Qwen3-Max-Thinking与国产同行对比邮件起草对比免费档实测：够不够用
这份报告里没有惊喜，只有核对过的数据。
删掉了形容词，留下的都是核对过的数字。
赶时间的话，先看结论，再看适合谁。
01和同行摆一起
对决结果有个反转，评论区先别吵。
追问下去：把对手的优点也写出来，报告才立得住。高峰期单独加测一轮，闲时成绩不算数。
值得单独说明：第二季度复测，快了一倍，因为题库是现成的。深夜批处理和白天交互，测出来的延迟是两回事。
多花了一杯咖啡的时间核对来源，省下了一次翻车。只测一遍就下结论，等于没测。
02复评预告
现在回看，切换当天才发现坑几乎是必然的。季度复评已排上日程，同一组题再跑一遍。
没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
现在回看，切换当天才发现坑几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。
试过更花哨的评测框架，最后退回一张表格。把对手的优点也写出来，报告才立得住。
03总判定
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
先说反例：每组测试至少三遍，取中位数，抖动大就重测。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
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。报告末尾留一行勘误记录，错了就补。
换个角度看：试过更花哨的评测框架，最后退回一张表格。给每个数字标上时间戳，三个月后还能对账。
盲评环节里：把反对意见原样贴出来，比一致好评有用。分数变化百分之五以内，视为人手误差。这篇先到这，有新版本随时回来改。
- 切换前并跑过两周
- 免费档用满才下结论
- 账单折算可复核
- 三时段各测过一轮
04测试方法
第一周最大的发现，是高峰期和闲时能差出一倍。环境与参数写在文末附录，欢迎一键复现。
账单摊开算：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。
复测时发现：最有用的一条：允许结论被推翻。付费档和免费档分开出成绩单。
当时手头只有切换清单，照样把整轮测试跑完了。结论压三天再发，是给自己留推翻的余地。
05成绩摆出来
多花了一杯咖啡的时间核对来源，省下了一次翻车。表格里是全部原始成绩，没有挑拣。
盲评环节里：当时手头只有切换清单，照样把整轮测试跑完了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
对比表格的双屏前的测试做完之后，整份报告都顺了。分数变化百分之五以内，视为人手误差。
盲评环节里：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。先拿免费档试一周，再回来对答案。
06人群画像
没有全能选手，只有匹配与否。
值得单独说明：以「你每天重复最多的任务」为第一测试项。以「你每天重复最多的任务」为第一测试项。
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。题目一半自编一半公开，防止套题。
盲评环节里：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。这篇先到这，有新版本随时回来改。
07读数须知
结论只代表测试当天的版本，下个版本可能翻案。
当时随手存的原始输出，后来成了唯一的证据。响应速度单独测，别和正确率混在一个分里。
口径统一后：当时随手存的原始输出，后来成了唯一的证据。方法有缺陷就写进「已知局限」，别装没有。
把样本拉大后：价格按测试当天折算，注明汇率与活动。把反对意见原样贴出来，比一致好评有用。
值得单独说明：这事没捷径，只有不跳步。盲评时把品牌信息全部去掉，编号打乱。
盲评与跑分的相关性（示意）
08它做不到什么
很多人卡在选型不再凭感觉，说到底差的就是一轮复测。先把丑话说完，剩下的才好意思夸。
先说反例：数据磁盘单独留档，报告不妨改，数据不能改。每一项评分都要能追溯到原始记录。
值得单独说明：把报告拆两半发，中途设了个勘误窗口。样本量写清楚，十道题的结论撑不起「完胜」。
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。响应速度单独测，别和正确率混在一个分里。
追问下去：分数变化百分之五以内，视为人手误差。价格按测试当天折算，注明汇率与活动。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
| 生态 | 办公联动逐项试 | 看功能列表 | 联动有截图 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
下个版本出来，这篇会被重新核对一遍。
这篇按勘误记录持续修订。
常被问到的
- Qwen3-Max-Thinking与国产同行对比邮件起草对比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。