铃阅时讯
❌

普通视图

豆包 2.1 Pro:属于普通人的代码能力

2026年6月24日 23:24

原创 刘飞 2026-06-24 23:24 浙江

写代码距离我们不遥远。

这两年我用 AI 写代码,心态上其实一直有点跌宕起伏。

最开始看到一句话的指挥就可以生成还比较像样的结果,会叫人特别兴奋。Cursor、Claude Code、Codex 这些工具出来之后,也在尝试地做一些东西。

不过一段时间后,兴奋感会下降。因为在很多细节的地方,如果不是自己手搓的话,依然会面临想改但无从下手的时刻。尤其是在遇到疑难杂症 bug 的时候,代码不是自己写的,改起来会非常痛苦。常常是花一两天时间把基础框架都写好了,但是要花两个星期去优化细节和修改 bug。

再回头看,当然还是一直有兴奋感的。像我自己也做了两个自己用起来挺开心的 APP。

然而我一直觉得,当 coding 的门槛不断降低之后,它的意义不在于代替程序员写代码,或者让独立开发者成本更低的开发产品,而是对于很多愿意动手的人来说,可以自己通过 coding 解决很多个性化的问题。

就像是手机刚出现的时候,大家都会觉得只有做生意的人才需要用手机。等到手机足够普及、大家也都在用手机通话和发短信之后,大家又会觉得,只有专业的媒体人才需要用手机创作内容。而很快,大家就都开始发朋友圈、发微博、发小红书了。

写代码这件事也在经历类似的变化。

过去代码是一种职业技能,而现在模型能力以及围绕模型能力搭建的产品体验,可以让代码变成普通人能调用的能力。当我们使用这个模型,做一些轻量的脚本和程序的时候,并不是要把它们正式发布或者上线,而是就是属于自己的一个小工具、小网页。

在之前,能够满足这样基础使用体验的模型,基本都是海外的。现在,豆包 2.1 Pro 真的达到了一个阈值:可以放心给大家推荐,值得每个人都试用一下了。

按照字节跳动 Seed 团队公开发布的信息,Seed 2.1 Pro 这次重点强化的就是 Coding Agent 的端到端交付能力,也就是从需求理解、功能实现、Bug 修复、运行环境搭建到结果验证的完整链路,而不是只看一段代码能不能写对。

当然跟海外最强的模型比还有一定差距,但是它真正进入了一个可以认真比较的阶段,上了牌桌了。

再加上火山引擎公开的价格是每百万 Tokens 输入 6 元、输出 30 元、缓存命中 1.2 元,官方称综合使用成本较 Claude Opus 4.6 降低近 80%,这就让它不只是一个能跑分的模型,而开始变成一个普通用户和开发者都可以、也大概率会高频尝试的 Coding 工具。

我今天随手做了几个小玩具,大家可以感受一下。

我是在 TRAE Work 上试用的。

1

先讲一个比较好玩的:半拿铁歇后语扭蛋机。

这个需求说起来很简单。我想做一个网页扭蛋机,每次点击按钮之后,掉出一个歇后语。歇后语最需要是半拿铁节目里常出现的那些歇后语。

做出来的效果大概是这样的。

第一版出来之后,是一个霓虹赛博风的娃娃机。深紫色背景、粉色机器、霓虹灯边框、金币雨、粒子爆炸,很热闹。不过说实话,还是有点丑的。

所以我让他改了一个版本,整体上更加素雅。

它变成了一个日式ガチャガチャ风格的拟物扭蛋机。背景从深紫霓虹改成米灰色渐变,机器主体是奶白色塑料质感,玻璃球罩里堆着马卡龙色扭蛋,投币口有金属凹槽,旋钮点击时会真实旋转,扭蛋掉到取物口时有弹性回弹。

