Qwen3.8-Max 技术解读：长程智能体如何持续交付

Qwen3.8-Max 的发布重点落在长程任务。Qwen 官方将它定义为 Qwen-Max 系列首次开放权重的模型，参数规模为 2.4 万亿，激活参数 950 亿，基于 Qwen3.5 的架构基础构建，现已通过 QwenCloud 提供 API。官方公告还列出了 Hugging Face 和 ModelScope 的权重发布安排。

这组信息的技术含义，可以从模型规模、智能体工作流和训练反馈三个层面理解。Qwen3.8-Max 的展示重点并不局限于一次问答的准确率，官方案例覆盖了多天自动编程、论文实验复现、在线竞赛、量化研究、芯片设计和多模态应用重建。它要解决的工程问题，是让模型在长链路任务中持续保留目标、执行工具、读取结果、修正方案，并把中间结果推进到可交付状态。

先看公开性能表

Qwen 官方给出了覆盖编码智能体、通用智能体、通用能力和多模态能力的完整表格。下面挑选与开发者工作最相关的项目，数值均来自官方表格：

评测项目	Opus4.8	Fable5	GPT5.6 Sol	Qwen3.7-Max	Qwen3.8-Max
Terminal Bench 2.1	84.6	84.6	88.8	74.5	86.6
SWE-bench Pro	69.2	80.0	64.6	60.6	67.7
PaperBench	80.3	88.8	90.5	64.8	93.0
CoWorkBench	72.3	75.9	71.5	64.6	74.8
OSWorld-Verified	83.4	85.0	83.2	73.3	86.1
OmniDocBench 1.5	86.5	89.5	86.7	91.4	92.1
VideoMME（含字幕）	85.4	--	89.5	88.0	90.4
LogicVista	76.7	85.7	89.7	84.3	91.9

这张表有两个阅读角度。第一，编码与办公任务的分数并不沿着同一条能力轴排列，Terminal Bench、PaperBench、OSWorld-Verified 分别对应终端操作、科研复现和图形界面任务。第二，Qwen3.8-Max 的技术展示并没有把性能表和工作流案例分开，后者给出了模型如何得到这些结果的过程记录。

反馈闭环：让智能体持续工作

Qwen 官方展示的第一个长程案例是 oh-my-cli。模型从空目录开始创建项目，并在十天级的自主运行中构建一套自进化 harness。这个 harness 将用户反馈、社区实践和模型自测结果纳入同一个工程循环。

它的任务状态包含 ready、leased 和 active。新需求进入 GitHub Issues 后，agent 领取任务，调度器负责派发，监控器和 watchdog 负责观察执行状态。代码完成后，系统触发 Build、Unit Test、E2E 和 Desktop Lifecycle 检查；异常会回到对应的 issue 或 PR，修复后再次验证。

可以把这类系统抽象成下面的执行循环：

text

需求进入 Issue
    -> 状态机领取任务
    -> Agent 修改代码
    -> Build / Unit Test / E2E / Desktop 检查
    -> 失败：回到 Issue 继续修复
    -> 成功：合并 PR，产生下一轮需求

这个结构解决的是长程任务中的状态管理问题。单次生成只需要返回文本，持续工程任务还需要记录当前目标、已完成工作、失败原因、待处理事项和下一次恢复位置。状态机负责任务归属，测试负责结果判定，watchdog 负责异常恢复，三者组合后，模型才有机会在长时间运行中维持一个稳定的执行轨迹。

Qwen 官方记录显示，经过约 16 天的 AI 自主运行，oh-my-cli 累计产生 265 次 commits、127 个 PR 和 151 个 issues。这个数字描述的是一个持续运行的工程系统，其中既包含代码生成，也包含需求整理、测试、修复和交付。

论文复现：反馈循环进入科研任务

第二个案例把一篇论文和 GPU 交给模型，要求它复现《Unified Data Selection for LLM Reasoning》的实验，再探索改进方案。论文研究的问题是，在训练预算有限时，怎样从大量数据中挑出更有训练价值的样本，方法关注解题过程中的困难决策点。

