Qwen3.8-Max 测评

短的结论：甲光向日金鳞开

基本情况：

Qwen 半年来连续遭遇团队变故，多少会影响到研发节奏。前 4 个月几乎月更模型，但发布 Qwen3.7 之后，节奏却突然慢了下来，足足打磨了两个月，才重新放出Qwen3.8-Max Preview，又过了两周才迎来最终正式版。

这样稳扎稳打的推进，Qwen3.8-Max 最终呈现的效果还是相当喜人。前代眼高手低的情况极大改观，Agent 能力一举冲到第一梯队，尤其前端表现，与当红明星 Kimi K3 相比也有一战之力。

推理能力也比 3.7 有小幅提升，不过由于这一代的推理长度上涨约 17%，导致更多回答命中了长度惩罚规则，最终得分略低于 3.7。如果不计算罚分，则其分数会超过 3.7，更加接近 K3。而且 Qwen3.8 的稳定性继承了家族传统，依然是国产模型 SOTA，地位无可撼动。

逻辑成绩：

表格的排序切换为按中位分数降序。

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-07 月榜

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

*4 红字模型代表工作在推理模式下(慢思考)，黑色模型则是对应的非推理模式(快思考)

编程 Agent：

*1 测试方式参见：大模型编程应用测试-V3榜单

• 编程：Qwen3.7-Max 在不同编程任务上偏差较大，处于部分可用状态。而Qwen3.8-Max 就目前已测试项目来看，则全部超过可用线，也领先中尺寸的 GLM-5.2。功能可用已不是 Qwen3.8 的目标，在需求拆解、审美、功能预判等方面表现同样可圈可点。
• 近期一些模型在需求收尾阶段通常会开展极为庞大的测试，一个功能点甚至会写上百用例。而 Qwen3.8 的行为相对“复古”，只在功能完成后少量冒烟，或者在无头环境里截图确认一两次。测试少不代表代码质量差，从结果来看，Qwen3.8 的 Bug 也并不多，证明其直出代码本身就足够优质。
• 审美方面，Qwen3.8 提升巨大。前代的 UI 遵循能用就行的最低标准，而新一代则带入了更多高级品味。在配色，尺寸，间距方面拿捏更到位。不过整体离头部的 Opus-5、Kimi K3 还有一段差距，达不到直接投入生产的状态。而且有些场景为了美观，甚至会出现功能让步。
• Qwen3.8 面对棘手问题偶尔也会不择手段。比如遇到使用自己幻觉出来 API 反复报错，并没有去查证文档，而是选择破坏既定架构和开闭原则，把类的私有变量直接暴露出来，然后写一个正当化的注释“欺骗”自己。笔者的测试环境全部在沙盒中，Qwen3.8 遇到沙盒禁止的行为，也会花费数十轮尝试绕过沙盒，最终还是沙盒技高一筹，Qwen 功败垂成。
• Qwen3.8 在面对陌生任务时的搜索调查意愿并不强烈。比如 J 项目本身难度不高，但涉及大量知识和数据查证工作，基本所有模型都会展开几轮到十几轮不等的搜索，而 Qwen3.8 是完全凭自己“记忆”完成的，展示出大尺寸模型该有的世界知识储量。只有在推进受阻，遇到疑似三方 Bug 时，Qwen3.8 才会向 Github 发起一轮源码查询动作。先前 Qwen3.7 的搜索行为也很克制，这方面算是一种延续。
• 推理效率：前面提到，Qwen3.8 整体较前代上涨了 17% Token 开销，增量大部分来自指令遵循和约束求解类任务。尤其约束求解类，只要存在理论上枚举可能性，Qwen3.8 会不厌其烦的详细展开，仔细考察每一种组合可能性。个别题目较前代暴涨 700% Token 用量，不但触发长度惩罚，也极大拉高平均 Token。有些思考过程也存在浪费，比如题目只涉及一句引用，思维链却在背诵被引用的全文。但这种能力也有好处，在需要穷举所有结果的任务，Qwen3.8 也能遵守要求举出多数答案。虽然 Qwen3.8 的平均 Token 比 DeepSeek V4 Flash 低不少，但在复杂问题上，DS Flash 有概率在限定 Token 内也解出高分答案，而 Qwen3.8 则几乎都超长，导致 Qwen3.8 受到的长度惩罚更重。
• 幻觉：Qwen 团队在处理幻觉方面是有优势的，Qwen3.8 整体幻觉比前代又有精进，与参数接近的 Kimi K3 在同一水平。捞针类任务场景 Qwen3.8 表现要更稳定，也与官方宣称的提升吻合。

赛博史官曰：

对阿里而言，原本可以像北美 Amazon 那样早早放弃自己的模型，安心做一个底层算力供应商，不失为富家翁。而阿里选择了坚持自研，甚至把可以卖出极高溢价的珍贵资源悉数回收，全力支持 Qwen 团队去摸高。这就像不惜血本培养接班人的创业元老，他希望后人能尽快成长起来，接过旗，扛大梁。但这也给 Qwen 团队出了一道难解的题：如果做不出不加定语的世界一流模型，就兑现不了这份期许。

暴雨将至，这宛如积雨云般的沉重氛围还将伴随团队良久。疾风吹开乌云一角，金色阳光穿过浓密的水汽，倾泻在大地之上，那里是身负行囊，手持利刃，默默行军的阿里人。将军百战死，壮士十年归，捐躯赴国难，视死忽如归。