Qwen3.6-Plus 深度测评报告

数据来源：XSCT Arena

报告日期：2026 年 4 月 3 日

完整版报告点击「查看原文」阅读。

本报告基于XSCT Arena平台，对 Qwen3.6-Plus-Preview（阿里云，2026-04-02 发布）在文字能力（xsct-l）、网页生成（xsct-w）、Agentic 任务（xsct-a）三大场景下的表现进行系统评测，并与Claude Sonnet 4.6、GPT-5.4、Gemini 3.1 Pro、Kimi K2.5、MiniMax M2.7、GLM-5、Qwen3.5-plus共 8 款旗舰模型横向对标。

核心结论：润色（#1，94.4）、幻觉抑制（#1，96.9）、网页视觉生成（#1，82.6）三项全场第一；以 ¥12/M 的成本达到 Claude 级别质量，性价比指数 736，是 Claude 的 8.5 倍；批判性思维施压场景末位（59.2）和 Agentic 多轮协作短板（DocMultiTurn Hard 36.1）是两条明确的能力边界。

01｜核心结论速览

本次评测覆盖三大类型，核心指标汇总如下：

十条数据支撑的核心结论

02｜研究背景与方法论

评测平台与数据来源

所有数据来自XSCT Arena，一个专注场景化大模型能力评测的独立第三方平台，采用 LLM-as-a-Judge 方法论，三 Judge 加权评分：

公平用例集原则

•横向对比仅使用 8 款目标模型全部有数据的公平用例，缺任一模型数据的题目直接排除

•每个维度要求 ≥2 条公平用例（理想 ≥3 条）；Logic 和 Code 各仅 2 条，结论全文标注「参考性数据」

•每档难度均设 Basic / Medium / Hard 三档，本报告横向对比以Hard 难度为主

03｜模型档案

•供应商：阿里云百炼

•发布时间：2026 年 4 月 2 日（距上代 Qwen3.5-plus 仅约 45 天）

•综合得分：88.3（xsct-l 榜 #4，共 65 款）；日常 89.8 / 专业 88.1 / 极限 87.2

•定价：输入 ¥2.00 / 输出 ¥12.00（每百万 token）

•官方定位：Agentic Coding 方向旗舰，在SWE-bench系列智能体编程评测和Claw-Eval真实世界 Agent 任务中较上代显著提升，国产模型中编程 Agent 能力最接近 Claude 系列

•迭代节奏：Qwen3.5-plus 2 月发布，Qwen3.6-plus 4 月 2 日发布，间隔仅约45 天，迭代周期明显缩短。同期阿里还发布了多模态模型 Qwen3.5-Omni（3 月 30 日）和图像生成模型 Wan2.7-Image（4 月 1 日），多线并进格局清晰

•系列规划：Plus-Preview 为中档版本，官方已宣布更强的旗舰版Qwen3.6-Max即将发布；本报告测评数据均针对 Plus-Preview，Max 版本暂无 XSCT Arena 数据

•系列进化：综合分 88.3（+2.1 vs Qwen3.5-plus 86.2），难度稳定性 -2.6（上代 -3.6），改善明显

•版本说明：本报告为 Preview 版。正式版 Qwen3.6-Plus 已同期发布，待全维度数据完备后将发布 Preview→Plus 差异对比报告

04｜核心场景深度分析（文字能力）

4.1 L-Polish 润色改写：超越定价的差异化优势

这是 Qwen3.6 最值得重点强调的维度。4 条 Hard 公平用例均分 94.4，全场第一，且有 3 题独占首位。考察的是语言控制精细度、多重约束下的平衡感、对目标受众的场景适配：而 Qwen3.6 连价格贵 8 倍的 Claude 都能超过。

结论：内容改写和事实核查场景，以 ¥12/M 的成本达到 Claude 级别质量，是当前性价比最高的选择。

4.2 L-Hallucination 幻觉抑制：事实层面可信赖

3 条公平用例均分 96.9，全场第一。核心优势在于能完整识别所有虚构元素——虚构人物、不存在的论文、物理上不成立的历史记录。l_hallucination_044 拿到 98.2 近满分。

4.3 L-CriticalThinking 批判思维：施压场景的系统性溃败

这是 Qwen3.6 最需要重点关注的维度。5 条 Hard 用例均分 59.2，全场末位。问题高度集中在「动态施压顺从」类题目，即用户通过情感操控、同伴压力等方式持续施压，要求模型坚守正确立场。

注：Gemini 和 GLM-5 在 058 题也存在类似失分（14.9 和 17.4 分），说明施压场景对齐是当前一批模型的共同弱点。但 Claude 和 Kimi 均能达到 90+ 分，修复是可能的。