Qwen3.8-Max 连续工作约五天，累计约 125 小时，写下约 7600 行代码，执行超过 1100 步操作，完成 33 轮 GPU 训练。第一阶段约 37 小时用于重建数据处理、训练和评测流水线，并复现论文的六项主要结论。论文方法在 AIME24 上相较随机选择高出 7.7%。

随后模型运行自我改进循环，四轮实验共测试 18 种改进想法：

阶段	方法	AIME24	相对基线
基线	论文方法复现	49.58%	0
第一轮	按难度拆分数据后选择	50.42%	+0.84
第二轮	对熵与得分差值加权	51.67%	+2.09
第三轮	调整选择宽度	51.25%	+1.67
第四轮	统计困难决策点数量	52.29%	+2.71

这组结果可以拆成四个可复用模块：论文解析、实验代码生成、GPU 训练执行、结果驱动的下一轮假设。模型每轮都需要读取实验输出，再决定保留哪个方向、修改哪段代码和怎样安排下一次训练。对于科研智能体，工具调用数量并不等于研究质量，关键在于实验结果是否能改变后续行动。

统一奖励系统：让不同任务进入同一训练框架

长程能力需要大量环境。Qwen 官方对真实工作强化学习系统的描述，包含三个组成部分。

第一是可解耦扩展的环境。任务维度可以由单任务扩展到多任务和多天任务，工作区可以由多文件目录扩展到层级文件夹和复杂异构目录，harness 也可以按照类别、版本和技能继续扩展。环境增长后，任务、工作区和 harness 可以组合出大量训练场景。

第二是统一奖励系统。它同时处理执行结果检查、基于评分标准的文本与渲染视觉结果判定，以及 agent 对中间结果的检查。不同任务使用不同验证方式，但奖励系统提供统一接口，让训练过程能够比较不同环境中的结果。

第三是在线数据平衡器。它按照任务、难度、工作区和 harness 调整每个 batch 的分布，降低 batch 之间的梯度方差，使强化学习算力能够保持连续扩展。

Qwen3.8-Max 随环境规模扩展的训练性能曲线

官方图中的 Envs 可以理解为环境步骤。曲线在训练环境规模扩大后持续上升，图中还标出了最佳 checkpoint。对于智能体训练，这种曲线比单一静态榜单更能说明训练系统的反馈结构：模型获得的能力来自任务环境、结果判定和数据分布共同构成的循环。

Dynamic Workflows：把计划变成可执行程序

在量化研究案例中，Qwen3.8-Max 根据一行任务描述构建 ETF 轮动策略研究流程，自动搭建数据系统、基础因子和多轮迭代过程。它会读取回测结果，处理设计期与验证期指标不一致的情况，删除冗余因子，并为多条路径加入多种种子验证。

在并行因子挖掘环节，模型从动量、价值、质量、投资、低波动和情绪六类因子描述出发，每类拆分为 50 个研究方向，调度约 330 个子 agent，完成约 6000 次回测。官方案例报告的入选因子超额 Sharpe 比率为 0.64 至 1.48，IC 为 0.010 至 0.014。

这里的重点在工作流编排。一次对话负责提出目标，Dynamic Workflows 负责生成任务图，子 agent 承担并行实验，回测结果决定下一轮分支，最后把验证过的编排逻辑固化为可复用程序。对开发者而言，这类机制比单纯延长上下文更实用，因为它把长任务拆成了可观察、可恢复、可重试的执行单元。

量化案例中的收益和风险结论属于 Qwen 官方演示，不能直接替代真实交易系统中的数据质量检查、成本模型和风险控制。可复用的技术部分是任务分解、并行实验和结果驱动的流程调整。

芯片设计：代码、仿真与物理实现形成闭环

芯片设计案例展示了另一种反馈形式。目标是一个 GCD / RSA 密码硬件加速器，验证环境使用 cocotb，仿真、综合和物理设计工具链包含 Iverilog、Yosys 和 OpenROAD。模型需要保持 4、6、8 和 16 位配置的 bit-exact 正确性，同时降低综合后的门数量。

