千问团队前一段时间搞出了一个大动静，开源Qwen3-Coder模型。据千问团队描述：Qwen3-Coder-480B-A35B-Instruct 在 Agentic Coding、Agentic Browser-Use 和 Agentic Tool-Use 上取得了开源模型的 SOTA 效果，可以与 Claude Sonnet4 媲美。[Qwen3-Coder: 在世界中自主编程 | Qwen]

各大平台如公众号、CSDN等纷纷涌现出大量关于Qwen3-Coder的讨论，既有对其卓越性能和流畅使用体验的赞誉，也不乏质疑之声。

所以，Qwen3-Coder究竟是能真正分担核心开发任务的“伙伴”，还是仅限于代码补全和函数生成的“高级玩具”？

为了测评Qwen3-Coder的编程能力，我基于vscode插件通义灵码，利用Qwen3-Coder作为核心开发工具，从零构建一个功能完备的卷积神经网络（CNN）模型训练平台。本文将详细记录这一过程，分享Qwen3-Coder在不同开发阶段的能力表现、亮点以及遇到的瓶颈。

目前，该项目已经初步完成，所有源代码和详细说明文档均已上传至GitHub，欢迎感兴趣的读者前往查阅和体验。

项目链接：hhtrick/CNN-Model-Training-Platform: This is a project designed for experiencing deep learning, primarily focused on experimenting with convolutional neural network models and tuning parameters.

先“晒一晒”最终成果

首先，让我们看看最终的成果。这个平台不是一个简单的玩具项目，它具备了研究和学习所需的核心功能：

• 内置10种经典CNN模型：从开山鼻祖 LeNet 及其四大魔改（ReLU、Dropout、BN），到里程碑式的 AlexNet、VGG、NiN，再到深度学习时代的王者 ResNet 系列（ResNet-18/34），一应俱全。

• 支持多种主流数据集：囊括了经典的 MNIST、FashionMNIST，更复杂的 EMNIST（含6个子集），以及一个更具挑战性的树叶分类数据集 classify-leaves。

• 双操作界面：提供了简洁高效的 命令行（CLI） 和直观易用的 图形界面（GUI），满足不同场景下的使用需求。

• 完善的训练与可视化：支持实时显示损失和准确率曲线，并提供模型保存、加载和日志记录等全套管理功能。

高光时刻：这位AI副驾，真有点东西！

在项目初期，通义灵码的表现简直让我惊呼“未来已来”，尤其是在这几个方面：

1. 代码生成：指哪打哪，干净利落

对于目标明确的单个任务，Qwen3-Coder 的效率高得离谱。train_scripts/ 目录下的所有模型脚本，还有那些数据处理的小工具（dataset_download.py, split_classify_leaves.py），几乎都是一次生成就未做多余的改动和debug。比如，当我告诉它要实现LeNet网络结构时，它一次性就完成编写，我只需要在输入通道数等细节上稍作调整，就能直接运行。

# 示例：LeNet模型代码片段
class LeNet(nn.Module):
    def __init__(self, num_classes=10, input_channels=1):
        super(LeNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(input_channels, 6, kernel_size=5),  # 动态输入通道
            nn.AvgPool2d(2, stride=2),
            nn.Conv2d(6, 16, kernel_size=5),
            nn.AvgPool2d(2, stride=2)
        )
        # ... 其他代码

2. 知识储备：比我想象的还要丰富

更让我惊讶的是，Qwen3-Coder对深度学习领域的知识掌握得相当扎实。无论是各种经典CNN模型的结构细节，还是各个数据集的特点和使用方法，它都能娓娓道来并且准确实现。

比如在处理EMNIST数据集时，它清楚地知道这个数据集有6个不同的分割（byclass、bymerge、balanced、letters、digits、mnist），并且能正确地为每个分割下载数据。这种专业程度，让我这个"半吊子"都自愧不如。

# Qwen3-Code编写的dataset_download.py中的EMNIST数据集下载代码

emnist_splits = ['byclass', 'bymerge', 'balanced', 'letters', 'digits', 'mnist']



for split in emnist_splits:

    print(f"Downloading EMNIST {split}...")

   

    try:

        emnist_train = datasets.EMNIST(root='datasets', split=split, train=True, download=True, transform=transform)

        emnist_test = datasets.EMNIST(root='datasets', split=split, train=False, download=True, transform=transform)

        print(f"EMNIST {split} train set size: {len(emnist_train)}")

        print(f"EMNIST {split} test set size: {len(emnist_test)}")

    except Exception as e:

