如果你问一个工程师「AI 能不能替你加班」，过去一年的答案是：能，但只能替你加十分钟的班—— prompt 发出去，模型吐两万 token，然后停下来等你。而最近一个月，几家的官方口径不约而同把战线拉长到了「小时」和「天」这个量级：蚂蚁的 Ling-3.1-flash 号称连干 17 小时从零写出一个编译器，阿里的 Qwen3.8-Max 晒出了连续 16 天自主维护一个代码仓库的全过程 trace，谷歌 Argon 则一口气迁移了 80 万行内核代码。
这些数字到底是营销话术，还是真能对上「替你加班」的想象？这篇横评把它们放在同一张桌子上比一比。
横评的轴：不看单题分数，看连续干活
先把口径说清楚。上一期我们做过一篇百万 token 输出横评，那条轴量的是「一次回复最多能吐多少字」，本质是输出容量的天花板。这一篇换一条轴：一次任务里，模型能连续自主干多久、干成了什么样。
这两条轴不是一回事。输出容量大，可能只是话多；连续自主执行，考的是任务拆解、中途自检、出错回滚、断点续跑这一整套工程能力。打个比方：前者是肺活量，后者是马拉松。一个模型可以输出上限很高，但跑两步就要人扶；也可以输出上限一般，却能自己跑完全程。
也要提前打一针预防剂：本篇引用的所有案例和分数，全部来自各家官方一手材料，口径统一标注为「官方自报」。目前没有一个案例经过了完全独立的第三方复现，我们自己也没法在 editorial 层面重跑 17 小时的编译器任务。所以这篇横评比的是「各家敢对外承诺什么、拿什么证据承诺」，而不是裁判谁在撒谎。
四个选手的连续作战记录
选手一：蚂蚁 Ling-3.1-flash，17 小时写编译器。 官方博客给出的案例是：从零编写 Lua 到 x86-64 ELF 的编译器，连续运行约 17 小时，182 项测试通过 178 项，通过率 97.8%。另一个案例是把一个 C 图像库移植到 Rust，连续约 20 小时，移植后加速 8.015 倍，30 项正确性检查全部通过。验证方式是官方博客附带的测试集，理论上可以复跑。这是四个案例里时间跨度最「亲民」的——一天以内，普通开发者可以想象自己挂一个这样的任务过夜。
选手二：阿里 Qwen3.8-Max，16 天自主工程。 这是本篇跨度最长的案例：模型自主维护一个叫 oh-my-cli 的代码仓库，截至 7 月 30 日的公开数据是 265 次 commits、127 个 PRs、151 个 issues，而且不是乱提交——官方描述里有 issue 状态机、看门狗和 CI 自愈闭环，自测会触发 Build、Unit、E2E 三层。另一个案例是论文复现：约 5 天 125 小时，写了 7600 行代码、执行 1100 多个动作、跑了 33 轮 GPU 训练，把 AIME24 成绩从 49.58% 提到 52.29%，四轮迭代里自己提出 18 个想法，比原论文方法多 2.7 分。最关键的是，GitHub 上有全过程 trace 可查（qwen-code-dev-bot/oh-my-cli），这是四个选手里可复核性最强的。
选手三：谷歌 Argon，80 万行内核迁移。 Gemini 4 家族的第一款模型，2026 年 9 月 30 日官宣，定位就是长程复杂工作流。官方案例里最唬人的是 Fuchsia Zircon 内核最大 80 万行以上 C/C++ 代码到 Rust 的迁移；另有 libgav1 的 3.2 万行 SIMD 代码重写，比原 Rust 移植版快 2.7 倍且输出逐帧一致。基准方面，DeepSWE v1.1（长程软件工程）77.9% 排第一，对比同卷的 GPT-6 Astra 74.1%、Claude Opus 5.5 74.2%、Claude Fable 5.1 67.4%。官方称这些迁移经过自动化测试、仿真加人工评审三道关后才部署。
参照行：DeepSeek-V4-Flash-Vision-Exp。 放它进来不是为了凑数，而是给 DeepSWE v1.1 这张卷子一个锚点：它是同卷 59.3%，MIT 开源、可以本地跑。Argon 的 77.9% 有多强，跟 59.3% 一对就有感觉了——这是目前普通用户唯一能亲手摸到的 DeepSWE 同卷参照物。我们之前在V4 Flash 基准横评里分析过 DeepSeek 这条产品线的得分风格，可以对照着看。
