Qwen3.8-Max 开了一年网店，把 10 万本金滚到了 41 万

⁣

给一个 AI 十万元，让它同时经营多家网店，最后是亏成狗还是赚到爽。

选什么商品，由它自己决定；采购价格，还是让它去谈。就连遇见顾客「七天无理由退款」，也得由它承担。供应商中还混着 152 家骗子，夏天可能遭遇台风断货，到了双十一，订单还会突然暴涨。

就这样连续经营 365 天，让AI也遭受遭受「社会的毒打」，最后再瞅瞅，它手里还能剩多少现金。

Qwen3.8-Max 最后搞到的钱是：416,252 元。

启动资金差不多翻了四倍多。

如此有趣的调教AI方式，就藏在 Qwen3.8-Max 发布页的「长程任务」章节里，昨天模型发布大伙的注意力大多被 2.4 万亿参数和 Arena 跑分抢走了，没太注意到这个乐子。

APPSO认为，它可能反而是 Qwen3.8-Max 技术论文里最值得讨论的一部分。

倒不是因为「AI 会卖货」有多新鲜，关键在于用 Qwen 选择用一家连续经营一整年的网店，来测试新旗舰模型的能力边界。

这个选择本身，有点意思。

这 41 万元是怎么跑出来的

先瞅瞅官方的测试规则。

Qwen 把这套测试叫 E-Commerce Bench。简单说，就是用淘宝、天猫的真实脱敏交易数据搭了一个模拟电商环境，模型在这个环境里从头开始经营，所有决策都由它自己做，没有人类在旁边指点。

到了年底只数现金，不数库存。货没卖掉就不算AI挣的。

在官方发布页中，Qwen 重点展示了模型的两个行为特征。

第一个，是谈判能力会在经营过程中持续进化。

E-Commerce Bench 的供应商体系很有意思，基于博弈论设计。每个供应商都有不同的性格、报价方式和让步策略。

Qwen3.8-Max 会围绕同一个供应商反复试探，逐轮压低采购价格，还会把从某个供应商身上学到的砍价经验，迁移到相似商品和其他供应商上。

这好像有点像我们日常练习砍价的经历，买菜的时候总要跟大妈讲上那么块儿八毛的，再把类似的经验迁移到其他大妈身上。砍价高手好像真的是这么唠出来的。

官方给出的雷达图也显示，它的谈判效率会随着经营时间不断提高。相比之下，其他参测模型的议价能力到了中期，便逐渐停止增长。

第二个，是资金投入的节奏。

Qwen3.8-Max 在经营初期投入了最多的资金，以此来尽快建立稳固的市场地位。

到了年终大促阶段，它的净利润超过 10 万元，是第二名 GLM 5.2 的 两倍多。

最终，Qwen3.8-Max 获得了 416,252 元总现金，相当于初始资金的 4.16 倍。比电商测试排名更有意思的问题还在后面——Qwen 为什么非要把测试拉到 365 天？

为什么偏偏要经营满一年

要是只想证明 AI 懂得开网店的知识，那其实根本没必要把测试搞得这么麻烦。让模型做几次运营策略题，提一点选品建议，就足以测试它的知识储备了。但这两个模拟电商的测试，都做了长达一年的模拟，这是为什么？

答案就藏在在 Qwen3.8-Max 发布前三天公开的论文里。

阿里巴巴与浙江大学等机构的研究人员在 arXiv 上发布了 MerchantBench。同样也是 365 天的网店经营模拟，但换了一套完全不同的环境——数据来自 1688 而不是淘宝天猫，AI只经营一家店，起步资金也只有 2000 元。

与其说它在给模型打分，不如说它更像一台「故障透视仪」，专门把模型在长期经营中犯的错误拍清楚。

论文里有一个关于上一代旗舰模型 Qwen3.7-Max 的实验细节，还挺能说明问题的。

在某次运行过程中，它经营到第 282 天，突然认定第 285 天就是模拟测试的终点了。于是它就停止补货，空出来的商品位也不再填充——准备收摊了！

但这时候模拟测试离结束还有 83 天呢！

好在模型后来发现了自己的错误，自己纠正了。它重新开始补货，商品位只空了几天。

APPSO觉得这次失误其实挺有趣的，因为 AI 给出的策略没检测出问题，商业判断也没有过大的偏差，但它在连续做了几百天决策之后，对「我到底还要干多久」这种最基础的事产生了 83 天的记忆偏差。

不是能力不够，是记忆在漫长的执行中悄悄走形了。这不禁又让我们联想起今年获得ICML 2026年度优秀论文荣誉奖的那篇paper——《How much do language models memorize?》。

这篇论文提出并验证了一个观点：「模型像一块容量焊死的闪存，数据超过容量后，就无法继续逐条背诵。」

退款延迟几周才到、上个月的畅销品突然卖不动、供应商毫无征兆地断货——长期经营中到处都是这种「迟到的反馈」。模型必须把今天看到的结果，追溯回很久以前的决定，才能不断修正策略。时间一长，这些信号就越来越容易被忽略、混淆或者错误归因。

Qwen3.8-Max 在发布页里反复强调闭环学习、长期规划和 2000 多轮交互，也许就是冲着这个难题来的。

咱说的直白点，AI开一天店不难，难的是开到第 282 天还没把自己搞糊涂。

这就跟人一样，既不能忘了初心，也不能停止前进。

有个细节更有意思

前面提到的 MerchantBench ，APPSO 还发现了一个有意思的细节。同一个 Qwen3.7-Max，搭配 Hermes 框架跑的时候，平均最终净资产比搭配 ReAct 框架高了 187.8%。

明明是同一个模型，同一套环境，只是换了个运行框架，出来的成绩却差了将近两倍。

这事说明什么呢？41 万也好，5.9 万也好，模拟经营的成绩不单单是基模的功劳，模型外部的脚手架，确实也在实打实的影响着最终的结果。在这个电商经营的任务场景上，脚手架又一次展示了它的重要性——也难怪阿里同一天还发布了「千问办公」。

记忆错乱的问题不单单要靠基模的 Scaling Law 来解决，模型外部的 Agent 运行与编排层一样也要同步跟进。

此外，APPSO发现模拟经营旁边还有连续十多天从零写软件、500 轮交互优化芯片设计——三个案例干的活儿完全不一样，但好像都在体现长时间持续推进任务的能力。

对大多数企业和打工人来说，「我能一直稳定的干活」要远比「我是一个叛逆的天才」要讨喜的多。

我们正在招募伙伴

简历投递邮箱 hr@ifanr.com

✉️ 邮件标题 「姓名+岗位名称」（请随简历附上项目/作品或相关链接）