先泼冷水再加热：Qwen3-Max-Thinking企业试用季轻度用户账本全评测
结论可能反常识，但每一条都有出处。这篇按评测的顺序写：结论、方法、数据、短板、适配。
篇幅不长，每节都能独立引用。
删掉了形容词，留下的都是核对过的数字。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01同题对决
对决结果有个反转，评论区先别吵。
盲评环节里：第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。
换个角度看：报告末尾留一行勘误记录，错了就补。高峰期单独加测一轮，闲时成绩不算数。
口径统一后：现在回看，高峰期没测过几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。判定给完了，复测的事我们季度见。
给每个数字标上时间戳，三个月后还能对账。测试环境写进附录，是可复现的最低要求。
02它做不到什么
这几处翻车不是版本问题，短期内别指望修复。
当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。
值得单独说明：没什么诀窍，就是每个数字都留了原始记录。把对手的优点也写出来，报告才立得住。
账单摊开算：那阵子年度横评成体系了是整份报告里最硬的一条。分数变化百分之五以内，视为人手误差。
补充一组数据：现在回看，高峰期没测过几乎是必然的。题目一半自编一半公开，防止套题。这篇先到这，有新版本随时回来改。
- 用满额度 上限亲手摸到
- 分组出题 中文专项分五组
- 三段计时 早中晚各一轮
- 折算会员 按用量算单价
03注意事项
个人样本量有限，趋势可信，精确数字别较真。
最有用的一条：允许结论被推翻。样张统一去水印、统一尺寸再进对比表。
把报告拆两半发，中途设了个勘误窗口。样本量写清楚，十道题的结论撑不起「完胜」。
口径统一后：深夜批处理和白天交互，测出来的延迟是两回事。方法有缺陷就写进「已知局限」，别装没有。
换个角度看：现在回看，高峰期没测过几乎是必然的。只测一遍就下结论，等于没测。
- 并用切换 双模型并行两周
- 折算会员 按用量算单价
- 三段计时 早中晚各一轮
- 用满额度 上限亲手摸到
04测试方法
方法不公开的评测都是印象分。
没什么诀窍，就是每个数字都留了原始记录。对比对象选同档热门，别拿小厂刷战绩。
很多人卡在年度横评成体系了，说到底差的就是一轮复测。别用厂商给的演示样例，那是考过的题。
账单摊开算：分数保留一位小数就够了，假精度没有意义。方法有缺陷就写进「已知局限」，别装没有。
具体说会议室的投屏旁那一轮：盲评顺序记错了一次，整组作废重来。连续测七天，稳定性自己会现形。
样张统一去水印、统一尺寸再进对比表。只测一遍就下结论，等于没测。
05原始记录
会议室的投屏旁的测试做完之后，整份报告都顺了。表格里是全部原始成绩，没有挑拣。
试过更花哨的评测框架，最后退回一张表格。深夜批处理和白天交互，测出来的延迟是两回事。
最有用的一条：允许结论被推翻。对比对象选同档热门，别拿小厂刷战绩。
口径统一后：评测工具本身也要校准，尺子歪了全盘皆输。盲评时把品牌信息全部去掉，编号打乱。
对照记录看：评测报告里最值钱的是失败记录。样本量写清楚，十道题的结论撑不起「完胜」。这篇先到这，有新版本随时回来改。
一轮评测的工时构成
06结论先行
结论放在最前，是不想浪费你的时间。
多花了一杯咖啡的时间核对来源，省下了一次翻车。官方榜单只当索引，不当证据。
最有用的一条：允许结论被推翻。对比对象选同档热门，别拿小厂刷战绩。
第一周最大的发现，是高峰期和闲时能差出一倍。把反对意见原样贴出来，比一致好评有用。分数是死的，你的任务才是活的。
07跟踪安排
试过更花哨的评测框架，最后退回一张表格。本期未尽事项列了清单，逐项跟进。
追问下去：后来把题量压到「谁都能测完」的规模，反而坚持下来了。引用别人的数据必须标来源和测试条件。
盲评环节里：把复测排在免费档用满再下结论后面，成了每季度的固定动作。客服响应也算进总分，售后是产品的一部分。
试过更花哨的评测框架，最后退回一张表格。题目一半自编一半公开，防止套题。数据都在附录，不信就来复现。
下个版本出来，这篇会被重新核对一遍。
常被问到的
- Qwen3-Max-Thinking的中文真的比海外模型强吗？
- 分任务：成语、公文、分寸感普遍占优；英文语料和代码生态仍是海外强项。拿你最高频的三类任务各测十题，答案自己会出来。
- Qwen3-Max-Thinking企业试用季轻度用户账本企业接入前要做哪些评测？
- 四项：高峰稳定性、数据合规、成本单价、员工众测满意度。任何一项不过关，功能再强也要缓一缓。