Эра автономных агентов: Обзор Qwen3.8-Max от Alibaba Qwen Team

• Автономная работа более 10 дней над одним проектом
• Интеграция Issue State Machine и CI/CD циклов
• Автоматическая валидация: Build, Unit Test, E2E и Desktop Lifecycle
• Публичный репозиторий: qwen-code-dev-bot/oh-my-cli

Триумф в WWW2025: Победа над человеческими командами

Чтобы доказать превосходство в реальных условиях, Qwen3.8-Max приняла участие в соревновании WWW2025 Multimodal Dialogue Intent Recognition Challenge на платформе Alibaba Cloud Tianchi. В условиях жесткого 24-часового лимита модель соревновалась с 526 профессиональными командами людей.

Решение модели было полностью автономным: она самостоятельно изучила правила и написала код для ансамбля моделей. Система объединила BERT, MacBERT и RoBERTa для анализа текста, а также Qwen2.5-VL-7B с поддержкой Chinese-CLIP для обработки скриншотов. Благодаря взвешенному голосованию (weighted-voting system) и калибровке весов через кросс-валидацию, точность модели выросла с 0.60 до 0.853, что позволило ей обойти 87% участников-людей.

• Победа в WWW2025 Challenge (87% лучших результатов)
• Автономное построение ансамбля (BERT, MacBERT, RoBERTa, Qwen2.5-VL)
• Точность (Accuracy): рост с 0.60 до 0.853 за 45 раундов обучения
• Способность работать с текстом и скриншотами в едином контуре

Бенчмарки и производительность

Qwen3.8-Max доминирует в большинстве ключевых категорий, особенно в задачах агентного поведения и профессионального кодинга. В тестах на кодинг (SWE-bench Pro, FrontierSWE) модель показывает результаты, значительно превосходящие конкурентов уровня GPT-5.6 Sol и Claude Opus 4.8.

В области общих способностей (General Capabilities) модель устанавливает рекорды в таких дисциплинах, как медицина (HealthBench), право (PLawBench) и финансы (PRBench-Finance). Особого внимания заслуживает показатель PaperBench (93.0), что подтверждает исключительную способность к работе с научными текстами.

• Coding: SWE-bench Pro 67.7, FrontierSWE 73.5, PaperBench 93.0 (Top)
• General Agent: CoWorkBench 74.8, WideSearch 81.9 (Top)
• Reasoning: GPQA Diamond 92.6, IFBench 82.8 (Top)
• Professional: PLawBench 73.2, PRBench-Finance 58.3 (Top)

API Pricing и доступность

Несмотря на колоссальный масштаб модели, Alibaba предлагает конкурентоспособную модель оплаты за использование. Особое внимание уделено эффективности кэширования, что критически важно для разработчиков агентов, использующих длинные контексты и повторяющиеся инструкции.

Система поддерживает как неявное кэширование (implicit cache hit), так и явное управление кэшем (explicit cache), что позволяет значительно снизить стоимость при работе с многократными запросами к одним и тем же наборам данных или документам.

• Оптимизированная стоимость для масштабных агентских систем
• Поддержка продвинутого кэширования (Implicit & Explicit)
• Идеально подходит для RAG и длительных сессий

Заключение: Как начать работу

Qwen3.8-Max — это не просто инструмент, это новый тип цифрового сотрудника. Для разработчиков это означает переход от написания промптов к проектированию сложных рабочих процессов, где ИИ берет на себя роль исполнителя, тестировщика и архитектора.

Доступ к модели осуществляется через официальный API Alibaba Cloud. Рекомендуется начинать с тестирования возможностей планирования в задачах с длинным горизонтом, чтобы в полной мере оценить потенциал автономных циклов модели.

• Доступ через API Alibaba Cloud
• Рекомендуется для: Agentic Workflows, Complex Coding, Multimodal RAG
• Поддержка SDK для интеграции в CI/CD

API Pricing — Input: $2 / 1M tokens / Output: $6 / 1M tokens / Context: Explicit cache creation $2.5/1M, explicit cache read $0.17/1M

Sources