雷峰网讯 你不错从共事 .skill 的爆火中看到两种人大不同的期间心思，其一天然是对 Markdown 文献"大变活东谈主"这一奇幻践诺的试探，而反面则是如今对模子才智的评价，也曾离不开职责级任务的场景。

" AI 能弗成替代范例员"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收受开发职责流。

这背后是一个被反复考证的痛点：当 AI Agent 被放进着实神志，它并莫得瞎想中那么"能扛活"。它能脱手任务，但施行过程反复中断，多轮对话后荆棘文丢失，褪色前后不一致。靠近非范例需求时，用具调用也往往造作。你一觉悟来，发现经由早已卡死，范例结局老是如斯。

问题的根源不在 Agent 的外壳，而在底层大模子本人还憎恨清楚可靠的"施行力"和"决策力"。

4 月 7 日，阿里云通义千问 Qwen3.6-Plus 肃肃上线，在 Terminal-Bench 2.0 编程测试中卓著了 Claude Opus 4.5，拿下大众编程模子榜首。

但咱们决定换一种更接近着实场景的式样测一次，无用单点的 Benchmark，而是用两套着实复杂任务，掩盖"决策"与"施行"两条才智轴，全面评估 Qwen 3.6-Plus 的智能体才智上限。

01

中枢实测——"双线"探员：

复杂决策 × Agentic Coding

践诺中高价值的职责级任务，往往是多身分、多才智、有管制、有风险，和"一步到位"的 ChatBot 对模子有着都备不同的才智需求。因此，大模子从"聊天用具"形成信得过的智能体，复杂决策才智是一个分水岭。

在本次测评中，咱们选用智能体决策与智能体编程两个高难度、高价值场景，构建了双线探员体系，测验模子在着实复杂任务中的自主蓄意、动态决策与工程落地才智：

▎ case1 教悔改良试点决策遐想：复杂蓄意与践诺决策

咱们继承具备主动施行才智的代表性智能体框架 OpenClaw 进行测试，在教悔改良配景下要求模子遐想贴近着实场景的复杂蓄意任务，从而系统评估模子在野心交融、任务拆解、旅途蓄意、决策细化与施行决策等全经由环节中的发扬。

这不是沿途作文题，咱们遐想的任务难度远超旧例：

代码块

某市教悔局规画在 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。

已知条目如下：

- 总预算上限为 800 万元东谈主民币

- 试点学校中，城区学校 8 所，县镇学校 12 所，数字化基础相反明白

- 部分教师惦记 AI 会增多备课和管理背负

- 家长关于学生数据阴私、千里迷使用、以及谜底依赖问题存在费心

- 教悔局要求神志弗成明白扩大不同地区、不同家庭配景学生之间的教悔差距

- 神志必须不才学期脱手前完成首轮部署，且弗成额外遥远新增大量编制

- 若试点效果邃密，异日 2 年内将探求扩大到全市 200 所学校

请你手脚神志照应人，完成一份试点实施决策。你的回报至少需要包括：

1. 问题界说

2. 野心与管制拆解

3. 6 个月试点决策

4. 自制性与风险限度

5. 评估体系

6. 是否扩大到 200 所学校的决策范例

额外要求：

- 明确证实环节假定

- 至少建议 2 个备选决策，并证实推选情理

- 体现短期可落地性与遥远可膨胀性的均衡

- 尽量给出可施行机制，而不是只讲原则

补充条目：试点脱手 2 个月后，媒体报谈某校学生过度依赖 AI 完奏效课，激发财长争议；同期另有 3 所县镇学校反馈汇集与末端条目不及，本体使用率远低于城区学校。请在原决策基础上动态救助你的策略。

任务要求模子输出：问题界说、野心管制拆解、6 个月试点决策、自制性风险限度、评估体系、是否扩大的决策范例，以及要求至少 2 个备选决策并证实推选情理。

这锻真金不怕火的不是笔墨生成才智，而是信得过的"任务拆解与组织施行"才智。一般模子很容易输出一堆空泛的蓄意决策，且极难把控资源分拨与具体任务拆解，望望 OpenClaw 在 Qwen3.6-Plus 模子下是怎么完成职责的：

1. 复杂问题结构化拆解

把吞吐需求快速升沉为问题界说、野心分层、管制清单、预算分拨、时期线、评估体系等圆善框架，逻辑严实、层级了了，全程无标语空论，体现专科级复杂决策与任务拆解水平。

2. 多管制下精确资源均衡

在 800 万预算、6 个月周期、城乡相反、教师背负、自制底线、无新增编制等多重强管制下，给出可施行、可量化、可评审的落地决策，预算一分不差、资源向县镇歪斜，兼顾遵守与自制。

3. 动态风险救急与迭代决策

靠近试点第 2 个月舆情危境 + 县镇开采汇集不及双突发事件，模子快速给出救急反映、功能救助、预算里面调剂、部署重排，作念到不超预算、不宽限、闭环处治，展现着实智能体动态决策才智。