对比总表
<table> <thead> <tr><th>模型</th><th>连续案例</th><th>可复核性</th><th>门槛与价格</th><th>口径</th></tr> </thead> <tbody> <tr> <td>蚂蚁 Ling-3.1-flash</td> <td>约 17 小时从零写 Lua 到 x86-64 ELF 编译器，182 项测试过 178（97.8%）；约 20 小时 C 图像库移植 Rust，加速 8.015 倍，30 项正确性检查全过</td> <td>官方博客，测试集可复跑</td> <td>免费体验两周（至 10 月 13 日前后），体验期上下文 256K</td> <td>官方自报</td> </tr> <tr> <td>阿里 Qwen3.8-Max</td> <td>16 天自主工程 oh-my-cli：265 commits、127 PRs、151 issues，issue 状态机加看门狗加 CI 自愈闭环；论文复现约 5 天 125 小时，7600 行代码，AIME24 从 49.58% 到 52.29%</td> <td>GitHub 全过程 trace 公开（qwen-code-dev-bot/oh-my-cli）</td> <td>开源权重 4.89TB，需 24 GPU（BF16）/16（FP8）；API 新加坡 $2/M 输入、$6/M 输出</td> <td>官方自报加 trace 可查</td> </tr> <tr> <td>谷歌 Argon（Gemini 4 首款）</td> <td>80 万行以上 Fuchsia Zircon 内核 C/C++ 迁移 Rust；libgav1 3.2 万行 SIMD 重写快 2.7 倍；DeepSWE v1.1 77.9%（SOTA）</td> <td>官方博客，称经自动化测试、仿真、人工评审后才部署</td> <td>普通用户暂不可用（Fairwind 计划 650 家以上伙伴先行，无公开日期）</td> <td>官方自报</td> </tr> <tr> <td>参照：DeepSeek-V4-Flash-Vision-Exp</td> <td>DeepSWE v1.1 同卷 59.3%</td> <td>HF model card</td> <td>MIT 开源，可本地跑</td> <td>官方自报</td> </tr> </tbody> </table>读这张表注意两点。第一，三家的「连续」不是一个量级：Ling 是小时级，Qwen 是天级，Argon 没给时长只给了工程量级，直接拿 17 小时和 16 天比快慢是没有意义的，任务难度和验证方式都不同。第二，可复核性差距比分数差距更值得看：Qwen 的 GitHub trace 是三者中唯一能逐条翻的，Ling 附了可复跑测试集，Argon 则只能信任官方描述。
时长之外：自愈机制才是「替你加班」的入场券
连续干 16 天，最难的不是起步，而是半夜三点测试挂了怎么办。这恰恰是各家方案分化最大的地方。
Qwen3.8-Max 的案例里最有信息量的不是 commit 数，而是那套机制：issue 状态机管任务生命周期，看门狗负责发现卡死，CI 自愈闭环负责失败重试，自测会触发 Build、Unit、E2E 三层验证。翻译成人话就是：它不光会干活，还会自己发现干错了并且回头修。这是「无人值守」能成立的技术前提。
Ling 的 17 小时案例官方没有披露中途自检机制的细节，我们不作推测，但 182 项测试过 178 项这个结果本身说明任务末端有一套完整的验收标准在那儿等着，而不是模型自己说完成就算完成。
Argon 的路径是另一个极端：官方称间接提示注入的防御最有韧性，CoT 与动作可被监控、执行可中止，外加沙箱隔离，迁移代码要过自动化测试、仿真、人工评审三道关才部署。换句话说，它不是「没人管地干」，而是「人管得少但管在关键处」。这套流程在企业级场景里可能是加分项，但也意味着它的「自主」是戴着镣铐的。
