7月19日，阿里千问在X上发了一条推文。

「Qwen3.8即将推出并开源权重，凭借庞大的2.4T参数，我们相信它是当今最强大的模型之一，仅次于Fable 5」。

一句话，两个信息：第一，2.4万亿参数；第二，全球第二。但你翻遍这条推文的评论区、Qwen的GitHub仓库、官方博客、阿里云开发者社区，找不到任何一张benchmark对比图。没有MMLU分数，没有SWE-bench排名，没有Arena Elo，什么都没有。

一个号称「仅次于Fable 5」的模型，却没有公开任何性能数据。这就很有意思了，所以我们干了件最简单的事：自己测。

官方说了什么？

先看看阿里官方到底公布了哪些信息。

在阿里云开发者社区的文章里，Qwen3.8被描述为一款「2.4T参数级全模态旗舰预览模型」，原生支持文本、图像、视频、文档处理，128K标准上下文窗口，可拓展至1M token。相比前代Qwen3.7-Max，「实现全方位跨越式升级」。

听起来很美好，但仔细读完整篇文章，你会发现一个规律：所有的性能描述都是定性的，没有一个是定量的。

「综合编码实力远超前代版本，达到行业顶尖水准」，具体在哪个benchmark上超了多少？没说。

「长周期智能体自治能力大幅强化」，跟谁比？强了多少？没说。

「综合实力比肩全球前沿顶级AI模型」，哪个模型？差多少？还是没说。

整篇文章最精确的数字，是定价：日间1折，夜间0.2折。这不是技术发布，这是营销文案。

阿里自己也说了，这是个预览版，模型「将以天为单位快速进化」，翻译成人话就是：后训练还没做完。

所以核心问题就变成了：这个没做完的预览版，到底能用吗？既然官方不给数据，我们自己测。

我们测了什么

我们设计了5项测试，按场景分类：

01-03：编码与Agent核心能力，验证官方主打的强项。04：3D浮岛创意项目，用GPT-5.6和Kimi K3的同一道题，原题复现，看编码能力的天花板。05：深度分析写作，看看非编码能力到底是不是短板。

测试平台是Qoder，模型版本Qwen3.8-Max-Preview。所有测试都是首轮结果直接记录，不修不改。

基础编码：够硬

第一道题是LRU Cache，用Python实现，要求O(1)时间复杂度，附带5个测试用例。

Qwen3.8选了哈希表加双向链表的组合，技术选型没有问题。代码直接复制到本地就能跑，5个测试用例全部通过。数据结构严密，边界处理也到位，比如key不存在时返回-1。对于基础算法题，没什么好说的，过了就是过了。

全栈开发：14个文件，一把跑通

第二道题是完整Todo应用，前端React加TypeScript，后端Flask，前后端对接完整，再加启动说明，一次性给出所有文件。

Qwen3.8生成了14个文件：11个前端组件加配置，2个后端文件，1个README。npm install之后前端正常启动，Flask后端也跑起来了，前后端对接没有问题。

UI这块，说实话比预期的好。简洁的现代风格，鼠标悬停的过渡动画做得挺到位，筛选功能的交互逻辑也正确：全部、已完成、未完成三个Tab切换流畅。

有个细节，前代Qwen3.7系列在HN上被用户评价为「完全不可用」，理由是「偏离轨道、死循环、无法调试」。从3.7到3.8，至少在Todo这种中等复杂度的全栈项目上，进步是肉眼可见的。

Agent任务：Cowork确实是真本事

第三道题是官方最引以为傲的Cowork场景，给Qwen3.8一个真实的GitHub仓库链接，让它先分析结构，再找3个bug，最后给出修复方案。

我给的仓库是GangBeng，一个相对小众的Python做的拼豆网站项目。

第一步分析仓库结构，模型正确识别了项目的主入口、核心模块、配置文件和依赖关系，没有胡编。第二步找bug，提了3个问题：一个资源泄漏，一个异常处理缺失，一个类型推断问题。逐个验证了一下，都是真实存在的。

然后我让它把仓库克隆到本地，按方案修复bug。它完成了，修复后的代码能成功运行。

结合起来看，Qwen3.8在编码和Agent任务上的表现是扎实的。基础算法能过，全栈项目能跑，Agent也能多步执行。至少在纯编码场景下，「仅次于Fable 5」的差距可能没有想象中那么大。但真正的好戏，在下一道题。

3D浮岛：翻得很彻底

这是文章最核心的一个对比。

两周前我们测GPT-5.6的时候，用了一个3D浮岛创意作品集的Prompt。完整的技术栈：React加Three.js（React Three Fiber），要求程序化生成浮岛、滚动驱动相机叙事、Bloom后处理、交互物件、性能优化，难度标签是四星。

