Qwen3.6-Plus 基准测试：它正在尝试完成任务，而不仅仅是赢得聊天分数

Source: Dev.to

概览

我在查看 Qwen 3.6‑Plus 基准表时，首先想到的是常见的问题：它比 Qwen 3.5 更好吗，提升了多少？
在阅读了官方发布页面以及阿里巴巴 2026 年 4 月 2 日的公告后，出现了更有意思的答案。Qwen 此次发布并非仅仅为了展示一次温和的聊天改进；它在展示模型一旦真正的任务启动后仍能持续前进。这种转变比页面上的任何单一分数都更为重要。

基准测试分数

这些数值比过去的单函数编码测试更贴近真实的代码仓库工作。模型必须读取文件、理解问题、决定要编辑的内容，并在评估中存活下来。

代理设置

Qwen 公开了评估框架的部分信息：SWE‑Bench 系列使用了内部代理框架，配合 Bash 和文件编辑工具，并且拥有 200 K 上下文窗口。这并不削弱结果；相反它使结果更易于解释。报告的分数反映了在声明的设置下 模型 + 代理循环 的表现，这与开发者实际使用这些系统的方式相吻合。

分数揭示的内容

• 工作流参与度 – 基准测试侧重于持续工作（终端交互、多步骤规划、工具使用），而不是提供单一巧妙答案。
• 多模态能力 – 在 RealWorldQA、OmniDocBench、CC‑OCR 和 AI2D_TEST 上的得分表明模型能够读取凌乱的文档、解析 UI 元素、处理 OCR，并理解图表，将感知反馈回任务循环。
• 选择性优势 – Qwen 3.6‑Plus 并未在所有基准测试中占据优势（例如 MMMU 86.0、SimpleVQA 67.3、NL2Repo 37.9）。其表现曲线可信：在团队优化的领域——代理式编码、工具使用、长时程任务完成以及多模态工作流——表现出显著提升。

用例指南

• 仓库级别的编码代理 – 在代码库中自动化修复错误、重构或添加功能。
• 浏览器或终端自动化 – 导航网页界面、执行命令行工作流，并根据反馈进行恢复。
• 长文档流水线 – 处理大量文档，提取结构化信息，并将其输入下游任务。
• 截图转代码流程 – 将 UI 原型或图表转换为可执行代码。
• 需要持久上下文的系统 – 需要在长时间工作会话中跨多步骤保留推理的场景。

如果你的工作负载主要是短对话、轻量摘要或随意写作，收益可能不太明显，尽管模型整体仍有提升。

实践验证

要在自己的工作负载上测试此说法，请在浏览器中使用 Qwen 3.6‑Plus 进行真实场景的尝试：错误报告、代码仓库、截图、一堆文档或多步骤任务。这正是该发布旨在取胜的地方。

参考文献

• Qwen 3.6‑Plus 发布页面 – 阿里云，2026年4月2日新闻稿。
• 阿里云社区，“Qwen 3.6‑Plus：迈向真实世界的代理”。
• 来源文章：
• 模型页面：
  *
  *