阿里全新Qoder上線!終於讓編程能力外溢了
作者 | 程茜 編輯 | 漠影 8月28日報道,昨天,阿里發佈全新Qoder,這是一款以Coding為核心能力,面向所有人的智能體工作臺,用戶無論是否懂代碼,都能把創意快速轉化為可落地的成果。全新Qoder的核心優勢在於既能適配專業開發人員需求,也能覆蓋產品、設計、運營、數據、獨立創作者等一眾目標明確、能辨別產出好壞、希望快速落地創意的人群。▲全新Qoder主頁 這也是其此次升級的關鍵,讓非技術人員不必受限於技術排期,自主搭建產品原型、快速驗證落地的方案;專業開發者得以從機械重複的工作裡抽身,專注攻克複雜工程難題,真正實現不同角色各取所需。
實際體驗發現,作為非專業開發者,全新的Qoder的上手體驗十分友好,代碼生成與運行完全隱藏在系統後臺,不用懂代碼,通過自然語言講出想法,Qoder會一步步細化梳理需求,然後通過簡單的對話完成開發協作。目前Qoder在上線初期還推出限時權益,助力用戶快速體驗全功能能力。即日起至9月1日10點,個人版用戶連續5天每天10點可以領取500 Qwen模型專屬Credits,最多可領2500 Credits;企業用戶使用全新Qoder搭載的Qwen3.8系列模型,可享5折優惠。
一、600萬用戶、10企業實戰積澱,Qoder把編程開放給更廣泛群體和場景 在當下的產業節點,Coding Agent的競爭已經告別單純代碼生成競賽,不再是侷限於開發者的專屬工具,而是開始滿足更廣泛群體的AI需求,從輔助寫代碼,進化為能自主完成任務的通用生產力。Qoder的全新升級也與這一行業趨勢一脈相承,它並非在原有Coding平臺上升級能力,而是推出一個人人都能用的智能體平臺,從而拉近編程與用戶日常任務場景的距離。首先在交互體驗上,在成熟的對話框交互模式之外,Qoder新增了桌面寵物+實時語音的方式,相當於在桌面配了個小助手幫你盯任務。
用戶喚起桌面寵物後,點擊寵物即可直接口述需求、發出指令,並且寵物還能常駐桌面,實時同步任務進度。▲全新Qoder的桌面寵物 為滿足不同類型用戶,Qoder同時兼顧專業與非專業兩類人群的實際使用訴求,提供了編程和通用兩種模式。面向專業開發者,該平臺支持按需自主挑選適配模型;非專業用戶則可將這一任務交給Auto智能調度引擎,系統可根據任務類型、難度特徵,自動平衡輸出效果、運行速度與使用成本,無需手動調參。▲全新Qoder的模型選擇 其在平臺的模式上同樣做了區分:編程模式適配代碼開發類工作;通用模式下用戶不必接觸代碼,即可調用編程能力與各類工具完成任務。
依託Qoder積累一年的Agent Harness基座,平臺也具備承接更長鏈路、更高複雜度任務的實力,有效減少來回溝通成本。在海量來自真實世界的開發、自動化、業務改造任務的基礎上,Qoder一直在打磨Agent Harness基座,迭代長上下文深度理解、複雜任務拆解規劃、代碼可靠執行輸出、輸出結果自主驗證閉環能力。此外,在能力擴展方面,Qoder提供了豐富的外部生態支撐,接入40+連接器、70+插件以及20K+技能庫,能夠打通代碼倉庫、項目管理工具、雲服務以及各類企業的內部業務系統。
跳出產品功能本身來看,Qoder這一輪升級既要滿足專業開發者對自由度、可控性、高性能的工程訴求,又要讓沒有技術背景的普通業務用戶,能用上Coding Agent能力。而這套產品能力背後,飛速增長的用戶規模、海量落地的實戰案例,正是Qoder進化的動力。自上線以來,Qoder火速出圈,5天用戶數量便達到10萬,6周用戶數量突破百萬,8個月內收入就達到1億美元。如今,其累計用戶數量已超過600萬,企業用戶數量達到了10萬以上。基於此,Qoder搭建起這套Agentic Coding完整體系,讓編程不再是少數人的專業技能,成為所有用戶都能隨時調用的通用數字執行能力。
