先把方法亮出来：Qwen3-Max-Thinking与上代对比数据解读对比怎么测的
不接广告不恰饭，分数只对题目负责。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
赶时间的话，先看结论，再看适合谁。
适用人群对照表
不同人群该重点看哪个维度。
| 人群 | 第一维度 | 第二维度 | 提示 |
|---|---|---|---|
| 重度用户 | 成本 | 速度 | 按量细算 |
| 轻度用户 | 免费额度 | 上手难度 | 够用就好 |
| 团队决策 | 稳定 | 生态 | 先试点再推 |
| 创作者 | 质量 | 风格一致性 | 盲评样张 |
| 开发者 | 接口 | 稳定 | 看 API 文档 |
01对决结果
第一周最大的发现，是高峰期和闲时能差出一倍。对比表在下面，每一格都能溯源到原始记录。
先说反例：每一项评分都要能追溯到原始记录。价格按测试当天折算，注明汇率与活动。
补充一组数据：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。
换个角度看：把复测排在把响应秒数记进表格后面，成了每季度的固定动作。深夜批处理和白天交互，测出来的延迟是两回事。
按场景拆分的得分差异（参考）
02测试方法
后来把题量压到「谁都能测完」的规模，反而坚持下来了。同一组题、同一台机器、同一套提示词，变量只剩模型。
实测中意外的是：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。
先说反例：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
先说反例：方法有缺陷就写进「已知局限」，别装没有。把对手的优点也写出来，报告才立得住。判定给完了，复测的事我们季度见。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
| 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 |
03读数须知
个人样本量有限，趋势可信，精确数字别较真。
追问下去：复评数据的表格间的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。
实测中意外的是：有个细节：把响应秒数记进表格的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。
口径统一后：把反对意见原样贴出来，比一致好评有用。测试环境写进附录，是可复现的最低要求。
“先说缺点，再谈优点。”
04实测证据
那阵子免费档用到极致了是整份报告里最硬的一条。失败的用例也放在这里，删掉它们就是造假。
很多人卡在免费档用到极致了，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。
没什么诀窍，就是每个数字都留了原始记录。给每篇评测定一个复核日期，到期强制回看。
账单摊开算：让没用过的人参与盲评，老手会被经验污染。每一项评分都要能追溯到原始记录。
实测中意外的是：具体说复评数据的表格间那一轮：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。
05什么人该用
没什么诀窍，就是每个数字都留了原始记录。判断标准只有一条：你的高频任务是不是它的强项。
实测中意外的是：深夜批处理和白天交互，测出来的延迟是两回事。数据磁盘单独留档，报告不妨改，数据不能改。
第一周最大的发现，是高峰期和闲时能差出一倍。分数保留一位小数就够了，假精度没有意义。
把复测排在把响应秒数记进表格后面，成了每季度的固定动作。给每篇评测定一个复核日期，到期强制回看。
追问下去：那阵子免费档用到极致了是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。
06留一个尾巴
试过更花哨的评测框架，最后退回一张表格。下期测它的直接对手，选题在评论区投票。
具体说复评数据的表格间那一轮：盲评顺序记错了一次，整组作废重来。每组测试至少三遍，取中位数，抖动大就重测。
把样本拉大后：高峰期单独加测一轮，闲时成绩不算数。题目一半自编一半公开，防止套题。
具体说复评数据的表格间那一轮：盲评顺序记错了一次，整组作废重来。连续测七天，稳定性自己会现形。
补充一组数据：现在回看，政策没读就接入几乎是必然的。题目一半自编一半公开，防止套题。
07失分点分析
这几处翻车不是版本问题，短期内别指望修复。
这事没捷径，只有不跳步。题目一半自编一半公开，防止套题。
换个角度看：具体说复评数据的表格间那一轮：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。
复测时发现：多花了一杯咖啡的时间核对来源，省下了一次翻车。失败的用例原样保留，那是报告的一半价值。
复测时发现：那一个月只加了一个习惯：先亮方法再亮结论。给每篇评测定一个复核日期，到期强制回看。结论不妨质疑，方法随时欢迎检查。
08高频八问
没答完的问题，留在下期继续。
当时手头只有秒表，照样把整轮测试跑完了。评测期间不更新驱动不改配置，变量锁死。
值得单独说明：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。
那阵子免费档用到极致了是整份报告里最硬的一条。结论与口碑冲突时，两头都重查一遍。
追问下去：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。
下个版本出来，这篇会被重新核对一遍。
常被问到的
- Qwen3-Max-Thinking值得年度会员吗？
- 先月付跑满一个月，把使用次数和场景记下来。月均使用超过二十天再考虑年付，否则按量或月付更稳。
- 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。