实测Qwen 3.8 Max：Agent能力站上第一梯队，K3终于等来了对手

8 月 3 日，Qwen 官方正式发布 Qwen3.8-Max。

2.4 万亿总参数、单次激活约 950 亿参数，基于 Qwen3.5 架构。Qwen3.8-Max 代表着阿里在模型演进路线上的一次关键转向：从提供单句回答或代码片段，演变为接手复杂任务、长程自主运行，并直接交付工程级结果的自主 Agent。

官方还特别强调了 Visual Feedback Loop：模型不仅能理解页面、动画和 3D 场景，更能实时观察自己生成的结果、捕捉视觉偏差并自我修正。至此，视觉不再只是静态的输入模态，而是全面贯穿了规划、执行、验证到迭代的行动闭环。

Qwen3.8-Max在各类Harness的性能表现

可以看到，大模型的竞争风向，正从单次问答有多聪明，转向长链条任务中能否把事情闭环打通。

这也是我们本次测评的核心终题： 当一个模型剥离了基准测试的高分光环，离开厂商精心搭建的 Demo 环境，面对业务规则复杂、验收标准明确的真实工程任务时，它是否依然能够建立起正确的系统体系，并交付出可直接打开、运行、交互乃至播放的硬核成果？

因此，我们放弃了传统的数学题或单段代码测试，而是设计了五个跨领域的硬核场景：

1. 视觉还原： 从一张截图零像素级重建 NASA 官方网页；

2. 数据工程： 依据真实业务口径，从零搭建动态运营驾驶舱；

3. 系统仿真： 实现包含烟雾扩散、人群行为、防火门响应与出口容量的物理疏散仿真系统；

4. 图形交互： 从空白代码构建一个完全可交互的 Web 3D 魔方；

5. 多模态渲染： 将结构化的异常日志直接转化生成一段可流畅播放的视频。

所有的任务都有且只有一个硬性指标：交付可执行的真实文件。概不接受思路讲解、静态 Demo 或预设动画的提效伪装。

在深度实测并完成全部 5 个 Case 后，我们的核心结论是：Qwen3.8-Max 最硬核的能力，并非代码片段的生成效率，而是将模糊的自然语言转化为可运行系统的架构力。 它能够深度理解数据层、状态层、表现层与测试契约之间的复杂耦合，并迅速搭建出逻辑自洽、严密可验的系统骨架。这一表现，使其 Agent 能力顺理成章地冲入当下第一梯队。

但它的能力边界依然可寻。 在最后一公里的视觉精度、极端边界条件的处理以及细粒度交互的收尾上，依然离不开人类工程师的最终验收。

测评实例

评价一个模型能不能完成复杂工作，至少要看三个层面。

1.它有没有真正理解规则。

2.它是否建立了正确的数据和状态系统，而不是用静态页面或预设动画伪装。

3.它能不能把结果落成一个可以打开、运行、交互或播放的实体文件。

Case 1：从一张截图，重建NASA Webb Images页面

目标网页

第一项任务看起来最简单。我们向模型提供了一张NASA Webb Images页面截图，要求它转换为单文件HTML。没有提供原始页面地址，也没有提供素材、组件或设计标注。模型必须自行完成视觉识别、内容提取、页面拆解和前端重建。

模型重建结果

Qwen3.8-Max 准确拆解了页面布局，成功重建了全局导航、二级菜单、主体图文及底部深空视觉，且完全依靠独立的 HTML/CSS/SVG 纯代码实现，零依赖外部资源，展现了极佳的单文件交付能力。

但页面尚未达到像素级复刻。整体尺度与字号偏小导致重心上移，底部深空更像程序化插画而非真实天文摄影，移动端导航也缺乏完善的折叠适配。

这表明模型在视觉任务中能够精准理解并还原结构，但在尺寸控制、素材质感和响应式细节处理上，与其核心代码能力相比仍有差距。

Case 2：带真实业务口径的运营驾驶舱

第二项任务难度明显提升，要求结合 API 运行记录与品牌规范，构建一个纯离线、具备多维联动与特定计算口径的运营驾驶舱。这类任务最易陷入“静态假效果”的套路，即图表与筛选器仅做装饰，模块间缺乏真实数据联动。

