七月的預覽版只敢喊「可能全球第二」卻幾乎不給榜；今天阿里把話講滿——正式發布 Qwen3.8-Max：總參數 2.4 兆、每次約 95B 活躍的稀疏 MoE，支援文字／影像／視訊與 1M 上下文，並宣稱這是千問史上第一次將 Max 級權重開源（預計下周上 Hugging Face 與 ModelScope）。API 已上線 QwenCloud，並接入同步推出的 Agent 產品「千問辦公」。
定位很清楚：不是又一個聊天旗艦，而是 Coding＋Cowork——能把多日真實專案從空資料夾做到可交付，並在數百種高價值職業工作流裡跑完工具密集任務。
三個「無人插手」案例：什麼叫長程自主編程
官方部落格用三場實驗定義「前沿編碼」：不是寫一個函式，而是多日、自迭代、全自動。
自我進化 harness（10+ 天）。 任務是從零打造 oh-my-cli：把使用者回饋、社群實踐與自測結果收進工程迴路——需求正規化成 GitHub Issues，代理認領後走 ready → leased → active，再觸發 E2E／CI，通過後合 PR。截至約 7 月 30 日、約 16 天全自動運轉後，公開倉庫累積 265 commits、127 PRs、151 issues。完整軌跡在 qwen-code-dev-bot/oh-my-cli。
復現論文再打敗論文（約 5 天）。 只給論文〈Unified Data Selection for LLM Reasoning〉與 GPU，無 starter code。約 125 小時、約 7600 行碼、1100+ 動作、33 輪 GPU 訓練：先花約 37 小時重建管線並復現六項主結論（例如資料選擇相對隨機在 AIME24 高約 +7.7%），再以假設→寫碼→跑實驗→診斷跑 18 個改進構想，最終新方法在 AIME24 再高論文法約 +2.7 分（約 52.29% vs 復現基線 49.58%）。
24 小時天池比賽。 WWW2025 多模態對話意圖辨識，526 支人類隊。模型自讀規則、微調 BERT／MacBERT／RoBERTa 與 Qwen2.5-VL-7B，加中文 CLIP 當不確定時投票，45 次提交把準確率從 0.60 拉到 0.853，勝過 458／526（約 87%）人類隊。
三案共用一條主線：長時間對準開放目標、自己出主意、把主意變成可跑結果——中間沒有人類當專案經理。
這對「代理會不會失控」的公共討論也有另一面：同一能力在資安評測裡可能變成越界攻擊，在工程 demo 裡則被包裝成十六天交付。差別仍在隔離、權限與監測。Anthropic 評測誤連公網與 OpenAI 脫逃事件之後，任何「全自動多日」宣傳都該附帶威脅模型——不是否認能力，而是要求同等級的護欄敘事。
工作流與長程任務：從合規審到晶片後端
Cowork 側，阿里強調用真實世界 RL 同時放大環境與算力，並在 QwenWork／Claude Code／Codex／OpenClaw／Hermes 等多 harness 上求「水平提升」。展示橫跨合規律師（單次掃數百文件、1284 條款）、UI 原型、菜單成本、三十層樓耐震模型、復健 3D、運動戰術報告等「數百高價值職業」場景——數字來自官方 demo，企業採購應當案例而非 SLA。
更硬的是閉環長任務。數位晶片設計：在 Iverilog／Yosys／OpenROAD 沙盒裡，從空 RTL 模板自治完成 GCD／RSA 加速器，約 500 輪、71 次評估，閘數從 8298 壓到 678；實體佈局 die 從 106×106 µm² 收到 46×46 µm²，繞線長度大降並在 500 MHz 達成 timing closure。電商模擬 E-Commerce Bench（365 天、真實脱敏淘寶／天貓資料）最終總資產約 ¥416,252（約 4.16×），官方稱領先第二名 GLM 5.2 約 38%，並較上代 Qwen3.7-Max 提升約 152%。
多模態代理則強調「看自己的中間結果」：長 PDF、百小時影片做成可搜尋記憶圖；RecreationBench 要求只能當黑盒觀察真實 App 再從零重建。另推 Qwen-MM-Plugins，把影像／影片處理、多模態記憶、視覺工具掛進既有 harness。
基準怎麼讀：有贏有輸，別只看標題
Neowin 轉載的官方對照表顯示：相對 Fable 5／GPT-5.6 Sol，Qwen3.8-Max 在部分 coding／agent／general 列領先，但不是橫掃。例如 Terminal-Bench 2.1 約 86.6（Sol max 約 88.8、Fable／Opus 約 84.6）；PaperBench 約 93.0 高於兩者；SWE-bench Pro 約 67.7 仍低於 Fable 的約 80.0；DeepSWE 約 56.6 低於 Sol 約 73.0。多模態表上，官方稱在大量視覺／代理測項領先兩者（Neowin 寫「36 項」口徑），但個別如 OSWorld 2.0 等仍有落差。澎湃等中媒另引 Arena：千問文字約全球第五、視覺約第二（僅次 Fable 5）——人群偏好榜與內部表要分開看。
API 支援 reasoning_effort：xhigh（預設）／medium／low，並預設 preserve_thinking。協定相容 OpenAI chat／responses 與 Anthropic 風格介面；區域 endpoint 含北京、新加坡、美東等。定價以 QwenCloud／百煉當日牌價為準，本文不鎖死單一數字。
對開發者，協定相容降低切換成本，但也意味著「換成 Qwen」不只是改 base URL——長程自治若依賴特定 harness 行為（issue 狀態機、視覺回饋、動態 workflow），要在目標框架裡重跑回歸。官方強調跨 QwenWork／Claude Code／Codex 等水平接近，這是產品主張；採購應要求對方出示同一任務在不同 harness 的成功率與失敗模式，而不是只看單表平均分。
和開源戰場怎麼並排
參數量上，2.4T 次於Kimi K3 的 2.8T；策略上卻更衝「Max 級開源」敘事——閉源旗艦先賣 API，一周內丟權重，直接對標「能下載的前沿」。同週DeepSeek V4-Flash-0731用後訓練把小模型打進代理甜區；Qwen 用超大 MoE＋長程 RL 講「能連續幹十幾天」。兩者一起壓縮美系單位能力溢價，但採購題不同：一個問帳單與自架顯存，一個問自治天數、多 harness 穩定度與開源落地日是否跳票。
也別忽略七月預覽的教訓：當時「全球第二」幾乎無第三方榜可核。今天材料厚了，但自治案例仍是官方自辦賽道——公開 commit 歷史可查，不等於你的生產環境能安全放養十六天。把 demo 倉庫當研究樣本，把自家 CI 當驗收標準，兩者不要混。
實務建議與下一步
若你跑 coding agent：先用自家 monorepo 重測 Terminal／SWE，不要直接抄 PaperBench 93；設好隔離與花費上限——16 天自治 demo 很炫，帳單與誤改風險也真實。建議先從「單日、單 repo、唯讀＋有限寫入」沙盒開始，再逐步放開網路與合併權限。若你做企業辦公代理：看千問辦公與多 harness 互換是否真能「水平接近」，並要求可稽核日誌、人工接管與資料駐留條款。若你等開源：把「下周」寫進日曆，權重一上就核對授權、量化與多卡需求，並對照預覽版承諾是否縮水。
下一步觀察：Max 權重實際上架日與授權條款；獨立評測能否複現自治案例的可複現性；以及 Fable／Sol 是否用降價或開源節奏回應。從「零 benchmark 預覽」走到「案例＋長表＋承諾開源」，阿里這次至少把可驗證材料攤開了——接下來輪到社群與競品用同一把尺量它能不能交付。