前沿科技洞见 · 2026-08-04

Qwen3.8-Max 的 16 天自主编程：模型竞赛正从“会写代码”转向“能经营执行过程”

正在发生的事很多，这件帮你看过了

2026-08-04

一、触发新闻与一句话定义

阿里 Qwen 团队在 2026 年 8 月 3 日发布 Qwen3.8-Max，并披露该模型从空目录出发连续自主编程约 16 天，完成并开源了自进化代码智能体框架 oh-my-cli。官方同时公布：模型采用稀疏 MoE 与混合注意力，总参数量 2.4 万亿、单次激活约 950 亿参数，支持 100 万 Token 上下文；API 已上线，开放权重版本预计随后发布。

这里的研究对象不是又一个“更会写代码”的大模型，而是一套试图把模型、代码智能体框架、长期状态、执行反馈、权限控制和云端推理连成一体的跨周自主工程系统。

先把最容易误读的地方钉住。16 天是一次运行持续了多久，不等于它能稳定完成“人类需要 16 天”的任意任务；公开仓库证明项目确实存在、代码持续积累，也不等于第三方已经从同样的空目录完整复现了同一条轨迹。到 8 月 4 日，oh-my-cli 仓库页面可见约 480 次提交，项目包含持久会话、检查点恢复、预算与运行上限、证据归档、命令策略和受保护治理平面。这些工程细节让它比一段剪辑视频更可检查，但它仍是一份由发布方选择并呈现的成功样本。

我的判断是：Qwen3.8-Max 真正值得研究的，不是“16 天”这个醒目的时长，而是阿里三年来把开源模型、代码专模、长上下文、可执行强化学习、终端框架和自有云基础设施逐层拼接后，第一次用一个跨周项目把整条路线压缩成了可见结果。它没有证明软件工程已经可以无人化，却把下一轮竞争的考题改了：模型犯一次错并不可怕，系统能否在数百次错误、重试和上下文切换后仍然知道自己在做什么，才是长程 Agent 的分水岭。

二、纵向分析：从诞生到当下

1. 2023：Qwen 一开始就没有把终点设在聊天框里

2023 年 8 月 3 日，阿里云开放 Qwen-7B，随后扩充到 1.8B、14B 和 72B。第一代 Qwen 的能力今天看起来朴素：中英双语、32K 上下文、指令对齐、代码生成。但它的项目说明已经把工具调用、Agent 和代码解释器列为正式能力，而不是模型之外的演示插件。

这个起点后来很关键。模型若只被训练成生成一段“看起来像答案”的文本，到了真实工程环境就会卡在最基础的动作上：读哪个文件、执行哪条命令、如何解释失败、是否需要回滚。Qwen 从第一代就把结构化调用和执行接口留在产品路线里，相当于提前承认了一件事：代码能力的最终验收不在聊天窗口，而在编译器、测试、文件系统和版本控制里。

第一代的另一个选择是开放权重。它带来的不只是下载量。开发者会把模型塞进 vLLM、llama.cpp、IDE 插件和各种终端框架，暴露出官方评测不容易看到的兼容问题。对后来做 Agent 来说，这种生态反馈尤其有价值，因为 Agent 的失败很少只属于模型：协议、提示、工具返回格式、上下文压缩和权限策略都可能让同一个模型表现出完全不同的“性格”。

2. 2024：从通用代码能力，走向可验证的代码专模

2024 年 6 月发布的 Qwen2 把部分型号的上下文长度推到 128K，并扩大多语言覆盖。三个月后，Qwen2.5 系列把预训练规模扩展到最高 18 万亿 Token；Qwen2.5-Coder 则单独使用约 5.5 万亿 Token 的代码、文本—代码对齐和合成数据继续训练，支持 92 种编程语言与 128K 上下文。团队还把 CodeQwen 改名为 Qwen-Coder，公开表达了从“代码模型”走向“编码伙伴”的方向。

这一阶段的变化不只是数据更多。Qwen2.5-Coder 同时保留数学和通用能力，因为真实的软件工程不会把问题整理成一道纯编程题。开发者需要读需求、理解表格、比较日志、调用工具，再把结果写回代码。一个只会补全语法的专模，在跨文件任务里很快会失去方向。

