8 月 3 日，Qwen 官方正式发布 Qwen3.8-Max。该模型拥有 2.4 万亿总参数（单次激活约 950 亿），基于 Qwen3.5 架构。这标志着阿里在模型演进路线上的关键转向：从提供单句回答或代码片段，升级为能接手复杂任务、长程自主运行并直接交付工程级结果的自主 Agent。
官方特别强调了“视觉反馈闭环”（Visual Feedback Loop）：模型不仅能理解页面、动画和 3D 场景，更能实时观察生成结果、捕捉视觉偏差并自我修正。至此，视觉不再仅是静态输入模态，而是全面贯穿规划、执行、验证到迭代的行动闭环。
Qwen3.8-Max 在各类 Harness 中的性能表现
大模型的竞争风向，正从单次问答的聪明程度，转向长链条任务中能否实现业务闭环。
本次测评的核心在于：当模型剥离基准测试的光环，离开厂商精心搭建的 Demo 环境，面对规则复杂、验收标准明确的真实工程任务时，是否依然能够建立正确的系统体系，并交付出可直接打开、运行、交互乃至播放的硬核成果？
为此，我们放弃了传统的数学题或单段代码测试，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。
所有任务的唯一硬性指标：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。
深度实测并完成全部 5 个案例后，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，迅速搭建出逻辑自洽、严密可验的系统骨架，使其 Agent 能力稳居第一梯队。
但其能力边界依然可见。在最后一公里的视觉精度、极端边界条件处理以及细粒度交互收尾上，仍离不开人类工程师的最终验收。
测评实例
评价模型完成复杂工作的能力，主要考察三个层面：
1. 是否真正理解规则；
2. 是否建立了正确的数据和状态系统，而非用静态页面或预设动画伪装；
3. 能否将结果落成一个可以打开、运行、交互或播放的实体文件。
Case 1：从截图重建 NASA Webb Images 页面
目标网页
第一项任务要求将一张 NASA Webb Images 页面截图转换为单文件 HTML，不提供原始地址、素材或设计标注。模型需自行完成视觉识别、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，成功重建全局导航、二级菜单、主体图文及底部深空视觉。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精准还原结构，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
第二项任务难度提升，要求结合 API 运行记录与品牌规范，构建纯离线、具备多维联动与特定计算口径的运营驾驶舱。此类任务易陷入“静态假效果”陷阱，即图表与筛选器仅作装饰，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 构建了统一的数据状态，使 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
第三项任务是包含建筑网格、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。此类任务易暴露模型的“表演式”代码——若路径预先写死，手动关门会导致系统瘫痪；若播放倍速直接改变逻辑步长，不同速率下的仿真结果将无法一致。
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。
Case 4：一个真正可玩的三维魔方
第四项任务要求从零实现一个三维魔方，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、撤销重做及公开测试接口。许多网页魔方只是视觉玩具：旋转动画正确但内部状态虚假，连续执行动作后贴纸、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。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。这项任务有力证明了 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
最后一项任务要求根据异常事件和恢复数据，生成一支可直接播放的 MP4 视频。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 1920×1080，帧率 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。延迟改善未被写成恶化，成功率的百分点变化也未与普通百分比混淆。视频并非几张静态卡片的简单硬切，数字、折线、节点和数据卡片随时间连续变化，抽帧检查未发现黑屏间隔。由于文字和图形均为程序化绘制，未出现生成式视频常见的跳字、融化和 Logo 变形。
不足仍集中在视觉精修。整体动效偏克制，更接近稳定的技术复盘片，而非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，但任务本身依靠视觉即可完成信息闭环，因此不构成交付失败。
测评总结
Qwen 官方将 Qwen3.8-Max 描述为能够将复杂目标从头推进到尾并交付可靠结果的模型。在五个实测任务中，这一方向得到了明确支持：
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 则将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，解释了其完成网页、三维场景和视频任务的能力。视觉在这里不仅是输入，还参与最终产物的组织和检查。
但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，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。官方展示的十余天自主开发、数百轮芯片优化和跨越数千轮的经营模拟虽具冲击力，但仍属于厂商提供的受控证据。
回到官方测评数据
将五项实测放回官方基准观察，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终端操控、学术推演与复杂工程能力，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。
