Alibaba представила официальную версию модели Qwen3.8-Max 3 августа, следуя за волной Kimi K3. Эта модель обладает 2,4 триллионами параметров и поддерживает окно контекста размером в 1 миллион токенов. Она демонстрирует значительно улучшенные возможности в области программирования и офисных задач, занимая место в мировом первом эшелоне, при этом ожидается, что веса модели станут открытыми в течение недели.
Как мультимодальная система, Qwen3.8-Max способна обрабатывать изображения, видеофайлы и PDF-документы. Доступ к этим функциям предоставляется через планы токенов, а также через приложения Qianwen Office, Qoder и Qianwen.
Была проведена демонстрация долгосрочного агента, который выполнил автономную задачу от начала до конца: он исследовал визуальный язык годовых отчетов мирового уровня, извлекал повторно используемые навыки и генерировал три вымышленных кейса годовых отчетов в формате HTML. Задание требовало анализа не менее десяти отчетов, охватывающих американские технологические и потребительские бренды, европейские энергетические и промышленные компании, японские или скандинавские предприятия дизайна, а также китайские фирмы в сферах интернета, производства и потребления. Эти отчеты должны были покрывать как раскрытие регуляторной информации, так и повествовательные аспекты бренда.
Каждый отчет требовал открытия оригинального PDF-файла и изучения обложки, финансового резюме, обсуждения руководства, страницы с графиками и таблицы. Исследовательские карточки фиксировали источники, типографику, сетку, цветовую схему и правила, а также включали запрет на копирование реального текста, чисел, графики, логотипов или изображений.
При выполнении задачи Qwen3.8-Max выступал в роли основного агента, координируя работу шести параллельных под-агентов, которые изучали годовые отчеты компаний. Результаты под-агентов рассматривались последовательно, что предотвращало перегрузку контекстного окна главного агента и обеспечивало завершение задачи на большом горизонте. В ходе двух волн исследования было изучено двенадцать компаний, включая Tencent, Xiaomi, Muji, Coca-Cola, Nike, Alibaba, IKEA, Shell, Li-Ning, Unilever, Alphabet и Orsted, представляющих китайский, американский, европейский и японский рынки.
Модель обобщила полученные данные в повторно используемый навык, который включает полный рабочий процесс, исследовательские карточки, синтаксис типографики, спецификации графиков и дизайн-токены. Требовалось, чтобы изображения служили повествованию, приоритет отдавался CSS и встроенным SVG, а также самодельным диаграммам данных. Также было установлено условие использования только лицензированных открытых материалов и разрешения на отсутствие изображений, если легальный материал недоступен.
Выпуск этой модели подчеркивает приверженность Alibaba парадигме долгосрочных агентов, где модели способны выполнять многоэтапные автономные рабочие процессы. Объем в 1 миллион контекста позволяет обрабатывать обширную документацию, а 2,4 триллиона параметров обеспечивают глубину рассуждений для сложного разложения задач. Срок в одну неделю для выпуска открытых весов поддерживает конкурентное давление и укрепляет китайскую экосистему открытого исходного кода, где модели Qwen являются инфраструктурой для предприятий. Qwen3.8-Max появляется на фоне общего роста китайских моделей, таких как Kimi K3 с 2,8 триллионами, DeepSeek-V4-Flash с 304 миллиардами и MiniMax H3, открывающий генерацию мультимодального контента. Сочетание масштаба, контекста, оркестрации агентов и скорого открытия исходного кода ставит Alibaba в центр конкуренции в области долгосрочных агентов.
Модель AgiBot WITA-Omni Full-Modal получила высокий балл 85.21 в рамках бенчмарка DailyOmni. При этом модель продемонстрировала первенство по шести из восьми показателей, опередив такие системы, как Alibaba Qwen, Google Gemini, ByteDance Doubao и NVIDIA.
Бенчмарк оценивает способность модели одновременно обрабатывать аудио- и визуальные сигналы в условиях реального мира. Среди протестированных параметров были согласованность аудиовизуальных данных (86.13), временное рассуждение о событиях (84.64), комплексное кросс-модальное рассуждение (85.06), а также высокие результаты в задачах понимания видео продолжительностью 30 и 60 секунд.
В отличие от универсальных мультимодальных моделей, оптимизированных для взаимодействия с цифровым контентом, WITA-Omni изначально разрабатывалась для воплощенного взаимодействия. Это означает, что роботы, использующие эту модель, должны понимать, реагировать и действовать в физической среде в режиме реального времени.
