1月26日，阿里發佈了千問旗艦推理模型 Qwen3-Max-Thinking。
萬億參數，多項基準測試刷新全球紀錄， 但測試分數對普通人來說太抽象了。
真正讓我好奇的是，模型在實際使用中到底如何？
基準測試看到一個超高“異常值”。
翻譯過來意思： 「人類的最後測試（帶搜索）」
Qwen3-Max-Thinking 竟然得了 58.3 ，遠超其他模型，這誰敢信？帶着疑問，測了我最近工作、生活中遇到的問題，結果人出乎意料。
如何體驗
https://chat.qwen.ai
選擇Qwen3-Max，打開深度思考(thinking)
測試一：電商比價購物
這兩天 clawdbot 爆火，甚至帶火了 Mac mini的銷量。
X 上到處是 Mac mini的梗圖，
羣友也都在聊，哪裏可以低價買Mac mini，提問如下：
Qwen3-Max-Thinking 結果Prompt ：Mac mini如何拿到最低價購買，並找到下單地址
Gemini結果
個人感覺， Qwen3-Max-Thinking > Gemini > ChatGPT
因爲Gemini 和 Qwen3-Max-Thinking 都提到了京東國補，而且給的低價都是3187元左右。
都給出了京東Apple官方旗艦店，可惜Gemini給的是錯誤鏈接。
只有 ChatGPT 沒提國補，給的商品價格偏高，OpenAI 是多想賣貨啊。
插個題外話，如果真買了Mac mini，一定看看這個3D打印帶屏外殼，太好看了！
測試二，實時信息獲取
很多產品經理，都是愛刷 Producthunt，我也不例外。
Prompt ：展示producthunt今天的最熱的產品。
又問了ChatGPT，5.2 Thinking + 思考模式。
Gemini的結果如下
公佈答案
簡單對比就是看票數和排名順序。
Qwen3-Max-Thinking 完全正確，且一票不差，牛逼！ChatGPT 排名都對，但票數更新不實時。
最讓我意外的是，以搜索擅長的谷歌，反而 Gemini 連排名信息都沒搞對，結果最差。
看內容信息和排版，也是 Qwen3-Max-Thinking 完勝。
Emoji用的恰到好處，還展示了產品分類，很實用。
比光禿禿的 ChatGPT 體驗好很多。
測試三：春節遊玩路線規劃
今年計劃從北京開車回河南老家過年。
孩子今天放假，老婆也多請了三天假，時間充裕。
想着一路自駕玩着回家過年。
讓AI出個行程規劃，要求必須順路，必須找出特色美食，和對孩子漲見識有幫助的景點或城市。
Prompt：從北京開車回河南焦作老家過年，路上3-4天時間，放慢節奏，安排沿途路過城市的美食、景點、住宿，要對孩子增長見識有幫助，喫的食物能終身難忘，住宿也要有特色或舒服（酒店一晚預算在600以內），幫我安排詳細計劃。
ChatGPT
Gemini
這個問題，幾個模型回答各有千秋，不好分勝負。
從路線規劃說起。
Gemini和ChatGPT第一站都提議去正定，而 Qwen3-Max-Thinking 提議去保定。
不知道河北的朋友怎麼看。
共性是這幾個模型都提議去安陽，去看殷墟，比較符合我的設想。
ChatGPT提議去洛陽我是沒想到的，感覺會繞很遠，而且時間上也不夠。
從規劃細緻度看。
Qwen3-Max-Thinking 給的規劃最細緻，一天安排的明明白白。Gemini和ChatGPT相對粗糙。
測試四：技術方案挖掘
最近一直在玩Skill。
寫了很多有趣的東西，比如一句話解讀論文，一句話生成公衆號配圖文章，一句話解讀一本書等。
尤其是一些視頻和音頻方面的Skill。
作爲音樂愛好者，當然少不了Suno。
已經搞定一句話生成Suno音樂下載。
下一步目標，把Suno音樂變成 MV。
但歌詞識別方面遇到了障礙，因爲不僅要歌詞準，還要時間軸準。
試着讓幾個模型找技術方案。
Prompt : 我要獲取一首suno生成的歌曲的精準歌詞和字幕時間軸，應該用什麼技術方案。
