阿里今天发了Qwen3.6-Max-Preview，跑分确实挺好看。

📮编程上SciCode 47分、SWE-bench Pro 57.3分，已经咬住Claude 4.5 Opus了，部分benchmark还反超。Agent工具调用、知识问答这些可量化的能力，国产模型追赶速度真的快——一个月前大家还说差距半年，现在再说已经是几周。（Claude 最新是 4.7 Opus

📮但我自己用下来最在意的那个维度——语言能力，跑分图上看不出来。我写文案、改稿子、做创意性表达这些场景，Qwen系列的输出跟Claude比还是有差距。不是错字不是语病，是那种说不出哪里不对但读起来就是没那味儿的感觉——比喻生硬、节奏一板一眼、该留白的地方填满了、该收束的地方又散掉了。这种「味儿」，不会在任何一张benchmark表格里出现。

📮文科生的分数其实比理科生难评价多了。数学98分和93分，98确实就是比93强，这个差别是客观的。

但文学创作不一样。有时候98分的作文反而读起来不如93分的，因为那5分可能是在「规范性」上加的，而减掉的是「个性」。现在AI的跑分体系，本质上在奖励前者——可检测、可复现、可量化。所以当一个模型在跑分上全面超越对手，但你读它写的东西总觉得少点什么——这不一定是你的错觉。

📮还有一个角度是应用层。

我最近在用的是智谱GLM 5.1，跑分上也挺猛，编程能力已经跟Claude一个档。但我用下来最大的问题是会话长度——聊着聊着就得开新窗口，Claude里一个项目能滚十几天不断，GLM里一两天就顶到头了。

这不一定是模型架构的问题，更像是产品工程层面的取舍——上下文窗口、长会话稳定性、工具调用时的记忆保持，这些不是benchmark分数能解决的。国产模型在「底座」上已经追得很近，但在「产品打磨」这一层，跟Claude、ChatGPT这种迭代三四年的老产品比，还有6到12个月的差距。

📮所以我的判断是——理科生的分数我信了，文科生的分数我再观望，工程师的活还没做完。

Qwen3.6-Max正式版和GLM下一代出来再试试。现在这个阶段，跑分看着热闹，但你真的把它放进日常工作流里用一个月🌚还得是 Gemini 和 Claude 香