Инновация заключается в парадигме Thinker-Talker-Actor, которая заменяет традиционный последовательный конвейер. Стандартные процессы взаимодействия роботов выполняют распознавание речи, семантическое понимание, генерацию ответа, синтез речи и вывод действия как отдельные, последовательные этапы, что приводит к накоплению задержек. WITA-Omni же запускает ядро многомодального рассуждения Thinker, потоковую генерацию речи Talker и модули действия и выражения Actor параллельно на единой временной шкале.
Модуль Actor принимает на вход не только семантическое состояние Thinker, но и латентные переменные аудио от Talker. Это позволяет жестам и мимике синхронизироваться с ритмом речи, паузами, акцентами и эмоциональным тоном, устраняя рассогласование между тем, что говорит робот, и тем, как он двигается. Архитектура расширяет парадигму Thinker-Talker, ранее созданную для разговорного ИИ, добавляя модуль Actor как полноценный выходной канал наряду с речью.
Thinker объединяет текстовые, изобразительные, аудио- и видеовходы через специализированные кодировщики и легкие проекционные слои в единое пространство представления для принятия решений о взаимодействии и кросс-модального рассуждения. Talker генерирует естественную речь, обусловленную скрытыми состояниями Thinker. Actor управляет головой действий и головой выражения, используя как семантическое состояние Thinker, так и аудиопризнаки Talker. Механизм синхронизации между потоками гарантирует, что движения робота реагируют на изменения скорости речи, сдвиги в выражении, а физические действия сохраняют временную согласованность с вербальным общением.
Этот результат следует за достижением AgiBot world model Genie Envisioner-Sim 2.0, который ранее занял первое место на WorldArena. Эти два достижения формируют трехстолпную структуру возможностей ИИ: WITA-Omni для взаимодействия, world model для понимания физического мира и аппаратное обеспечение робота для действий в нем. Победа в рейтинге подтверждает, что компании, занимающиеся воплощенным ИИ, могут достигать превосходных общих возможностей, оптимизируясь под ограничения реального мира, а не адаптируя универсальные модели.
По мере перехода роботов из контролируемых заводских сред в неструктурированные социальные пространства, способность синхронно обрабатывать множественные сенсорные потоки и реагировать скоординированными вербальными и физическими действиями становится ключевым отличием. AgiBot определяет синхронное полномодальное взаимодействие как новое конкурентное измерение в индустрии воплощенного ИИ, отдельное от конкуренции чисто по качеству моделей, доминирующей в сфере общего ИИ.
Платформа для кодирования Alibaba Cloud Qoder выпустила на GitHub Better Harness — трехслойный фреймворк с открытым исходным кодом. Этот инструмент предназначен для анализа рабочих процессов кодирующих агентов и обеспечения их постоянного совершенствования.
Better Harness функционирует как мост между практиками Harness Engineering и Loop Engineering, связывая методологию разработки с моделями оценки и готовыми к запуску реализациями. Инструмент способен интегрироваться с различными кодирующими агентами, такими как Claude Code, Codex, Qoder и OpenClaw, создавая универсальный уровень анализа, применимый на разных платформах агентов.
Фреймворк построен на трехслойной открытой архитектуре. Первый слой охватывает практики Harness Engineering, включая управление сессиями, интеграцию с командной строкой (CLI), наблюдаемость, правила, навыки, MCP, память, хуки и шаблоны автоматизации. Второй слой предоставляет модели оценки рабочего цикла агента, которые трансформируют инженерные практики в проверяемые вопросы, тем самым ограничивая взаимосвязь между доказательствами, оценкой и выводами. Третий слой обеспечивает исполняемые инженерные реализации, позволяющие первым двум слоям работать на реальных проектах, а не оставаться лишь документацией.
Better Harness проводит различие между наличием способности и эффективностью этой способности. Инструмент проверяет не просто наличие доступа агента к конфигурациям, но и то, использует ли он эти возможности, а также поддерживают ли они завершение задачи. Каждая обнаруженная проблема должна сопровождаться отслеживаемыми доказательствами, оценкой влияния на пользователя, оценкой объема работ и методами верификации. Инструмент самостоятельно собирает три типа доказательств: Доказательства сессии, полученные при наблюдении прямого взаимодействия; Проектный Harness для анализа конфигурации репозитория; и Кастомизация агента для проверки специфических для агента возможностей. Первоначальная внутренняя оценка была проведена на основе 30 реальных проектов на GitHub.