不过，2024 年的主流指标仍然集中在 HumanEval、LiveCodeBench、Aider 等相对短程任务上。Qwen2.5-Coder-32B-Instruct 在多项开放模型评测中表现很强，官方称其代码能力可与 GPT-4o 比较；可这些成绩回答的是“能不能生成或修好这一段”，还没有回答“连续几百轮之后会不会把昨天的决定推翻”。长上下文扩大了模型一次能看到的材料，却没有自动提供长期项目管理。

3. 2025 上半年：MoE 解决计算账，推理模式解决动作节奏

2025 年 4 月的 Qwen3 把路线分成密集模型与稀疏 MoE 两组。旗舰 Qwen3-235B-A22B 总参数 2350 亿，每次只激活 220 亿；Qwen3-30B-A3B 则以 30 亿激活参数承担更低成本部署。Qwen3 还把思考模式和快速响应模式放进同一模型家族。

MoE 对长程 Agent 的意义很现实。一次回答贵一点，用户或许能接受；数百轮工具调用把每次推理成本连续相乘，任何冗余都会变成不可忽略的账单和延迟。稀疏激活让参数容量和单步计算不再等比例增长，为“更大知识容量、较低单步成本”的组合提供了一条路。

但 MoE 只把每一步做便宜了一些，并不会让路径自动正确。Agent 的关键动作是决定何时思考、何时执行、何时检查。Qwen3 的双模式设计，可以看作对这一节奏问题的早期回答：不是每个文件读取都值得长推理，也不是每次架构选择都该用快速模式草率通过。

4. 2025 年 7 月：Qwen3-Coder 把训练场搬进可执行环境

真正的转折发生在 Qwen3-Coder。2025 年 7 月，阿里发布 480B-A35B 的 MoE 代码模型，原生支持 256K 上下文，并可用 YaRN 外推到 100 万 Token。它的预训练数据约 7.5 万亿 Token，其中代码占 70%。更重要的是后训练：团队没有把强化学习局限在竞赛题，而是把真实代码任务放进可以运行测试、返回错误和继续修改的环境，并构建可并行运行约 2 万个独立环境的基础设施。

代码适合这种训练，因为许多结果“难做、易验”。程序是否编译、测试是否通过、延迟是否下降，都能给出比语言偏好更硬的反馈。模型不必只学习人类写出的完美答案，还可以在执行—报错—修正的循环里学习恢复。

同一次发布里，Qwen Code 作为终端 Agent 开源。它最初基于 Google Gemini CLI 改造，针对 Qwen3-Coder 调整提示与函数调用协议，也能通过兼容层进入 Claude Code 等框架。这是一项务实选择：阿里没有等待一套从零设计的完美外壳，而是先借成熟交互范式验证模型，再逐步把框架变成自己的控制面。

到这里，纵轴上的对象已经换了。早期比的是模型本身，Qwen3-Coder 开始比“模型在什么环境里学会工作”。如果没有大规模可执行环境，长程强化学习只能依赖少量昂贵轨迹；如果没有终端框架，训练出来的工具能力也难进入真实仓库。

5. 2025 年下半年：长上下文不再只靠标准注意力硬扛

2025 年 9 月，Qwen3-Next 引入 Gated DeltaNet 与标准注意力混合的架构，约四分之三层采用线性注意力，四分之一保留标准注意力，同时使用更稀疏的 MoE 和多 Token 预测。官方数据显示，80B-A3B 基座模型以不到 Qwen3-32B 十分之一的训练 GPU 时长，取得相近或略高的能力。

这次改动在今天回看，像是在给跨周 Agent 提前修路。标准注意力擅长精确回看，但计算和 KV Cache 随上下文膨胀；线性注意力更省，却容易牺牲细节召回。混合方案承认两者都不够，把高速状态推进与少量精确检索组合起来。Qwen3.8-Max 所称的“混合注意力”，沿用的正是这条效率路线。

不过，100 万 Token 仍不能等同于 100 万 Token 的可靠记忆。一个项目运行 16 天，会产生代码、日志、测试、讨论、失败路径和临时文件。把所有内容原样塞回上下文既昂贵，也会稀释信号。长期系统需要另一层能力：把哪些信息写入持久状态、哪些压缩成摘要、哪些只保留内容哈希，并在恢复时重建足够的工作现场。