4. 全周期蓄意与限度化膨胀念念维

Qwen3.6-Plus 不仅完成了 6 个月试点遐想，还同步给出试点限度膨胀至 200 所学校的 Go/No-Go 硬范例、三阶段膨胀旅途、老本优化机制，从架构、轨制、东谈主员、数据全方面预留接口，短期可落地、遥远可膨胀，念念维闭环且专科。

不错看到，Qwen3.6-Plus 在本次政府级复杂决策任务中，托付了完成度极高的决策，这背后是高水平的野心交融、全链路蓄意、动态风险应答、多管制均衡才智，正是咱们对智能体在靠近复杂决策时所期待的。

▎ case2 AI TODO Board 全经由开发：Coding 才智探员

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

咱们继承开源智能编程用具 OpenCode 进行测试，重心检会模子是否具备从需求交融到圆善神志托付的全链路工程完毕才智。评估内容不仅包括最终神志是否可运行、功能是否圆善灵验、代码结构是否了了合理，还掩盖模子在编程全经由中的环节才智，任务拆解、完毕旅途蓄意、阶段性决策、测试与调试、问题定位与建立，2026美加墨世界杯中国官方网页版以及基于反馈持续迭代并管制到可用褪色的才智。

# Coding Evaluation Task

你是一个高等软件工程 Agent，请完成一个可运行的 **TODO** 神志，并体现圆善闭环才智：需求交融、任务拆解、完毕蓄意、编码、测试、建立、托付。

任务：开发一个 **AI TODO Board**，让用户通过天然话语创建 TODO，在看板中管理情状，并通过 AI 立场才智自动拆解子任务、识别优先级、辅导风险和下一步动作。

技艺要求：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，不要求着实后端。

功能要求：完毕三列 TODO 看板 Todo、Doing、Done；每个 TODO 卡片至少包含标题、面目、优先级、截止时期、标签、子任务选录、完成进程；守旧情状流转，可拖拽，如不使用拖拽需提供合理替代交互。提供天然话语输入框，举例"来日地午前完成招聘首页改版，包含 Hero、岗亭列表、FAQ，优先级高"，系统需自动索求标题、剖判时期、猜测优先级、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，守旧 TODO 拆解建议、风险辅导、下一步建议、落伍提醒。需要守旧搜索、按优先级筛选、仅看落伍、快速标志完成、空情状、加载态、误差态。

UI / UX 要求：暗色模式优先，当代、致密、异日感 SaaS 立场，有明白层级、留白、卡片质感和眇小动效，桌面端圆善可用，转移端基本可用，弗成是脚手架默许后台立场。

你必须输出：1. 需求交融，2. 完毕规画，3. 神志结构，4. 中枢代码，5. 测试代码，6. 建立过程，7. 运行证实，8. 量度与不及。

必须测试：天然话语剖判函数、创建 TODO 经由、TODO 情状切换逻辑、筛选逻辑。

完毕后无间建立并证实过程：转移端横向溢出，输入"来日"频繁间剖判不清楚，Done 列 TODO 好多时滚动体验差，2026实时最新比赛数据与热门对阵分析筛选后情状切换导致列表夸耀极度；你需要证实如何定位问题、如何修改、如何考证建立得手。

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，证实哪些部分都备复刻，哪些部分作念工程化折中，然后基于截图无间修改代码直到尽量接近。

不要只写念念路，必须给出可运行代码、测试代码、建立后的最终完毕。

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，需完毕三列看板（Todo、Doing、Done），守旧天然话语创建 TODO 并自动索求标题、时期、优先级、子任务，还要提供 AI Assistant 面板进行拆解建议和风险辅导，守旧搜索、筛选，输出圆善完毕规画、神志结构、中枢代码、测试代码、建立过程证实。

传统大模子在这种场景下，即使名义上能完成托付，也往往难以本体运行。然而 Qwen3.6-Plus 发扬得像是一位相等老谈的架构工程师和 UI 遐想师。

1. 全经由闭环开发，任务蓄意与及时进展可视化

神志启动阶段，Qwen3.6-Plus 领先进行了需求拆解，精确主持 AI TODO Board 开发的中枢技艺，还制定了包含 16 个才智的了了完毕规画。从神志运升沉、依赖装置，到中枢功能开发、测试编写，再到问题建立，这套决策不错径直交给工业级软件工程团队去施行，况且每一步均以可视化进程条及时呈现进展。

开发过程中，模子严格死守软件工程范例，像专科的开发团队相通，轮番完成了从任务拆解到测试托付的全链路环节，不仅完毕了测试用例全部通过，还针对转移端横向溢出、时期剖判不清楚、滚动体验差等中枢问题进行系统性建立，确保神志从原型到制品的牢固落地。