GPT-5.6 Sol当时的成绩：功能完整度18/20，大部分Prompt要求都实现了，甚至自动加了背景虚化这种没要求的细节。GPT-5.6 Luna虽然最便宜，至少逻辑是对的，转场也还在。GPT-5.5虽然颜色审美一言难尽，但镜头推拉和物件交互都能正常运作。

甚至在后续给Kimi K3的时候完成的比GPT要更好。

同一道题，同样的Prompt，给了Qwen3.8。

跑起来了，npm install没报错，npm start也启动了。岛确实浮在空中，有几棵树，有些草，有个岛的模样，静态场景还算能看。

但到此为止。

四个滚动章节？没有镜头变化。相机只是在原地不动，你滚你的，它看它的。展示物件倒是摆了三四个，但鼠标悬停不发光，点击不拉近视角，emissive增强完全没生效。Bloom后处理在哪里也不知道。萤火虫粒子没有，云雾淡出也没有。

测试过这个Prompt的6个模型里（GPT-5.5加5.6三个变体，Kimi K3，Qwen3.8），Qwen3.8的成品是最差的一个。这不是「审美不好」的问题，是逻辑都没有跑通。GPT-5.6 Luna再简陋，至少把滚动驱动的框架搭出来了，物件能交互，相机能动。Qwen3.8只完成了3D场景的静态渲染部分，剩下所有涉及动效和交互的需求，基本没做。

这完美解释了为什么阿里自己不提非编码能力。3D场景的动效和交互需要的不是纯粹的代码逻辑，而是对视觉效果、用户体验、设计品味的综合判断。这部分能力，恰好是后训练还没覆盖到的。

非编码写作：意外的亮点

但最后一题，画风突变。

我让Qwen3.8写一篇1500字以上的分析文章，主题是2026年上半年中国AI大模型密集发布潮。同样的Prompt，之前让GPT-5.6跑过，结果是一篇典型AI文：每段只有一句话，满篇「不是而是」句式，读到一半就想关。

Qwen3.8这篇，不能说惊为天人，但至少有模有样。段落结构合理，论证有层次，从资本驱动、技术追赶、市场需求三个角度拆解了密集发布潮的原因。引用的数据大多是真实的（抽查了两个数据点，都能搜到原文）。最关键的是，没有那种「值得注意的是」「不可否认」「综上所述」的AI套话味。

分析深度打个4分，比GPT强，比Fable 5还是有差距，但考虑到这是以编码为主打场景的模型，文章质量已经超出了预期。

这个结果其实有点意外，非编码能力是Qwen3.8明确承认的弱项，但具体到中文长文写作这个子场景，表现反而不错。可能的原因：中文写作的训练数据本身就有优势，而且这个任务不涉及复杂的逻辑推理或多模态处理。

所以Qwen3.8到底排第几？

回到文章标题的问题。要给出一个诚实的排名，得分场景来看。

纯编码场景下，Qwen3.8跟Kimi K3同一梯队，跟Fable 5的差距在10几个百分点左右，属于「同一级别但略弱」的范畴。考虑到当前预览版近乎免费的定价，性价比极高。如果你的工作流以写代码为主，它完全够用。

Agent任务上，Qwen3.8的表现甚至可能是这个价位上最好的选择。我们的实测中，Cowork场景的多步自主执行确实靠谱，从分析仓库到修复bug全程没有断链。

但如果你需要创意编程、3D可视化、前端动效这类编码加审美的复合型任务，现阶段Qwen3.8还差得远。不是参数不够，是后训练还没做完。你用它能搭出一个功能完整的全栈应用，但不要指望它能生成一个让你「卧槽」的3D场景。

至于「仅次于Fable 5」这个说法，在编码维度上基本站得住，但在全面评测的场景下，水分不小。没有公开的benchmark数据、没有技术报告、没有模型卡，只靠一条推文和一篇营销文案立Flag，这种发布方式本身就说明：阿里自己也知道，东西还没做完。

正式版预计一个月后发布，届时会开源。如果后训练能补上非编码能力这块短板，定价保持目前策略，Qwen3.8确实有机会成为Fable 5之外最实用的选择。

但不是现在。

这件事还有一层更大的背景，就在Qwen3.8发布的同一周，Kimi K3（2.8T）和DeepSeek V4也相继亮相。三天三连发，全部逼近或突破2万亿参数。

中国模型在参数规模上已经不输硅谷，性能差距收窄到个位数百分点。但Qwen3.8这次「裸奔式」的发布，有参数没数据，有口号没证据，暴露了一个问题：造出大模型的能力是有了，但把模型打磨到能拿上台面接受公开审视的能力，还在路上。

预览版也好，限时1折也好，本质上是一次大规模公测，阿里需要用户反馈来完成最后那一轮打磨。

而我们这些用户，就是打磨过程中的小白鼠。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给个星标⭐～

谢谢你看这篇文章，我们，下次再见。

>/ 作者：高晓阳