这个当然也有优化空间,但是比刚才的版本来说,要好看太太太太多了。

这个过程里面,如果只是简单跟它说,好看一点,效果其实并不好,需要详细跟它说怎么改。

所以这就要求,当我们想要做一个东西出来的时候,内心里得有一个大概的「画面」。这件事特别关键。

而 AI coding 的模型的意义就在于把这些画面实现出来。现在我们不需要再用复杂的方式,还要找设计师和程序员去完成。

2

第二个例子是:智能文件整理工具。

这个需求想必很多朋友都有。

我自己的电脑里总有一个特别混乱的下载文件夹。里面有 PDF、截图、录音、视频、压缩包、合同、发票、临时文件、播客素材。理论上可以手动整理,每次手动整理都会非常烦躁,懒得整理。每次系统空间不足了,得花大半天时间去折腾。这个文件夹可以称之为信息沼泽。

我跟豆包2.1 Pro 说的是:扫描一个文件夹,自动识别里面的文档、图片、音频、视频、压缩包,但不只是按后缀名分,而是尽量读取文件名、文件类型、路径、元数据、文档内容,判断它更像播客资料、商务合同、发票票据、图片素材、临时下载,还是可删除大文件。最后用一个视觉清晰漂亮的页面展示出来。

当然,只说这个需求的话,大家可能会提到有一些空间整理的软件了。但是这里我可以给出非常个性化的要求,比如像刚刚提到的,对音频的处理、对播客素材的处理,我会给的更细。肯定不会有人做专门给播客主播的整理软件的。

每个人的文件夹混乱方式不同,每个人的整理规则也不同。

豆包 2.1 Pro 的实现方式是多层检测。

它不只是看后缀名,而是读取文件头 16 字节做 Magic Bytes 检测,用来识别 JPG、PNG、GIF、ZIP、RAR、7Z、PDF 等真实文件类型;再结合浏览器 File API 的 MIME 类型,判断 audio、video、image、application 这些大类;然后再根据后缀名、文件名关键词、所在路径、文档内容前 4KB 做进一步判断。

分类上,它做了一个加权评分机制。比如文件名里有“合同”“协议”“甲方”“乙方”,就提高商务合同分类的分数;内容里出现“增值税”“发票”“报销”,就提高发票票据分类的分数;路径在“下载”“临时”“缓存”里,就提高临时下载的分数;超过 100MB 的大文件,又会进入可删除大文件的判断。

页面上,它不是给一个简单列表,而是做了统计面板、分类图表、筛选标签、搜索框、排序功能、文件预览和报告导出。点击某个文件,可以看到大小、类型、修改时间、分类标签,以及分类匹配分数。图片还能直接预览。所有分析都在浏览器网页里本地进行,不需要把文件上传到服务器,这一点也很重要。

像截图里这些功能,都不是根据我给出对非常详细的页面设计要求而做出来的,而是在我表达的要求相对清晰的情况下,它自动理解识别并且设计出来的。

并且,这里面的每个模块我都可以针对性的再做调整。

顺便说一句,这个动画效果还挺解压的。

3

接下来我做了一个简单的互动纪录片式的网页 demo,用来呈现诺基亚从崛起到衰落的过程。

是一个横向滚动的长页面。时间从 1992 年到 2016 年,每个阶段要有关键产品、市场份额、人物、战略决策。重大节点,比如 iPhone 发布、Symbian 衰落、Elop 的「燃烧的平台」、微软收购,都要有强视觉反馈。

可以快速生成这样一个网页,不管是自己学习了解,还是用来教学和分享,都远比简单的思维导图有效果得多。

长远看,在表达呈现上的方式都可以变得更加多样,不管是个人网站,还是某个主题的宣传页面,都有更多可能性了。

接下来我尝试了一下,做一个动态播客播放页面。

我给的提示词是这样的:

我想做一个 HTML、CSS、JavaScript 的播客动态封面 demo。用户上传 mp3 或 wav,播放后页面根据音量生成动态波形、粒子和背景节奏。中间保留节目标题和封面区域。画面要像高级播客 App 的动态封面,不要像普通音乐播放器。还要支持播放、暂停、进度条、音量变化实时响应。

第一版是紫粉渐变的深色主题。它用了三层 Canvas:背景光球、粒子网络、封面底部波形。音频处理用 Web Audio API 做频谱分析,也实现了播放、暂停、进度条、音量滑块、键盘快捷键和触控操作。功能上,它已经比较完整。还是挺超预期的。

