QwenLM 发布开源 AI 编程智能体 Qwen Code，入口覆盖终端、编辑器插件、桌面应用、Web UI、SDK 以及 Telegram、钉钉、微信、企业微信、飞书等聊天集成。它内置自动记忆、技能、子智能体与 MCP，另有多智能体团队、Agent Arena 和动态工作流，其中部分标注为实验性或需主动开启。守护进程模式让浏览器、编辑器、SDK 与自动化客户端共享同一智能体会话，客户端可重连到进行中的会话。
SGLang 为分页 KV 缓存加入 NVFP4 存储，把每个 token 的键值数据从 FP8 再压到约 56% 的字节量。在 Qwen3.8-27B 上，32K、160K、1M 三种输入长度下保持相同解码并发，峰值批解码吞吐提升约 26% 到 30%；智能体负载并发超过 12 后，FP8 吞吐骤降而 NVFP4 继续上升。精度上两个模型的差距随任务不同，最大为 SWE-bench Verified 上的 1.60 个百分点。
开源大模型此前要在展示思维链和确定性地调用工具之间二选一。Qwen3-235B-A22B把推理块放进独立的 think 标签，并在同一次补全里给出精确的JSON工具调用，下游代码可以选择忽略或审计这段推理。该模型为2350亿参数、每次激活约220亿参数的混合专家结构，以Apache-2.0许可托管在Fireworks上，可通过兼容OpenAI的客户端调用。
QwenGyre 是一个面向超长时程（xLong）智能体在线强化学习的端到端框架，它通过弹性调度器在不中断正在运行的 harness 执行的前提下于 rollout 与训练之间重新分配 GPU，并用轨迹处理器把分支执行记录重建为共享前缀的轨迹树、对超时后的部分进展打分、按角色优先级去重采样轨迹，在 Qwen 3.8 2.4T 上以每次 rollout 70 万 token 训练 48 步，使 NL2RepoBench 通过率从 52.5% 提升到 58.5%，并在多个数据集上相对 Colocate 与 Async 取得最高 1.85 倍和 1.78 倍的端到端加速。
该工作构建了闭环 AI-for-AI 框架下的 Qwen-Planner-Agent，通过共享的“动作—反馈—验证”契约把数据生产、模型训练与部署串联起来：AI for Data 建立人工把关的智能体数据飞轮，AI for Training 结合监督式规划冷启动与混合环境在线智能体强化学习并提出 CARE 以降低推理与工具使用成本，AI 驱动模型与运行框架协同演化；结果显示该智能体在 MobilePA-Bench 上取得所有被评估模型与系统中的最佳总体表现，并在工具使用、记忆、技能与子智能体协同方面优于其基座模型，同时在非移动智能体基准上有所提升且大体保持通用能力。
该工作提出 RecreationWorld 框架与 RecreationBench 基准：给定一个正在运行的参考应用，智能体须自行探索其行为并交付可构建、可运行的复刻实现，框架在 Ubuntu、macOS、Windows、Android、Web 五个平台提供可复现环境与统一 GUI+编码工具链，用参考派生的隐藏程序化与视觉断言自动评分，并据此生成 35,000 条经筛选的复刻轨迹用于训练；评测显示 GPT-6 Astra 以 58.1% 总体得分领先，但仅 2.8% 任务通过全部程序化测试，且复刻在静态界面结构上比在交互与计算结果上更可靠。
已读完全部报道