季度复评：Qwen3-Max-Thinking切换实测公文格式对比退步了吗

删掉了形容词，留下的都是核对过的数字。

篇幅不长，每节都能独立引用。

01短板在哪

最有用的一条：允许结论被推翻。缺点说清楚，优点才可信。

换个角度看：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」。

换个角度看：试过更花哨的评测框架，最后退回一张表格。长期订阅前，先看它最近两季的更新日志。

盲评环节里：把秒表固定放在高峰期的早八工位，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。

账单摊开算：当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。

02先给结论

后来把题量压到「谁都能测完」的规模，反而坚持下来了。答案不绕弯，证据在后面逐条摆。

有个细节：免费档用满再下结论的时候测，成绩稳定得多。测速脚本开源出来，接受同样的审视。

对照记录看：只测一遍就下结论，等于没测。给每个数字标上时间戳，三个月后还能对账。

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。

03实测证据

失败的用例也放在这里，删掉它们就是造假。

最有用的一条：允许结论被推翻。价格按测试当天折算，注明汇率与活动。

换个角度看：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。

账单摊开算：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。

04你问我答

整理了后台最常被问的八个问题，一次答完。

追问下去：有个细节：免费档用满再下结论的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。

对照记录看：每组测试至少三遍，取中位数，抖动大就重测。别用厂商给的演示样例，那是考过的题。

复测时发现：测速脚本开源出来，接受同样的审视。把「适合谁」写具体到岗位，别写「进阶用户」。

05测试方法

这事没捷径，只有不跳步。方法不公开的评测都是印象分。

盲评环节里：评测工具本身也要校准，尺子歪了全盘皆输。题目一半自编一半公开，防止套题。

先说反例：长期订阅前，先看它最近两季的更新日志。连续测七天，稳定性自己会现形。

先说反例：评测期间不更新驱动不改配置，变量锁死。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

“分数是索引，场景才是答案。”

06适合谁

画像列在下面，越靠前匹配度越高。

换个角度看：只测一遍就下结论，等于没测。给每篇评测定一个复核日期，到期强制回看。

账单摊开算：每组测试至少三遍，取中位数，抖动大就重测。报告末尾留一行勘误记录，错了就补。

对照记录看：有个细节：免费档用满再下结论的时候测，成绩稳定得多。客服响应也算进总分，售后是产品的一部分。

值得单独说明：把秒表固定放在高峰期的早八工位，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。这篇先到这，有新版本随时回来改。

07读数须知

试过更花哨的评测框架，最后退回一张表格。价格和权益变动快，下单前以官方页面为准。

实测中意外的是：第一周最大的发现，是高峰期和闲时能差出一倍。评测工具本身也要校准，尺子歪了全盘皆输。

多花了一杯咖啡的时间核对来源，省下了一次翻车。复测用同一组题，别换题，否则不叫复测。

先说反例：试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。

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。报告末尾留一行勘误记录，错了就补。这篇先到这，有新版本随时回来改。

08下一步

季度复评已排上日程，同一组题再跑一遍。

账单摊开算：具体说高峰期的早八工位那一轮：盲评顺序记错了一次，整组作废重来。预算和需求不同，结论就不同，别滥用通用分。

换个角度看：现在回看，免费档没摸到上限几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。

值得单独说明：连续测七天，稳定性自己会现形。长期订阅前，先看它最近两季的更新日志。

值得单独说明：当时随手存的原始输出，后来成了唯一的证据。长期订阅前，先看它最近两季的更新日志。判定给完了，复测的事我们季度见。

写到这里。Qwen3-Max-Thinking切换实测公文格式对比的判定给完了，复测季度见。

许刻舟

效率工具测评人，通讯录里全是评测同行。把翻车记录写在最显眼处。

这位评测人的其他实测 →