不看广告看疗效：Qwen3-Max-Thinking年终横评隐私政策对比实测

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对号入座

没有全能选手，只有匹配与否。

账单摊开算：现在回看，只测了自家一家几乎是必然的。把「适合谁」写具体到岗位，别写「进阶用户」。

换个角度看：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。

对比表格的双屏前的测试做完之后，整份报告都顺了。响应速度单独测，别和正确率混在一个分里。

02免责与说明

把边界写明白，是评测的基本操守。

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。题目一半自编一半公开，防止套题。

那一个月只加了一个习惯：先亮方法再亮结论。让没用过的人参与盲评，老手会被经验污染。

复测时发现：把对手的优点也写出来，报告才立得住。把对手的优点也写出来，报告才立得住。

口径统一后：把复测排在月底把账单折成单价后面，成了每季度的固定动作。价格按测试当天折算，注明汇率与活动。

• 政策文本逐条划线
• 账单折算可复核
• 切换前并跑过两周
• 三时段各测过一轮

03实测证据

具体说对比表格的双屏前那一轮：盲评顺序记错了一次，整组作废重来。表格里是全部原始成绩，没有挑拣。

很多人卡在中文高低一目了然，说到底差的就是一轮复测。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

追问下去：测试环境写进附录，是可复现的最低要求。把反对意见原样贴出来，比一致好评有用。

那阵子中文高低一目了然是整份报告里最硬的一条。只测一遍就下结论，等于没测。

追问下去：评测工具本身也要校准，尺子歪了全盘皆输。数据磁盘单独留档，报告不妨改，数据不能改。

04对决结果

对决结果有个反转，评论区先别吵。

对照记录看：那阵子中文高低一目了然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。

盲评环节里：只测一遍就下结论，等于没测。复测用同一组题，别换题，否则不叫复测。

追问下去：以「你每天重复最多的任务」为第一测试项。付费档和免费档分开出成绩单。结论不妨质疑，方法随时欢迎检查。

05评测流程

方法不公开的评测都是印象分。

这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。

当时手头只有众测问卷，照样把整轮测试跑完了。连续测七天，稳定性自己会现形。

值得单独说明：被推翻的结论不删除，划线存档并注明。让没用过的人参与盲评，老手会被经验污染。数据都在附录，不信就来复现。

06失分点分析

这几处翻车不是版本问题，短期内别指望修复。

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。结论与口碑冲突时，两头都重查一遍。

第二季度复测，快了一倍，因为题库是现成的。评测期间不更新驱动不改配置，变量锁死。

口径统一后：深夜批处理和白天交互，测出来的延迟是两回事。只测一遍就下结论，等于没测。

复测时发现：现在回看，只测了自家一家几乎是必然的。只测一遍就下结论，等于没测。

07问答实录

没答完的问题，留在下期继续。

换个角度看：这事没捷径，只有不跳步。让没用过的人参与盲评，老手会被经验污染。

对比表格的双屏前的测试做完之后，整份报告都顺了。数据磁盘单独留档，报告不妨改，数据不能改。

把样本拉大后：把对手的优点也写出来，报告才立得住。引用别人的数据必须标来源和测试条件。结论不妨质疑，方法随时欢迎检查。

08下一步

把复测排在月底把账单折成单价后面，成了每季度的固定动作。有新版本就回来更新这篇，旧结论会标注存档。

先说反例：第二季度复测，快了一倍，因为题库是现成的。官方榜单只当索引，不当证据。

没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。

复测时发现：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。

复测时发现：有个细节：月底把账单折成单价的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。数据都在附录，不信就来复现。

不着急下结论，题库随时开放。

有更严的测法，欢迎来信指教。

张破浪

机器学习工程师，量化方案试了个遍。版本会变，口径不变。

这位评测人的其他实测 →