不过还是觉得这个霓虹的效果没有那么理想,所以做了一些调整。

反馈说要 Apple 的设计风格,拟物的效果。就变成了这样的,一下就觉得舒服多了。有一些细节还需要调,不过就两次操作得到这样的一个网页程序,已经非常超预期了。

4

前面说的这些主要以炫技或者测验为主,接下来做的这个是对我来说非常重要的生产力:半拿铁·周刊选题系统。

这是我跟搭档肖磊在做的周更(有概率)节目。为了做这个节目,就需要经常找各种各样的新闻。以前主要靠人肉,重复又耗时。

所以我其实有很多个选题系统,这次我也用豆包测试了一下,完成度非常高。

提示词的一部分是这样的:

我想做一个选题准备系统。它要维护一批媒体来源,自动抓取最近一到两周的新闻,做历史去重,清洗掉低质量内容,再把同一事件的多篇报道聚合起来,最后按照半拿铁的选题标准输出 10 条推荐选题和 30 条备选选题。还要生成 Markdown 报告、全量新闻索引和机器可读 JSON。

这个任务的确就复杂多了,这不是一个单文件页面,而是一套脚本和流程。需要 sources 配置、 RSS 抓取,还有 RSSHub 路由,还需要历史 ID 持久化,也要时间范围过滤。后面的步骤得做标题和摘要清洗、聚类、评分、报告生成。对于新闻的要求,也需要通过了解半拿铁·周刊的选题规则,才能更好地筛选和评分。

豆包 2.1 Pro 对这个任务做了几层拆解。

第一,抓取层负责从 36 氪、虎嗅、钛媒体、爱范儿、量子位、界面、IT之家、少数派,以及 RSSHub 里的知乎热榜、财新、中国新闻周刊、南方周末、澎湃等来源获取内容。

第二,处理层负责过滤标题过短、纯行情、普通融资财报、软文、低信息量快讯、猎奇新闻、海外无中国连接的内容。

第三,聚类层负责把同一事件合并成一个选题。

第四,评分层则根据历史背景、商业机制、人物冲突、日常生活关联、长期变化代表性、证据丰富度、新鲜度这些维度进行排序。

产出的结果是这多个文件。

给出的选题报告大概是这样的。

我看了一下,可用性还是不错的。这 30 个聚合的主题里面,我能找到至少 5 个是可以做半拿铁·周刊的选题的。

另外,我去查了它的任务细节,发现有很多地方都用非常巧妙的方法解决了问题。比如我的要求是同样主题的新闻需要聚合在一块,而用简单的 BFS 连通分量会出现链式错误。大量的副词重叠,会让不相关的内容聚合在一块。

这个问题是豆包自己在执行过程中发现的。

所以它就改用了更保守的单遍聚类算法。每篇文章与现有簇比较,要求与簇内最近几篇共享足够的核心关键词,TF-IDF 也更多基于标题计算,同时扩大停用词表,把“中国”“美国”“公司”“市场”这类特别常见的泛词去掉。

这整个过程当中,是他针对我的任务要求做的调整,而不是去哪儿采用的现成的解决方案。这个让我特别意外。

所以还是前面说的,AI Coding 的意义并不只在于做出一个产品上线。

像我这样的一个做内容的创作者,在选题方面就可以不断迭代自己最趁手的个人工具,可以不断迭代优化。现在我的选题花费的时间成本是之前的 1/10。

这个过程当中,对于大家来说,只需要把需求表达清楚,不需要有多么深厚的产品经理功底。

5

结合这些案例和我个人的体验,就回到我对豆包 2.1 Pro 的评价了。它的确不只是能做一个简单的炫技的 Demo。而是可以完成中等复杂度的前端页面、本地工具、自动化脚本。能够自行解决很多 bug、优化很多细节。

这就是我说的基础体验门槛。

我们现在讨论模型,经常喜欢讨论上限,以及上限可能带来的未来远景。而对于很多普通用户来说,模型的下限更加重要。一个模型如果偶尔特别惊艳,可以用来作为噱头,但用起来大部分场景下无法解决问题,那也是没有意义的。