业务数据运营驾驶舱（一）

业务数据运营驾驶舱（二）

Qwen3.8-Max 没有走捷径，而是构建了统一的数据状态，让 KPI、四类 SVG 动态图表、异常列表与成本模拟器均能实时消费过滤后的数据。其计算口径完全遵循要求，默认视图的核心数值与变化趋势与基准一致，改变筛选条件时全页同步更新，成本模拟器的假设推演亦不会污染真实数据。这充分展示了其强项：交付的不仅是静态界面，而是一个逻辑成立、接近实用的数据产品原型。

主要局限在于边界处理与无障碍支持：当日期筛选移除前一自然日时，成本异常易失去参照基线；图表详情过度依赖鼠标悬停，缺少键盘交互路径。这些细节虽不影响主流程，但表明其在极端边界和无障碍收尾上仍需额外把关。

Case 3：复杂规则驱动的应急疏散仿真

第三项任务不再是普通页面，而是一个包含建筑网格、差异化人员、烟雾扩散、定时关门及出口限流的离散事件仿真系统。此类任务最易暴露模型的“表演式”代码——若路径预先写死，一旦手动关门整个系统就会瘫痪；若播放倍速直接改变逻辑步长，不同速率下的仿真结果便无法一致。

Qwen3.8-Max 交付了一套真正由状态驱动的仿真引擎。它采用固定的逻辑步长，倍速仅改变推进频率而不影响状态转移；人员路径基于加权代价和四方向网格实时计算，门状态或烟雾改变后能动态重新规划，受困人员在替代门开启后亦可恢复路径。此外，人员冲突与出口容量均通过优先级和时间信用严格控制，展现出极强的底层逻辑严密性。

唯一的局限在于初始化语义缺口：烟雾源在零时刻为空，需在首次步进后才进入状态。若要求初始帧即显示烟雾并参与路径计算，则属于首帧状态落点的缺失。这一细节瑕疵虽然微小，却典型地反映出模型对全流程机制理解到位、但在起始边界上仍偶有疏漏的特点。

Case 4：一个真正可玩的三维魔方

第四项任务要求模型从零实现一个三维魔方。它必须包含真实块体、六面转动、反向动作、双转、动作队列、确定性打乱、完成态判断、撤销重做，以及供自动测试调用的公开接口。很多网页魔方只是一个视觉玩具：旋转动画看起来正确，内部状态却是假的；连续执行动作之后，贴纸、历史和完成态会逐渐失去一致性。

Qwen3.8-Max选择了更扎实的实现方式。页面使用二十六个可见块体构造三维结构，并维护五十四个面片的标准状态序列。每个块体同时保存位置和朝向，完成态判断来自真实状态，而不是动作数量或预设标志。解析器支持六个标准面、反向动作和双转，并将输入拆成原子动作进入统一队列。关闭动画只改变呈现方式，不会改变最终状态。相同种子的打乱结果可重复，逆序动作能够恢复初态，撤销、重做和历史记录保持一致。

更关键的是，界面按钮和公开测试接口使用同一套状态引擎，没有为自动验收单独写一条捷径。官方契约脚本中的状态、队列、打乱、历史和复原断言全部通过。额外动作序列也能完整进入历史，执行结束后队列正常归零。

这项任务很好地证明了Qwen3.8-Max对状态机和可逆系统的掌控能力。

Case 5：从结构化数据直接生成复盘视频

最后一项任务要求模型根据异常事件和恢复数据，生成一支可以直接播放的MP4。这意味着模型必须同时处理数据准确性、时间轴、品牌视觉、动态图形和视频编码。Qwen3.8-Max交付的视频采用H.264 High编码和yuv420p像素格式，分辨率为1920×1080，帧率为30fps，时长15秒，共450帧。

视频以四个阶段展开：

• 片头建立AstraOps事件复盘主题；

• 随后分别展示Kestrel-R1和Nova-Pro的异常；

• 恢复阶段呈现延迟下降和成功率回升；

• 最后用品牌标志和让每一次异常都可解释完成收束。

关键数字、状态标签和变化方向均与输入数据一致。延迟改善没有被写成恶化，成功率的百分点变化也没有与普通百分比混淆。视频并不是几张静态卡片的简单硬切。数字、折线、节点和数据卡片会随时间连续变化，抽帧接触表没有发现黑屏间隔。由于文字和图形均为程序化绘制，也没有出现生成式视频常见的跳字、融化和Logo变形。

