我们用同一组题测了Qwen3-Max-Thinking长对话实测备案资质盘点
同一组题目、同一套流程，测完才敢下结论。
删掉了形容词，留下的都是核对过的数字。
下面这些，都是亲手测过才敢写。
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原始记录
那一个月只加了一个习惯：先亮方法再亮结论。表格里是全部原始成绩，没有挑拣。
先说反例：当时随手存的原始输出，后来成了唯一的证据。给每个数字标上时间戳，三个月后还能对账。
换个角度看：付费档和免费档分开出成绩单。把「适合谁」写具体到岗位，别写「进阶用户」。
实测中意外的是：把对手的优点也写出来，报告才立得住。给每个数字标上时间戳，三个月后还能对账。
现在回看，只测了自家一家几乎是必然的。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。这篇先到这，有新版本随时回来改。
02一句话判定
把报告拆两半发，中途设了个勘误窗口。先说判定：值得测的场景多，值得付钱的场景少。
对照记录看：那一个月只加了一个习惯：先亮方法再亮结论。把「适合谁」写具体到岗位，别写「进阶用户」。
口径统一后：这事没捷径，只有不跳步。引用别人的数据必须标来源和测试条件。
账单摊开算：结论先行不是抢跑，是对读者时间的基本尊重。响应速度单独测，别和正确率混在一个分里。
多花了一杯咖啡的时间核对来源，省下了一次翻车。引用别人的数据必须标来源和测试条件。
成本与质量的相对位置
03怎么测的
没什么诀窍，就是每个数字都留了原始记录。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：后来把题量压到「谁都能测完」的规模，反而坚持下来了。盲评时把品牌信息全部去掉，编号打乱。
口径统一后：题目一半自编一半公开，防止套题。评测期间不更新驱动不改配置，变量锁死。
口径统一后：具体说实测记录的本子旁那一轮：盲评顺序记错了一次，整组作废重来。测试环境写进附录，是可复现的最低要求。
补充一组数据：那一个月只加了一个习惯：先亮方法再亮结论。报告末尾留一行勘误记录，错了就补。数据都在附录，不信就来复现。
04复评预告
那一个月只加了一个习惯：先亮方法再亮结论。本期未尽事项列了清单，逐项跟进。
口径统一后：具体说实测记录的本子旁那一轮：盲评顺序记错了一次，整组作废重来。被推翻的结论不删除，划线存档并注明。
账单摊开算：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。
盲评环节里：实测记录的本子旁的测试做完之后，整份报告都顺了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
先说反例：给每个数字标上时间戳，三个月后还能对账。别用厂商给的演示样例，那是考过的题。分数是死的，你的任务才是活的。
05与对手对比
同题同参对决，胜负一目了然。
对照记录看：实测记录的本子旁的测试做完之后，整份报告都顺了。结论先行不是抢跑，是对读者时间的基本尊重。
多花了一杯咖啡的时间核对来源，省下了一次翻车。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
账单摊开算：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。结论不妨质疑，方法随时欢迎检查。
06人群画像
第二季度复测，快了一倍，因为题库是现成的。三类人适合，两类人别碰，对号入座。
值得单独说明：失败的用例原样保留，那是报告的一半价值。题目一半自编一半公开，防止套题。
追问下去：被推翻的结论不删除，划线存档并注明。样张统一去水印、统一尺寸再进对比表。
口径统一后：那阵子高峰期心里有数是整份报告里最硬的一条。长期订阅前，先看它最近两季的更新日志。
- 用满额度 上限亲手摸到
- 并用切换 双模型并行两周
- 分组出题 中文专项分五组
- 三段计时 早中晚各一轮
07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。
补充一组数据：预算和需求不同，结论就不同，别滥用通用分。长期订阅前，先看它最近两季的更新日志。
对照记录看：第二季度复测，快了一倍，因为题库是现成的。结论压三天再发，是给自己留推翻的余地。
有个细节：月底把账单折成单价的时候测，成绩稳定得多。分数保留一位小数就够了，假精度没有意义。
- 折算会员 按用量算单价
- 分组出题 中文专项分五组
- 用满额度 上限亲手摸到
- 三段计时 早中晚各一轮
08问答实录
追问最凶的几题，单独立项重测了。
对照记录看：当时随手存的原始输出，后来成了唯一的证据。长期订阅前，先看它最近两季的更新日志。
实测记录的本子旁的测试做完之后，整份报告都顺了。预算和需求不同，结论就不同，别滥用通用分。
把报告拆两半发，中途设了个勘误窗口。分数保留一位小数就够了，假精度没有意义。
报告交了，剩下的看你的任务怎么对号。
条件不同结论不同，按你的场景改。
常被问到的
- 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。
- Qwen3-Max-Thinking长对话实测备案资质盘点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。