Qwen3.6-Plus：阿里的新旗舰模型到底能不能打

我最近在 OpenRouter 上花了不少时间测试 Qwen3.6-Plus，也翻了官方博客、社区讨论和早期基准测试。先说结论：它是目前非西方模型里第一个真正站到 SOTA 第一梯队的，代码和 Agent 能力尤其强。免费版就能用，这本身就挺值得关注。[1][2][3][4]

定位和架构

阿里把 Qwen3.6-Plus 定位为面向”真实世界智能体（real-world agents）”的旗舰模型，重点场景是长上下文、多轮推理、工具调用和编码 Agent。[3]

架构上，它在 Qwen3 的 Transformer 基础上采用了混合设计：线性注意力 + 稀疏 MoE 路由，目的是在保持高性能的同时降低推理成本。[2][5]

相比 3.5 系列，3.6-Plus 明显针对开发者吐槽最多的几个问题做了优化——过度思考、响应慢、不稳定。现在更果断，更省 token，更适合跑生产级的 Agent 管线。[6][1]

主要参数

上下文窗口 1,000,000 tokens，专门为仓库级任务和长文档推理设计。[7][1][3]

最大输出长度：阿里云文档给的是 65,536 tokens。部分第三方平台（如 Puter）给的是 32K，属于平台侧的配置差异。[8][1][7]

推理模式：稳定版默认开启混合推理模式，思维链常开。OpenRouter 上支持通过 reasoning / enable_thinking 参数控制是否输出推理过程。[2][3][7]

多模态方面，稳定版支持文本 + 图像/视频。OpenRouter 上的 qwen/qwen3.6-plus-preview:free 是纯文本版，而 qwen/qwen3.6-plus:free 已经带视觉能力。[4][3][2]

工具调用原生支持 function calling / tool use，官方在大量工具调用和长程规划基准上做了系统评测，目标就是”工具型智能体”。[3][7]

参数规模阿里没有公开精确数字，只说是”frontier-scale”的视觉语言模型。[9][7][3] 已知 Qwen3-32B 基础模型是 32.5B 参数，但官方没有明确说 3.6-Plus 是否基于这一路线。[10][11]

跑分：跟 Claude 和 GPT 比，到底差多少

这是我整理的社区基准数据（数值会随版本更新略有波动）：[12]

几个值得注意的点：

SWE-bench Verified（代码修复、仓库级任务）78.8，跟 Claude Opus 4.6 和 GPT-5 在同一水平线上。[12][5][2] 代码能力的差距已经非常小了。

GPQA Diamond（高难专业问答）90.4，略低于 GPT-5.4 和 Gemini 3.1 Pro，但属于顶级梯队。[12]

MMMU-Pro（多学科多模态理解）78.8，甚至比 Claude Opus 的 77.3 略高。[12][3]

HLE（Humanity’s Last Exam，无工具）28.8，在这项上跟头部模型还有明显差距。但官方给出的 HLE-Verified with tools 成绩处于领先——它的优势在”带工具的长程 Agent 推理”而不是纯知识问答。[3][12]

编程和 Agent 能力

官方把”编码 Agent 能力”列为这次升级的核心卖点，从代码修复到仓库级问题到终端操作，都号称接近或超越行业头部水准。[3]

在多项 Agent 基准（SWE-bench 系列、Terminal-Bench 2.0、Claw-Eval、SkillsBench、NL2Repo、MCPMark 等）上，3.6-Plus 相比 3.5 系列有明显跃升，尤其在长程规划和工具调用稳定性上更接近”拿来就能用”的程度。[13][3]

前端和”vibe coding”方面，官方强调它在 3D 场景、网页和小游戏生成、复杂交互 UI 生成上表现不错，能在高速输出的同时减少幻觉和结构错误。[5][2][3]

社区实测也有些说服力。BridgeMind 用 Qwen3.6-Plus 一次性完成了 React Native App + 数据库迁移 + NestJS API 集成等端到端任务，不只是写几段函数，而是对整个工程链路有综合把控。[14]