豆包 2.1 Pro 作为国产模型的价值是,对很多用户来说,可以更低门槛、更快的上手,真正解决自己日常工作里的问题。而不只是作为一个搜索引擎和生活小能手来使用。

计算机的发展,一直是在把原本属于专业人士、小圈子发烧友的能力,慢慢扩展到普通人手里。

早期电脑需要懂命令行,后来图形界面让普通人能用电脑。早期做海报需要设计师,后来 Canva、Photoshop、美图秀秀、各种模板工具让普通人也能做图。早期剪视频需要专业软件和学习成本,后来剪映这类工具让大量普通人开始做短视频。早期建网站需要程序员,后来博客、微博、公众号、小红书、播客,让普通人也有自己的内容创作平台。

代码看起来也是离普通人距离很远的,但现在有很大的变化了。就像手机摄影,不需要理解CMOS、镜头结构、色彩科学、编码格式,也能凭感觉拍出一张还不错的照片了。大家会跟胡彦斌一样,作为外行,顺手就能做出一些基础的工具。

之前我大概表达过一个感受,未来 Coding 会变成很多人的日常。

豆包 2.1 Pro 这次让我看到的,就是这个开端。

跳转微信打开

Qwen-AgentWorld 开源:让 Agent 学会“先预测,再行动”

2026年6月24日 11:32

通义实验室 2026-06-24 11:32 浙江

Agent 开发太难?试试让 AI 自己“预测环境”

Agent 开发离不开真实环境,但真实环境:成本贵、响应慢、控制难。

搭沙箱环境成本高、真实的边缘 Case 难收集。而在真实环境里做强化学习,一旦 Agent 执行了不可逆的“危险操作”,整个环境就崩溃了。

所以我们换了个思路:与其在真实环境里试错,不如先让 AI 学会“预测环境会发生什么”。

这就是 Qwen-AgentWorld —— 首个原生语言世界模型。

🔥 核心亮点速览

原生世界建模:环境建模从继续预训练(CPT)阶段起即为训练目标,贯穿 CPT → SFT → RL 全流程,而非对通用大语言模型的事后适配。

七大领域,一个模型:单一模型同时覆盖文本类环境(MCP、Search、Terminal、SWE)与 GUI 类环境(Web、OS、Android),实现跨领域知识迁移。

我们想解决什么问题?

语言智能体被训练在交互式环境中执行动作,但此前从未有语言模型被显式训练来对环境本身进行建模——即在给定当前状态与智能体动作的条件下,预测环境的下一步响应。

Qwen-AgentWorld 的核心探索是:语言世界模型能否拓展通用智能体的能力边界?

为此,我们从两个方向推进:

构建基础模型

Qwen-AgentWorld 是首个覆盖七大领域的语言世界模型,基于超 1000 万条真实交互轨迹,经由 CPT → SFT → RL 三阶段训练而成。在 AgentWorldBench 上超越 GPT-5.4、Claude Opus 4.8 与 Gemini 3.1 Pro。

验证两种应用范式

作为解耦的环境模拟器,可控 Sim RL 能以真实环境无法实现的方式塑造智能体行为,效果优于真实环境 RL;作为统一的智能体基础模型,LWM 预热训练可迁移至七个基准(其中三个完全未出现在训练集中),无需额外 RL 微调即有显著增益。

Qwen-AgentWorld:原生语言世界模型,统一覆盖七大 Agent 领域,通过两种互补方式提升通用智能体能力。

由 Qwen-AgentWorld 模拟的 SWE 场景示例。更多例子可以查看 https://qwen.ai/blog?id=qwen-agentworld#interactive-demo-interactive-demo

Part I: 构建智能体环境模拟的基础模型

七个领域,一个模型

Qwen-AgentWorld 覆盖七类交互式环境。对于三个 GUI 领域,环境观测以可渲染代码(无障碍树 XML、HTML、UI 层级标记)而非像素帧的形式呈现,使得纯文本世界建模即可涵盖视觉环境。

