阿里发布Qwen3.8-Max，自评超GPT-5.6

阿里巴巴發布新旗艦模型 Qwen3.8-Max，官方自評稱電腦操作測試贏過 GPT-5.6 Sol Max 與 Fable 5，但跑分未經第三方驗證，開源授權條款也還沒公布。真正讓對手緊張的，是它把每百萬 token 的合計成本壓到 Claude Opus 5 的三分之一以下。

（前情提要：Anthropic 控阿里巴巴「非法竊取」Claude：2880 萬次對話、近 2.5 萬假帳號，蒸餾戰火燒進美國議院）

（背景補充：Kimi K3 登頂前端程式碼榜，真人盲測擊敗 Claude Fable 5）

阿里巴巴旗下 Qwen 團隊昨夜發布新一代旗艦模型 Qwen3.8-Max，在官方發布貼文中宣稱，這款模型在 OSWorld-Verified（電腦操作代理能力測試，衡量模型能不能像人一樣操作桌面軟體）拿下 86.1 分，高於 GPT-5.6 Sol Max 的 83.2 分、Fable 5 的 85.0 分，也把 Gemini 3.1 Pro 的 76.2 分甩開一大截。

86.1 vs 83.2，阿里巴巴贏了三分。但這份成績單目前只有一個裁判，阿里巴巴自己。

Meet Qwen3.8-Max — our most capable model to date. Next week, the open weights of Qwen3.8-Max will be released, and Qwen3.8-27B is also going open-weights to meet you all! Qwen3.8-Max, a new bar for coding and cowork at 2.4T parameters: – Autonomous coding: 10+ days of… pic.twitter.com/e3YFj2hqcT — Qwen (@Alibaba_Qwen) August 3, 2026 一張自己打出來的成績單 過去一年，主流大型語言模型的競爭路線其實愈來愈分工。OpenAI 的 GPT 系列主攻通用推理與企業生產力；Anthropic 的 Claude 系列專注寫程式與可靠的長文本推理；Google 的 Gemini 押注多模態與網頁原生工作流；月之暗面（Moonshot AI）的 Kimi K3 則靠「前沿效能＋開源權重」硬是插了一腳。Qwen3.8-Max 想做的，是把這幾條路線的長處揉進同一個模型，瞄準的不是聊天助理，而是能連續作業好幾天的「自主員工」。

除了 OSWorld-Verified，Qwen 團隊公布的評測表還列出 PaperBench 93.0 分（衡量重現學術論文實驗的能力）、TerminalBench 2.1 拿下 86.6 分、Vision2Web 69.0 分、LVBench 81.8 分、ERQA 77.8 分，數字相當漂亮。問題是，這些分數全部出自阿里巴巴官方自評，尚未經過任何第三方機構獨立覆核，讀者最好把它們當成廠商的自我報告，而不是客觀成績單。

阿里巴巴官方也宣稱，這套模型特別適合長時間自主寫程式、操作桌面軟體完成重複性業務流程、協助研究機構重現實驗，以及在製造、物流等場景把視覺輸入持續餵回規劃迴圈。換句話說，賣點是「能不吃不喝連續上班」，不是「聊天聊得比較聰明」。

Qwen3.8-Max 是一個混合專家架構（MoE）模型，總參數量達 2.4 兆，但推論時只會實際喚醒約 950 億參數。簡單來說就是，模型內部養了一整支專家團隊，但每次回答問題只點名其中一小群人出勤，不用整團動員，藉此在維持能力的同時把運算成本壓低。它建立在 Qwen3.5 架構之上，上下文視窗一口氣拉到 100 萬 token，等於能一次讀完一整本書再回答問題。

定價才是這次真正讓對手緊張的地方。QwenCloud 定價頁列出，海外市場每百萬 token 輸入 2 美元、輸出 6 美元，中國境內則是人民幣 12 元與 36 元，命中隱式快取還能降到 1.5 元。換算下來，Qwen3.8-Max 輸入輸出合計每百萬 token 只要 8 美元，不到 Claude Opus 5（合計 30 美元）的三分之一，也不到 GPT-5.6 Sol 標準模式（合計 35 美元）的四分之一。跑分打平，價格砍半再砍半，這才是阿里巴巴真正想秀的肌肉。

推論成本之所以敏感，是因為自主代理耗費的 token 量遠超過一般聊天。多輪規劃、反覆自我修正的長流程任務，單一工作就可能吃掉數百萬 token；企業一旦同時跑上百、上千個代理，推論費用很快變成營運成本裡最大的一塊。這股壓力已經外溢：OpenAI 上週才調降 GPT-5.6 中低階模型（Terra、Luna）的 API 價格，降幅分別達 20% 與 80%。Qwen3.8-Max 的低價，某種程度是把這場價格戰又往前推了一把。

沒有一場全勝 把評測表攤開看完整版，會發現 Qwen3.8-Max 並非無所不能。在專業軟體工程測試 SWE-Pro 上，拿下最高分的是 OpenAI 的模型；在部分軟體工程評測與 Agents’ Last Exam（測試模型能不能長時間自主完成任務）上，Anthropic 的 Opus 4.8 仍守住領先位置。阿里巴巴官方公布的比較表其實也承認，Qwen3.8-Max 提供的是「均衡」而非「全面最強」的表現組合，這句話本身，已經比多數廠商的公關稿誠實。

更值得留意的是，阿里巴巴宣稱 Qwen3.8-Max 能自主完成長達 10 天以上的軟體專案、重現動輒數千行程式碼的研究論文、進行晶片設計的迭代最佳化，還能靠多模態回饋持續修正計畫。這些示範同樣全部出自公司內部，尚未經過獨立驗證，聽起來像是能力越強，宣稱的規模也跟著越誇張。

開源的但書 阿里巴巴同時預告，下週將在 Hugging Face 與 ModelScope 開源 Qwen3.8-Max 權重，並同步發布較小的 Qwen3.8-...