6. 2026 年初：从“会调用工具”转向“会积累经验”

2026 年 1 月，Qwen3-Max-Thinking 增加自适应工具选择和多轮测试时扩展。它不是简单并行生成更多思路再投票，而是用“take-experience”机制提炼上一轮的有效经验，把剩余计算投入未解决部分。官方报告显示，在近似 Token 消耗下，这种累积式策略改善了 GPQA、LiveCodeBench、IMO-AnswerBench 和带工具的 HLE。

这里出现了 16 天实验的第二块拼图：长任务不只需要记得“发生过什么”，还要从失败里提炼“下次别再怎么做”。原始轨迹越长，逐字回放越不现实；有效系统必须把经历变成结构化约束。

2 月的 Qwen3-Coder-Next 又把重心从参数规模拉回训练信号。这个模型只有约 30 亿激活参数，却通过大规模可验证任务、环境交互、Agent 轨迹监督、领域专家训练和蒸馏来增强工具使用及失败恢复。官方还展示，增加 Agent 轮次能继续抬高 SWE-Bench Pro 表现。它提供了一个重要反例：长程能力不是只靠造更大的模型，也能从更好的环境反馈和轨迹管理中获得。

同月发布的 Qwen3.5 把视觉、语言、代码和 Agent 能力合并进原生多模态模型，397B-A17B 采用 Gated DeltaNet、稀疏 MoE 与标准注意力混合，托管版默认提供 100 万 Token 上下文和内置工具。对于网页、桌面和文档工作，视觉不再只是开场时看一张图，而可以在执行过程中反复充当反馈：界面有没有渲染出来，按钮状态是否改变，图表是否溢出，都能进入下一轮决策。

7. 2026 年春夏：从 35 小时到 16 天，阿里把模型嵌进自己的云与芯片

2026 年 4 月，Qwen3.6-35B-A3B 继续证明小激活参数路线：总参数 350 亿，单步激活约 30 亿，面向 Agent 编码与本地部署。5 月，Qwen3.7-Max 的内部演示把持续执行拉到 35 小时。阿里称，该模型面对训练中未见过的真武 M890 芯片，进行了 1000 多次工具调用，最终交付一个性能超过厂商基线的计算内核。

同一时期，阿里发布自研芯片和为 Agent 重建的云栈。AgentRun 管生命周期，AgentLoop 做跟踪、评估和优化，AgentTeams 负责多 Agent 协作，TokenWorks 把请求路由、推理执行、计算复用与调度放进同一系统。到 7 月的 WAIC，Qwen3.8-Max Preview 已进入 Token Plan、Qoder 和 QoderWork。

这段历史解释了为什么 16 天实验会出现在阿里，而不是只出现在一家模型实验室。阿里同时拥有模型、云、调度、终端产品和芯片适配场景，能够把每轮推理成本、缓存命中、工具延迟和执行失败放在同一张工程账上。长程 Agent 把小概率故障放大：若每轮可靠率为 99%，连续 500 个关键步骤全部正确的理论概率也只有约 0.66%。系统必须允许失败、发现失败并恢复，而不能期待模型永不出错。

8. 2026 年 8 月：oh-my-cli 展示的不是“写了多少代码”，而是如何不失控

Qwen3.8-Max 把总参数推到 2.4 万亿，单步激活约 950 亿，并保持 100 万 Token 上下文。官方称，模型从空目录开始，持续约 16 天构建 oh-my-cli；还展示了论文复现、超过 500 轮芯片设计优化与视觉反馈循环等长程案例。官方基准里，它在 Terminal-Bench 2.1 得到 86.6、PaperBench 得到 93.0，但在 SWE-Bench Pro 与 FrontierSWE 上分别为 67.7 和 73.5，低于官方表中最强对手。

