Qwen3.6-Max-Preview 来了！

看官方文档，这次是重点提升了Agent编程表现，在SkillsBench、Terminal-Bench 2.0等六项主流编程基准测试中全面超越Qwen3.6-Plus。另外在世界知识、指令遵循这两项关键能力上，也有不小的提升。

不过这次新模型里，最让我关注的是“preserve_thinking”（思维保存，或者思维继承）的强化。

最近大家都在搞 Agent 框架，比如小龙虾、Codex、Hermes等等，相信大家在跑长流程任务时，或多或少都遇到过模型跑飞了、健忘、陷入死循环等情况。

那这个 preserve_thinking 功能，就是可以在长任务、多轮对话中，完整保留所有前序轮次的模型思维内容（Reasoning Trace），让模型在后续轮次的推理中，可直接继承、复用前序的推理逻辑、中间结论、任务规划与错误预判，这就让模型可以在最大程度上继承上下文，防止前言不搭后语的情况出现。

单这么看，你可能会担心：如果每次都加载上之前所有的思维推理过程，会不会让上下文膨胀地特别快？推理速度变慢不说，Token 消耗的速度也更快？

其实这里有一个关键在于：推理逻辑可以复用。

简单来说，就是之前已经进行过的思考，在后续的对话中会直接复用思维链和结论，模型不用重复造轮子，也不会重新再思考一遍。不像传统的多轮任务中，模型会重新理解任务背景、重复推导前序已经确认的中间结论。

因此根据官方实验中的测试数据，开启思维保存后，整体 token 消耗反而降低了2成左右，平均单轮推理延迟也降低 15%，甚至用的越久，省的越多。

还有一个重要作用，那就是提高了“可解释性”。

其实任何大模型都是“黑箱系统”，人们只知道问模型问题，模型就会给出问题，但为什么能实现，不知道。

这就导致，当 Agent 任务执行失败时，开发者也无法定位到底是哪一个环节、哪一步推理出现了错误，只能反复调整 prompt 试错。

而思维保存功能，则让开发者可以查看任务全生命周期中，每一轮对话的完整思维内容，包括模型的任务拆解逻辑、工具调用规划、错误预判、路径选择原因等所有中间过程。

这就相当于，你以前招了个外包，他会直接塞给你一个满是 bug 的代码包。而现在，他还会把写代码时的草稿本、踩坑记录一并交给你。这对于开发者来说，排错效率完全不是一个维度的。

这种可追溯性，也让 Agent 的执行过程满足金融、政务、法律等强监管场景的合规要求，为大模型在严肃场景的落地扫清了可解释性障碍。

从这些角度来看，“思维保存”这种机制、架构上的创新，或许要远比某些具体能力的提升要重要。[并不简单]

#how i ai##千问##大模型#