2026年8月7日，一份第三方评测把阿里的新模型排到了世界第一。Qwen3.8 Max 在 Artificial Analysis 的「智能体指数」上登顶综合第一，这是中国模型第一次在「让AI自己干活」这项能力上赢过美国同行。排在它后面的，是 OpenAI 的 GPT-5.6 Sol 和 Anthropic 的 Claude Fable 5。
消息在 Hacker News 上发酵得很快。上线几小时，帖子攒了 391 分、251 条评论。那是全球最挑剔的一批工程师聚集的地方，评论区最高赞的一句话是：「中国已经追上了，这就是这条新闻的核心。」
这届评测，换了考题
先说这个榜单是谁。Artificial Analysis 是一家独立评测机构，不卖模型，只把各家模型拉到同一套环境里跑分。过去几年，它测的是知识问答、数学推理这类「考试题」——你问我答，看谁答得对。
今年 6 月，它把考题换了。新指数测的是「智能体」能力：给模型一台真实电脑，让它自己上网查资料、自己写代码、自己操作软件，把一个多步骤任务从头到尾做完。任务覆盖 44 个职业、9 大行业，模型干完活，机器判卷老师检查结果对不对。这个分数由两项核心评测加权而来：真实工作任务，和银行场景的多步工具操作。
图：Artificial Analysis 智能体指数榜单（2026 年 8 月 7 日截图）。来源：artificialanalysis.ai
Qwen3.8 Max 拿了 58.4 分，GPT-5.6 Sol 是 57.8 分，Claude Fable 5 是 56.6 分。榜首位置并不稳——它和 Anthropic 另一款旗舰 Opus 5 的差距不到 1 分，这几天反复易手。工程上的读法是：头部模型的干活能力已经贴脸，谁都不敢说稳坐第一。
单点登顶之外，榜单上是一整排中国名字。前五名里中国模型占了两席，前十三名里占了四席——除了阿里的 Qwen，还有月之暗面的 Kimi、DeepSeek 和智谱的 GLM。两三年前，这类榜单的头部还是清一色的美国公司。
以前比谁能答对题，现在比谁真能把活干完。答题厉害，不一定会干活；会干活，说明知识真的用起来了。
会聊天和会干活，差在哪
差别在三个地方。
第一，多步规划。聊天是一次回答，干活是一串动作。就像给实习生派活：查三个航班比价，选最便宜的，行程发进邮箱，再订好酒店——每一步都要记得住大目标。普通模型做着做着就忘了最初要干嘛。
第二，工具调用。实习生干活要自己查资料、打电话、开软件，AI 干活同理：自己开浏览器、敲命令行、操作表格。Qwen3.8 Max 在「操作电脑」这项评测里拿了 86.1 分，超过 GPT-5.6 Sol 的 83.2 分。它换了多种编程助手环境，表现也基本一致——不挑工具，说明能力长在模型身上，而不是长在某套软件里。
图：Qwen3.8-Max 在多种工作环境下的表现对比。来源：qwen.ai 官方博客
第三，边干边检查。干完一步回头看：界面歪了自己改，电视方向不对自己转。这种「眼睛盯着自己干活」的反馈回路，是这一代模型的新东西，也是它能连续干几小时不出轨的原因。
它能干到什么程度
阿里公布了几组实测数据，笔者挑三组说。
电商运营模拟跑了一年：模型拿着 10 万块本金同时经营多家网店，面对近 600 家供应商，以及藏在里面的 152 家骗子公司，还要应付台风断货、大促爆单。一年下来期末余额 41.6 万，翻了 4.16 倍——比第二名高 38%，比上一代旗舰高 152%。
芯片设计：给它一个加密芯片的初始电路，8298 个逻辑门。它自己跑了 500 轮「改代码—仿真—查错」，最后压到 678 个门，芯片面积缩小 81%。
竞赛：一场有 526 支人类队伍参加的算法比赛，它 24 小时独立参赛，击败 87% 的人类队伍。读规则、调模型、决定提交 45 次，全是自己来。
图：Qwen3.8-Max 官方性能对比图（与 GPT-5.6 Sol、Claude Opus 4.8 等对比）。来源：qwen.ai 官方博客
这些数字是阿里自己公布的，第三方还没全量复测。笔者按惯例打个折看：方向可信，幅度待验证。
能干，但话痨
登顶不便宜。评测机构的数据显示，Qwen3.8 Max 干同样的活平均要 64 轮交互，上一代只要 14 轮；输入量涨了约 15 倍，输出 token 达到 1.45 亿。干活更扎实的代价，是更啰嗦、更费算力。
它的速度也是中游：每秒 67 个 token，同场最快的 Gemini 3.6 Flash 是 213 个。跑完一整轮智能体评测，烧掉了 1741 美元的算力账单。
能干和划算之间，还有一段距离。但价格端，它输入每百万 token 收 2 美元、输出 6 美元，比同档美国模型便宜；阿里还宣布下周开放权重——Max 级旗舰第一次开源。开源意味着任何公司都能拿去部署，价格还会被打下来。
评论区在吵什么
榜单头部分数聚拢，评论区吵起来了。一派认为这是「蒸馏」的证据：分数挤在一起，是因为小模型在偷师大模型的输出。也有人反驳：拿别人的输出去训练并不违法，人类学习不也是这么来的。
也有工程师晒出真实体验：花 15 美元充了 DeepSeek，几个复杂项目做完，回头再看自己每月 200 美元的 OpenAI 订阅，直呼后悔。个人感受不能当证据，但这类声音越来越多，本身就在改变市场预期。
另一条线是法律争议。有评论说，某家美国大厂此前认罚但没有认罪，法律上这件事仍算 theft——「偷来的东西，再偷一遍算不算偷」。这个问题没有答案，笔者不站队。还有人认为分数聚拢说明大模型能力快见顶了。见顶与否，要看榜单下次改版把考题出到多难。
普通人的 AI，要换用法了
这一轮竞争，跟你有关的部分不在榜单上。
过去两年，AI 给你的是答案：写一段文案、答一道题。现在开始给你结果：扔给它一堆报销单，它整理成表格发你邮箱；说一句要去杭州出差，它自己查航班、比价、下单。这些能力装进手机 App，只是时间问题。
榜单会继续波动。方向已经明确：AI 的下一个时代，属于能把活干完的模型。
参考链接：
- Artificial Analysis: Agentic Index 榜单
- HN 讨论 (item?id=49200652)
- 阿里云/Qwen 官方博客
- MarkTechPost 发布报道
- VentureBeat 评测报道