训练流程

Qwen-AgentWorld 自继续预训练阶段起,便将环境建模作为显式目标进行端到端训练。三阶段流水线遵循一个核心原则:CPT 注入,SFT 激活,RL 精炼。

三阶段训练流程:CPT(继续预训练)注入环境知识,SFT(监督微调)激活带思维链的下一状态预测,RL(强化学习)提升模拟的真实性

阶段一:继续预训练(CPT)

通过学习不含思维链的交互轨迹,向模型注入环境知识。数据来源涵盖专用智能体基础设施(容器化执行沙箱、MCP 服务器、Android/Web/OS 模拟器)、开源环境交互轨迹以及内部智能体轨迹。

除环境数据外,我们还引入了覆盖工业控制、网络安全、法律、医学、金融和时事等领域的专业知识语料。

本阶段的一项关键贡献是轮次级别的信息论损失掩码:通过 4 个表层统计量识别每个(动作, 观测)对中真正承载环境信息的对话轮,对其余轮施加掩码,使其不参与 loss 计算,但仍保留为上下文输入。

阶段二:监督微调(SFT)

通过 <think>...</think> 包裹的思考过程,将下一状态预测激活为显式的思维链推理模式。我们采用拒绝采样(rejection sampling)筛选高质量思维链轨迹,最终获得 7,094 条训练样本。

阶段三:强化学习(RL)

以混合奖励信号精炼输出质量。我们基于 GSPO 算法进行 RL 训练,奖励信号由两部分组成:评估多维质量的基于评分准则的 LLM 评判器(rubric-based LLM judge),以及针对可客观验证正确性的基于规则的验证器(rule-based verifier)。

AgentWorldBench

为系统评估语言世界模型,我们推出AgentWorldBench一个综合性评测基准。

AgentWorldBench 概览:领域分布、来源基准、评估维度及各领域轨迹统计。

该基准基于 5 个前沿模型在 9 个成熟评测集(如 Tool Decathlon、Terminal-Bench 1.0 & 2.0、OSWorld-Verified 等)上的真实环境交互观测构建而成。每条评测样本均配备真实环境执行所得的 ground-truth 观测,支持基于参考的精确评分。

AgentWorldBench 采用开放式评分准则(rubric),从格式、事实性、一致性、真实性和质量五个维度全面评估世界建模能力,深入考察模型的推理能力、领域知识以及长上下文处理水平。

性能表现

AgentWorldBench 评测结果:各领域五维评分准则均值。Qwen-AgentWorld-397B-A17B 取得最高整体得分(58.71),超越 GPT-5.4(58.25)及其他前沿模型。

Qwen-AgentWorld-397B-A17B 在 AgentWorldBench 上取得最高的整体均分(58.71),超越 GPT-5.4(58.25)及所有其他前沿模型。优势在 Terminal 和 SWE 两个领域最为显著,这两个领域的预测需要准确建模代码执行状态和工具 API 行为。

在 35B-A3B 规模上,三阶段训练流水线将整体均分提升了 +8.66(47.73 → 56.39),使 Qwen-AgentWorld-35B-A3B 超过 Claude Sonnet 4.6(56.04)。这一提升在文本类和 GUI 类领域上均保持一致。

Part II:探索世界建模在智能体训练中的作用

我们通过两个互补范式探索世界建模如何增强通用智能体。

范式一:解耦的环境模拟器

将策略智能体与世界模型解耦为两个独立模型,Qwen-AgentWorld 作为环境模拟器在智能体强化学习训练期间替代真实环境:智能体执行动作,世界模型预测下一步观测,智能体则从这些模拟轨迹中学习。

核心发现如下:

  • 零样本环境泛化。Qwen-AgentWorld 成功模拟了训练数据中完全不存在的 4,000 个 OpenClaw 环境,在 Claw-Eval 和 QwenClawBench 上分别取得 +4.3 和 +7.1 的 Sim RL 增益,且无需任何领域适配。

