Qwen3.8-Max 发布：2.4万亿参数首次开源「超大杯」、16天自主写出一个Agent框架——国产大模型从"会写代码"跨进"会交付项目"（2026年8月）

先说结论：如果你只想记住一件事，那就是"16天"——Qwen3.8-Max 从一个空文件夹开始，在没有人干预的情况下连续运行约16天，自主搭出了一个真实可用的自进化智能体框架，并在 GitHub 上留下了265次提交。这不是"补全代码"，是"交付项目"。国产大模型的能力叙事，在这一天换了一个量级。

2026年8月3日上午，阿里云千问团队正式发布新一代基座大模型 Qwen3.8-Max：总参数量 2.4 万亿（2.4T），单次激活 95B，上下文长度 100 万 tokens，原生支持视觉理解。同一天，阿里旗下企业级 Agent 产品「千问办公」（QwenWork）开启公测。资本市场反应直接：阿里巴巴港股当日收涨 7.01% 报 125.2 港元，成交 239 亿港元；美股盘中涨超 5%。

把时间线拉长一点看，这一周实在太密：7月31日，字节 Seedance 2.5 把单次视频生成拉到 30 秒，MiniMax H3 开源多模态生成模型登顶视频编辑榜，DeepSeek V4-Flash 正式版 API 同日公测；8月3日，阿里 Qwen3.8-Max 压轴。四家国产厂商，三天之内把"参数、开源、Agent、价格"四张牌全打了一遍。

我们此前分别写过 DeepSeek V4-Flash 的后训练暴涨 和 MiniMax H3 与 Seedance 2.5 的视频双响炮。这一篇专门拆 Qwen3.8-Max：它的三件真正值得关注的事、跑分里哪些是真信号、以及它和 Claude Fable 5、Kimi K3、DeepSeek V4 摆在一起该怎么选。

二、Qwen3.8-Max 是什么：2.4T 参数、95B 激活、1M 上下文

先把规格摆清楚，避免被"2.4万亿"这个数字带偏。

关键在"2.4T 总参数但只激活 95B"这个比例。 稀疏度接近 1:25，意味着推理时真正参与计算的只有约 4% 的参数。这条路线的取舍很清楚：用极大的参数容量装知识和技能，用极小的激活量控制单次推理成本与延迟。这也是为什么它敢把国内输出价定在 ¥36/百万——如果是稠密 2.4T，这个价格根本跑不出来。

对比一下就更直观：DeepSeek V4 走的是 1.6T 总参数 + 峰谷定价路线，Kimi K3 是 2.8 万亿参数（目前全球最大开源权重之一），Qwen3.8-Max 的 2.4T 卡在中间，但它多了一件别人暂时没做的事：Max 级旗舰第一次开源权重。

三、真正的硬货：16 天、265 次提交、AI 自己搓出一个 Agent 框架

跑分可以刷，Demo 可以剪，但"连续跑16天"这种事很难演。

阿里公布的这个案例是这样的：工程师只给了一句指令——"创建一个自进化的智能体 Harness"。Qwen3.8-Max 从零开始，自主搭建循环工程（Loop Engineering）框架，编排智能体自动领取和执行任务，人类工程师可以通过钉钉给它提新要求。约16天后，它产出了一个 Hermes Agent 级别的、真实可用的自进化智能体框架 oh-my-cli，GitHub 上留下 265 次 commits，整个过程完全公开可查，项目已开源。

这件事为什么重要？因为它切中了当前 AI 编程最难的那一环：长程一致性（long-horizon coherence）。

写一个函数，模型只需要维持几百 token 的上下文；写一个能跑16天的项目，模型要在成千上万次交互中记住自己的架构决策、不推翻昨天的设计、不在第 200 次提交时把第 10 次的接口改崩。过去两年里，绝大多数"AI 自主编程"的翻车都翻在这里——前三天惊艳，第五天开始自我矛盾，第七天代码库变成废墟。

除了 oh-my-cli，阿里还放了几组长周期任务数据，这些比单点跑分更能说明问题：

• 科研复现：连续自主工作约 125 小时，复现 AI Reasoning 相关论文并进行四轮自我进化探索，使其在 AIME24 基准上的得分再提升 2.7 分；
• 竞赛实战：在阿里云天池平台 WWW2025 多模态对话意图识别挑战赛中，24 小时内击败 458 支人类参赛队伍；
• 芯片设计：在沙箱内经历约 500 轮交互，把硬件门数从 8,298 门精简至 678 门；
• 经营模拟：在 365 天长周期电商经营模拟基准 E-Commerce Bench 中，以 416,252 元总资金（4.16 倍回报）取得第一；
• 法务场景：一小时内完成数百份文档、1,284 条条款的标注；
• 量化投研：调度约 330 个子智能体，完成约 6,000 次因子回测。

