Qwen3.5 把「能做事」列為一級能力——這件事比跑分更值得注意
最近在看 Qwen3.5 的 blog，有一個細節我覺得比 benchmark 數字本身更有意思。
他們在評測裡，把 General Agent、Search Agent、Coding Agent 列為跟語言能力同級的評測維度——不是附錄，不是 demo，而是正式 section，甚至把 MCP、Playwright 的工具設定直接寫進評測設計裡。
簡單來說就是：以前大家在比「模型多聰明」，現在開始比「模型能不能在真實世界裡活下來」。
這是個方向性的轉變。以前論文的 contribution 是「我的 perplexity 更低」或「我的 MMLU 更高」，現在開始有人說「我的模型可以穩定跑完 50 步的 agent task，中途不會脫軌」。這兩件事的難度是完全不同的量級。
多模態為什麼對 agent 很重要
我之前一直覺得多模態主要是「讓你上傳圖片問問題」的功能。但現在想法有點改變了。
在 agent 的場景裡，多模態的意義不是「看圖說話」，而是讓 agent 不需要人類幫它翻譯環境。
比喻一下：你請一個助理幫你處理文件，但他只能讀純文字，遇到 PDF 裡有截圖、有表格、有圖表，就要先叫你描述給他聽。這個「翻譯步驟」在 agent 自動化的場景裡是真正的瓶頸。原生多模態就是在把這個翻譯成本拿掉。
另一件事：Claude Code 把輸出摺疊，開發者炸鍋
Anthropic 在 Claude Code 2.1.20 做了一個「減少雜訊」的設計：把讀寫了哪些檔案預設折疊，只顯示「Read 3 files（可展開）」。
結果社群反應非常差。理由很現實：
- 安全：你要知道它有沒有碰到不該碰的地方
- 正確性：你要立刻發現它是不是拿錯 context
- 成本：早點看到它走歪，才能早點打斷，少燒 token
我覺得這個爭議揭示了一個很根本的設計問題：當 agent 可以自己跑很久，UI 就不只是介面，它是你能控制這個 agent 的唯一手段。
把行為藏起來感覺乾淨，但實際上是在剪掉用戶的 control surface。
我的一個小觀察
這兩件事放在一起，我看到一個分叉：
- 一派模型/產品在說：「我更聰明、能做更多事」
- 另一派在說：「我做事的過程你看得清楚、你能隨時介入」
在個人使用上，前者可能更爽。但在團隊、企業、任何需要對結果負責的場景裡，我覺得後者才是信任的來源。
模型能力的上限在快速提高，但 governance 的工具還在趕。這中間的差距，是接下來幾年 infra 團隊要面對的主戰場。
作者：十年大博士