  • 可控模拟至关重要。不施加控制的 Sim RL 几乎无法带来提升;而可控扰动则将 MCPMark 提升 +12.3、WideSearch 提升 +16.3。

  • 超越真实环境训练。通过对抗性摘要设计塑造出更具针对性的智能体行为,可控 Sim RL 在 WideSearch 上超越了使用真实搜索引擎训练的 Real RL(F1:50.3% vs. 45.6%)。

  • 虚构世界同样有效。在完全虚构但自洽的世界中训练的智能体,能够成功泛化至真实搜索任务,同时有效防止智能体将模拟事实与真实世界知识相混淆。

  • 初始状态是关键瓶颈。Sim RL 的有效性取决于一个前提:必须为世界模型提供足够详尽的初始状态描述。如果初始状态信息不完整,后续模拟会逐步偏离现实,最终削弱智能体从模拟训练中获得的收益。

可泛化的环境扩展

我们验证世界模型能否泛化到训练中完全不存在的环境。

OpenClaw是一个开源智能体平台,其任务涵盖日程管理、编程、邮件分类、浏览器自动化和文件管理——完全不在 Qwen-AgentWorld 的训练分布内。

我们模拟了 4,000 个 OpenClaw 环境用于智能体 RL 训练,无需任何领域适配,并消融了模拟器本身的影响:使用 Qwen3.6-Plus 作为模拟器几乎没有提升,而 Qwen-AgentWorld-397B-A17B 带来了显著增益——确认世界模型质量是 Sim RL 的瓶颈。智能体无法从与不忠实的模拟器的交互中有效学习。

可控模拟

Qwen-AgentWorld 的核心优势在于其可控性:训练过程中,可通过自然语言指令精确调控模拟器的行为。我们验证了以下两种模式。

MCP:环境自适应。 我们从真实的 MCP 工具调用轨迹中合成模拟系统提示词:每条提示词明确指定工具 Schema 与服务器配置,概括隐藏的环境状态(如数据库内容、权限设置、服务可用性),并定义可控的模拟指令,以调控模拟器在每一轮交互中的响应行为。

控制指令通过注入定向扰动——间歇性 API 错误、需要后续调用的分页响应、迫使多步检索的不完整中间结果,以及批量操作中的部分失败——系统性地暴露智能体在真实部署中极少遭遇的薄弱环节。

实验结果呈现出鲜明对比:不含控制指令的标准 Sim RL 未带来任何实质性提升(Tool Decathlon 甚至从 32.4 下降至 31.5),原因在于模拟器缺乏充分的依据来生成忠实可靠的响应。而引入可控模拟后,Tool Decathlon 提升了 +3.7,MCPMark 提升了 +12.3。可控性不仅影响提升幅度,更是 Sim RL 在该领域得以奏效的先决条件。MCPMark 上更大的增益(+12.3 vs. +3.7)进一步表明,可控模拟在需要大量顺序工具调用及精细处理中间结果的任务中尤为有效。

Search:虚构世界构建。我们构建了 1,000 个自包含的虚构环境,每个环境都以一个关系型数据库为核心,其中包含 300–500 条内部自洽的虚构事实。例如,一个"虚拟环境"可能包含 2029 年的智能手机市场排名——品牌名称是真实的,但型号是虚构的。这种设计有两层用意:首先,正确答案只存在于虚构环境中,智能体无法靠自身记忆绕过搜索工具直接作答;其次,所有事实都是虚构的,智能体不会把模拟中学到的内容与真实世界知识搞混。

Sim RL vs. Real RL

在 WideSearch 任务上的 Sim RL 与 Real RL 对比:可控的 Sim RL 能够追平甚至略微超越使用真实搜索引擎训练的 Real RL。

🟣性能 我们在 WideSearch 上直接对比可控 Sim RL 与 Real RL(使用真实搜索引擎训练)。Sim RL 全程追平或略超 Real RL:F1 by Item 在第 60 步达到 50.3%,Real RL 为 45.6%。

工具使用分化:经 Sim RL 训练的智能体增加了 `web_extractor` 的调用次数,而经 Real RL 训练的智能体则减少了该调用——这反映出可控模拟能够塑造出截然不同的智能体行为模式。

