昨天晚上，阿里悄然发布了一款新模型，Qwen3-Max-Thinking。这个模型的参数规模超过了1万亿，预训练数据达到36T tokens。

在19项权威基准测试中，其性能可媲美GPT-5.2-Thinking、Claude-Opus-4.5 和Gemini 3 Pro等顶尖模型。

上图是我重制后的表格,我们可以看到在4项基准测试中，千问的表现超过了GPT-5.2、Claude Opus 4.5和Gemini 3 Pro等頂尖模型，刷新了全球的记录，获得了第一。

这4项测试分别是C-Eval、HMMT Nov 2025、HLE (w/ tools)、Arena-Hard v2。

C-Eval第一，说明模型在中文理解、知识检索以及表述更强，Qwen超越了国外顶级模型的表现。

它让模型在理解用户问题的时候更容易抓住重点，能够按照中文的语义拆解问题，结合Arena-Hard，它能让同样的输入能够获得更完整、更少废话更接近人类偏好的回答。

HMMT Nov 25是哈佛和麻省理工数学锦标赛，它用来测试模型的高强度数学推理/解题能力，排名第一说明模型在复杂推理、多条件推导的情况会变得更强，通过提示词写代码逻辑容错性更高了。

而HLE拿到第一，可能对我们的作用更大，它是一个更聪明的智能体，会更懂规划，更会使用工具。

Qwen3-Max-Thinking这一次的创新是什么？

1、自适应工具调用的能力

模型调用工具的概念其实不新鲜了，最早期就开始有了Function Call，让模型能够去自主调用工具。但以前更多的时候工具的开关是掌握在用户手里，而现在是掌握在模型手里。

如果说GPT的创新是教会了模型遵循人类的指令，那千问可能是教会了模型在什么时候选择什么工具，以及基于用得好不好做了定向的训练。

根据官方的说明，而在搜索工具以往的幻觉、失忆老问题也得到了解决。

2、测试时扩展技术

这个技术简单的说，是让模型聚焦在没有解决的问题。如果它已经知道这件事就不会再重复推导了。

这件事的原因是，传统的做法是并行多个任务进行推理，然后选择最优的那一条，增加推理能力很多时候是增加推理任务，但这种问题是每条推理路径可能是相同的，那这时候就会造成了浪费。

而Qwen拒绝无休止的多开任务，它限制了任务的数量，用少量并行和多轮迭代把任务做得更深，省下来的计算预算，用来做经验提取和自我反思。

通过这种方式实现更高的上下文利用效率，前两周Deepseek 的Engma机制解决了通识查询的问题，这次Qwen解决了推理效率的问题

在相同Token的消耗下

GPQA（研究生级问答/高难知识推理）：90.3 → 92.8（+2.5）
HLE（高难长程推理）：34.1 → 36.5（+2.4）
LiveCodeBench v6（真实编码能力）：88.0 → 91.4（+3.4）
IMO-AnswerBench（奥数风格推理/答案准确）：89.5 → 91.5（+2.0）
HLE（w/ tools，带工具的高难推理）：55.8 → 58.3（+2.5）

长程推理的分值提升，避免了在长链路推理跑偏或者自相矛盾，真实编程能力让代码的效率更高了，而且还有了类似奥数式的精细推理，结合更好的工具使用能力帮助我们完成任务。

来一次实测吧

在中文理解的部分

Prompt：
帮我写一条回复给朋友的消息，拒绝他的借钱，要求：
语气：真诚但坚定，不怯懦
结构：3 段，每段不超过 2 句
禁用词：不能出现“但是”“抱歉”“可能”“不方便”
必须包含：给出一个替代帮助方式（非借钱）

我把国产的模型都测了1次，Qwen和Kimi的表现明显要更好，在借钱这种很难聊的场景，再顶尖的国外模型表现还是略差一些。

在联网查询+简单数学计算+中文理解部分

Prompt：
今天是 2026-01-27（背景时间）。
请你使用搜索确认：2026 年中国下一个公共假期的名称和日期，并给出引用来源。
然后计算：从 2026-01-27 到这个假期还有多少天（按自然日计算）。
最后用 2 句话告诉我：这个假期适合做什么“低成本”活动（别写旅游攻略）。

联网搜索和数据计算部分，二者表现相当，但GPT在怎么低成本过春节的部分，是让我去合照和年夜饭火锅，Qwen会更贴合中文语境，包饺子、贴春联还有视频拜年。

今天的分享就到这里了，文章没写完DeepseekOCR2，还有Kimi K2.5都来了，跟不上了。

学习和选择新工具的目的是为了搞出一个有用的东西来，而不是为了等着学习下一个工具啊!!

想摆烂。