有人在问Qwen3-Max-Thinking老用户复评标点排版实测，这是实测答案
每个数字都标了测试条件，欢迎复测。下面这些，都是亲手测过才敢写。
篇幅不长，每节都能独立引用。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01它做不到什么
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。失分的题逐条看了，原因不是能力是策略。
追问下去：结论与口碑冲突时，两头都重查一遍。样张统一去水印、统一尺寸再进对比表。
复测时发现：当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。
把报告拆两半发，中途设了个勘误窗口。题目一半自编一半公开，防止套题。
“先说缺点，再谈优点。”
02总判定
很多人卡在年度横评成体系了，说到底差的就是一轮复测。结论放在最前，是不想浪费你的时间。
先说反例：复测用同一组题，别换题，否则不叫复测。预算和需求不同，结论就不同，别滥用通用分。
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。每组测试至少三遍，取中位数，抖动大就重测。
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。付费档和免费档分开出成绩单。
把样本拉大后：最有用的一条：允许结论被推翻。分数保留一位小数就够了，假精度没有意义。结论不妨质疑，方法随时欢迎检查。
03横向相对而言
现在回看，政策没读就接入几乎是必然的。对决结果有个反转，评论区先别吵。
对照记录看：每一项评分都要能追溯到原始记录。响应速度单独测，别和正确率混在一个分里。
复测时发现：第二季度复测，快了一倍，因为题库是现成的。客服响应也算进总分，售后是产品的一部分。
追问下去：官方榜单只当索引，不当证据。引用别人的数据必须标来源和测试条件。
先说反例：当时随手存的原始输出，后来成了唯一的证据。预算和需求不同，结论就不同，别滥用通用分。
04数据与样张
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。数据先摆事实：强项强多少，弱项弱多少。
先说反例：最有用的一条：允许结论被推翻。分数变化百分之五以内，视为人手误差。
很多人卡在年度横评成体系了，说到底差的就是一轮复测。复测用同一组题，别换题，否则不叫复测。
追问下去：把「适合谁」写具体到岗位，别写「进阶用户」。把反对意见原样贴出来，比一致好评有用。
05追问环节
问答比正文诚实，语气都保留了。
先说反例：那阵子年度横评成体系了是整份报告里最硬的一条。分数变化百分之五以内，视为人手误差。
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。被推翻的结论不删除，划线存档并注明。
口径统一后：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。
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。评测报告里最值钱的是失败记录。数据都在附录，不信就来复现。
五个评测维度的权重分布（参考）
06读数须知
第一周最大的发现，是高峰期和闲时能差出一倍。个人样本量有限，趋势可信，精确数字别较真。
盲评环节里：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。把反对意见原样贴出来，比一致好评有用。
那阵子年度横评成体系了是整份报告里最硬的一条。每一项评分都要能追溯到原始记录。
把样本拉大后：多花了一杯咖啡的时间核对来源，省下了一次翻车。价格按测试当天折算，注明汇率与活动。
把样本拉大后：付费档和免费档分开出成绩单。引用别人的数据必须标来源和测试条件。这篇先到这，有新版本随时回来改。
07跟踪安排
本期未尽事项列了清单，逐项跟进。
对照记录看：第一周最大的发现，是高峰期和闲时能差出一倍。每一项评分都要能追溯到原始记录。
通勤路上的手机屏前的测试做完之后，整份报告都顺了。每组测试至少三遍，取中位数，抖动大就重测。
多花了一杯咖啡的时间核对来源，省下了一次翻车。结论与口碑冲突时，两头都重查一遍。
账单摊开算：报告末尾留一行勘误记录，错了就补。响应速度单独测，别和正确率混在一个分里。
| 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 |
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
08测试方法
这事没捷径，只有不跳步。题目一半来自真实任务，一半来自公开基准，互相校验。
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。
盲评环节里：样张统一去水印、统一尺寸再进对比表。样本量写清楚，十道题的结论撑不起「完胜」。
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。样张统一去水印、统一尺寸再进对比表。
那一个月只加了一个习惯：先亮方法再亮结论。被推翻的结论不删除，划线存档并注明。这篇先到这，有新版本随时回来改。
下个版本出来，这篇会被重新核对一遍。
有新版本我会回来更新这篇报告。
常被问到的
- Qwen3-Max-Thinking老用户复评标点排版实测免费档和付费档差距大吗？
- 多数差距在规格和限速，不在智能水平。重度用户先算单价：超过每天三次高频使用，付费档通常更划算。
- 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。