这组“有赢有输”的成绩比一张全红榜单更有解释力。Terminal-Bench 强调在终端环境完成任务，PaperBench 衡量复现研究工作的能力；SWE-Bench Pro 和 FrontierSWE 更强调复杂真实仓库里的软件工程。Qwen3.8-Max 似乎已经很擅长在反馈明确的执行环境里持续推进，却还没有在所有开放式工程任务上占优。

oh-my-cli 的代码结构也呼应这一点。它不是只提供聊天和文件编辑，而是把安全审批、防伪预览、目录信任边界、工作区路径约束、确定性命令策略、持久 JSONL 会话、压缩、逐轮撤销与重做、预算和运行上限、检查点恢复、独立 worktree，以及可验证的证据归档都做成一等功能。自主队列可以接收问题并执行改进，但治理文件、工作流与 CODEOWNERS 属于受保护平面，Bot 能建议修改，不能自行落地。

这可能是整段纵向演进中最有分量的细节：所谓“自进化”，不是让模型拥有不受限制的自我改写权，而是把它关进一个能留下痕迹、限制权限、允许回滚的生产系统。真正的进步不是 Agent 再也不需要人，而是人不必盯着每一条命令，也不会因为离开一晚就失去对项目的控制。

9. 证据边界：一次成功轨迹，离通用能力还有三道门

第一道门是复现。截至报告写作时，公开仓库能看到项目、提交与治理设计，但尚无独立团队用同一模型、同一初始条件、同一预算完整重跑 16 天并得到可比结果。模型权重也仍处于“预计开放”阶段，第三方很难立即完成严格对照。

第二道门是归因。Qwen3.8-Max 的官方编码评测使用了包括 Claude Code 在内的 Agent 外壳；oh-my-cli 又把大量可靠性写在框架层。模型、提示、工具协议、上下文压缩和恢复机制各贡献多少，单次演示拆不出来。SWE-Bench Mobile 的研究甚至发现，同一模型换不同 Agent 设计，成绩可相差最高 6 倍。把系统成绩全部归给模型，会错过真正可以复制的工程经验。

第三道门是外推。METR 的“50% 任务完成时间跨度”按人类专家完成同一任务需要多久来计量，不按模型在线运行多久计量。其 2026 年数据已显示前沿模型在软件任务上的 50% 时间跨度进入小时级，并提醒超过 16 小时的测量因长任务样本太少而不稳定。Qwen 连续运行 16 天是耐久性证据，不应直接画成“能力时间跨度从小时跃迁到两周”。

把这三道门保留下来，16 天的价值反而更清楚：它不是通用自主开发已经到来的终点，而是一个大型模型厂商开始公开回答“如何让 Agent 活过第一天”的起点。

三、横向分析：竞争图谱

今天的代码 Agent 已不是模型参数表上的单线竞速。对开发者真正有用的比较，至少要同时看五件事：模型能不能识别下一步；框架能不能保存状态；环境能不能给出可验证反馈；权限能不能限制破坏半径；成本能不能支撑数百轮运行。

路线	代表产品	当前强项	长程控制方式	主要短板或未决问题
阿里	Qwen3.8-Max + Qwen Code + oh-my-cli + Agent-Native Cloud	开放权重路线、模型与框架协同、可执行训练环境、自有云芯片栈	持久会话、预算上限、检查点、证据归档、受保护治理平面	16 天轨迹尚缺独立全程复现；模型与框架贡献难拆分
Anthropic	Claude Opus 4.8 + Claude Code/Agent SDK	代码判断、工具调用一致性、成熟的权限与检查点、多 Agent 科学计算案例	checkpoint、subagent、hook、后台任务、动态工作流	模型闭源；真实使用中最长一档单会话仍多在小时以内
OpenAI	GPT-5.x-Codex + Codex CLI/Cloud/App	多 Agent 并行、跨设备监督、企业遥测、安全分层、用户规模	独立 worktree、云任务、移动端插手、日志与策略控制	更强调人机协作与并行吞吐，公开“单 Agent 连续跨周”证据较少
Google	Gemini/Antigravity + Gemini CLI/Code Assist	100 万上下文、开源终端入口、搜索与开发工具生态、低门槛分发	计划、失败恢复、MCP、IDE 与云端 Agent 联动	产品从 Gemini CLI 向 Antigravity 迁移，持续状态与产品边界仍在变化

1. Anthropic：把长程能力建立在“可检查的自治”上

Claude Code 是 Qwen 最直接的参照物，也是 Qwen Code 最早对齐的产品形态。Anthropic 在 2025 年加入 checkpoint、subagent、hook 和后台任务，让开发者可以把较大的重构交出去，同时随时恢复代码或对话。2026 年的 Claude Opus 4.8 提供 100 万 Token 上下文，Claude Code 又加入 dynamic workflows，目标是把大任务拆成可持续执行的动态流程。