它的不足仍然集中在视觉精修。整体动效偏克制，更接近一支稳定的技术复盘片，而不是具有强镜头语言的营销视频；部分次要文字和细线的对比度偏低，在手机或高压缩播放环境中可能不够清晰。视频只有画面流，没有音轨。不过任务本身依靠视觉即可完成信息闭环，因此这不构成交付失败。

测评总结

Qwen官方将Qwen3.8-Max描述为一个能够把复杂目标从头推进到尾、并交付可靠结果的模型。至少在这五个任务中，这个方向得到了相当明确的支持。

Case 2建立了统一的数据计算和筛选状态；

Case 3建立了时间、空间、人员、烟雾、门与出口之间的状态链；

Case 4建立了真实、可逆、可测试的三维魔方引擎；

Case 5则把结构化事件转换成了完整的视频时间轴。

这与官方报告强调的端到端交付和执行—反馈—迭代路线高度一致。官方提出的视觉反馈循环，也能解释它为什么可以完成网页、三维场景和视频任务。视觉在这里不仅是输入，还参与最终产物的组织和检查。

但我们的测试也给这套叙事加上了几个限定条件。

首先，系统结构正确，不等于视觉已经精致。Case 1的绝对尺度、Case 5的次要信息对比度，都说明Qwen3.8-Max更擅长搭建正确系统，而不是自动完成最后一轮设计师级校准。

其次，默认场景跑通，不等于所有边界都安全。Case 2的时间窗口、Case 3的零时刻烟雾、跨案例的键盘路径、手机交互和跨浏览器表现，都需要人工补充验收。

最后，一次成功交付不能证明长期稳定性。官方展示了十余天自主开发、数百轮芯片优化和跨越数千轮的经营模拟；这些案例非常有冲击力，但仍然属于厂商提供的受控证据。

回到官方测评数据

如果把我们的五项实测放回官方基准中观察，会发现Qwen3.8-Max的提升方向相当集中：软件工程、研究复现、真实工作流和长程Agent任务，是这一代模型进步最明显的区域。

在官方披露的性能总览中，Qwen3.8-Max 的几项核心指标展现出了显著的代际跨越：

• TerminalBench 2.1（终端工具调配）：从上一代 Qwen3.7-Max 的 74.5 飙升至 86.6；
• PaperBench（科研论文复现）：从 64.8 直接跃升至93.0；
• FrontierSWE（复杂软件工程）：从 40.7 翻倍增长至73.5。

这三组数据分别对应着终端操控、学术推演与复杂工程能力。它们共同印证了一个事实：Qwen3.8-Max 的进化来自理解复杂大局、精准操控工具，并基于运行反馈持续迭代的完整工程闭环能力。

这种能力在真实工作场景中同样得到了校验：

• 考察真实前端开发能力的 QwenReactBench 从 1538 分提升至 1724 分；
• Vision2Web（视觉转网页）从 42.1 暴涨至 69.0；
• CoWorkBench（协作工作流）与 JobBench（职业实操）分别从 64.6 和 31.3 提至 74.8 与 53.4。

而在最具挑战的长程 Agent 领域，Qwen3.8-Max 的表现尤为瞩目： 在 Agents’ Last Exam 中，模型成绩由 31.1 跨越至 52.4，已极度逼近 GPT5.6 Sol (max) 的 53.6；而在 OSWorld-Verified 测评中，Qwen3.8-Max 更凭 86.1 的高分斩获同图对比模型的榜首。

客观来看，数据揭示的是真实的能力边界，而非盲目的全面碾压。

例如在 SWE-Pro 中，Qwen3.8-Max 取得的 67.7 仍落后于 Fable5 的 80.0；TerminalBench 2.1 的 86.6 也以微弱差距次于 GPT5.6 Sol (max) 的 88.8；同时，Vision2Web 与 CoWorkBench 虽然稳居第一梯队，距离顶峰仍有小幅向上空间。

因此，一个更为客观的结论是：Qwen3.8-Max 并非在所有细分维度上都实现了绝对垄断，但它在 Coding、Cowork 与长程 Agent 三大核心战场完成了一次强悍的代际跃升，并在多个关键长程任务中，成功跻身乃至超越了顶尖闭源旗舰。

文章来自于"Z Finance"，作者 "ZF编辑部"。