实测体验

Qubrid 的早期基准显示，3.6-Plus 的”Consistency”得分 10.0（满分），高于 3.5-Plus 的 9.0 和 GLM 5 Turbo 的 7.9，测试集中实现了 0 flaky tests——对 Agent 场景非常关键。[6]

同一批测试中，3.6-Plus 平均响应时间约 13.9 秒，比 3.5-Plus 的 39.1 秒大幅缩短，比 GLM 5 Turbo 的 17.9 秒也快。而且用的是更少的推理 token 达成同等甚至更好的结果——是”更聪明的推理”而不是”更长的思考”。[6]

BridgeMind 的实测视频报告生成速度约 158 tokens/s，同时通过了 UI/幻觉测试，成功完成”一次性生成完整 React Native App”的挑战。[14]

Reddit 社区里很多人把 Qwen3.6-Plus 的免费版当作构建多智能体系统的首选：1M 上下文、免费额度、工具调用稳定。[15][4] 也有人指出在极端高难长程任务上 Claude/GPT 仍略占优势，但差距已经不大。[13][12]

版本区别和选型建议

三个版本要分清楚：

正式版（Qwen3.6-Plus）：阿里云 Model Studio 上的商业版，1M 上下文，多模态，默认开启思维链推理，面向企业和生产环境。国内计费约 2 人民币/100 万输入 token。[7][3]

Preview 版（qwen/qwen3.6-plus-preview:free）：OpenRouter 等平台提供的早期预览版，纯文本，1M 上下文，输出上限 32K–65K 视平台而定，目前普遍免费。注意：部分站点会收集 prompt 和 completion 用于模型改进。[16][1][8]

OpenRouter 免费版（qwen/qwen3.6-plus:free）：Preview 之后上线的非 preview 免费版，已经带视觉能力，1M 上下文，是更接近官方稳定版的公开入口。[17][4][2]

怎么选：

做编码助手或仓库级重构，优先考虑 3.6-Plus（含免费版）。代码基准接近 Claude Opus / GPT-5 级别，成本低得多。[2][6][12][3]

做多智能体编排和工具链自动化，3.6-Plus 在工具调用稳定性上明显改进，社区证实其在各种框架里行为更稳定，能减少重试和人工看护。[15][14][6][3]

需要 UI 截图转代码、文档图表理解等多模态功能，直接用正式版或 OpenRouter 上带视觉的 qwen/qwen3.6-plus:free。[5][2][3]

对数据隐私敏感的场景（内部源代码、安全审计），Preview 版会记录请求用于训练，建议用企业版或签好数据合规协议后再上生产。可以先在实验阶段用 Preview 做 PoC，再迁移到更封闭的部署方式。[16][7][3]

参考文献

[1] BuildFastWithAI. Qwen 3.6 Plus Preview Review. 链接

[2] OpenRouter. Qwen3.6-Plus Performance. 链接

[3] Alibaba Cloud Blog. Qwen3.6-Plus: Towards Real-World Agents. 链接

[4] Reddit r/LocalLLM. Qwen3.6 compared to the competition. 链接

[5] Kilo AI Leaderboard. 链接

[6] Qubrid. Qwen 3.6 Plus: Early Benchmarks. 链接

[7] iWeaver. Alibaba Qwen3.6-Plus Review. 链接

[8] Puter Developer Docs. Qwen3.6-Plus-Preview. 链接

[9] Qubrid Models. Qwen3.6-Plus. 链接

[10] AtlasCloud. Qwen3-32B Model Info. 链接

[11] Wikipedia. Qwen. 链接

[12] Reddit r/Qwen_AI. Qwen 3.6 Plus compared to Western SOTA. 链接

[13] Jess Leao. When .npmignore is harder than AGI. 链接

[14] YouTube. BridgeMind Qwen3.6-Plus Demo. 链接

[15] Reddit r/AI_Agents. Qwen 3.6 Plus for Autonomous Agents. 链接

[16] DesignForOnline. Qwen3.6-Plus-Preview-Free. 链接

[17] Alibaba Cloud. Qwen3.6-Plus on OpenRouter announcement. 链接