国产首个对标Gemini3的大模型来了！阿里千问Qwen3-Max-Thinking实测体验

国产首个对标Gemini3的大模型，正式亮相。

1月26日，阿里巴巴发布了旗下旗舰推理模型Qwen3-Max-Thinking。

该模型总参数超万亿，预训练数据量达36T Tokens，在科学知识（GPQA Diamond）、数学推理（IMO-AnswerBench）、代码编程（LiveCodeBench）等权威评测中刷新全球纪录。它在数学推理AIME 25和HMMT 25中斩获国内首个双满分，在HLE测试中得分58.3，大幅领先GPT-5.2-Thinking的45.5与Gemini 3 Pro的45.8。

从发布时机来看，当前AI圈各大厂商均在蓄力，阿里此时推出Qwen3-Max-Thinking，显然意在抢占“国产首个Gemini 3级大模型”的先机。

尽管评测数据亮眼，但它能否真正媲美Gemini3？

测试发现，Qwen生成代码的初期失败率较高，但在阿里熟悉的电商场景中表现突出。例如搭建水果电商网站时，商品分类、购物车、结算等功能可一次完成，逻辑完整且体验流畅，这得益于淘宝天猫的海量场景数据积累。

不过在其他领域，成功率稳定性不足。若需求契合其优势场景，体验较好；反之则需多次调整提示词。

针对Gemini 3曾展示的体感控制打气球游戏案例（通过摄像头实现手势控制准星、捏合动作射击，包含天空背景、云层漂移、击中特效、连击反馈等细节），Qwen的表现令人意外。

千问的表现超出预期。游戏框架一次搭建完成：天空渐变背景、气球从底部生成并上升、不同大小气球速度各异、UI显示分数与连击数，基础逻辑均无问题。

交互设计颇具巧思。伸出食指时准星随手指移动，拇指与食指捏合即可开火。击中气球瞬间屏幕轻微震动，气球爆炸有粒子特效与“啵”的音效，反馈感充足。连续击中会显示combo数字，即时反馈增强代入感。

但实际操作存在明显缺陷：瞄准精度不足。手指对准气球时，准星位置常出现偏差，需多次尝试才能命中。这可能源于手部追踪与屏幕坐标映射的偏差，或校准算法精度不足。尽管Qwen实现了体感控制全流程（摄像头调用、手势识别、射击反馈等环节均打通），但核心的“指哪打哪”精度未达理想效果，影响游戏体验。

Qwen3-Max-Thinking的核心突破并非参数规模，而是推理方式的革新。该模型采用全新的测试时扩展（Test-time Scaling）机制，在提升推理性能的同时兼顾经济性。

传统AI解题方式类似“多答案投票”：生成10份答案后选择支持率最高的，但这种方法算力消耗大且易出现共性错误。Qwen3则采用类人思维：先完成解题，再复盘修正，如同人类使用错题本，二次解题准确率更高。这使其在工具使用测试中得分58.3，远超Gemini的45.8。

在工具调用方面，Qwen将工具使用能力“训练内化”。通义团队先通过微调教会模型使用工具，再在多样化任务中进行规则奖励与模型奖励的联合强化学习，使模型具备智能结合工具思考的能力。

这种三步训练法（工具使用教学→强化练习→形成条件反射）的优势在于：工具调用更高效流畅，无需重复学习工具说明，且模型能自主判断工具使用时机。这正是Qwen在HLE测试中领先12分的关键，尤其在连续使用多工具解决复杂问题时，这种“肌肉记忆”优势更为明显。

相比之下，Gemini采用传统软件工程思路：模型负责理解意图，工具调用依赖外部API框架。这种方式灵活性强（如接入沃尔玛购物功能无需重新训练模型），但每次调用需经过“意图理解→API翻译→执行→结果解析”流程，效率低且易出错。

Qwen的代码生成能力已超越“语法翻译器”，更接近理解需求的技术伙伴。它不仅能将需求转化为可运行代码，还具备工程直觉：懂得何时优化性能、简化实现或添加容错机制。

这种对“度”的把握，是AI从“工具”向“协作者”进化的关键标志。

本文来自微信公众号“硅星人Pro”，作者：Yoky，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com