一次连续运行中，模型完成约 500 个 turns，在 13 个关键里程碑上执行 71 次评估。第一个功能可用设计为 8298 个 gates，最终降至 678 个 gates。优化过程包括：

用迭代移位减法结构替代 16 位硬件取模除法器，门数量由 8298 降至 2010。
删除冗余 reduction 阶段，合并共享模块并缩窄内部寄存器位宽，门数量降至 1304。
清理寄存器和控制状态机，门数量降至 907。
融合模块、共享减法器并继续做门级优化，最终得到 678 个 gates。

物理实现结果也被纳入评估。初始布局的 die 为 106×106 µm²，wirelength 为 33369 µm，timing slack 为 -4.46 ns。最终布局为 46×46 µm²，wirelength 降至 4187 µm，在 500 MHz 下达到 +0.66 ns slack，物理 die 面积减少 81%。

这个案例把模型的工作范围推进到代码之外：它要读取仿真失败信息，定位逻辑冗余，修改 RTL，重新综合，再用布局和时序结果决定下一步。每一次修改都必须经过自动化验证，反馈来自真实工具链的执行结果。

多模态智能体的反馈位置

Qwen 官方还把视觉能力放在任务执行过程内部。对于超过 200 页的财务报告，模型可以处理文字、图表和文档布局；对于超过 100 小时的视频，模型可以组织人物、事件、时间戳和场景，形成视频记忆图。Qwen-MM-Plugins 则提供图像和视频处理、多模态记忆、动态分辨率、视觉工具使用，以及视频编辑、Blender 和 CAD 等扩展能力。

在界面重建任务中，模型会观察页面布局、物体方向、空间关系、动画质量和交互结果。发现电视朝向错误、界面对齐异常或视觉结果偏离目标后，系统重新规划并修正产物。视觉输入由此参与计划、执行、检查和迭代，形成跨阶段的反馈回路。

API 调用方式

Qwen3.8-Max 通过 QwenCloud 提供兼容 OpenAI Chat Completions、Responses 和 Anthropic API 的接口。官方示例支持 reasoning_effort，可用 xhigh、medium 和 low 调整推理深度与成本：

python

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    base_url=os.environ.get(
        "DASHSCOPE_BASE_URL",
        "https://dashscope.aliyuncs.com/compatible-mode/v1",
    ),
)

response = client.chat.completions.create(
    model="qwen3.8-max",
    messages=[
        {"role": "user", "content": "检查这个 Go 服务的故障恢复路径。"}
    ],
    extra_body={"enable_thinking": True},
    reasoning_effort="xhigh",
)

print(response.choices[0].message.content)

参数选择可以按任务类型处理：复杂代码修改、科研复现和多步骤分析使用 xhigh，交互式开发使用 medium，对延迟和成本敏感的简单任务使用 low。长程任务仍需要外部 harness 维护状态、工具权限、测试和恢复逻辑，模型参数本身不会替代这些工程组件。

结语

Qwen3.8-Max 的发布材料提供了一套完整的长程智能体设计样本：模型负责规划与生成，harness 负责状态和工具，执行环境负责提供真实反馈，统一奖励系统负责把不同结果纳入训练，Dynamic Workflows 负责把复杂计划拆成可运行的任务图。

当任务包含代码、数据、界面或硬件工具链时，交付质量取决于反馈回到模型的速度、准确度和可执行性。Qwen3.8-Max 的案例把这条链路展示在自动编程、论文复现、量化研究、芯片设计和多模态应用中，也给使用 Claude Code、Codex、Qwen Code、OpenClaw 或 Hermes 的开发者提供了明确的集成方向。

来源：

Qwen3.8-Max：编程与办公，全面跃升
Unified Data Selection for LLM Reasoning，DOI: 10.48550/arXiv.2605.22389
oh-my-cli