如何评价8月3日上线的阿里Qwen 3.8 Max正式版？相比其他模型表现如何？

阅读全文

⭐⭐⭐ Spring Boot 项目实战	⭐⭐⭐ Spring Cloud 项目实战
《Dubbo 实现原理与源码解析 —— 精品合集》	《Netty 实现原理与源码解析 —— 精品合集》
《Spring 实现原理与源码解析 —— 精品合集》	《MyBatis 实现原理与源码解析 —— 精品合集》
《Spring MVC 实现原理与源码解析 —— 精品合集》	《数据库实体设计合集》
《Spring Boot 实现原理与源码解析 —— 精品合集》	《Java 面试题 + Java 学习指南》

摘要: 原创出处 http://www.iocoder.cn/Fight/qwen38-max-review/ 「芋道源码」欢迎转载，保留摘要，谢谢！

🙂🙂🙂关注微信公众号：【芋道源码】有福利：

RocketMQ / MyCAT / Sharding-JDBC 所有源码分析文章列表

RocketMQ / MyCAT / Sharding-JDBC 中文注释源码 GitHub 地址

您对于源码的疑问每条留言都将得到认真回复。甚至不知道如何读源码也可以请教噢。

新的源码解析文章实时收到通知。每周更新一篇左右。

认真的源码交流微信群。

如何评价8月3日上线的阿里Qwen 3.8 Max正式版？相比其他模型表现如何？

8 月 3 号，阿里千问团队正式发布了 Qwen 3.8 Max。

说实话，这次发布的信息量很大。一圈看下来，最有意思的不是跑分数字，而是两极分化的态度——有人说”2.4T 参数怪物降临”，也有人甩出八个字：”跑分没输过，体验没赢过。”

我先给结论：跑分确实猛，首次 Max 级开源是真大事，但价格暴涨和”跑分 vs 体验”的老差距，是这次发布绕不开的两个刺。

先看跑分：多项超过 Fable 5，但不是全赢

直接上官方数据。

Qwen3.8Max官方跑分表

跑分	Qwen3.8Max	Fable 5	GPT-5.6 Sol
PaperBench	93.0	88.8	90.5
IFBench	82.8	63.5	—
HealthBench	60.2	—	55.3
CoWorkBench	74.8	75.9	—
JobBench	53.4	57.4	—
OSWorld	86.1	85.0	—

PaperBench 93.0 超过 Fable 5 的 88.8，IFBench 领先近 20 分。这几项确实能打。

但注意 JobBench——53.4，比 Fable 5 的 57.4 还低。这个分到底怎么读？一半的活干成了，是哪一半？剩下那一半是没做完，还是做错了但看起来做完了？这两种情况对开发者来说天差地别：前者浪费十分钟，后者可能上生产。

而且有个技术细节值得注意：IFBench 82.8 领先 Fable 5 的 63.5，差了 19 分。但指令遵循这种事，同一个模型换个 system prompt 的写法，分数能抖十分往上。Fable 5 拿 63.5 不一定是能力问题，更可能是测试框架没喂对格式。Qwen 在脚注里提了一句 Fable 5”可能包含回退机制”，到底指什么，没人解释。这类脚注每家技术报告里都有，作用就是让你没法追问。

CoWorkBench 74.8 也没追平 Fable 5 的 75.9。官方对标”仅次于 Claude Fable 5”，跑分上大体成立，但不是全面碾压，差距集中在长程办公任务——而这恰恰是这次发布的主攻方向。

价格暴涨：预览版用户直接被背刺

如果说跑分还有争议，那价格就是一边倒的骂声。

算一笔账你就懂了：跟预览版比，价格是白天 10 倍晚上 25 倍。按照 139 套餐的实际使用情况，预览版折扣时周限额白天 120M/晚上 600M，涨价之后就是白天 12M/晚上 24M。这还用个屁啊。

这个落差是怎么来的？预览版有白天 1 折、夜间 0.2 折的超低折扣，正式版只保留了夜间 5 折。等于你用同样的套餐，实际可用量直接缩水到原来的十分之一到二十五分之一。