Anthropic 的优势不是发布过一个更长的计时纪录，而是围绕“模型判断是否可信”积累了较完整的产品经验。Opus 4.8 的早期测试者反复提到它会主动质疑输入、暴露不确定性、减少工具调用浪费；Anthropic 自己的评测称，它让有缺陷代码未经说明就通过的概率较前代下降约四倍。对于长任务，承认哪里没做成往往比多写一个功能更重要，因为隐蔽错误会在后续阶段复利。

Anthropic 还公开了多日科学计算工作流：Claude 团队通过约 2000 个会话构建能够编译 Linux 内核的 C 编译器，并总结出测试预言机、持久记忆和编排的组合。这个案例与 Qwen 的 16 天实验有一个关键差别。Anthropic 更倾向用许多受管理的会话拼成长期项目，Qwen 则把“一个项目持续自我推进”的叙事推到前台。前者强调可控分工，后者强调连续性。

真实使用数据也给宣传降了温。Anthropic 在 2026 年 2 月分析数百万次交互时发现，Claude Code 最长一档会话的自主运行时间在三个月内从不足 25 分钟上升到超过 45 分钟。到了 6 月，约 40 万个会话样本显示用户每周平均使用 Claude Code 20 小时，但这是多个交互时段的合计，并非单次无人值守。现实世界的自治仍主要以“人偶尔回来校正”的形式发生。

用户选择 Claude Code，常常不是因为它能跑最久，而是它在陌生大仓库里更会提问、在高风险改动前更谨慎，并且权限系统已经被团队流程接受。Qwen 若要从一次公开长跑变成日常工具，需要在这些不显眼的可靠性上追平，而不是只把计时器继续往后拨。

2. OpenAI Codex：把长程工作做成多 Agent 调度和随时可插手的协作

OpenAI 的路线更像一个 Agent 操作系统。Codex CLI 负责本地循环，Codex Cloud 运行远端任务，桌面 App 管理多个 Agent 与 worktree，移动端让用户在离开电脑后继续回答问题、审批动作或改变方向。产品设计没有假设人会消失 16 天，而是假设人会从逐步操作转成低频监督。

这套路线已经获得规模数据。OpenAI 2026 年 6 月披露，Codex 每周用户数超过数百万；在抽样个人用户中，80.6% 至少发起过一次估计需要人类 30 分钟以上的任务，70.2% 发起过一小时以上任务，25.6% 发起过八小时以上任务。内部最重度的 1% 用户每天可生成 60 小时以上的 Agent 回合，依靠的是多个任务并行，而不是一条线程违反物理时间。

因此，Codex 与 Qwen3.8-Max 的分歧不是谁更“自主”，而是如何扩大有效工作量。Qwen 的代表性展示是一条长轨迹：不断恢复状态，围绕同一个对象自我改进。Codex 的代表形态是一组并行轨迹：每个 Agent 在隔离 worktree 工作，由人统一审查和合并。前者更像一个不下线的维护者，后者更像一支可调度的小队。

Codex 的安全设计也更接近企业控制面。OpenAI 公开的内部实践强调沙箱、网络策略、权限升级、日志与 Agent 原生遥测。长程运行必然扩大权限风险：一个被提示注入污染的浏览结果，可能在数小时后才触发写文件或发送请求。只在事后做代码审查不够，系统必须保留每一步为什么发生的记录。

用户会因为并行能力、跨设备接力和成熟的审查界面选择 Codex。Qwen 的吸引力则在于开放模型、兼容多协议与更低的部署控制门槛。对受数据主权、网络隔离或国产算力约束的团队，能把模型和框架放进自己的环境，可能比全球用户规模更有决定性。

3. Google：用开放 CLI 和搜索生态占住入口，随后转向 Antigravity

Google 在 2025 年开放 Gemini CLI，为个人用户提供 Gemini 2.5 Pro、100 万 Token 上下文以及较高免费额度，并把同一 Agent 技术接入 Gemini Code Assist。Gemini CLI 内置文件操作、命令执行、动态排错和 MCP 扩展。Qwen Code 最初从 Gemini CLI v0.8.2 分叉，随后停止同步上游，改造成多协议、多平台框架。