注意这些任务的共同点：它们都不是"一问一答"，而是"派个活，过几天来收"。 这正是 Claude Code、Cursor、OpenClaw 这一批 Agent 工具在 2026 年集体追赶的方向，只不过这一次，能力被压进了基座模型本身，而不是靠外层脚手架硬撑。

四、跑分怎么看：哪些是真信号，哪些是噪音

Qwen3.8-Max 这次的成绩单相当密集，但不是每一项都同等重要。我按"信号强度"排一下。

强信号（值得当真）：

中等信号（有参考价值，别过度解读）：

• TextArena 排名第五（阿里表述为"实验室维度全球第二，仅次于 Anthropic"，这两个说法口径不同，别混为一谈）；
• VisionArena 排名全球第二；
• CodeArena 全球第四（部分媒体报道为第三，以官方口径为准）；
• GPQA Diamond 92.6 分，BabyVision 无工具条件下 82.0 分。

要打问号的： 所有"击败人类队伍""4.16 倍回报"这类叙事型成绩，都是厂商自选场景下的结果，缺乏第三方复现，只能当能力上限的展示，不能当稳定表现的承诺。

我个人最看重的是 IFBench 那 82.8 分。 指令遵循听起来朴素，但它是 Agent 能不能真正干活的地基——一个模型再聪明，如果你说"输出 JSON、不要解释"它偏要写三段前言，那它在自动化流水线里就是不可用的。82.8 对 63.5 这个差距，比任何编程榜单排名都更影响真实工程体验。

五、Max 级首次开源：这一步的分量比参数大

Qwen3.8-Max 预计下周开源权重，同时开源 Qwen3.8-27B。这是千问 Max 级别（俗称"超大杯"）模型第一次面向社会开源。

过去几年国内开源模型的惯例是"开源中杯、闭源大杯"——最强的那个留着卖 API，开源出来的是次一档。阿里这次把最强的那个也放了出来，逻辑其实不难推：

• 锁定私有化部署市场。 金融、政务、大型制造这类客户天然要求本地化，模型不开源就进不了门。开源 Max 权重，等于把这块市场的门槛主动拆掉。
• 对冲地缘风险。 2026 年 7 月 阿里已全面禁用 Claude 全系模型，中美 AI 供应链的隔离在加深。此时开源，是给国内生态一个明确的"可自主可控"信号。
• 抢开发者心智。 千问系列本就是全球下载量最大的开源模型族之一，Max 开源会进一步扩大衍生模型和微调生态，反过来给云上 API 导流。

对国内团队的实际影响是：如果你之前因为"最强的用不了"而在开源方案上妥协，下周开始这个理由不成立了。 当然，2.4T 参数的本地部署门槛依然极高，绝大多数团队真正会用的是 27B 版本——而 27B 这个尺寸，恰好是单机多卡可承载的甜点区间，参考我们此前对 本地部署大模型的横评。

六、价格：把"相近智能"卖到 Opus 5 的四折

定价这块阿里给得很直白：

• 国内：输入 ¥12/百万 tokens，输出 ¥36/百万，隐式缓存命中 ¥1.5/百万；
• 国际：输入 $2/百万，输出 $6/百万，缓存 $0.25/百万；
• 官方口径：国际输入、输出价格分别为 Claude Opus 5 的 40% 和 24%。

结合上个月 AI 模型价格战总决战 的走势看，格局已经很清楚了：头部模型的竞争，正在从"谁最强"变成"同等智能谁最便宜"。 DeepSeek V4-Flash 把 ¥1/¥2 的地板价钉死在中低端，Qwen3.8-Max 则在旗舰档位上把 Opus 5 的价格砍掉六成。中间那个"性能一般但价格不便宜"的地带，正在被两头挤压到消失。

隐式缓存命中 ¥1.5 这个数尤其值得注意。对于 Agent 类应用——系统提示词长、工具定义多、多轮反复调用同一批上下文——缓存命中率往往能到 60% 以上。真实账单可能比标价低不少。

