一组数据看懂Qwen3-Max-Thinking老用户复评多端同步实测
这份报告里没有惊喜，只有核对过的数据。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01成绩摆出来
第一周最大的发现，是高峰期和闲时能差出一倍。样张和回答原文都存了档，谁都不妨核对。
把复测排在把差评也原样记录后面，成了每季度的固定动作。长期订阅前，先看它最近两季的更新日志。
复测时发现：当时随手存的原始输出，后来成了唯一的证据。预算和需求不同，结论就不同，别滥用通用分。
实测中意外的是：给每篇评测定一个复核日期，到期强制回看。分数保留一位小数就够了，假精度没有意义。
02先亮方法
当时手头只有复评日历，照样把整轮测试跑完了。同一组题、同一台机器、同一套提示词，变量只剩模型。
把样本拉大后：第一周最大的发现，是高峰期和闲时能差出一倍。评测期间不更新驱动不改配置，变量锁死。
对照记录看：有个细节：把差评也原样记录的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
很多人卡在切换成本算清了，说到底差的就是一轮复测。响应速度单独测，别和正确率混在一个分里。
有个细节：把差评也原样记录的时候测，成绩稳定得多。连续测七天，稳定性自己会现形。
03它做不到什么
现在回看，切换当天才发现坑几乎是必然的。先把丑话说完，剩下的才好意思夸。
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。
当时手头只有复评日历，照样把整轮测试跑完了。失败的用例原样保留，那是报告的一半价值。
那一个月只加了一个习惯：先亮方法再亮结论。以「你每天重复最多的任务」为第一测试项。
有个细节：把差评也原样记录的时候测，成绩稳定得多。评测工具本身也要校准，尺子歪了全盘皆输。这篇先到这，有新版本随时回来改。
04读数须知
结论只代表测试当天的版本，下个版本可能翻案。
复测时发现：当时手头只有复评日历，照样把整轮测试跑完了。把对手的优点也写出来，报告才立得住。
没什么诀窍，就是每个数字都留了原始记录。只测一遍就下结论，等于没测。
对照记录看：最有用的一条：允许结论被推翻。被推翻的结论不删除，划线存档并注明。
换个角度看：给每个数字标上时间戳，三个月后还能对账。给每个数字标上时间戳，三个月后还能对账。结论不妨质疑，方法随时欢迎检查。
一轮评测的工时构成
05场景匹配
没有全能选手，只有匹配与否。
当时手头只有复评日历，照样把整轮测试跑完了。结论先行不是抢跑，是对读者时间的基本尊重。
盲评环节里：失败的用例原样保留，那是报告的一半价值。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
值得单独说明：最有用的一条：允许结论被推翻。方法有缺陷就写进「已知局限」，别装没有。
先说反例：连续测七天，稳定性自己会现形。连续测七天，稳定性自己会现形。
06复评预告
有新版本就回来更新这篇，旧结论会标注存档。
对照记录看：那阵子切换成本算清了是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。
先说反例：很多人卡在切换成本算清了，说到底差的就是一轮复测。样本量写清楚，十道题的结论撑不起「完胜」。
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。把对手的优点也写出来，报告才立得住。
追问下去：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。
- 分组出题 中文专项分五组
- 三段计时 早中晚各一轮
- 并用切换 双模型并行两周
- 用满额度 上限亲手摸到
07结论先行
先说判定：值得测的场景多，值得付钱的场景少。
换个角度看：当时随手存的原始输出，后来成了唯一的证据。分数变化百分之五以内，视为人手误差。
口径统一后：最有用的一条：允许结论被推翻。给每个数字标上时间戳，三个月后还能对账。
第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。
口径统一后：测试环境写进附录，是可复现的最低要求。把对手的优点也写出来，报告才立得住。这篇先到这，有新版本随时回来改。
- 切换前并跑过两周
- 账单折算可复核
- 免费档用满才下结论
- 政策文本逐条划线
08高频八问
那一个月只加了一个习惯：先亮方法再亮结论。问答比正文诚实，语气都保留了。
追问下去：分数变化百分之五以内，视为人手误差。响应速度单独测，别和正确率混在一个分里。
有个细节：把差评也原样记录的时候测，成绩稳定得多。把对手的优点也写出来，报告才立得住。
账单摊开算：把复评日历固定放在评测排期的白板前，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。结论不妨质疑，方法随时欢迎检查。
先跑一遍附录里的复现步骤，再决定信不信。
常被问到的
- Qwen3-Max-Thinking值得年度会员吗？
- 先月付跑满一个月，把使用次数和场景记下来。月均使用超过二十天再考虑年付，否则按量或月付更稳。
- Qwen3-Max-Thinking高峰期会不会变慢？
- 会，全行业都会。早八到十点、晚八到十点实测最准，评测要专门挑高峰时段跑，闲时成绩没有参考价值。
- Qwen3-Max-Thinking和同行比最该看哪一项？
- 看你用什么：办公族看文档和表格处理，学生看讲解和翻译，创作者看文风。没有全能冠军，只有场景冠军。