ChatGPT
Gemini
Qwen和ChatGPT都提到了一個Github庫。（雖然只有7個星）
https://github.com/zh30/get-suno-lyric
馬上打開編程工具，瞬間寫了個可用腳本。
本測試中，Gemini表現一般，給的都是常規思路。
最強的是 Qwen3-Max-Thinking ，不僅畫了Mermaid流程圖，給了多個技術方案，還找了兩個付費 API 網站。
https://lyrictime.com/
https://duomiapi.com/type/11
測試五：電影票房預測
本想預測下2026年春節檔電影票房。
沒想到手滑打錯，打成了2006年 😂。
但結果反而很有趣。
Prompt :預測下2006春節檔電影榜票房前三
ChatGPT
Gemini
Qwen3 馬上糾錯，說2006年距今20年，是確定的，不需要預測。
而且那時沒有春節檔說法，票房不好確定，然後給出了2026年的票房預測。
可能的排名 ：《飛馳人生 3》、《驚蟄無聲》、《熊出沒》
而ChatGPT和Gemini中規中矩給出了2006年春節檔的票房排名。
但我查了歷史“新聞”，硬說春節檔票房第一，其實是《金剛》，超過霍元甲，這兩個模型都說錯了。
原因可能參考了維基百科的頁面，好像未考慮《金剛》。
https://zh.wikipedia.org/wiki/%E8%B4%BA%E5%B2%81%E7%89%87#%E8%B4%BA%E5%B2%81%E6%A1%A3
也順便學到了一個冷知識：
-
• 賀歲片：由1997年的馮小剛導演的《甲方乙方》開啓。 -
• 春節檔：2013年，周星馳導演的《西遊降魔篇》大年初一正式上映，開啓春節檔這個說法。
Qwen3-Max-Thinking 真的可以
開始看到基準測試分數，我是有疑問的。
等自己測了以上問題，並刻意跟頂級模型對比後才發現。
Qwen3-Max-Thinking 竟真的不比ChatGPT 5.2 、Gemini3弱。
甚至直觀感覺，中文檢索回答問題能力更強。
好奇背後技術，簡單研究了下。
Qwen3-Max-Thinking 採用了一種全新的測試時擴展（Test-time Scaling）機制，性能提升的同時還變得更經濟。
Test-time Scaling是一種在AI模型使用階段（而非訓練階段）投入更多計算資源來提升性能的技術。
核心思想
在模型推理（使用）時，通過以下方式投入更多計算：
-
• 多次採樣 ：生成多個候選答案，選擇最佳的 -
• 逐步推理 ：讓模型"慢慢思考"，展開更詳細的推理步驟 -
• 自我驗證 ：生成答案後進行檢查和修正 -
• 搜索探索 ：嘗試多條思路路徑，找到最優解
Qwen3-MaxThinking 大幅增強了自主調用工具的原生Agent能力。
模型可自主選用搜索、個性化記憶和代碼解釋器等三個核心的Agent工具功能，像專業人士一樣邊用工具邊思考。
以上面一個測試爲例， 模型會邊搜索邊思考。
這種能力很關鍵，不僅可以有效降低幻覺，而且對完成複雜任務很有幫助。
人類的最後測試（帶搜索） 能拿到碾壓其他模型的高分，就是最好的證明。
而且千問作爲全球第一的開源大模型，模型尺寸是真多。
截至目前，總共開源了超過400個模型，最小0.5B，最大480B，涵蓋文本、視覺 等“全模態”。
全球累計下載量超10億，真的是恐怖。
這種開放，對整個行業的發展是有價值的。
寫在後面
AI 模型競爭還在進行，據說今年“春節檔”非常熱鬧。
DeepSeek、GLM、Kimi，都可能會發新模型。
Qwen3-Max-Thinking 今天表現很亮眼，讓我更好奇半年後國產大模型會如何發展？
不過至少現在，我們有了一個超強的頂尖 AI 模型。
強烈推薦你試試：
https://chat.qwen.ai
如果試過覺得好用，請一鍵三連支持喬幫主。