顺带如实记一笔短板：Argon 在 FrontierSWE v2 上 55.0%，低于 GPT-6 Astra 的 65.5%；Terminal-bench 4.0 上 57.4%，低于 Claude Opus 5.5 的 66.4%。注意这两个基准和 DeepSWE v1.1 是不同的卷子，版本之间严禁跨卷比较——只能说 Argon 并非全线碾压，长程软件工程这一项恰好是它的主场。
百灵和通义千问哪个好：架构谱系先说清
这是本篇最值得正面回答的问题，因为搜索联想里它排第一，而且网上现成答案很少。先给结论：两者是同一时代思路下走了相反方向的两条路，没有绝对的好坏，只有场景匹配。
从架构谱系看，方向确实相反。Ling-3.1-flash 是 560B 总参数、25B 激活的 MoE，注意力层的配比是 7 层 KDA（Kimi Delta Attention 一系的线性注意力）加 1 层 Gated MLA，明显在提高线性注意力的占比，目标指向超长上下文下的推理成本——官方给它 1M 上下文上限，长任务 feed 得起。Qwen3.8 这边是 3 层 Gated DeltaNet 加 1 层 Gated Attention，线性注意力占比低一些，保留的传统注意力更多，更像一个均衡取向；顶配版 Qwen3.8-2.4T-A95B 是 2.4 万亿总参数、95B 激活。两家都是 512 个专家的 MoE 路由系（Ling 是 512 选 8 加 1 共享）。
落到「替你加班」这个场景，差异就具体了。Ling 的免费体验窗口（Vercel AI Gateway 明示免费至 10 月 13 日）是目前零成本试「长任务连续执行」的最低门槛入口，虽然体验期上下文只有 256K，完整 1M 未开放；它的 17 小时编译器案例也说明小时级任务是它的舒适区。Qwen3.8-Max 的 16 天案例则证明它在天级、周级的仓库维护上有实测记录，且 trace 公开可查；代价是要么走 API 付费（新加坡标准价 $2/M 输入、$6/M 输出，约为 Claude Opus 5 输入价的 40%、输出价的 24%），要么自己拉 4.89TB 的开源权重。
所以「哪个好」的答案取决于你的任务长度和预算结构：过夜级任务、想先免费试水，Ling 顺手；周级仓库维护、需要可查证据链，Qwen 更有底。至于编码之外的综合推理对比，可以参考我们此前的旗舰编码与推理横评，那篇的轴更偏单题能力。
Qwen3.8-Max 的「半开源」争议：两头都得说
Qwen3.8-Max 的开源是这次横评里争议最大的部分，两边的说法我们都要如实呈现。
说它「真开源」的一方的依据是：权重确实放出来了，Qwen3.8-2.4T-A95B 共 213 个 shard、BF16 精度 4.89TB，社区按官方指引可以用 24 卡 GPU 跑 BF16、16 卡跑 FP8、8 卡跑 NVFP4，部署路径是通的。GitHub 上 oh-my-cli 的全过程 trace 也公开可查，这在头部模型里并不多见。
说它「半开源」的一方的依据则更硬：第一，License 不是 Apache 2.0，而是定制的 qwen3.8-max 许可——大商业用途要收入分成，且分成阈值和比例官方明确说仍在敲定，等于商业合规成本目前是悬着的（真正的 Apache-2.0 是 27B 的小弟，8 月 15 日开源当天冲上 HN 第一）。第二，开源版和 API 版能力不对等：开源版是 text-only、原生 262,144 上下文、强制 thinking（enable_thinking 设为 false 会直接抛异常）；视觉能力、默认 1M 上下文、内置工具这些只在 API 版有。你拉下来的 4.89TB，并不是你在 API 里调到的那个完整形态。
我们的看法是：这不是非黑即白的问题。从权重可得性和 trace 透明度看，Qwen3.8-Max 的开源诚意在闭源为主的头部阵营里属于第一梯队；但从许可确定性和版本一致性看，把它当「完全体开源模型」直接写进商业方案是有风险的。在分成条款定稿之前，谨慎的做法是研发验证用开源版、生产商业部署要么等条款落地、要么直接走 API。
怎么选：三种人群三种答案
想先白嫖试试长任务的：Ling-3.1-flash 的两周免费窗口（至 10 月 13 日前后）是当下唯一零成本的官方入口，过夜挂一个编译器或文档处理任务正合适。体验入口的选择，见本文「怎么选」一节；256K 窗口的分段喂法我们会在后续 SOP 里展开。