七、千问办公 QwenWork：模型发布配一个 Agent 产品，阿里在下什么棋

同日公测的「千问办公」（qwenwork.cn）比模型本身更值得琢磨。它整合了 QoderWork、MuleRun、悟空三款产品，官方称是业内首款同时支持桌面端 Agent、云端 Agent 和企业协同 Agent 的产品，网页版和 PC 客户端已开放，钉钉 PC 端与手机端入口近期开放，后续将出独立 App 和国际版。

它跟市面上多数 Agent 产品的差别在于定位：不是帮个人提效，是帮组织提效。

官方举的例子很具体：一家 20 人的律师事务所，资深律师用千问办公多轮交互完成首份并购尽调报告后，把全过程一键沉淀为"组织级 Skill"，向全团队共享。新人接到同类案件，不用逐项请教资深律师，直接调用该 Skill 并选定执行路径即可产出报告。

这个设计的巧妙之处在于，它把"个人的隐性经验"转成了"组织的显性资产"。过去企业上 AI，最大的阻力从来不是模型不够强，而是每个员工都在各自和 AI 单聊，经验无法沉淀、质量无法统一、流程无法复用。组织级 Skill 是对这个痛点的正面回应。

配合打通钉钉 IM、后续连接企业数据库与真实工作流，阿里的意图很明显：用最强模型当矛，用办公入口当盾，把 Token 消耗绑进企业日常工作流。 参考财务侧数据——截至 2026 年 3 月财季，阿里云收入同比增长 38%，AI 相关产品收入连续 11 个季度三位数增长，占外部云收入比重已达 30%，百炼平台客户数同比增长 8 倍；AI MaaS 业务 ARR 在 6 月季度突破 100 亿元，目标年底 300 亿元；今年 5-6 月的 API Token 需求较去年 11-12 月增长超 10 倍。Qwen3.8-Max 的发布，本质是在加速 Token 变现。

这条路和 扣子Coze、Dify智能体 这类偏开发者的 Agent 编排平台不同，也和 ChatGPT 走的个人订阅路线不同——它更像是把 通义灵码 在编码场景里验证过的"嵌入工作流"打法，复制到了全部办公场景。

八、四强横评：Qwen3.8-Max / Claude Fable 5 / Kimi K3 / DeepSeek V4

把当下四个最值得考虑的旗舰摆在一起：

选型建议（我的实际判断）：

• 要在国内做企业级 Agent、且涉及视觉/文档/GUI 操作 → Qwen3.8-Max。OSWorld 86.1 和 1M 上下文这两项，目前国内没有更好的组合。
• 只做纯文本高频调用、预算是第一约束 → DeepSeek V4-Flash。¥1/¥2 的价格摆在那，Qwen3.8-Max 贵一个数量级。
• 要自己微调、做私有底座 → 下周的 Qwen3.8-27B 或 Kimi K3 开源权重，看你的显卡预算。
• 做海外业务、极限编程场景 → Claude Fable 5 依然是天花板，但国内合规与可用性风险要自己扛。

如果你还在犹豫，先用 千问 的免费网页版把典型任务跑一遍，再决定要不要上 API——这是最省钱的验证方式。

九、三类人怎么用：具体到动作

开发者 / 独立工程师：

• 先在千问 AI 平台申请 API，用 1M 上下文做一次"整仓库读入"的实验——把你项目的全部源码塞进去让它出重构方案，这是过去做不到的事；
• 关注下周开源的 Qwen3.8-27B，单机多卡可跑，适合做私有微调底座；
• 长程任务别一次性发指令就撒手，设置阶段性 checkpoint 让它自己汇报，成本更可控。可搭配 Qwen-Agent 或 Qwen3-Coder-Next 做编排。

企业 IT / 数字化负责人：

• 千问办公公测期是低成本试水窗口，先挑一个流程标准化程度高的部门（法务合同审查、财务对账、客服工单）做试点；
• 重点验证"组织级 Skill"的沉淀质量——如果资深员工的流程封装后新人复用效果差，说明流程本身没标准化，这是组织问题不是 AI 问题；
• 数据出境合规先过一遍，尤其是有欧盟业务的团队，参考我们对 欧盟 AI 法案 8 月生效 的合规拆解。

内容 / 办公场景使用者：

• 最直接的收益点是长文档与长视频理解——200 页财报 PDF、100 小时以上的会议录像，这类"人看不完"的素材现在可以一次性喂进去；
• 别把它当搜索引擎用，它的价值在"处理你已有的东西"，不在"告诉你不知道的东西"；
• 和 豆包、智谱清言、腾讯混元 并行用一周，对同一批任务做横向对照，比看任何评测都准。

