雷峰网讯 你不错从共事 .skill 的爆火中看到两种迥然相异的期间厚谊，其一天然是对 Markdown 文献"大变活东谈主"这一奇幻履行的试探，而反面则是如今对模子才略的评价，如故离不开责任级任务的场景。

" AI 能不可替代顺次员"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接纳开发责任流。

这背后是一个被反复考证的痛点：当 AI Agent 被放进简直神气，它并莫得想象中那么"能扛活"。它能起首任务，但扩充过程反复中断，多轮对话后高下文丢失，驱散前后不一致。濒临非模范需求时，用具调用也频频漏洞。你一醒悟来，发现经过早已卡死，模范结局老是如斯。

问题的根源不在 Agent 的外壳，而在底层大模子本人还短缺踏实可靠的"扩充力"和"决策力"。

4 月 7 日，阿里云通义千问 Qwen3.6-Plus 负责上线，在 Terminal-Bench 2.0 编程测试中杰出了 Claude Opus 4.5，拿下群众编程模子榜首。

但咱们决定换一种更接近简直场景的形式测一次，无谓单点的 Benchmark，而是用两套简直复杂任务，解除"决策"与"扩充"两条才略轴，全面评估 Qwen 3.6-Plus 的智能体才略上限。

01

中枢实测——"双线"窥伺：

复杂决策 × Agentic Coding

履行中高价值的责任级任务，时常是多身分、多设施、有管制、有风险，和"一步到位"的 ChatBot 对模子有着完满不同的才略需求。因此，大模子从"聊天用具"酿成信得过的智能体，复杂决策才略是一个分水岭。

在本次测评中，咱们采用智能体决策与智能体编程两个高难度、高价值场景，构建了双线窥伺体系，进修模子在简直复杂任务中的自主盘算、动态决策与工程落地才略：

▎ case1 老师鼎新试点有盘算想象：复杂盘算与履行决策

咱们收受具备主动扩充才略的代表性智能体框架 OpenClaw 进行测试，在老师鼎新布景下要求模子想象贴近简直场景的复杂盘算任务，从而系统评估模子在主义连气儿、任务拆解、旅途盘算、有盘算细化与扩充决策等全经过要津中的发达。

这不是扫数作文题，咱们想象的任务难度远超惯例：

代码块

某市老师局盘算在 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、个性化熟识和学习反馈。

已知条款如下：

- 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，数字化基础各别昭彰

- 部分教师惦记 AI 会增多备课和管理背负

- 家长关于学生数据隐秘、千里迷使用、以及谜底依赖问题存在费神

- 老师局要求神气不可昭彰扩大不同地区、不同家庭布景学生之间的老师差距

- 神气必须不才学期起首前完成首轮部署，且不可额外恒久新增无数编制

- 若试点效果邃密，昔时 2 年内将有计划扩大到全市 200 所学校

请你手脚神气参谋人，完成一份试点实施有盘算。你的报告至少需要包括：

1. 问题界说

2. 主义与管制拆解

3. 6 个月试点有盘算

4. 公谈性与风险抑遏

5. 评估体系

6. 是否扩大到 200 所学校的决策模范

额外要求：

- 明确施展重要假定

- 至少提议 2 个备选有盘算，并施展注解推选情理

- 体现短期可落地性与恒久可膨胀性的均衡

- 尽量给出可扩充机制，而不是只讲原则

补充条款：试点起首 2 个月后，媒体报谈某校学生过度依赖 AI 完见效课，激发财长争议；同期另有 3 所县镇学校反馈收集与末端条款不及，实质使用率远低于城区学校。请在原有盘算基础上动态调养你的策略。

任务要求模子输出：问题界说、主义管制拆解、6 个月试点有盘算、公谈性风险抑遏、评估体系、是否扩大的决策模范，以及要求至少 2 个备选有盘算并施展推选情理。

这考验的不是翰墨生成才略，而是信得过的"任务拆解与组织扩充"才略。一般模子很容易输出一堆缺乏的盘算有盘算，且极难把控资源分拨与具体任务拆解，望望 OpenClaw 在 Qwen3.6-Plus 模子下是怎样完成责任的：

1. 复杂问题结构化拆解

把依稀需求快速转动为问题界说、主义分层、管制清单、预算分拨、时期线、评估体系等无缺框架，逻辑严实、层级明晰，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、城乡各别、教师背负、公谈底线、无新增编制等多重强管制下，给出可扩充、可量化、可评审的落地有盘算，预算一分不差、资源向县镇歪斜，兼顾服从与公谈。

3. 动态风险救急与迭代决策

濒临试点第 2 个月舆情危急 + 县镇开荒收集不及双突发事件，模子快速给出救急反应、功能调养、预算里面调剂、部署重排，作念到不超预算、不延期、闭环措置，展现简直智能体动态决策才略。

4. 全周期盘算与限制化膨胀想维

Qwen3.6-Plus 不仅完成了 6 个月试点想象，还同步给出试点限制膨胀至 200 所学校的 Go/No-Go 硬模范、三阶段膨胀旅途、资本优化机制，从架构、轨制、东谈主员、数据全方面预留接口，短期可落地、恒久可膨胀，想维闭环且专科。

