Qwen3.8 Max性能追近Opus

Alibaba 的 Qwen3.8 Max 在 Artificial Analysis Intelligence Index 中获得 56 分，比 Qwen3.7 Max（46 分）高出 10 分。根据 Artificial Analysis 的数据，这一成绩与 Claude Opus 4.8 持平，领先于 GLM-5.2（51 分），但仍落后于 Kimi K3（57 分）；而 Kimi K3 的运行成本还低了 25%。

在面向工作相关任务的基准测试 GDPval-AA 中，Qwen 的成绩跃升 468 个 Elo 分，达到 1,739 分，超过 Kimi K3（1,685 分）。只有 Claude Opus 5（1,852 分）的成绩更高。但问题在于它是如何取得这一成绩的。Qwen3.8 Max 完成每项任务需要 64 个步骤，而之前只需 14 个步骤；输入 token 数量也增长至原来的 15 倍，因为测试会在每一步都将完整的对话历史重新发送给模型。

该模型处理任务更加深入，但运行速度更慢，成本也更高。尽管 token 单价有所下降——每百万输入 token 的价格从 2.50 美元降至 2.00 美元，输出 token 从 7.50 美元降至 6.00 美元，缓存命中的价格从 0.50 美元降至 0.25 美元——Alibaba 的性价比依然受到影响。现在，Intelligence Index 中单项任务的成本为 1.14 美元，是 Qwen3.7 Max（0.53 美元）的两倍多。Kimi K3 的得分高出 1 分，但每项任务仅需 0.86 美元；GLM-5.2 则只需 0.57 美元。

与上一版本相比，它还出现了一些性能退步。AA-LCR 下降了 2 分，这项测试用于检验模型能否从超长文本中正确整合信息。AA-Omniscience 下降了 10 分，该测试衡量模型能否正确回答知识类问题，或者在不知道答案时如实承认。准确率仍维持在 31% 左右，但幻觉率从 23% 跃升至 40%。Qwen3.8 Max 更倾向于猜测，而不是坦承自己不知道。

没有炒作的 AI 新闻——由人类精心筛选

订阅 THE DECODER，即可享受无广告阅读、每周 AI 新闻简报、每年六期独家前沿报告「AI Radar」、完整历史内容访问权限，以及评论区访问权限。