我们用同一组题测了Qwen3-Max-Thinking移动端众测中文命名实测
每个数字都标了测试条件，欢迎复测。下面这些，都是亲手测过才敢写。
赶时间的话，先看结论，再看适合谁。
篇幅不长，每节都能独立引用。
01结论先行
很多人卡在中文高低一目了然，说到底差的就是一轮复测。先说判定：值得测的场景多，值得付钱的场景少。
口径统一后：把对手的优点也写出来，报告才立得住。客服响应也算进总分，售后是产品的一部分。
换个角度看：把反对意见原样贴出来，比一致好评有用。别用厂商给的演示样例，那是考过的题。
那一个月只加了一个习惯：先亮方法再亮结论。题目一半自编一半公开，防止套题。
值得单独说明：把对比表格固定放在众测反馈的文档里，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
02对号入座
适不适合，取决于你每天重复最多的那件事。
试过更花哨的评测框架，最后退回一张表格。失败的用例原样保留，那是报告的一半价值。
实测中意外的是：样张统一去水印、统一尺寸再进对比表。预算和需求不同，结论就不同，别滥用通用分。
复测时发现：客服响应也算进总分，售后是产品的一部分。测速脚本开源出来，接受同样的审视。
当时随手存的原始输出，后来成了唯一的证据。让没用过的人参与盲评，老手会被经验污染。判定给完了，复测的事我们季度见。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
| 生态 | 办公联动逐项试 | 看功能列表 | 联动有截图 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
03留一个尾巴
有新版本就回来更新这篇，旧结论会标注存档。
现在回看，高峰期没测过几乎是必然的。客服响应也算进总分，售后是产品的一部分。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。预算和需求不同，结论就不同，别滥用通用分。
先说反例：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：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。数据都在附录，不信就来复现。
04先亮方法
试过更花哨的评测框架，最后退回一张表格。同一组题、同一台机器、同一套提示词，变量只剩模型。
账单摊开算：分数保留一位小数就够了，假精度没有意义。把「适合谁」写具体到岗位，别写「进阶用户」。
账单摊开算：测试环境写进附录，是可复现的最低要求。客服响应也算进总分，售后是产品的一部分。
值得单独说明：样本量写清楚，十道题的结论撑不起「完胜」。题目一半自编一半公开，防止套题。
追问下去：预算和需求不同，结论就不同，别滥用通用分。连续测七天，稳定性自己会现形。判定给完了，复测的事我们季度见。
05它做不到什么
缺点说清楚，优点才可信。
对照记录看：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。
把对比表格固定放在众测反馈的文档里，测试条件再没乱过。样本量写清楚，十道题的结论撑不起「完胜」。
先说反例：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。别用厂商给的演示样例，那是考过的题。数据都在附录，不信就来复现。
06对决结果
总分接近时，看分项：你的主力场景赢的才算赢。
对照记录看：高峰期单独加测一轮，闲时成绩不算数。测速脚本开源出来，接受同样的审视。
换个角度看：响应速度单独测，别和正确率混在一个分里。付费档和免费档分开出成绩单。
把样本拉大后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张统一去水印、统一尺寸再进对比表。
复测时发现：有个细节：同一道题五家轮流问的时候测，成绩稳定得多。每组测试至少三遍，取中位数，抖动大就重测。
07成绩摆出来
把报告拆两半发，中途设了个勘误窗口。数据先摆事实：强项强多少，弱项弱多少。
众测反馈的文档里的测试做完之后，整份报告都顺了。每一项评分都要能追溯到原始记录。
最有用的一条：允许结论被推翻。连续测七天，稳定性自己会现形。
第一周最大的发现，是高峰期和闲时能差出一倍。让没用过的人参与盲评，老手会被经验污染。
补充一组数据：评测期间不更新驱动不改配置，变量锁死。价格按测试当天折算，注明汇率与活动。先拿免费档试一周，再回来对答案。
“先说缺点，再谈优点。”
08结论的适用范围
那阵子中文高低一目了然是整份报告里最硬的一条。测试有边界：版本、时间、样本量都圈死了结论的适用范围。
追问下去：当时手头只有对比表格，照样把整轮测试跑完了。引用别人的数据必须标来源和测试条件。
把样本拉大后：众测反馈的文档里的测试做完之后，整份报告都顺了。对比对象选同档热门，别拿小厂刷战绩。
追问下去：高峰期单独加测一轮，闲时成绩不算数。高峰期单独加测一轮，闲时成绩不算数。
盲评与跑分的相关性（示意）
写到这里。Qwen3-Max-Thinking移动端众测中文命名实测的判定给完了，复测季度见。
这篇按勘误记录持续修订。
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移动端众测中文命名实测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。