🟣行为更具信息量的信号来自智能体行为。两种训练模式都将 web_search 调用从约 5 次减少到约 3.5 次,但 web_extractor 调用出现了明显分化:Sim RL 将使用量从 2.5 增加到 4.0,而 Real RL 从 2.5 降低到 1.5。由于模拟搜索摘要刻意省略详细内容,Sim RL 训练的智能体学会了提取完整页面是组装完整答案的必要步骤。可控模拟以真实环境无法实现的方式定向塑造智能体行为。

范式二:智能体基础模型

在范式一中,智能体和世界模型是不同的模型。在这里我们将它们统一:同一个模型既选择动作也预测环境状态。LWM 训练将下一状态预测植入为一种内化的推理能力。核心发现:

突破性的跨任务泛化

单轮、非智能体的 LWM RL 预热(无工具调用)迁移到了跨 5 个领域 7 个基准的多轮、工具调用智能体任务。

领域泛化

在 LWM 训练完全不涉及的领域上涌现增益(Claw-Eval +11.3、QwenClawBench +9.7、BFCL v4 +9.0),证实这是可迁移的能力而非领域特定的捷径。

下一状态预测作为元推理模式

LWM 训练教会智能体在行动前模拟环境响应,这种模式在不同任务格式和领域中均可泛化。

我们在 Qwen3.5-35B-A3B-SFT 上运行 LWM RL —— 一个无工具调用的单轮任务。然后直接在跨 7 个基准的多轮工具调用智能体任务上评测,无需额外微调,其中 3 个基准完全不在 LWM 训练范围内。

域外泛化结果尤为亮眼:LWM 的训练数据中未包含任何 Claw 或 function-calling 相关数据,却在这两个完全未涉足的领域上分别涌现出 +11.3、+9.7 和 +9.0 的显著提升。

使用 Qwen-AgentWorld

目前 Qwen-AgentWorld 与评测基准AgentWorldBench 均已开源,欢迎下载体验:

推荐阅读

统一科学大模型 LOGOS 正式开源

Qwen-Robot 发布:打通大模型到物理世界的最后一公里

跳转微信打开

最后一周!开源模型 Qwen3.6 不限 Token 免费调用

2026年6月24日 08:15

原创 HelloGitHub 2026-06-24 08:15 北京

玩了一圈下来,我感觉这波 Qwen3.6 的 API Key 没白薅。

现在去 GitHub 上找开源项目,手里不攥着几个大模型的 API Key,遇到好项目就只能“干瞪眼”。因为现在到处都是 AI 相关的开源项目,而且它们大多数情况下都依赖大模型。

我也用过 Ollama 本地起模型。但我这台 MacBook Air(M4 16GB)跑一个 Qwen3-30B 的模型,基本就卡死了😂。

为啥不选个小点的模型?以我折腾的经验,模型参数到了 30B 的模型才算真正“开智”,否则就算能跑起来也没啥用。

既要模型能用,又要免费不限量!

今天 HelloGitHub 带来的是一个叫「讯飞星辰 MaaS」的平台正在搞的活动:Qwen3.6 模型免费、无限量调用!

在活动期间,大家可以免费、不限量调用 Qwen3.6-35B 和 Qwen3.5-35B 模型,这俩模型都能处理图片和文本,还支持 128K 上下文。

接下来,我就带大家一步步把这个免费的 API Key 拿到手,然后用它上手几个有意思的开源项目。

地址:https://maas.xfyun.cn/modelSquare?ch=MaaS-jgkol-G5E8

第一步:访问上面的地址,进入「讯飞星辰 MaaS 平台」。

第二步:选择 Qwen3.6-35B-A3B 或 Qwen3.5-35B-A3B 模型的「API 调用」,填写 API 名称等信息。

第三步:将 modelId、接口地址和 APIKey 记下来,方便后面使用。

对!仅需三步就薅到啦。

另外,添加讯飞工作人员可领取高并发权益,如果觉得不够还有新上线面向团队的 Token Plan 可按需选择。

拿到 API Key 后,我个人不太建议把它配置到 Cherry Studio 这类聚合桌面客户端里去当聊天工具。因为现在大模型网页版对话能用的模型,都比今天领到的强出不少。