        print(f"Failed to download EMNIST {split}: {e}")

```

在编写模型文档时，它也能按照规范详细描述模型结构：

###Qwen3-Coder编写的LeNet模型介绍文档
LeNet是Yann LeCun等人在1998年提出的用于手写数字识别的卷积神经网络，是最早的卷积神经网络之一。
- 第一层：卷积层(C1)，使用6个5×5的卷积核，输出特征图尺寸为28×28×6
- 第二层：池化层(S2)，使用2×2的平均池化，步长为2，输出特征图尺寸为14×14×6
- 第三层：卷积层(C3)，使用16个5×5的卷积核，输出特征图尺寸为10×10×16
- 第四层：池化层(S4)，使用2×2的平均池化，步长为2，输出特征图尺寸为5×5×16
- 第五层：全连接层(F5)，16×5×5输入，120个神经元输出
- 第六层：全连接层(F6)，120个神经元输入，84个神经元输出
- 第七层：输出层，84个神经元输入，对应类别数的输出
激活函数：Sigmoid或Tanh

这种全面性让我意识到，Qwen3-Coder不仅仅是一个代码生成器，更像是一个深度学习领域的"百科全书"。

3. 文档撰写：它甚至比我还懂我的项目

项目收尾阶段，最神奇的一幕发生了。我抱着尝试的心态，没给任何提示，只说了一句：“当前目录下是一个完整的项目，查看整个项目的结构与代码，撰写文档：README.md，一版中文，一版英文。”

结果，它扫描了整个项目文件，反手就甩给我一份格式精美、内容全面的 README_zh.md。从功能介绍到安装使用，从命令行参数到项目结构，无一遗漏，甚至连 PyTorch、PySide6 等依赖库的版本都精确地列了出来。这表明它具备了相当不错的项目整体理解能力。

# CNN 模型训练平台

本项目提供了一个全面的平台，用于在各种数据集上训练和实验经典的卷积神经网络(CNN)模型。该项目专为机器学习研究人员、学生和深度学习爱好者设计，帮助他们理解和实验基础的CNN架构。

## 功能特点

### 10种经典CNN模型
- **LeNet系列**:
  - LeNet (原始版本，使用Sigmoid/Tanh激活函数)
  - LeNet-ReLU (使用ReLU激活函数)
  - LeNet-ReLU-Dropout (使用ReLU和Dropout)
  - LeNet-ReLU-Dropout-BN (使用ReLU、Dropout和批归一化)
- **ResNet系列**:
  - ResNet (可配置深度)
  - ResNet-18 (18层残差网络)
  - ResNet-34 (34层残差网络)
- **其他经典模型**:
  - AlexNet (2012年ImageNet竞赛冠军)
  - VGG (视觉几何组网络)
  - NiN (网络中的网络)

### 多数据集支持
- MNIST (手写数字)
- FashionMNIST (时尚物品)
- EMNIST (扩展版，包含字母和数字)
  - byclass (62个类别)
  - bymerge (47个类别)
  - balanced (47个类别)
  - letters (26个类别)
  - digits (10个类别)
  - mnist (10个类别)
- classify-leaves (叶子分类数据集)

### 双界面操作
- **命令行界面(CLI)**: 快速训练和实验
- **图形用户界面(GUI)**: 交互式模型训练和可视化

瓶颈出现：跨文件协作的“鸿沟”

然而，当项目从“组件开发”阶段进入“系统集成”阶段时，Qwen3-Coder 遇到了巨大的挑战。

问题集中在 main.py（命令行入口）和 main_gui.py（图形界面入口）这两个核心文件的编写上。这两个文件需要调用和整合项目中其他多个模块的功能，例如：

• 从 backend.py 中调用统一的训练/评估逻辑。

• 根据用户选择，动态地从 models/classic_model/ 中加载不同的模型类。

• 处理数据集加载、超参数传递、线程管理（尤其在GUI中）等复杂逻辑。

在这一阶段，Qwen3-Coder 暴露了其在跨文件、跨模块编程上的短板。 它似乎很难理解不同文件之间的函数调用关系和数据流转。我反复尝试让它生成和修改代码，但结果往往是：

1. 生成的代码存在明显的逻辑错误或接口误用。

2. 在修复一个 bug 后，它可能会在其他地方引入新的 bug。

3. 随着修改次数的增加，代码的混乱程度不降反增，最终陷入无法运行的困境。

最终，为了保证项目的顺利完成，main.py 和 main_gui.py 这两个关键的“粘合剂”文件，我在让 Qwen3-Coder 生成了基础框架后，转而使用了其他模型，并结合了一定的手动编码才最终完成。

总结：一位优秀的“组件工程师”，而非“项目架构师”

通过这次实战，我对Qwen3-Coder有了清晰的画像：

• 它是一位极其出色的“组件工程师”：对于定义清晰、范围可控的“原子任务”（如实现一个算法、编写一个工具函数、生成一段文档），它快、准、狠，能极大地将开发者从重复性工作中解放出来。

• 它还不是一位合格的“项目架构师”或“系统集成师”：当任务涉及到复杂的跨模块协作和深层逻辑依赖时，它会显得力不从心，难以维系全局的正确性。

对于开发者而言，现阶段与 AI 协作的最佳模式，或许是“人机结对编程”：我们作为“架构师”负责顶层设计、模块划分和最终集成；而 AI 作为“高效执行者”，负责快速实现我们设计的各个具体组件。

尽管Qwen3-Coder目前仍存在一些不足之处，但它所展现出的惊人潜力已然令人瞩目。在处理简单任务时，Qwen3-Coder完全有能力替代如Claude等闭源且价格昂贵的大型模型，为开发者提供更具性价比的解决方案。期待在千问团队的持续努力和不断优化下，Qwen3-Coder系列模型能够日益强大，不仅在简单任务上表现出色，更能在复杂场景中展现出卓越的性能，为广大开发者带来更多惊喜与便利。