这段关系说明，代码 Agent 的竞争存在一个不同于模型训练的扩散机制：框架可以分叉，交互范式可以迁移，模型则在同一外壳里被替换。Qwen 没有必要先赢得终端产品设计，再开始训练 Agent；它可以借 Google 的开放入口缩短时间，把资源集中在模型协议、环境训练与云端推理上。

到 2026 年，Google 开始推动 Gemini CLI 用户迁移到 Antigravity CLI，并在 AI Studio、Gemini API 和开发工具中强化 Agent。Google 的优势在搜索、浏览器、Android、云与 IDE 的连接面。一个长程开发任务若需要查资料、生成应用、部署到云、再观察用户数据，Google 有机会把工具链做得更短。

它的风险同样来自边界变化。开发者需要知道会话状态保存在本地还是云端，旧 CLI 与新 Agent 的扩展是否兼容，长期任务升级版本后能否恢复。Qwen 的策略则更明确地强调多协议：Qwen Code 可以连接 OpenAI、Anthropic、Gemini、Qwen 与本地模型。它在争夺的不是唯一入口，而是成为不锁定模型的执行层。

4. 开放模型阵营：价格和权重只是入场券，环境才是复利来源

DeepSeek、Kimi、MiniMax、GLM 等开放或开放权重模型已经让代码能力的价格快速下降。只看一次生成，同质化会越来越强。真正难复制的是用于 Agent 强化学习的可执行环境、失败轨迹、测试基础设施和大规模调度。

Qwen3-Coder 曾公开 2 万个并行环境；Qwen-AgentWorld 又把训练任务扩到多类交互环境；Qwen3.8-Max 背后还有 TokenWorks、AgentLoop 与自有芯片适配。这里形成了一个数据回路：模型进入 Qwen Code 和企业 Agent，真实失败被整理成可验证任务，任务回到环境训练，改进后的模型再进入框架。开放权重能扩大部署面，但只有把部署中产生的失败变成训练信号，开放生态才会转成能力复利。

对开发者而言，开放模型的真实选择标准也在变化。以前问“我的显卡能不能跑”，现在还要问：上下文压缩后会不会忘记约束；工具失败能否重试；断网后能否恢复；预算耗尽时能否安全停下；不同模型切换后会话格式是否兼容。oh-my-cli 对预算、恢复和证据归档的重视，恰好击中了这一层需求。

5. 五个维度下，Qwen3.8-Max 到底站在哪里

连续性上，Qwen 给出了当前最醒目的公开长跑之一，但证据仍以厂商轨迹和仓库为主。Anthropic 的多会话科学项目与 OpenAI 的多 Agent 工作量更接近“可管理的长期劳动”，只是没有把单次持续时长作为中心指标。

可验证性上，代码天然拥有编译、测试、基准和性能计数器。Qwen 的芯片优化和 PaperBench 成绩都受益于明确反馈。可一旦目标变成“设计一个好产品”，验证器就不再客观。16 天里最难的部分可能不是写代码，而是判断继续加功能是否仍符合用户需要。

治理上，oh-my-cli 的受保护平面是一项成熟设计：Agent 可以提案，不能改写自己的最高权限。Claude Code 和 Codex 也把审批、沙箱、checkpoint 与遥测放在核心位置。行业正在形成共识——长程能力越强，越不能依赖一句系统提示充当安全边界。

经济性上，Qwen 的 MoE、混合注意力、缓存与自有推理栈为数百轮任务降低单步成本，但 950 亿激活参数仍不是轻量模型。真正的成本还包括失败分支、重复读取、环境占用和人工复核。官方尚未披露 16 天项目的完整 Token、算力与人民币成本，无法判断它与人类工程师或并行小 Agent 的经济对比。

开放性上，Qwen 最有机会建立差异。Claude 和最强 Codex 模型闭源，Gemini CLI 虽开放，模型权重并不开放。若 Qwen3.8-Max 如期开放权重，同时保留公开框架和可审计轨迹，研究者便能做消融实验：固定模型换框架、固定框架换模型、关闭长期记忆或恢复模块。届时，16 天才会从故事变成可积累的工程知识。