不错看到，Qwen3.6-Plus 在本次政府级复杂决策任务中，委派了完成度极高的有盘算，这背后是高水平的主义连气儿、全链路盘算、动态风险莽撞、多管制均衡才略，正是咱们对智能体在濒临复杂决策时所期待的。

▎ case2 AI TODO Board 全经过开发：Coding 才略窥伺

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

咱们收受开源智能编程用具 OpenCode 进行测试，重心覆按模子是否具备从需求连气儿到无缺神气委派的全链路工程驱散才略。评估内容不仅包括最终神气是否可运行、功能是否无缺有用、代码结构是否明晰合理，还解除模子在编程全经过中的重要才略，任务拆解、驱散旅途盘算、阶段性决策、测试与调试、问题定位与配置，以及基于反馈继续迭代并拘谨到可用驱散的才略。

# Coding Evaluation Task

你是一个高等软件工程 Agent，请完成一个可运行的 **TODO** 神气，并体现无缺闭环才略：需求连气儿、任务拆解、驱散盘算、编码、测试、配置、委派。

任务：开发一个 **AI TODO Board**，让用户通过天然说话创建 TODO，在看板中管理情状，并通过 AI 作风才略自动拆解子任务、识别优先级、教唆风险和下一步动作。

时间要求：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，不要求简直后端。

功能要求：驱散三列 TODO 看板 Todo、Doing、Done；每个 TODO 卡片至少包含标题、形容、优先级、截止时期、标签、子任务摘录、完成程度；支持情状流转，可拖拽，如不使用拖拽需提供合理替代交互。提供天然说话输入框，举例"明寰宇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、理解时期、算计优先级、生成 3 – 5 个子任务，并允许用户在提交前裁剪。右侧提供 AI Assistant 面板，支持 TODO 拆解建议、风险教唆、下一步建议、过期提醒。需要支持搜索、按优先级筛选、仅看过期、快速记号完成、空情状、加载态、漏洞态。

UI / UX 要求：暗色模式优先，当代、密致、昔时感 SaaS 作风，有昭彰层级、留白、卡片质感和隐微动效，桌面端无缺可用，移动端基本可用，不可是脚手架默许后台作风。

你必须输出：1. 需求连气儿，2. 驱散盘算，3. 神气结构，4. 中枢代码，5. 测试代码，6. 配置过程，7. 运行施展，8. 量度与不及。

必须测试：天然说话理解函数、创建 TODO 经过、TODO 情状切换逻辑、筛选逻辑。

驱散后连接配置并施展过程：移动端横向溢出，输入"来日"经常间理解不踏实，Done 列 TODO 许多时滚动体验差，世界杯官方认证平台筛选后情状切换导致列表娇傲畸形；你需要施展怎样定位问题、怎样修改、怎样考证配置见效。

你还将收到一张参考 UI 截图，请分析其布局、层级、配色、间距、组件关联，并高保真复刻该页面，施展哪些部分完满复刻，哪些部分作念工程化折中，然后基于截图连接修改代码直到尽量接近。

不要只写想路，必须给出可运行代码、测试代码、配置后的最终驱散。

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，需驱散三列看板（Todo、Doing、Done），支持天然说话创建 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教唆，支持搜索、筛选，输出无缺驱散盘算、神气结构、中枢代码、测试代码、配置过程施展。

传统大模子在这种场景下，即使名义上能完成委派，也时常难以实质运行。然则 Qwen3.6-Plus 发达得像是一位迥殊老谈的架构工程师和 UI 想象师。

1. 全经过闭环开发，任务盘算与及时进展可视化

神气启动阶段，Qwen3.6-Plus 最初进行了需求拆解，精确把合手 AI TODO Board 开发的中枢时间，还制定了包含 16 个设施的明晰驱散盘算。从神气启动化、依赖安设，到中枢功能开发、测试编写，再到问题配置，这套有盘算不错径直交给工业级软件工程团队去扩充，况且每一步均以可视化程度条及时呈现进展。

开发过程中，模子严格辞退软件工程模范，像专科的开发团队雷同，轮番完成了从任务拆解到测试委派的全链路要津，不仅驱散了测试用例全部通过，还针对移动端横向溢出、时期理解不踏实、滚动体验差等中枢问题进行系统性配置，确保神气从原型到制品的牢固落地。

值得防御的是，在开发办事器启动、腹地部署等要津 Qwen3.6-Plus 均一次见效，委派服从远超惯例开发经过。

2. 代码迭代与精确返修，工程化才略拉满

在代码驱散阶段，Qwen3.6-Plus 展现出塌实的时间功底与严谨的代码迭代逻辑。针对神气中枢模块，模子完成了从组件想象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 作风界面；

▪   开发天然说话理解器，驱散中英文时期、优先级智能索求与子任务自动生成；

▪   期骗 Zustand 完成 TODO 情状管理，支持拖拽流转、搜索筛选、过期提醒等全功能；

返修是软件工程不可幸免的要津，能否精确定位问题方位进行针对性修改，再完成考证的闭环，是模子在责任级任务中会濒临的简直考验。在 AI TODO Board 的开发中，Qwen3.6-Plus 也有着不俗的发达。