值得预防的是，在开发业绩器启动、腹地部署等环节 Qwen3.6-Plus 均一次得手，托付遵守远超旧例开发经由。

2. 代码迭代与精确返修，工程化才智拉满

在代码完毕阶段，Qwen3.6-Plus 展现出塌实的技艺功底与严谨的代码迭代逻辑。针对神志中枢模块，模子完成了从组件遐想到情状管理的全栈开发：

▪   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 立场界面；

▪   开发天然话语剖判器，完毕中英文时期、优先级智能索求与子任务自动生成；

▪   诈欺 Zustand 完成 TODO 情状管理，守旧拖拽流转、搜索筛选、落伍提醒等全功能；

返修是软件工程不可幸免的环节，能否精确定位问题地点进行针对性修改，再完成考证的闭环，是模子在职责级任务中会靠近的着实锻真金不怕火。在 AI TODO Board 的开发中，Qwen3.6-Plus 也有着不俗的发扬。

转移端横向溢出问题，通过救助容器宽度与布局属性处治，优化时期剖判逻辑，调处使用 UTC 时期处理幸免剖判偏差，替换滚动组件擢升 Done 列大数目场景的滚动体验，重构筛选逻辑排斥情状切换后的夸耀极度……

每一次建立均配套新增测试用例考证，确保问题透顶处治且不引入新 bug。这些过程都是由模子自主完成，我看到的，只须开发日记里一行行了了可追念的记载。

3. 高保真 UI 复刻与功能全掩盖，托付质地达标

原生多模态才智使得 Qwen3.6-Plus 能严格参考 UI 截图完成高保真复刻，在布局层级、配色立场、组件交互上高度复原遐想要求。

在功能层面，托付后果也都备掩盖需求。应用守旧天然话语输入，可自动索求标题、剖判时期，然青年景 3-5 个子任务且守旧剪辑；AI 助手面板提供拆解建议、风险辅导等才智；搜索、优先级筛选、落伍稽查等实辛劳能也逐个完毕。最终托付的神志，可径直腹地部署运行，界面与功能均达到预期托付范例。

4. 极致测试与问题闭环，质地把控体系完善

测试环节是模子托付的中枢亮点之一。Qwen3.6-Plus 针对中枢模块编写了全掩盖测试用例，包括 23 个天然话语剖判测试、14 个情状管理与经由测试，全面考证天然话语剖判、TODO 创建、情状切换、筛选逻辑等中枢功能的清楚性。

在建立环节，模子针对每一个披露的问题均完成了 "定位 - 修改 - 考证" 的全经由，新增旯旮测试用例确保建立效果的清楚性，最终完毕神志零中枢 bug、测试全通过的高质地托付情状。

天然，测试案例也披露了 Qwen 3.6-Plus 不清楚的一面。  在实测中咱们不雅察到了明白短板：

▪ 首字延伸（TTFT）：免费预览版首字出刻下期偶然高达 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，模子偶然会堕入访佛输出并吞段内容的轮回

▪   API 频率褪色较严格：Rate Limit 在高频 Agent 自动化任务中容易触发，可能中断长经由施行

▪   安全范畴才智不及：在安全关连任务（权限管理、加密完毕）上得手率仅为 43.3%，不建议在触及高安全级别的自动化经由中单独使用

但两项测试完成后，一个感受仍然很了了，Qwen 3.6-Plus 简略一支圆善的团队，在职务蓄意、代码迭代和问题精确建立上，发扬出了工业级软件工程的托付水准。

02

Agentic Coding 的工程高地

Qwen 3.6-Plus 的额外之处在于，双线并行的方法初度在国产模子中出现。过往国产模子往往只在某一维度上凸起，能写代码但决策弱，能蓄意但施行崩，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经由决策两条阵线上同期迫临第一梯队：

▪   Terminal-Bench 2.0：61.6 分，卓著 Claude Opus 4.5（59.3），在 shell 操作、文献管理、进程限度等硬核末端任务上，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），在着实寰宇多步 Agent 任务中进入第一梯队；

▪ SWE-bench Verified：78.8%，处理大多数企业级 Bug 建立和代码重构已绰绰多余；

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

这意味着什么？

在 Terminal 操控和用具调用上的高出，使 Qwen 3.6-Plus 成为了当前最安妥丢进 OpenClaw 这类 Agent 框架中"跑起来"的国产模子。不是扶植写代码，它简直能作念到像你的 AI 开发搭档那样，驱动居品长出来。在 Coding 赛谈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。

从被调用的用具到施行任务的参与者，当模子脚色的这一行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用。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。背后的原因不难交融，当基础模子的才智趋于同质化，能否在着实工程环境中自主完成任务也曾成为了最热切的竞争高地。

03

模子层，走向参数遵守之争

更值得预防之处在于，Qwen 3.6-Plus 在参数遵守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。

用更少的参数完毕更好的性能，这在大模子此前遍及以参数限度换智能水平的配景下，不错被视为一种全新的范式改造。

比起小模子的"调解"，一个越来越无法冷漠的视角是，大模子的交易化正在再行界说 AI 性能的范例。模子教练、推理一向以重过问的面庞示东谈主，也义正辞严地成为了大模子交易化的瓶颈，而更高的参数遵守会让模子厂商在上述领域领有可贵的竞争力。

Benchmark 仍特趣味趣味，但今天单元老本下的灵验智能更能证实问题。在当前的技艺眉目中，参数遵守，也曾成为了模子限度化落地的钥匙。

雷峰网著作世界杯竞猜网站