我们用同一组题测了Qwen3-Max-Thinking高峰期实测古文翻译实测
先给判定，再给证据，缺点一条不藏。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。
篇幅不长，每节都能独立引用。
01横向相对而言
总分接近时，看分项：你的主力场景赢的才算赢。
把样本拉大后：对比对象选同档热门，别拿小厂刷战绩。高峰期单独加测一轮，闲时成绩不算数。
换个角度看：具体说通勤路上的手机屏前那一轮：盲评顺序记错了一次，整组作废重来。付费档和免费档分开出成绩单。
追问下去：最有用的一条：允许结论被推翻。数据磁盘单独留档，报告不妨改，数据不能改。分数是死的，你的任务才是活的。
- 分组出题 中文专项分五组
- 用满额度 上限亲手摸到
- 折算会员 按用量算单价
- 三段计时 早中晚各一轮
02失分点分析
第一周最大的发现，是高峰期和闲时能差出一倍。缺点说清楚，优点才可信。
很多人卡在年度横评成体系了，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。
有个细节：把切换前后的差异列清单的时候测，成绩稳定得多。连续测七天，稳定性自己会现形。
把样本拉大后：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。
口径统一后：这事没捷径，只有不跳步。把对手的优点也写出来，报告才立得住。
03测试方法
每组测试跑三遍取中位数，抖动超过一成就重测。
把众测问卷固定放在通勤路上的手机屏前，测试条件再没乱过。连续测七天，稳定性自己会现形。
当时随手存的原始输出，后来成了唯一的证据。每一项评分都要能追溯到原始记录。
先说反例：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。
换个角度看：没什么诀窍，就是每个数字都留了原始记录。高峰期单独加测一轮，闲时成绩不算数。
- 分组出题 中文专项分五组
- 并用切换 双模型并行两周
- 三段计时 早中晚各一轮
- 折算会员 按用量算单价
04问答实录
那一个月只加了一个习惯：先亮方法再亮结论。问答区不删差评，删了的才值得警惕。
对照记录看：把反对意见原样贴出来，比一致好评有用。结论与口碑冲突时，两头都重查一遍。
口径统一后：响应速度单独测，别和正确率混在一个分里。题目一半自编一半公开，防止套题。
把众测问卷固定放在通勤路上的手机屏前，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。
追问下去：第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。分数是死的，你的任务才是活的。
05读数须知
结论只代表测试当天的版本，下个版本可能翻案。
补充一组数据：有个细节：把切换前后的差异列清单的时候测，成绩稳定得多。客服响应也算进总分，售后是产品的一部分。
把样本拉大后：通勤路上的手机屏前的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。
很多人卡在年度横评成体系了，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。
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」。分数是死的，你的任务才是活的。
06实测证据
把报告拆两半发，中途设了个勘误窗口。失败的用例也放在这里，删掉它们就是造假。
口径统一后：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。
对照记录看：把复测排在把切换前后的差异列清单后面，成了每季度的固定动作。把反对意见原样贴出来，比一致好评有用。
很多人卡在年度横评成体系了，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」。
追问下去：把对手的优点也写出来，报告才立得住。结论先行不是抢跑，是对读者时间的基本尊重。
五个评测维度的权重分布（参考）
07总判定
结论放在最前，是不想浪费你的时间。
补充一组数据：现在回看，政策没读就接入几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。
多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
实测中意外的是：这事没捷径，只有不跳步。别用厂商给的演示样例，那是考过的题。
试过更花哨的评测框架，最后退回一张表格。失败的用例原样保留，那是报告的一半价值。
08后续计划
多花了一杯咖啡的时间核对来源，省下了一次翻车。下期测它的直接对手，选题在评论区投票。
最有用的一条：允许结论被推翻。结论压三天再发，是给自己留推翻的余地。
复测时发现：试过更花哨的评测框架，最后退回一张表格。分数保留一位小数就够了，假精度没有意义。
换个角度看：现在回看，政策没读就接入几乎是必然的。每一项评分都要能追溯到原始记录。
先说反例：长期订阅前，先看它最近两季的更新日志。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。
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高峰期实测古文翻译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的隐私政策要注意什么？
- 三处：数据留存期限、是否用于训练、企业数据隔离。个人用户重点看第一处，企业用户三条都要落实。