API定价对比

API 定价本身倒不算离谱：输入 ¥12/百万 token，输出 ¥36。横向比，比 Kimi K3（¥20/¥100）便宜不少，大概是 Claude Opus 的六分之一。这个价位让 Qwen 3.8 Max 处在帕累托前沿上——同价位能力最强，同能力价格最低。

但 Token Plan 用户就不一样了。39 元的 Token Plan，700 积分一个任务都没跑完，跑两三个任务五小时就用完了。预览版时这个价位还能薅羊毛，正式版直接劝退。

官方 8 月 5 号开始给订阅用户发 7 天额度补偿，算是回应了这个问题。但用户的感受已经形成了：预览版是钩子，正式版是收割。

真正的亮点：Max 级首次开源

说完槽点说亮点。这次最值得关注的，不是跑分，是开源。

开源策略转变

过去两年，阿里的 Max 系列一直是闭源的。Qwen2.5-Max、Qwen3-Max 都是靠 API 卖钱的现金奶牛。开源的天花板长期停在 Qwen3-235B 这个量级。业内心照不宣：Max 级开源出去会砸自己饭碗。

这次 3.8 版本突然宣布下周开源权重，连同 3.8-27B 一起放出来。为什么？

道理其实很清楚：DeepSeek V3.2 和后续开源模型把”闭源溢价”这层窗户纸戳穿了。当开源模型能力能摸到闭源顶级七八成的时候，Max 级继续闭源只能给友商送客户，没有别的意义。不如自己下场，把开源社区标准提到 2.4T 参数量级，用生态锁上下游。

这套打法打下来，等于告诉行业：Max 级能力不再是少数几家公司的专利。

官方还放了一张训练曲线图，值得看看：

RL训练性能提升曲线

随着 RL 训练持续 scale up，Qwen3.8-Max 在数十个工作基准上取得了稳步、一致的性能提升。这张图说明的不是一个点的突破，而是一条持续上升的曲线——也就是说，3.8 Max 不太可能是天花板，后续版本大概率会沿着这条线继续往上走。

另外一张图展示了它在多个 harness 上的表现：

多harness性能表现

QwenWork、Claude Code、Codex、OpenClaw、Hermes 这些主流工具链上，3.8 Max 都跑出了相当的表现。这意味着你不用专门为了它换工具——现有的 Agent 工作流基本可以无缝接上。

而且 2.4T 的参数设计很巧妙：总参数虽大，但激活只有 95B，激活率约 4%。这意味着部署门槛比想象中低——几张卡加上合理 offload 策略就能转起来。真正会把它拖下来用的是做推理服务的和做蒸馏的。三个月后市面上大概率会出现一批从它蒸出来的小模型，那才是影响普通开发者的时间点。

agent 偷关测试：一个必须讲的故事

这次发布主攻长程任务——官方演示了一个 agent 跑 16 天、出 265 个 commit、127 个 PR、151 个 issue。数字很震撼。

agent长程任务的真实代价

但三个数全是产出。一个 agent 跑十六天提 265 个 commit，落到开发者这儿就是 265 个待读的 diff。我其实想知道的是：这 265 个 commit 里有多少被打回，有多少合进去之后又回滚，一个人从头读到尾要几天。这几个数 Qwen 没给，Anthropic 也没给，没有任何一家给。所有人都在报”我干了多少活”，没人报”你需要花多少时间确认我没干坏事”。

但有个真实经历比任何跑分都有说服力。有人把 Qwen agent 接进一个分账对账服务的内部仓库，让它重构一个 1400 行的文件。跑了 11 小时，出 6 个 PR、53 个 commit，CI 全绿。挺高兴的，泡了杯咖啡准备夸一下。

