開源Agent新王者？|35B自己寫Code

阿里巴巴再出招：Qwen AgentWorld 35B 開源即爆紅

就在全球AI開發者還在消化上週GLM-5.2帶來的震撼之際，阿里巴巴旗下通義千問團隊再次投下重磅炸彈——Qwen AgentWorld-35B-A3B 正式開源，並在 HuggingFace 上短短數日內獲得近500個讚數，下載量突破34,000次。這款僅有35B參數（其中激活參數僅3B）的「混合專家模型」（MoE），標榜專為Agent任務而生，能自主編寫程式碼、操作瀏覽器、執行多步驟推理，且完全開源、可商用。

這不僅是一次技術發布，更是一場對「開源AI究竟能做到什麼程度」的正面回應。當閉源巨頭如 OpenAI、Anthropic 仍將高階Agent能力鎖在付費牆內，阿里巴巴選擇將這款專為自主代理設計的模型完全公開，引發了開發者社群的兩極討論：有人稱之為「開源Agent的iPhone時刻」，也有人質疑其真實能力是否真能匹敵 Claude Sonnet 5 或 GPT-4o。

3B激活參數的奇蹟：MoE架構如何讓小模型變超人？

要理解 Qwen AgentWorld-35B-A3B 為何如此特別，得先看懂它的「混合專家」（Mixture of Experts, MoE）架構。傳統的大型語言模型，每次推理時會動用全部參數——例如一個70B模型，每次問答都需運算70B參數，耗能驚人。MoE 架構則將模型拆分成多個「專家」子網絡，每次只激活最相關的3B參數，其他專家處於休眠狀態。

這意味著什麼？更快的推理速度、更低的運算成本、更小的記憶體需求。對於需要在本地部署或邊緣設備上執行Agent任務的開發者而言，這幾乎是夢幻規格。想像一下，你可以在一個普通的消費級GPU（如RTX 4090）上，運行一個能力接近70B模型的Agent——這在一年前還是天方夜譚。

Qwen團隊在技術報告中指出，AgentWorld-35B 在 BFCL v3（Berkeley Function Calling Leaderboard） 上取得了82.3%的準確率，超越了同樣開源的 Qwen3.5-32B（78.1%）和 DeepSeek-V3（79.5%），甚至在某些功能調用任務上逼近了 Claude Sonnet 5 的84.6%。這是一個極具說服力的數據，因為BFCL正是業界評估模型能否正確理解並執行工具調用的黃金標準——而工具調用，正是Agent能力的核心。

從聊天機器人到自主代理：AgentWorld 的三大殺手級應用

Qwen AgentWorld 不僅僅是一個會聊天的模型，它被專門訓練來「完成任務」。根據官方文檔和社群實測，這款模型在以下三個場景中展現了驚人的實力：

1. 自主編碼與除錯：開發者可以給 AgentWorld 一個 GitHub issue，讓它自行閱讀程式碼庫、定位 bug、生成修補程式（patch），甚至提交 Pull Request。在 SWE-bench（軟體工程基準測試）中，AgentWorld-35B 的解決率達到38.7%，雖然不及 Claude Sonnet 5 的49.2%，但考慮到前者參數量僅為後者的十分之一，這個成績已讓社群沸騰。

2. 瀏覽器自動化：想像一個AI能像人類一樣瀏覽網頁、填寫表單、提取資料。AgentWorld 支援 Playwright 和 Puppeteer 框架，可自主完成「在Amazon上搜尋某商品並比價」、「從政府網站下載PDF並摘要」等任務。台灣開發者「林威廷」在推特上分享：「我用它來自動填寫台灣公司登記的線上申請表，一次成功，只花了30秒——以前我要花15分鐘。」

3. 多步驟推理與規劃：這是Agent能力的最高難度——給一個模糊目標，讓模型自己拆解成子任務並依序執行。例如「幫我規劃一趟從台北到東京的商務旅行，預算5萬台幣以內」。AgentWorld 會自行搜尋機票、飯店、計算總花費、生成行程表，並在過程中動態調整。測試者發現，它在處理這類開放式任務時的「任務完成率」達到73%，比 Qwen3.5-32B 高出12個百分點。

硬體需求與部署實戰：你的設備跑得動嗎？

對於香港和台灣的開發者而言，最關心的問題莫過於：「我的電腦跑得動嗎？」答案是：可能比你想像中容易。

Qwen AgentWorld-35B-A3B 的量化版本（4-bit）僅需約 18GB VRAM，這意味著一張 NVIDIA RTX 4090（24GB VRAM）就能流暢運行。即使是 RTX 3090（24GB）或 A4000（16GB，需搭配CPU offloading）也能勝任。對於預算有限的學生或獨立開發者，使用 Ollama 或 LM Studio 等工具，在 Apple Silicon Mac（M2 Pro/Max 以上）上也能透過 Metal 加速獲得可用的推理速度。

部署流程也極簡化：下載 GGUF 量化模型，用 llama.cpp 或 Ollama 載入，即可透過 OpenAI 相容的 API 端點呼叫。以下是一個簡單的範例：

ollama run qwen-agentworld-35b-a3b

然後在你的 Python 程式中：

from openai import OpenAI

client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
response = client.chat.completions.create(
    model="qwen-agentworld-35b-a3b",
    messages=[{"role": "user", "content": "幫我寫一個 Python 腳本，從 CSV 檔案中讀取銷售數據，並生成月份趨勢圖"}]
)

對於需要更大規模應用的企業，阿里雲也提供了 ModelScope 上的雲端部署方案，每小時費用約為人民幣12元（約台幣50元），遠低於調用 Claude API 的成本。

開源與閉源的終局之戰：誰會是最後贏家？

Qwen AgentWorld-35B 的發布，不僅是一次技術突破，更標誌著開源AI社群的一次戰略性反攻。過去一年，業界普遍認為「開源模型追不上閉源巨頭」——GPT-4o 和 Claude Sonnet 5 在複雜Agent任務上的統治地位似乎難以撼動。但 AgentWorld 的出現，證明了「規模不是一切」：透過精妙的 MoE 架構和針對性的訓練數據，小模型也能在特定領域與巨頭一較高下。

然而，這並不代表開源已經贏了。閉源模型仍有兩大優勢：生態系統整合和安全性。OpenAI 的 GPT-4o 可以無縫對接數千個第三方插件，Anthropic 的 Claude 則有業界最嚴格的紅隊測試和安全對齊。Qwen AgentWorld 雖然開源，但要複製這種生態系統的便利性，仍有很長的路要走。

對香港和台灣的開發者來說，這波開源Agent浪潮帶來了前所未有的機遇。你不再需要申請API金鑰、不用擔心被鎖定在特定雲端平台、不必為每一次API呼叫付費。真正的AI自主權，正在從矽谷回歸到每個開發者的手中。

延伸閱讀

下一步該關注什麼？

Qwen AgentWorld-35B 的開源只是一個開始。業界消息指出，阿里巴巴將在第三季度發布 AgentWorld-70B 版本，並整合更強的「長期記憶」和「工具創建」能力。與此同時，Mistral AI 和 Meta 也在開發類似的Agent專用模型，預計2026年底前將迎來一波「Agent模型軍備競賽」。

對於想搶先體驗的讀者，建議從 HuggingFace 下載 GGUF 版本，搭配「Agent框架」如 LangChain 或 AutoGPT，即可在本地打造屬於自己的AI助手。這不是未來——這已經是你的桌面了。