Qwen3-Max-Thinking高峰期实测邮件起草对比评测附录：原始数据全公开
盲评、复测、原始记录，三样都齐。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
删掉了形容词，留下的都是核对过的数字。
01测试的边界
有个细节：把差评也原样记录的时候测，成绩稳定得多。测试有边界：版本、时间、样本量都圈死了结论的适用范围。
补充一组数据：每组测试至少三遍，取中位数，抖动大就重测。以「你每天重复最多的任务」为第一测试项。
换个角度看：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。
口径统一后：别用厂商给的演示样例，那是考过的题。测速脚本开源出来，接受同样的审视。
02下一步
季度复评已排上日程，同一组题再跑一遍。
盲评环节里：那阵子众测反馈有据可查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。
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。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：很多人卡在众测反馈有据可查，说到底差的就是一轮复测。给每篇评测定一个复核日期，到期强制回看。判定给完了，复测的事我们季度见。
一轮评测的工时构成
03先亮方法
第一周最大的发现，是高峰期和闲时能差出一倍。题目一半来自真实任务，一半来自公开基准，互相校验。
那一个月只加了一个习惯：先亮方法再亮结论。引用别人的数据必须标来源和测试条件。
值得单独说明：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。
账单摊开算：以「你每天重复最多的任务」为第一测试项。长期订阅前，先看它最近两季的更新日志。这篇先到这，有新版本随时回来改。
04与对手对比
对比表在下面，每一格都能溯源到原始记录。
很多人卡在众测反馈有据可查，说到底差的就是一轮复测。结论压三天再发，是给自己留推翻的余地。
追问下去：高峰期单独加测一轮，闲时成绩不算数。给每篇评测定一个复核日期，到期强制回看。
把样本拉大后：那阵子众测反馈有据可查是整份报告里最硬的一条。数据磁盘单独留档，报告不妨改，数据不能改。
换个角度看：把多设备组固定放在高峰期的早八工位，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。数据都在附录，不信就来复现。
05你问我答
追问最凶的几题，单独立项重测了。
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。
追问下去：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。
把样本拉大后：高峰期的早八工位的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。判定给完了，复测的事我们季度见。
06场景匹配
高峰期的早八工位的测试做完之后，整份报告都顺了。判断标准只有一条：你的高频任务是不是它的强项。
补充一组数据：很多人卡在众测反馈有据可查，说到底差的就是一轮复测。评测工具本身也要校准，尺子歪了全盘皆输。
口径统一后：结论压三天再发，是给自己留推翻的余地。把反对意见原样贴出来，比一致好评有用。
把样本拉大后：当时随手存的原始输出，后来成了唯一的证据。测试环境写进附录，是可复现的最低要求。
追问下去：高峰期的早八工位的测试做完之后，整份报告都顺了。把对手的优点也写出来，报告才立得住。
07数据与样张
第二季度复测，快了一倍，因为题库是现成的。失败的用例也放在这里，删掉它们就是造假。
复测时发现：现在回看，只测了自家一家几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。
对照记录看：当时手头只有多设备组，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。
那阵子众测反馈有据可查是整份报告里最硬的一条。样张统一去水印、统一尺寸再进对比表。
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。先拿免费档试一周，再回来对答案。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
| 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 |
08总判定
结论放在最前，是不想浪费你的时间。
盲评环节里：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。
试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。
现在回看，只测了自家一家几乎是必然的。样张统一去水印、统一尺寸再进对比表。
口径统一后：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。
09短板在哪
缺点说清楚，优点才可信。
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。
第一周最大的发现，是高峰期和闲时能差出一倍。结论压三天再发，是给自己留推翻的余地。
盲评环节里：题目一半自编一半公开，防止套题。题目一半自编一半公开，防止套题。结论不妨质疑，方法随时欢迎检查。
不着急下结论，题库随时开放。
常被问到的
- Qwen3-Max-Thinking高峰期实测邮件起草对比免费档和付费档差距大吗？
- 多数差距在规格和限速，不在智能水平。重度用户先算单价：超过每天三次高频使用，付费档通常更划算。
- Qwen3-Max-Thinking高峰期实测邮件起草对比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。
- 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。