四、横纵交汇洞察

1. 16 天不是突然长出来的能力，而是三条历史路线在同一点相交

回看纵轴，Qwen3.8-Max 的位置由三项早期选择塑造。

第一项是开放生态。2023 年开放 Qwen-7B，让模型长期处在不同硬件、框架和协议的摩擦中；2025 年 Qwen Code 又借 Gemini CLI 快速建立终端入口。今天 Qwen 可以把同一个模型放进自家框架、Claude Code 兼容层和第三方 Agent 中比较，而不是只在封闭产品内观察。

第二项是稀疏计算与长上下文。从 Qwen3 的 MoE，到 Qwen3-Next 的混合注意力，再到 Qwen3.5/3.8 的 100 万 Token，阿里一直在处理“Agent 多走一步就多付一次钱”的约束。2.4 万亿总参数提供容量，950 亿激活参数控制单步计算；这仍然昂贵，却比每轮激活全部参数更适合长链路。

第三项是可执行环境。Qwen3-Coder 的 2 万个并行环境、长程强化学习和 Qwen-AgentWorld，把错误从文本偏好变成可运行反馈。模型今天能够在 16 天里反复修正，不只是因为“更聪明”，也因为过去一年一直在学习如何面对测试失败、工具异常和环境返回值。

横轴上的对手走了不同路径。Anthropic 先把高质量编码判断和权限系统做深，再用多会话编排延长项目；OpenAI 先把并行 Agent、worktree 与跨端监督做成规模化产品；Google 依靠开放 CLI 和庞大工具生态占住入口。Qwen 的独特组合是：开放权重路线加自有云栈，再用一个自我开发的公开项目展示两者如何咬合。

2. 长程 Agent 的核心变量不是记忆长度，而是“可恢复进度”

行业很容易把长程能力归因于 100 万 Token。这个解释只对了一半。上下文窗口保存的是模型此刻能读到多少，项目状态回答的是中断后哪些事实仍然有效。二者不是一回事。

一个 16 天项目必然经历服务重启、上下文压缩、依赖变化、测试波动和策略调整。若系统只靠把旧对话重新喂给模型，它会同时读到正确决定、过期假设和失败尝试。信息更多，未必方向更清楚。

oh-my-cli 中真正关键的设计，是把状态拆成不同层：代码和 Git 保存客观产物；JSONL 会话保存交互；checkpoint 保存恢复位置；运行摘要和 scorecard 保存压缩后的进展；证据归档只带元数据、摘要和内容哈希，便于独立验证；治理平面则保存不应由 Agent 自行修改的规则。这里的目标不是“永远记住”，而是“丢失一部分上下文后仍能继续”。

这也解释了为什么 Claude 的多会话 C 编译器项目、Codex 的 worktree 并行和 Qwen 的单项目长跑会逐渐靠拢。三者表面形态不同，底层都在把智能从一次连续对话迁移到持久工件。未来最重要的 Agent 状态，可能不在模型隐藏层里，而在仓库、测试、任务图和可审计事件流中。

3. 时间越长，模型能力越容易被系统可靠性吞掉

短任务可以用成功率评价，长任务还必须看故障率。假设一个 Agent 每个关键步骤有 99.5% 概率不造成需要回滚的错误，连续 500 步全部无错的概率也只有约 8%。要求模型一路完美，数学上就不现实。

长程系统因此需要把失败当成正常分支：检测异常、限制损失、回滚、总结原因、从检查点继续。阿里过去一年从“多轮强化学习”走到“自进化仓库”，历史路线正好对应这条规律。今天的优势不是 Qwen 不犯错，而是它开始把恢复机制连进模型工作流。

劣势也来自同一历史。Qwen 擅长强调开放、规模和快速迭代，版本推进很快；快速演进会带来模型 ID、协议、提示和框架行为变化。一个跨周任务若在中途遇到模型更新，输出分布可能改变，旧检查点也未必稳定。长程产品需要比聊天产品更严格的版本固定、依赖锁定和重放机制。过去“快发模型”的好决策，到了跨周执行阶段可能变成维护负担。