要证据链和可运维性的团队：Qwen3.8-Max 的 GitHub trace 是目前唯一能逐条审计的连续自主工程记录，API 价格也只有旗舰竞品的两到四成。预算敏感的团队可以直接从 API 版切入。
等 Argon 的：继续等。Fairwind 计划 650 家以上合作伙伴先行，普通用户和付费 API 暂不可用，官方没有给日期。在此之前，想体验 DeepSWE 同卷水平的开源替代，MIT 协议的 DeepSeek-V4-Flash-Vision-Exp 可以本地跑，59.3% 与 77.9% 的差距就是目前开源与受控闭源在长程软件工程上的大致水位差。另外，如果你想理解 Argon 这类长输出模型和单次输出容量轴的取舍，可以再看一眼百万 token 输出横评和Sonnet 5.5 发布分析。
主攻搜索词
本篇覆盖三个真实搜索需求，正文均有对应解答：
- 百灵大模型和通义千问哪个好：见「架构谱系先说清」一节——Ling 走高线性注意力占比路线（7 层 KDA 加 1 层 Gated MLA）主打超长上下文低成本，Qwen 走均衡路线（3 层 Gated DeltaNet 加 1 层 Gated Attention），按任务长度和预算选。
- ai 连续工作 16 天什么水平：Qwen3.8-Max 的 oh-my-cli 案例（265 commits、127 PRs、151 issues）是目前公开记录里最长的连续自主工程，属于天级无人值守的第一梯队水平，且 trace 可查。
- ling 3.1 flash 和 qwen3.8 怎么选：小时级任务、免费试水选 Ling；天级仓库维护、需要证据链和 API 稳定性选 Qwen3.8-Max，详见「怎么选」一节。
FAQ
**Q1：**AI 连续工作 16 天是什么水平？
A1： 指的是阿里 Qwen3.8-Max 在 oh-my-cli 仓库上的自主工程记录：16 天里 265 次 commits、127 个 PRs、151 个 issues，配套 issue 状态机、看门狗和 CI 自愈闭环，GitHub 全过程 trace 公开。这是目前公开口径里最长的连续自主执行案例，属于天级无人值守的第一梯队。注意它是官方自报口径，但相比其他家多了可逐条翻查的 trace。
**Q2：**百灵大模型和通义千问哪个好？
A2： 架构上两条相反的路线：Ling-3.1-flash 用 7 层 KDA 加 1 层 Gated MLA，线性注意力占比高，主打超长上下文的成本效率；Qwen3.8 用 3 层 Gated DeltaNet 加 1 层 Gated Attention，更均衡。场景上，小时级任务和免费试水选 Ling（免费窗口至 10 月 13 日前后），天级仓库维护和需要可查证据链选 Qwen3.8-Max。
**Q3：**Ling-3.1-flash 和 Qwen3.8-Max 怎么选？
A3： 看三点：任务时长（过夜级选 Ling，周级选 Qwen）、预算（Ling 免费期零成本，Qwen API 为 $2/M 输入、$6/M 输出，或自备 24 卡 GPU 跑开源权重）、合规需求（Qwen 商业部署有收入分成条款且阈值未定稿，Ling 付费价格与开源计划官方尚未公布）。
**Q4：**Qwen3.8-Max 开源了吗？能随便商用吗？
A4： 权重开源是真的（4.89TB、213 个 shard），但 License 是定制的 qwen3.8-max 许可，不是 Apache 2.0，大商业用途涉及收入分成且阈值比例仍在敲定。另外开源版 text-only 且强制 thinking，与 API 版能力不对等。商用前建议等分成条款定稿，或直接走 API 授权路径。
**Q5：**谷歌 Argon 现在能用吗？
A5： 暂时不能。Argon 通过 Fairwind 计划向 650 家以上合作伙伴先行开放，普通用户和付费 API 均暂不可用，官方未给出开放日期。想先体验长程软件工程基准的开源替代，可以用 MIT 协议的 DeepSeek-V4-Flash-Vision-Exp 本地跑，它是 DeepSWE v1.1 同卷 59.3% 的参照锚点。
本文由 AI 辅助生成，经人工审核编辑。