科技社区 Linux.do 发布了关于 Qwen3.7-Plus 模型在 SNSE Bench 基准测试中的最新评测数据。测试结果显示，该模型在推理行为上表现出与 DeepSeek-V4-Flash 类似的“过度思考”特征，但其症状相对较轻，仅在 T6 和 T7 两个测试题目的解题过程中出现了思维链长度超限的情况。然而，该模型在代码生成质量上暴露出了显著短板。评测报告明确指出，Qwen3.7-Plus 是当前所有受测模型中编译错误最严重的模型，其提交的十份代码样本中竟有四份无法通过编译。具体分析显示，模型在基础代码规范性上存在明显缺陷：在 T1 和 T12 题目中出现了头文件缺失的低级错误，而在 T3 和 T8 题目中，模型“自作聪明”地添加了几行 `#pragma` 指令，结果导致莫名其妙的编译失败。这一数据表明，尽管模型具备一定的推理深度，但在确保代码可编译、可运行的工程实用性方面仍有很大缺陷。
事件分析
此次评测揭示了当前大模型在代码生成领域面临的关键挑战，即“推理深度”与“工程准确性”之间的不平衡。Qwen3.7-Plus 虽然试图通过更长的思维链来模仿 DeepSeek 等先进模型的推理能力，但其产生的代码却包含大量语法和逻辑错误，如擅自添加编译器指令导致构建失败。这种现象反映出模型在训练时可能过度关注了代码逻辑的表面形式（如常见优化代码片段），却忽视了编程语言严格的语法约束和依赖管理。对于开发者而言，这表明在利用 AI 进行复杂编程任务时，必须保持警惕，不能盲目依赖模型的输出，特别是在涉及底层编译指令和系统级头文件的管理上。这也为未来模型优化指明了方向：提升代码生成的鲁棒性和可编译性，比单纯追求推理过程的复杂性更为紧迫。
💡 核心观点：AI编程模型不应止步于模拟推理的“聪明”，更需严守代码可编译的工程底线，否则过度思考只会沦为错误的叠加。
原文链接：Linux.do
AI周刊：大模型、智能体与产业动态追踪