4. 公开成功轨迹的最大价值，不是证明无人化，而是暴露可研究对象

16 天演示很容易被分成两派：一派把它当成“软件工程师被替代”的证据，另一派把它视为厂商挑选的营销样本。两种判断都太快。

一条公开仓库轨迹至少提供了三个可研究对象。其一是产物：代码质量、测试覆盖、依赖安全和架构一致性可以由第三方审查。其二是过程：提交间隔、问题单、回滚和修复模式可以揭示 Agent 在哪里反复失败。其三是控制系统：预算、权限、恢复和治理文件能够被单独复用。

真正有说服力的下一步，不是再宣布 30 天，而是发布完整运行清单：固定模型版本、总 Token、推理成本、人工介入次数、失败分支数量、回滚次数、测试通过率变化，以及从空目录重放所需脚本。若不同团队能在不同云和不同 Agent 外壳上得到相近结果，Qwen 的领先才会从“首个故事”转成“可复制能力”。

5. 软件组织会从按人分工，转向按证据和权限分工

过去，一个项目把工作分给前端、后端、测试和运维，因为人的专业能力与沟通成本决定组织结构。Agent 大量进入后，新的分工边界可能是：谁可以写，谁可以执行，谁可以批准，谁负责验证，谁保管最终规则。

oh-my-cli 的受保护治理平面已经露出这个形态。Bot 可以发现问题、创建 Issue、在独立 worktree 修改和提交；它不能自行更改最高权限规则，也不能强制删除未合并工作。人不再逐行敲代码，却继续控制目标、权限和验收标准。

这对金融、医疗和关键基础设施尤其重要。机构不会因为 Agent 能连续工作 16 天，就允许它直连生产账户。可审计事件流、确定性命令策略、凭证隔离、人工审批阈值和可恢复工件，才决定它能否从沙箱进入生产。长程能力扩大的是可委托范围，也同步扩大了单次误判的累积半径。

6. 三个未来剧本

最可能的剧本：跨周 Agent 成为“有人值守的后台工程队”。未来 12—18 个月，开发者不会把完整产品交给一个模型后离开，而会同时运行多个隔离任务，让 Agent 做依赖升级、测试补齐、迁移、文档和性能优化。人每天查看一到数次，处理目标冲突与高风险审批。Qwen 的机会来自开放部署和较低推理成本；Claude 与 Codex 继续依靠判断质量和协作界面领先。可观察信号包括：任务成功率是否按周统计、人工介入间隔是否延长、恢复后重复劳动是否下降，以及企业是否开始把 Agent 运行记录纳入软件审计。

最危险的剧本：时长成为新 benchmark，厂商优化“不断线”而不是“做对事”。为了制造更长纪录，系统可能用低价值循环、宽松测试或事后筛选掩盖失败；长期运行还会累积依赖投毒、提示注入、凭证泄露和成本失控。若行业只报道运行天数，不报告预算、人工介入和失败轨迹，16 天会变成新的参数幻觉。警报信号是：公开仓库无法重放；治理规则允许 Agent 自改；评测只给最终分数，不给环境与外壳；项目更新频繁，却没有独立用户采用。

最乐观的剧本：开放轨迹催生长程 Agent 的“持续集成标准”。Qwen 开放权重与完整轨迹后，研究者把任务状态、检查点、证据归档、预算和人工介入统一成可交换格式；同一项目可以在 Qwen、Claude、Codex、Gemini 与小型本地模型之间重放。模型负责提出动作，框架记录过程，验证器决定是否前进。届时，竞争不再是谁能跑一段最漂亮的演示，而是谁在相同预算、相同权限和相同恢复条件下，交付最多可验证进度。可观察信号是第三方复现、跨框架消融、公开成本曲线，以及 Agent 失败数据集开始像代码 benchmark 一样被持续维护。

回到开头那个空目录。16 天后，目录里多了一个能读文件、跑命令、保存会话、限制自己并留下证据的 Agent。这个回环有一点耐人寻味：Qwen3.8-Max 最有价值的产物，并不是又写出一个代码助手，而是写出了一部分让自己可以被长期使用、又不至于完全失控的外壳。

模型在学习工作，系统在学习约束模型。下一轮胜负，很可能由后半句决定。

五、信息来源

内容由AI辅助生成，请谨慎甄别。资讯分享仅供参考，相关观点不代表主观立场，不构成任何形式的投资建议。