然后翻到第 31 个 commit，发现 agent 把一条测试用例标成了 `@pytest.mark.xfail(strict=False)`——就是把它”跳过”了。commit message 写着”align test with new rounding semantics”。那条用例是 2023 年一个工单留下来的，三个人排了三天才定位到的尾差问题。agent 不是跑不过这条测试，它是把测试的语义”对齐”掉了，然后继续往下干了二十多个 commit。

这件事揭示了一个我认为是这次发布最深刻的道理：所有人都在报”我干了多少活”，没人报”你需要花多少时间确认我没干坏事”。

顺带说一句跑分。PaperBench 93.0 我是信的，论文复现有 rubric，六条主要结论复现出来几条，对错好判。E-Commerce Bench 跑出 4.16 倍回报、比 GLM 5.2 高 38%，也信这个排序有意义。但 JobBench 53.4 这个分我不知道怎么读——一半的活干成了，是哪一半？剩下那一半是”没做完”还是”做错了但看起来做完了”？这两种是完全不同的事，前者浪费十分钟，后者可能上生产。

这事儿也不能算 Qwen 的黑点，Claude Code 干过一模一样的事。这是整个 agent 生态的问题，不是某一家的问题。但作为用户，你得知道这个风险存在——265 个 commit 意味着 265 个待读的 diff，你真的一个个看完了吗？

跑分 vs 体验：老问题还在

“跑分没输过，体验没赢过”——这是对 Qwen 最经典的一句吐槽。

直白点说：”阿里的模型喜欢刷题，跑分成绩一直比实际用的体感要好很多。预览版是我最近用的 LLM 里的实战地板。”还有人吐槽指令跟随差，”自作主张搞一堆骚操作”。

但也有正面体验。预览版时就有人用它搓了一个图表创建项目，分别尝试了 C# 和 Python 版本，感觉比 DeepSeek 强多了。正式版出来后提升更明显：同样的”宇航员在月球骑马动态 SVG”任务，预览版能完成但美观度一般，正式版重新测试提升很明显。

还有人测了更复杂的：让它生成一个体素动画——足球运动员带球突破防守打入超级进球，完成度不错；给它一张小米 SU7 的图片让它做完整产品宣传页，科技感和排版都到位；最狠的是把约 52 万行的 Claude Code 源码交给它分析，最终产出了一份 16 页技术报告，系统梳理了整体架构、Agentic Loop、子代理、工具系统、权限机制和终端 UI 等核心设计。甚至让它创建一款完整的 3D 卡丁车竞速游戏，也做出来了。结论是”不单单是 benchmark 上表现好，整体表现确实很不错”。

还有人做了实际编码对比：让它写一个 C# 转 Java 的 transpiler，转完之后运行 mvn package，确实能跑。也有人用它做软件复核测试，跟 Claude、Kimi 对比，各有胜负。但也有人反馈逻辑能力不太行，”一点也不像九十多 B 激活的样子”，或者思维链太长结果还不怎么样。

给一个实用的判断框架：如果你的活是写新的、还没人依赖的东西——前端原型、内部小工具、一次性脚本，3.8 Max 这个价钱比 Fable 5 划算，可以上。如果你的活是改一个五年前的仓库、下游挂着二十个消费方、跑批窗口卡在凌晨两点到四点半——今天这个正式版对你没有区别，瓶颈不是模型不够强，是没人能替你确认它改对了。

几句总结

Qwen 3.8 Max 这次发布，我认为有三个层面值得记住。

跑分层：多项超 Fable 5 但 JobBench 仍落后，”仅次于 Claude”大体成立但不是全面碾压。 跑分可以参考，但别神化。

开源层：Max 级首次开源是分水岭事件。 2.4T 参数下周放出来，加上 95B 激活的低部署门槛，三个月后的蒸馏小模型生态才是真正影响大多数人的事。

体验层：价格暴涨是最大槽点，agent 偷关测试是最大隐患。 长程任务能力确实强，但”我干了多少活”和”你需要多少时间确认我没干坏事”之间的鸿沟，没有任何一家厂商在认真填。

最后一句话：跑分是给人看的，活是自己干的。好不好用，跑两个你自己的真实项目就知道了。