电脑上的模型。仅按4bit精度粗略计算，完整权重就需要约1.2TB存储空间，还没有算运行时产生的额外开销。未来开放权重后，它主要仍将面向云服务商、研究机构和拥有大型计算集群的企业。

更适合个人和中小团队部署的，可能是官方同时预告的Qwen3.8-27B。

一次读完更多

Qwen3.8-Max是一款原生多模态模型，可以同时接收文字、图片和视频，输出文字结果。它拥有100万Token上下文窗口，QwenCloud公布的实际规格为最高约99.1万Token输入；开启思考模式后约为98.3万Token，单次最多可以输出约13.1万Token。

这意味着它能够一次读取大型代码仓库、数百页的行业报告、成批的法律文件，甚至较长的视频内容，而不必频繁地切割、摘要和重新拼接上下文。

当然，上下文更长并不代表模型会自动记住其中的每一个细节。真正重要的是，它能否在长上下文中找到与当前任务有关的信息，并在多轮操作后维持目标、状态和约束的一致性。

这也是Qwen3.8-Max最核心的一次升级：它不仅能够读得更多，还试图工作得更久。

从复现到发现

Qwen3.8-Max还被要求从零复现一篇机器学习论文。官方称，在没有现成代码和实验流程的情况下，模型连续工作约125小时，编写约7600行代码，完成1100多次操作和33轮GPU训练。

它先复现了论文中的6项主要结论，随后又花费约88小时测试18种新思路，最终提出的方法在AIME24数学评测上比原论文方案提高了2.7个百分点。

另一次芯片设计实验则持续约500轮交互和71次评估。模型将一套加密电路从最初的8298个逻辑门，逐步压缩至678个逻辑门，并在每一轮中根据仿真、综合与时序结果调整设计。

这些案例共同指向了一种能力：模型不再只是根据已有信息给出答案，而是能够提出假设、执行实验、获得反馈，再利用新结果修改下一步行动。

这也是“长周期任务”真正困难的地方。一次回答错了，可以重新提问；但一个运行几百轮的智能体，只要早期出现一个没有被发现的错误，后续所有努力都可能建立在错误基础上。模型必须学会检查、回退和重新规划，而不只是一直向前生成内容。

不只会写代码

“Coding and Cowork”是Qwen团队为Qwen3.8-Max设定的核心方向。这里的Cowork并不是简单地写文档、做总结，而是让模型进入法律、金融、医疗、设计和数据分析等专业流程，最终交付能够继续使用的文件或成果。

在这个过程中，Qwen3.8-Max的视觉能力也不再只是识别一张图片。

例如，在制作网页、PPT或三维场景时，模型可以先生成内容，再查看实际渲染结果，识别文字溢出、排版错位或视觉效果不符合要求的问题，随后返回代码和工具进行修改。视觉由一次性的输入，变成了贯穿规划、执行和检查过程的反馈通道。

这可能比单纯提高图片问答分数更加重要。因为人类使用电脑时，本来就是一边操作、一边观察结果，再决定下一步做什么。只有视觉真正进入行动循环，多模态模型才有机会从“看懂图片”走向“使用电脑完成工作”。

跑分并非全面领先

从Qwen团队公布的测试结果来看，Qwen3.8-Max已经进入当前第一梯队，但它并没有在所有项目上取得第一。

在考察终端环境操作能力的Terminal-Bench 2.1中，Qwen3.8-Max得到86.6分，高于Claude Opus 4.8和Claude Fable 5的84.6分，但仍略低于GPT-5.6 Sol的88.8分。

在考察论文复现能力的PaperBench中，它得到93.0分，是官方比较模型中的最高成绩；GPQA Diamond为92.6分，也处于第一梯队。

但在更加贴近大型代码仓库维护的SWE-bench Pro上，Qwen3.8-Max得到67.7分，低于Claude Fable 5的80.0分；FrontierSWE成绩为73.5分，同样落后于后者的88.8分。

这些成绩说明，Qwen3.8-Max在终端操作、研究复现、工具使用和长周期任务上表现突出，但并不能简单概括为“全面超过所有模型”。不同测试使用的智能体框架、工具权限、上下文长度和尝试次数也可能影响最终成绩。

模型发布后，Qwen3.8-Max成为当时排名最高的中国文本模型，并在视觉模型榜单中位列全球第二，仅落后一款Claude Fable 5版本。不过公开榜单变化很快，这更适合作为模型进入全球第一梯队的证明，而不是永久不变的排名。

价格与开放

在海外QwenCloud平台上，Qwen3.8-Max的API价格为每百万Token输入2美元、输出6美元，隐式缓存命中价格为每百万Token 0.25美元。开发者可以通过qwen3.8-max这一模型名称调用，并使用函数调用、结构化输出、上下文缓存以及内置搜索工具。

普通用户则可以直接通过Qwen Studio体验，Qoder和Qwen Code等编程工具也已经开始接入。

更值得关注的是，Qwen团队宣布将在正式发布后的一周内开放Qwen3.8-Max权重，同时还将发布Qwen3.8-27B开放权重模型，这将是千问Max级旗舰模型首次走向开放权重。

但“开放权重”并不完全等同于“完全开源”。模型权重可以下载，并不意味着训练数据、完整训练流程和所有工程代码都会公开。截至8月4日，Qwen3.8-Max的具体许可证和最终模型卡仍有待正式发布。

Qwen3.8-Max真正值得关注的地方，不是2.4万亿参数，也不是某一张跑分表上的第一名。

它代表着大模型竞争正在发生一次转向。

过去，我们希望AI能把一道题回答得更好；现在，我们开始要求它接过一个目标，在数百次操作、多个工具和不断变化的结果之间，把事情真正做完。

当然，一次连续16天的官方演示，并不意味着企业已经可以放心地把生产系统完全交给AI。权限控制、错误回滚、过程审计、成本管理和人工确认，依然决定了一个智能体能否真正投入使用。官方展示的长周期案例和跑分，也需要更多第三方复现与真实业务验证。

但至少，下一轮竞争的方向已经变得清晰。

未来决定一个模型价值的，可能不再只是它在一分钟内能给出多聪明的答案，而是在离开人类的持续提醒之后，它还能可靠地工作多久。

当AI从回答问题走向承担任务，我们距离真正的“数字同事”，或许又近了一步。