二、從小工具到企業級腳本,Qoder實現小白與專業開發者通吃 實際表現是檢驗Qoder能力的關鍵,深入體驗了這一平臺的各項核心能力。第一個案例中,我們模擬設計師的真實訴求,讓Qoder搭建一款批量處理設計素材的小工具,實現素材批量壓縮、格式轉換、重命名、圖片裁切、去除水印全套功能。接到需求後,Qoder不僅完成代碼生成,還會調用瀏覽器截圖工具預覽輸出效果,對照界面反饋自主排查問題、迭代修復bug,同時自動開展功能測試,驗證工具可用性。
▲設計素材批量處理界面(左)、批量重命名圖片效果(右) 可以看到,Qoder直接在電腦桌面為我打包了一個App,我只需要上傳包含圖片的文件夾,就能快速進行批量圖片處理。不過實際任務中,這一工具起初無法上傳單張或多張圖片,我只需要隨時追加新的改動需求,Qoder就會在原有項目基礎上繼續迭代調整,新增圖片文件模式。同時,當Qoder檢測到我的電腦裡沒有可執行的Python環境時,會給出完整安裝教程,並且針對涉及設備權限、密碼驗證的複雜步驟,其還會進一步簡化操作流程,分步引導用戶自主完成配置。第二個案例難度繼續升級,我們給出的需求只有一句話:開發一款類似薄荷健康的iOS版本健康管理App。
這一任務背後的難點,在於需要Qoder自主補齊產品定義、數據搭建、功能實現多個環節。在實際交互過程中,Qoder會逐項主動確認產品功能點、UI設計風格、交互邏輯,然後先輸出詳盡的初版方案等待我確認,拿到反饋後再啟動開發。▲全新Qoder生成的部分方案 在執行階段,其還能主動調用各類工具,自主搭建食物數據庫、安裝配置所需插件,一步步推進完整App原型。其最後生成的App完成度很高,我幾乎沒有進行二次修改即可使用。其中在App的“今日”欄目下,我可以添加自己的早午晚餐食物,App會自動計算熱量,在“統計”頁面會對體重和攝入趨勢進行分析,同時還能用戶設定目標與日常活動,規劃每天的飲食方案。
▲全新Qoder生成的類薄荷健康App預覽 最後是高難度的專業開發場景,Qoder需要模擬企業研發工作,使用Python Pytest編寫一套企業級業務迴歸自動化測試腳本。相比於前兩個,這一任務對代碼規範性、工程落地、業務邏輯都有更高要求,屬於專業開發者的典型生產任務。開發過程中,Qoder可完成測試用例設計、腳本架構編排、邊界場景全覆蓋,並且輸出的代碼規範標準。不過,因本次實測無實際業務系統對接,Qoder自主生成了101條全覆蓋測試用例,並自動輸出完整、清晰的專業測試報告,交付質量基本滿足企業工程化標準。
▲企業級自動化測試報告 綜合來看,Qoder既適配開發小白以及需要高效落地各類開發需求的用戶,人機協作體驗流暢、輕鬆且高效,同樣也能扛住企業級、標準化的專業開發任務,是一款集全場景覆蓋、高階技術能力、高度智能化、零門檻易用性於一體的智能開發引擎。結語:Qoder重新定義編程的使用邊界 長久以來,代碼開發、程序搭建、工程化研發始終是少數專業技術人員的專屬能力,複雜的代碼門檻、繁瑣的開發流程讓無數普通創作者、職場從業者被隔絕在數字化創作的大門之外。
如今,Qoder正推動Coding迭代為大眾可便捷調用、人人可靈活掌控的通用數字能力,但值得注意的是,它並非弱化、脫離編程開發的本質,而是讓編程價值落地更廣、技術應用走得更遠,讓Coding真正成為個人創作提效、職場能力進階、企業項目研發的核心數字生產力工具。
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.