Выпуск инструмента с открытым исходным кодом отражает стратегию Qoder по утверждению Harness Engineering в качестве признанной дисциплины в области разработки программного обеспечения с помощью искусственного интеллекта. Предоставляя стандартизированный фреймворк для оценки, Qoder стремится создать экосистему, где рабочие процессы кодирующих агентов могут объективно измеряться, сравниваться и улучшаться на различных платформах агентов. Это позиционирует Better Harness как инфраструктуру для зарождающейся дисциплины измерения и улучшения процессов разработки с помощью ИИ, аналогично тому, как тестовые фреймворки создали инфраструктуру качества для традиционной разработки программного обеспечения.
Три крупных китайских технологических гиганта — Alibaba, Tencent и ByteDance — одновременно сосредоточили свои усилия на одной стратегической цели: настольном офисном AI-агенте. Согласно отчету аналитической фирмы Analysys за второй квартал 2026 года, охватывающему 17 основных настольных AI-агентов, общее количество посещений в июне 2026 года достигло 60,62 миллиона. При этом три лидера — Alibaba, Tencent и ByteDance — совокупно обеспечили 56,22 миллиона этих визитов, оставив всего 4,4 миллиона для всех остальных конкурентов.
Эти данные подтверждают, что экономика платформ применима и к офисным AI-агентам, подобно тому, как это было с браузерами и поисковыми системами: пользователи склонны устанавливать один основной настольный агент, что формирует естественную олигополистическую динамику.
В июле 2026 года все три компании провели реструктуризацию своих портфелей AI-агентов. Alibaba объединила три существующих продукта — QoderWork (для локальных настольных операций), Wukong (для корпоративной безопасности и разрешений) и MuleRun (для шаблонов сложных рабочих процессов) — в единый продукт под предварительным названием Qianwen Office. Руководит этим проектом новый генеральный директор DingTalk Чэнь Юсен, технический основатель, родившийся в 1992 году, чей стартап Chaitin Technology был приобретен Alibaba Cloud.
Tencent, по сообщениям, переместила свою команду продуктового центра QClaw в Отдел облачных продуктов 6 и интегрировала ее с WorkBuddy под единым управлением. ByteDance же преобразовала Doubao в свой флагманский бренд офисного агента.
Прогнозируется, что китайский рынок AI-агентов вырастет с 80,4 миллиардов юаней в 2025 году до 696,8 миллиардов к 2030 году. Наиболее конверсионным сегментом являются компании с одним сотрудником, которым требуется ИИ для помощи в роли ассистента, бухгалтера или дизайнера. Почти 60% пользователей готовы платить, поскольку повышение производительности в офисе обеспечивает прямую окупаемость инвестиций: сэкономленное время трансформируется в заработанные деньги.
Стратегия Alibaba под руководством Чэня Юсена заключается в интеграции трех уровней: QoderWork выступает как уровень взаимодействия для управления рабочим столом естественным языком, Wukong — как уровень разрешений, функционирующий в рамках корпоративных границ безопасности, а MuleRun — как уровень исполнения для многократно используемых шаблонов рабочих процессов. Этот подход схож с методологией Anthropic, где Claude Chat, Claude Code и Claude Cowork используют одну базовую модель под единым интерфейсом. Цель унифицированного продукта — устранить путаницу у пользователей, которая ранее вынуждала клиентов выбирать между тремя несовместимыми продуктами Alibaba.
Преимущество Tencent кроется в глубокой интеграции с экосистемами WeChat и облачными сервисами. WorkBuddy уже поддерживает тесную связь с Tencent Docs, WeCom и Tencent Meeting, предлагая корпоративный рабочий процесс, глубоко встроенный в доминирующую в Китае бизнес-коммуникации экосистему WeChat. ByteDance Doubao использует опыт компании в области алгоритмов рекомендаций и генерации контента. Эта трехсторонняя конкуренция сводится к тому, какая компания сможет предложить наиболее полный комплексный офисный опыт от начала намерения пользователя до завершения работы. Результат этой борьбы, вероятно, определит направление корпоративного программного обеспечения в Китае на десятилетие вперед, поскольку настольный агент станет основным интерфейсом для взаимодействия работников знаний с цифровыми инструментами, замещая традиционную модель офисного пакета парадигмой рабочего процесса, ориентированной на ИИ.
