［nao榜］qwen 3.8 max正式版评测

有点昂贵了啊。感觉阿里不是特别上心呢。不过毕竟开源了，还是值得鼓励。

思考链又长又臭的一律罚50分，纯参数+思考堆上来的，效果很失望

qwen3.8 max是2.5T

GLM5.2只有700多B

成本也体现在价格上了

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。


• 剧透内容幻觉：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。

不是 这是什么标点, 全角数组?

现在用 Qwen 取代了 Gemini，搜资料真不错。搜索能力有差距，但模型聪明。

雷霆大思考其实能接受，等降价了。。。 不降价就算了，后面 DeepSeek V4 Pro 会教他做人~