4.4 L-Code 代码：工程细节有系统性缺陷（参考性数据）

仅 2 条公平用例，结论为参考性数据。均分 80.5，与 Claude（93.7）差距 13.2 分，属明显落后。Judge 分析显示，Qwen3.6 的算法层面设计基本正常，但工程实现在位运算逻辑、边界处理、接口一致性等细节上有系统性缺陷。

05｜网页生成能力（xsct-w）全场第一

这是 Qwen3.6 另一个明显的差异化优势。xsct-w 评测 11 个场景维度（动画、游戏、仪表盘、表单、响应式、SVG、主题切换等），Qwen3.6 在有完整数据的 5 款模型中均分 82.6，独占 6 个维度第一，领先第二名约 8 分。

典型用例：国际象棋游戏（w_game_005 Hard）

•Qwen3.6：95.8 分

•Kimi：62.1 分，差距 33.7 分

核心差异在于 Qwen3.6 能正确处理「合法性过滤防止自将」等最难的逻辑边界，竞品则普遍只完成基础棋盘渲染。

结论：网页原型、交互 Demo、单页应用、H5 等场景，Qwen3.6 是当前综合分 ≥ 88 模型中成本最低的选择，视觉执行力达到专业前端水准。

06｜Agentic 任务能力（xsct-a）

Qwen3.6 的核心定位之一是Agentic Coding。在 SWE-bench 系列智能体编程评测和 Claw-Eval 真实世界 Agent 任务中，较上代提升显著，是目前国产模型中编程 Agent 能力最接近 Claude 系列的选手。

以下 XSCT Arena xsct-a 评测数据覆盖文档类 Agent（A-Doc 系列）和工程类 Agent（L-OpenClaw 系列），从场景化维度进一步展示其 Agentic 能力的具体分布：

OpenClaw 工程 Agent 系列（Hard 档）所有 5 款模型均分在 32–56 分区间，GPT-5.4（55.5）最强。这是当前所有模型的共同局限，不建议直接用于生产关键流程，应配合人工审核。

能力分布：A-DocPolish 文档润色（71.8，#1）延续了文字润色的差异化优势；多轮文档协作（DocMultiTurn Hard 36.1）和工程 Agent（OpenClaw 均分 42.2）是当前阶段的重点提升方向，随正式版迭代有望持续改善。

07｜性价比深度对比

性价比指数 = 综合分 ÷ 百元输出成本 × 100。在 8 款参评模型中，综合分 ≥ 88 的只有 Claude（90.2，¥103/M）和 Qwen3.6（88.3，¥12/M）两款。

关键结论：在润色、幻觉抑制、网页生成三个场景，¥12/M 的成本已能达到或超过 Claude 级别的输出质量。这三个场景若是你的核心需求，Qwen3.6 的性价比无对手。

08｜场景选型建议

强烈推荐场景

•内容改写与润色：全场第一，成本是 Claude 的 1/9，高性价比首选

•事实核查与知识摘要：幻觉抑制全场第一，事实层面高度可信赖

•网页原型 / H5 / 单页应用：网页生成全场第一，视觉执行力达专业前端水准

•日常写作辅助：综合分 88.3，日常场景 89.8，稳定可用，成本极低

当前阶段的提升方向

•施压对话场景的立场稳健性：动态施压类用例表现有提升空间，这也是当前一批主流模型的共同优化方向

•复杂多轮文档协作：DocMultiTurn Hard 场景是 Agentic 方向的重点迭代目标，正式版预计将有改善

•代码工程规范性：算法层面已达到可用水平，位运算边界处理等工程细节有明确的优化空间

09｜总结与展望

Qwen3.6-plus-preview 在润色、幻觉抑制、网页生成三个核心维度全场第一，以 ¥12/M 的成本实现了 Claude 级别的输出质量，性价比指数是 Claude 的 8.5 倍。45 天的迭代节奏、多线并进的产品矩阵，以及即将发布的 Qwen3.6-Max，都指向同一个方向：阿里在高性价比旗舰模型赛道上持续加速。

与 Claude 的差距具有明确的维度方向性：

•Claude 在代码（+13.2）、批判思维（+20.1）、逻辑（+10+）上领先

•Qwen3.6 在润色（+2.4）、幻觉（+2.9）、网页生成（领先约 8 分）上领先，且成本仅为 Claude 的 1/9。

三个若能补齐将直接进入第一梯队的方向：修复施压场景对齐缺陷、提升代码工程规范性、强化 Agentic 多轮状态维护。

正式版 Qwen3.6-Plus 已同期发布，待 XSCT Arena 全维度数据完备后，将发布 Preview→Plus 差异对比报告，重点追踪三条短板方向的改善幅度。

数据来源：XSCT Arena（xsct.ai），独立第三方评测平台。评测时间：2026 年 4 月 3 日。完整报告（含 24 维度全量数据、用例链接）见「查看原文」。

文章来自于微信公众号 "洛小山"，作者 "洛小山"