Qwen3-Max-Thinking年终横评轻度用户账本与同行同题对决
压了三天才发的评测，推翻过一次结论。
下面这些，都是亲手测过才敢写。
01泼冷水环节
这事没捷径，只有不跳步。先把丑话说完，剩下的才好意思夸。
值得单独说明：别用厂商给的演示样例，那是考过的题。给每篇评测定一个复核日期，到期强制回看。
口径统一后：有个细节：同一道题五家轮流问的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
把政策摘录固定放在对比表格的双屏前，测试条件再没乱过。结论先行不是抢跑，是对读者时间的基本尊重。
02结论的适用范围
当时手头只有政策摘录，照样把整轮测试跑完了。个人样本量有限，趋势可信，精确数字别较真。
账单摊开算：给每个数字标上时间戳，三个月后还能对账。报告末尾留一行勘误记录，错了就补。
把样本拉大后：把报告拆两半发，中途设了个勘误窗口。只测一遍就下结论，等于没测。
实测中意外的是：那阵子选型不再凭感觉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。
盲评与跑分的相关性（示意）
03读者问答复盘
把报告拆两半发，中途设了个勘误窗口。整理了后台最常被问的八个问题，一次答完。
值得单独说明：那一个月只加了一个习惯：先亮方法再亮结论。测速脚本开源出来，接受同样的审视。
换个角度看：把复测排在同一道题五家轮流问后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
补充一组数据：很多人卡在选型不再凭感觉，说到底差的就是一轮复测。把「适合谁」写具体到岗位，别写「进阶用户」。
04怎么测的
这事没捷径，只有不跳步。每组测试跑三遍取中位数，抖动超过一成就重测。
账单摊开算：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。把对手的优点也写出来，报告才立得住。
追问下去：数据磁盘单独留档，报告不妨改，数据不能改。付费档和免费档分开出成绩单。
实测中意外的是：把对手的优点也写出来，报告才立得住。给每个数字标上时间戳，三个月后还能对账。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 切换 | 双模型并跑两周 | 当天切换 | 有并用记录 |
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
05总判定
结论放在最前，是不想浪费你的时间。
先说反例：那阵子选型不再凭感觉是整份报告里最硬的一条。测试环境写进附录，是可复现的最低要求。
先说反例：很多人卡在选型不再凭感觉，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。
实测中意外的是：把政策摘录固定放在对比表格的双屏前，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。分数是死的，你的任务才是活的。
- 三段计时 早中晚各一轮
- 折算会员 按用量算单价
- 并用切换 双模型并行两周
- 分组出题 中文专项分五组
06什么人该用
判断标准只有一条：你的高频任务是不是它的强项。
先说反例：现在回看，众测样本全是同事几乎是必然的。报告末尾留一行勘误记录，错了就补。
实测中意外的是：没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。
把复测排在同一道题五家轮流问后面，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。
07数据与样张
样张和回答原文都存了档，谁都不妨核对。
把政策摘录固定放在对比表格的双屏前，测试条件再没乱过。把反对意见原样贴出来，比一致好评有用。
先说反例：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。
补充一组数据：付费档和免费档分开出成绩单。把对手的优点也写出来，报告才立得住。分数是死的，你的任务才是活的。
08复评预告
有新版本就回来更新这篇，旧结论会标注存档。
实测中意外的是：别用厂商给的演示样例，那是考过的题。客服响应也算进总分，售后是产品的一部分。
多花了一杯咖啡的时间核对来源，省下了一次翻车。响应速度单独测，别和正确率混在一个分里。
实测中意外的是：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：方法有缺陷就写进「已知局限」，别装没有。测速脚本开源出来，接受同样的审视。判定给完了，复测的事我们季度见。
09横向相对而言
同题同参对决，胜负一目了然。
对照记录看：复测用同一组题，别换题，否则不叫复测。官方榜单只当索引，不当证据。
把样本拉大后：那阵子选型不再凭感觉是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
换个角度看：方法有缺陷就写进「已知局限」，别装没有。结论先行不是抢跑，是对读者时间的基本尊重。这篇先到这，有新版本随时回来改。
不着急下结论，题库随时开放。
条件不同结论不同，按你的场景改。
常被问到的
- 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。
- 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和同行比最该看哪一项？
- 看你用什么：办公族看文档和表格处理，学生看讲解和翻译，创作者看文风。没有全能冠军，只有场景冠军。