十、三个必须说清楚的边界

边界一：跑分领先 ≠ 日常体感领先。 PaperBench 93.0、IFBench 82.8 这些数字对应的是特定基准下的表现。真实工作中的模糊指令、脏数据、多轮纠偏，任何榜单都测不出来。Fable 5 在某些主观体验维度依然被很多重度用户认为更"懂人话"。

边界二："16 天自主编程"是精心设计的展示场景。 项目开源可查是加分项，但这不代表你随手派一个任务它就能跑16天不崩。长程任务的成功率、失败时的 token 浪费、中途纠偏的成本，官方都没给数据。在生产环境里，务必先做小规模长程试跑再放大。

边界三：开源权重不等于能用得起。 2.4T 参数的本地部署对绝大多数团队都是天文数字，真正落地的会是 27B。而 27B 和 Max 之间的能力差距有多大，要等下周权重放出后由第三方评测给答案——历史经验是，小尺寸版本通常只能继承旗舰 60-75% 的综合能力。

十一、拐点判断：从"模型竞赛"到"交付竞赛"

把 7 月 31 日到 8 月 3 日这四天连起来看，一个趋势非常清楚：

2024-2025 年，大模型比的是"参数和跑分"；2026 年，比的是"能不能自己把活干完"。

DeepSeek V4-Flash 证明了参数不变、纯靠后训练能把 Agent 能力拉高 7.5 倍；MiniMax H3 证明了开源能在视频编辑上登顶；Qwen3.8-Max 则证明了模型可以连续工作 16 天交付一个真实项目。三件事指向同一个方向——模型正在从"回答问题的工具"变成"承接任务的角色"。

对从业者的含义是现实的：过去你的竞争力是"会用 AI 写代码"，接下来是"会设计能让 AI 独立跑完的任务"。 任务拆解、边界定义、验收标准、异常处理——这些以前属于项目管理的技能，正在变成 AI 时代的核心工程能力。

至于阿里这一步能走多远，下周开源权重放出、千问办公公测数据出来之后，会有更靠谱的判断。但至少在 2026 年 8 月这个时点，国产旗舰第一次在"长程自主交付"这条最难的赛道上，给出了可公开验证的证据。

常见问题（FAQ）

Q1：Qwen3.8-Max 和 Qwen3.8 是同一个东西吗？ Qwen3.8 是这一代模型系列的统称，Qwen3.8-Max 是其中尺寸最大、性能最强的旗舰版本（2.4T 参数）。同期还有将要开源的 Qwen3.8-27B 小尺寸版本。媒体报道中两个名称经常混用，看到"2.4 万亿参数"时指的都是 Max。

Q2：现在就能用上吗？在哪里用？ API 已于 8 月 3 日上线千问 AI 平台，全球开发者可直接调用。普通用户可通过千问办公官网 qwenwork.cn 体验（网页版与 PC 客户端已开放，钉钉入口近期上线），或使用 千问 网页版。

Q3：开源权重什么时候放出？普通人能本地跑吗？ 官方口径是"预计下周"开源 Qwen3.8-Max 权重及 Qwen3.8-27B。2.4T 的 Max 版本对个人几乎不可能本地部署；27B 版本在单机多卡（或量化后单卡大显存）条件下有机会跑起来，是普通开发者更现实的选择。

Q4：它比 DeepSeek V4-Flash 强吗？该选哪个？ 两者定位不同。Qwen3.8-Max 强在多模态、超长上下文和长程自主任务，价格 ¥12/¥36；DeepSeek V4-Flash 强在极致性价比（¥1/¥2）和纯文本 Agent 能力。高频调用、成本敏感选后者；复杂长程、需要视觉理解选前者。

Q5：企业接入千问办公需要什么条件？ 公测期个人和企业用户均可通过官网体验，已初步打通钉钉 IM。企业级深度集成（连接内部数据库与工作流）需要跟阿里云侧对接。建议先用标准化程度高的单一流程做试点，验证"组织级 Skill"的复用效果后再扩大范围。

Q6：跑分说它超过了 Claude Fable 5，是真的吗？ 部分指标是真的——PaperBench 93.0 对 88.8、IFBench 82.8 对 63.5，这两项 Qwen3.8-Max 确实领先。但 TextArena 综合排名仍在 Anthropic 系列之后，Arena Frontend Code 与 Claude Opus 5 High 相差 1 分。准确的说法是"在部分维度达到或超过，整体处于同一梯队"，而不是全面超越。