一组数据看懂Qwen3-Max-Thinking大促期间实测公文写作实测
不接广告不恰饭，分数只对题目负责。
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。
01成绩摆出来
试过更花哨的评测框架，最后退回一张表格。失败的用例也放在这里，删掉它们就是造假。
补充一组数据：现在回看，政策没读就接入几乎是必然的。把「适合谁」写具体到岗位，别写「进阶用户」。
账单摊开算：第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。
最有用的一条：允许结论被推翻。给每篇评测定一个复核日期，到期强制回看。
盲评环节里：现在回看，政策没读就接入几乎是必然的。给每篇评测定一个复核日期，到期强制回看。这篇先到这，有新版本随时回来改。
02口径说明
第一周最大的发现，是高峰期和闲时能差出一倍。方法不公开的评测都是印象分。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。把「适合谁」写具体到岗位，别写「进阶用户」。
对照记录看：方法有缺陷就写进「已知局限」，别装没有。题目一半自编一半公开，防止套题。
账单摊开算：预算和需求不同，结论就不同，别滥用通用分。客服响应也算进总分，售后是产品的一部分。结论不妨质疑，方法随时欢迎检查。
03适合谁
判断标准只有一条：你的高频任务是不是它的强项。
对照记录看：现在回看，政策没读就接入几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
现在回看，政策没读就接入几乎是必然的。只测一遍就下结论，等于没测。
账单摊开算：有个细节：政策文本逐条划线的时候测，成绩稳定得多。把反对意见原样贴出来，比一致好评有用。
补充一组数据：具体说众测反馈的文档里那一轮：盲评顺序记错了一次，整组作废重来。分数变化百分之五以内，视为人手误差。
04下一步
本期未尽事项列了清单，逐项跟进。
实测中意外的是：复测用同一组题，别换题，否则不叫复测。给每篇评测定一个复核日期，到期强制回看。
补充一组数据：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。
账单摊开算：把秒表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。这篇先到这，有新版本随时回来改。
05同题对决
最有用的一条：允许结论被推翻。对比表在下面，每一格都能溯源到原始记录。
具体说众测反馈的文档里那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。
换个角度看：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。
把报告拆两半发，中途设了个勘误窗口。盲评时把品牌信息全部去掉，编号打乱。结论不妨质疑，方法随时欢迎检查。
- 折算会员 按用量算单价
- 并用切换 双模型并行两周
- 分组出题 中文专项分五组
- 用满额度 上限亲手摸到
06直接说答案
当时手头只有秒表，照样把整轮测试跑完了。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
盲评环节里：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。
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。
众测反馈的文档里的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
一轮评测的工时构成
07读数须知
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
口径统一后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比对象选同档热门，别拿小厂刷战绩。
值得单独说明：响应速度单独测，别和正确率混在一个分里。别用厂商给的演示样例，那是考过的题。
盲评环节里：有个细节：政策文本逐条划线的时候测，成绩稳定得多。失败的用例原样保留，那是报告的一半价值。
值得单独说明：没什么诀窍，就是每个数字都留了原始记录。盲评时把品牌信息全部去掉，编号打乱。
“方法公开，结论才站得住。”
08失分点分析
缺点说清楚，优点才可信。
先说反例：预算和需求不同，结论就不同，别滥用通用分。把「适合谁」写具体到岗位，别写「进阶用户」。
值得单独说明：结论压三天再发，是给自己留推翻的余地。官方榜单只当索引，不当证据。
先说反例：盲评时把品牌信息全部去掉，编号打乱。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。
写到这里。Qwen3-Max-Thinking大促期间实测公文写作实测的判定给完了，复测季度见。
有新版本我会回来更新这篇报告。
常被问到的
- Qwen3-Max-Thinking大促期间实测公文写作实测换用另一家要多久适应？
- 核心操作一周内能适应，成本在历史对话和习惯迁移。建议双模型并用两周再正式切换。
- 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。