移动端横向溢出问题，通过调养容器宽度与布局属性措置，优化时期理解逻辑，长入使用 UTC 时期处理幸免理解偏差，替换滚动组件提高 Done 列大数目场景的滚动体验，重构筛选逻辑撤销情状切换后的娇傲畸形……

每一次配置均配套新增测试用例考证，确保问题透顶措置且不引入新 bug。这些过程齐是由模子自主完成，我看到的，独一开发日记里一行行明晰可回想的记载。

3. 高保真 UI 复刻与功能全解除，委派质料达标

原生多模态才略使得 Qwen3.6-Plus 能严格参考 UI 截图完成高保真复刻，在布局层级、配色作风、组件交互上高度复原想象要求。

在功能层面，委派服从也完满解除需求。应用支持天然说话输入，可自动索求标题、理解时期，然青年景 3-5 个子任务且支持裁剪；AI 助手面板提供拆解建议、风险教唆等才略；搜索、优先级筛选、过期查抄等实辛劳能也逐个驱散。最终委派的神气，可径直腹地部署运行，界面与功能均达到预期委派模范。

4. 极致测试与问题闭环，质料把控体系完善

测试要津是模子委派的中枢亮点之一。Qwen3.6-Plus 针对中枢模块编写了全解除测试用例，包括 23 个天然说话理解测试、14 个情状管理与经过测试，全面考证天然说话理解、TODO 创建、情状切换、筛选逻辑等中枢功能的踏实性。

在配置要津，模子针对每一个流露的问题均完成了 "定位 - 修改 - 考证" 的全经过，新增角落测试用例确保配置效果的踏实性，最终驱散神气零中枢 bug、测试全通过的高质料委派情状。

天然，测试案例也流露了 Qwen 3.6-Plus 不踏实的一面。  在实测中咱们不雅察到了昭彰短板：

▪ 首字蔓延（TTFT）：免费预览版首字出面前期偶然高达 11 秒，在需要快速反馈的场景下会防碍开发者心流

▪   偶发性输出轮回（Looping）：在极高复杂度任务中，模子偶然会堕入疏通输出合并段内容的轮回

▪   API 频率限制较严格：Rate Limit 在高频 Agent 自动化任务中容易触发，可能中断长经过扩充

▪   安全界限才略不及：在安全关联任务（权限管理、加密驱散）上见服从仅为 43.3%，不建议在触及高安全级别的自动化经过中单独使用

但两项测试完成后，一个感受仍然很明晰，Qwen 3.6-Plus 大要一支无缺的团队，在职务盘算、代码迭代和问题精确配置上，发达出了工业级软件工程的委派水准。

02

Agentic Coding 的工程高地

Qwen 3.6-Plus 的特别之处在于，双线并行的花式初度在国产模子中出现。过往国产模子时常只在某一维度上杰出，能写代码但决策弱，能盘算但扩充崩，但工业级 Agentic Coding 需要的恰正是二者兼具。Qwen 3.6-Plus 作念到了这少许，在编程智能体和复杂经过决策两条阵线上同期靠近第一梯队：

▪   Terminal-Bench 2.0：61.6 分，杰出 Claude Opus 4.5（59.3），在 shell 操作、文献管理、进程抑遏等硬核末端任务上，它是当今最强的模子之一；

▪   Claw-Eval：58.7 分，极接近 Claude Opus 4.5（59.6），在简直寰宇多步 Agent 任务中进入第一梯队；

▪ SWE-bench Verified：78.8%，处理大多数企业级 Bug 配置和代码重构已绰绰过剩；

▪   资本：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向上，使 Qwen 3.6-Plus 成为了当前最稳当丢进 OpenClaw 这类 Agent 框架中"跑起来"的国产模子。不是辅助写代码，它真的能作念到像你的 AI 开发搭档那样，驱动产物长出来。在 Coding 赛谈如故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。

从被调用的用具到扩充当务的参与者，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采用。Qwen 3.6-Plus 的政策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。背后的原因不难连气儿，当基础模子的才略趋于同质化，能否在简直工程环境中自主完成任务如故成为了最紧要的竞争高地。

03

模子层，走向参数服从之争

更值得防御之处在于，Qwen 3.6-Plus 在参数服从上发达出了权贵的上风。横向对比，GLM-5、Kimi-K2.5 等模子的参数目均是其 2-3 倍。

用更少的参数驱散更好的性能，这在大模子此前庞大以参数限制换智能水平的布景下，不错被视为一种全新的范式转念。

比起小模子的"调解"，一个越来越无法冷漠的视角是，大模子的买卖化正在重新界说 AI 性能的模范。模子教练、推理一向以重参预的面庞示东谈主，也言之成理地成为了大模子买卖化的瓶颈，而更高的参数服从会让模子厂商在上述领域领有珍摄的竞争力。

Benchmark 仍有料想，但今天单元资本下的有用智能更能施展问题。在当前的时间端倪中，参数服从，如故成为了模子限制化落地的钥匙。

雷峰网著作2026世界杯官方指定中国区认证平台