有人在问Qwen3-Max-Thinking政务场景实测小程序体验，这是实测答案
结论写在最前，方法全部公开，数据可复现。这篇按评测的顺序写：结论、方法、数据、短板、适配。
下面这些，都是亲手测过才敢写。
删掉了形容词，留下的都是核对过的数字。
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问答实录
最有用的一条：允许结论被推翻。没答完的问题，留在下期继续。
很多人卡在高峰期心里有数，说到底差的就是一轮复测。评测报告里最值钱的是失败记录。
很多人卡在高峰期心里有数，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。
现在回看，免费档没摸到上限几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。
试过更花哨的评测框架，最后退回一张表格。结论先行不是抢跑，是对读者时间的基本尊重。
02它做不到什么
第一周最大的发现，是高峰期和闲时能差出一倍。先把丑话说完，剩下的才好意思夸。
账单摊开算：只测一遍就下结论，等于没测。样本量写清楚，十道题的结论撑不起「完胜」。
追问下去：样本量写清楚，十道题的结论撑不起「完胜」。评测期间不更新驱动不改配置，变量锁死。
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。失败的用例原样保留，那是报告的一半价值。
03先亮方法
最有用的一条：允许结论被推翻。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：多花了一杯咖啡的时间核对来源，省下了一次翻车。结论压三天再发，是给自己留推翻的余地。
追问下去：价格按测试当天折算，注明汇率与活动。引用别人的数据必须标来源和测试条件。
账单摊开算：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。分数是死的，你的任务才是活的。
按场景拆分的得分差异（参考）
04适合谁
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。画像列在下面，越靠前匹配度越高。
那一个月只加了一个习惯：先亮方法再亮结论。数据磁盘单独留档，报告不妨改，数据不能改。
口径统一后：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。
值得单独说明：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。方法有缺陷就写进「已知局限」，别装没有。
第二季度复测，快了一倍，因为题库是现成的。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
- 三段计时 早中晚各一轮
- 折算会员 按用量算单价
- 用满额度 上限亲手摸到
05成绩摆出来
当时随手存的原始输出，后来成了唯一的证据。数据先摆事实：强项强多少，弱项弱多少。
实测中意外的是：高峰期单独加测一轮，闲时成绩不算数。以「你每天重复最多的任务」为第一测试项。
换个角度看：现在回看，免费档没摸到上限几乎是必然的。连续测七天，稳定性自己会现形。
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。评测期间不更新驱动不改配置，变量锁死。判定给完了，复测的事我们季度见。
06总判定
结论放在最前，是不想浪费你的时间。
把样本拉大后：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。
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。给每个数字标上时间戳，三个月后还能对账。
对照记录看：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。
对照记录看：引用别人的数据必须标来源和测试条件。方法有缺陷就写进「已知局限」，别装没有。这篇先到这，有新版本随时回来改。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 早中晚三时段计时 | 只测一次 | 时段分开报 |
| 生态 | 办公联动逐项试 | 看功能列表 | 联动有截图 |
| 切换 | 双模型并跑两周 | 当天切换 | 有并用记录 |
07后续计划
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。有新版本就回来更新这篇，旧结论会标注存档。
先说反例：被推翻的结论不删除，划线存档并注明。结论与口碑冲突时，两头都重查一遍。
当时随手存的原始输出，后来成了唯一的证据。以「你每天重复最多的任务」为第一测试项。
这事没捷径，只有不跳步。复测用同一组题，别换题，否则不叫复测。
盲评环节里：那一个月只加了一个习惯：先亮方法再亮结论。每一项评分都要能追溯到原始记录。
报告交了，剩下的看你的任务怎么对号。
常被问到的
- Qwen3-Max-Thinking政务场景实测小程序体验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的中文真的比海外模型强吗？
- 分任务：成语、公文、分寸感普遍占优；英文语料和代码生态仍是海外强项。拿你最高频的三类任务各测十题，答案自己会出来。