当然,如果你还没用过 Claude Code 和 Codex 命令行编程助手,现在有了免费的 API Key 可以借助 cc-switch 灵活切换到 Qwen3.6-35B-A3B 模型,因为是不限量 Token 所以无须担心配额。

▲ npm install -g @anthropic-ai/claude-code@版本号

有了 Claude Code 就可以安装一些 skill 玩一下啦,比如 8.6k Star 「Claude Code 的 GEO 优化 skill」的 geo-seo-claude 技能包。

一条命令安装 skill

一条指令分析网站

分析结果

但我还是觉得想要真正充分发挥大模型 API 的优势,还需要回到我们文章开头说的场景:把 API Key 配置到一些有趣的开源项目里,跑通并体验 AI 开源项目。

用免费 API 体验开源项目

先用免费的 Token 跑通项目、试试水,觉得项目/工具好用,然后再换上更强的模型(比如 DeepSeek-V4-Pro),将精打细算进行到底~

下面挑两个 HelloGitHub 最近分享的 AI 相关开源项目,带大家跑一把试试。

轻量级跨平台数据库桌面客户端:dbx

主语言:Rust、TypeScript,Star:6.6k

这是一款轻量级、跨平台、可离线使用的数据库桌面客户端,支持 MySQL、PostgreSQL、SQLite、Redis、MongoDB 等 40+ 种数据库。它集成了连接管理、SQL 编辑、数据表格和 AI 助手功能,并提供 Docker 自托管、Web 版、MCP Server 和 CLI。

GitHub 地址→github.com/t8y2/dbx

这款支持 AI 助手的数据库桌面客户端开箱即用,只需访问 dbx 的官网 dbxio.com,下载对应操作系统的版本,支持 Windows、Linux 和 macOS 平台。

下载后双击安装,创建好数据库链接后,在 dbx 界面找到配置入口就能很快用激活 AI 助手。配置方式:「右上角⚙️」-> 进入设置「AI」-> 提供商「Custom」输入接口地址和刚薅的 API Key 填进去就行。

你的专属 AI 新闻雷达工具:Horizon

主语言:Python,Star:6.9k

这是一款 AI 驱动的个人新闻聚合与简报生成工具,支持从 Hacker News、Reddit、RSS、Telegram、GitHub 等多渠道获取内容,经过去重、AI 评分过滤、背景信息补充与摘要生成后,自动生成中英双语日报。生成的简报可发布到 GitHub Pages,或通过邮件、飞书、Slack 等方式推送,并支持 Docker 部署与 GitHub Actions 定时运行。

GitHub 地址→github.com/Thysrael/Horizon

安装方法:

配置方法:

  1. 在 .env 文件添加 HORIZON_XFYUN_API_KEY 环境变量名,值为 API Key。

  2. 编辑 data/config.json 配置文件:

运行命令:

    uv run horizon--hours 24

    下面是基于 Qwen3.6-35B-A3B 筛选新闻生成的简报,虽然有些指令跟随的小问题但整体还可以。

    最后

    玩了一圈下来,我感觉这波 Qwen3.6 的 API Key 没白薅。

    因为我最初对它的定位很明确:没有想着用它去替代像 Claude Sonnet 4.6 或者 GPT-5.5 这样的日常主力模型,但拿它来高频调用、跑各种开源项目,够用了。

    反正是免费的,大家可以备上一个。遇到那种一上来就要求填 API Key 的开源项目,直接掏出来就能跑,而且完全不心疼 Token。

    地址:https://maas.xfyun.cn/modelSquare?ch=MaaS-jgkol-G5E8

    不过我看到「讯飞星辰 MaaS」这个活动的时间有点晚了,官方目前的通知是限免活动只到 6 月 30 日。

    满打满算也就剩最后一周的时间了,想玩的同学赶紧去薅吧~

    阅读原文

    跳转微信打开

    ❌