一手实测Qwen-3 Max Thinking, 我觉得一般

Qwen 团队终于在周日的晚上，

兑现了本周会更新Qwen3-Max thinking的承诺。

而这个更新，

基本也是上周所有更新中为数不多非常期待的了。

毕竟Qwen3-Max也是Qwen整个家族里最大、最强的模型，

所以，它的thinking版本理应是最强了。

我也实际上手测试了一下，

先说我自己的暴论，

总结用一个词来说，就是

一般。

先放上使用地址，

也是我们的老朋友了：

https://chat.qwen.ai/

特别值得一提的是，

官网的支持了81K的思维链长度，

这个长度，也算得上挺长的了。

然后，先看一个长文本测试，

测试的方法非常简单，

我准备了一个长文本，长度225K，

集合了不同的文章，但是其中有的文章会在文档的不同位置中重复。

然后，我问了某个单词在文档中出现了几次。

比如像下面这样：

来检查一下正确答案：

回答正确。

再来一个常考的推理测试，

请把 I love Qwen3-Max-Thinking 这句话倒过来写

同样回答正确。

看起来简单题问题不大，

那，再上个稍微有难度点的。

请阅读全部前提后，在四个选项 A–D 中任选 ―― 必须 选择所有从前提出发必然为真的结论（可能有一个、多个或全部；若没有必然为真的结论请选择 D）。⸻题干设有三个基本命题 • P：杀虫剂在短期内有效，但长期内无效。 • Q：我们已经知道“未交配雌虫只产生雄性后代而已交配雌虫会产生两性后代”这一断言是错误的。 • R：当前关于杀虫剂实验的田间试验设计是科学且可重复的。现给出以下五条前提（1 – 5）。请注意其中出现的“至少…恰有一个”“不超过一个”等字样： 1. (P ∧ ¬R) ⊕ (Q ∧ R) ⊕ (¬P ∧ ¬Q)说明：⊕ 表示「恰有一个为真」。 2. 若 P 为真，则 R 必为假；若 ¬P 为真，则 R 未必为真亦未必为假。 3. 至少有一个命题（P 或 Q）为真，但不可能同时二者皆假。 4. 不存在「P 与 ¬R 同时为真」这件事的否定。等价于：¬¬(P ∧ ¬R)，进一步可化简为 P ∧ ¬R（暗含双重否定陷阱）。 5. 如果 Q 为真而 R 也为真，则 P 必为假。⸻选项（可多选）选项 结论A Q 必然为真。B R 必然为假。C P 必然为假。D 以上结论 A–C 中没有一个是必然为真的。⸻提示 1. 建议先把五条前提逐一符号化后再化简。 2. 前提 1 与前提 4 乍看相矛盾，实则前提 4 隐含双重否定，需要先化简。 3. 注意「⊕」与常见「∨」「∧」的区别。 4. 当涉及多个条件推导时，可用真值表或逻辑演算（解析法）验证。 5. 若确定某一选项并不总为真，可直接排除该选项。⸻请在 A–D 中勾选所有根据前提必然成立的命题。

这题就算我自己做，至少也是要花点心思，打打草稿了。

回答正确，感觉推理这块确实还行。

接下来是写作能力，

我找了一段Anthropic CEO Dario 关于开源模型看法的一段言论，

让Qwen3-Max-Thinking 用鲁迅的文字风格反驳它。

抛开括号内的批注、描述，

我个人觉得是文字叙述稍显用力。

特别是这短短几段文字，

“呜呼”、“岂非”、“君不见”这种词汇重复出现，

文字功力还是稍显弱了些。

而且，还有个很有意思的点，

关于开源模型这块，

提到的还是Meta的LLaMA，

暴论：预训练的语料感觉可以更新了哦。

再来看看代码部分，

坦诚讲，

因为Qwen整个系列模型特别多，

甚至也有专门的coding 模型，

本不应该对Qwen3-Max thinking的coding 有多少期待，

但，这个模型本身又很贵，

以及不像其他的Qwen 模型一样开源，

所以，我其实一开始还是抱有些期待的，

直到，我自己实测了之后，

还是听我一句，

建议如果写代码的话，

先别碰这个模型了。

先传统看，我们的小球测试。

虽然小球没有漏到容器外面，

但是这几个小球一起滚动的轨迹也不符合物体规律。

后面的小球直接穿模，穿过了前面的小球。。。

为了更好的说明，

正常的小球运动轨迹是啥样的，

我试了GLM-4.6。

差别在哪，还是一眼可见的。

再来看一个常见的xbox 控制器 svg 测试。

感觉，

可能不是很擅长画svg 也许。

然后是，实现一个Mac桌面系统。

做一个MacOS桌面系统，包括计算器，文本编辑器，还有safari网页，图标可以用svg代替

别的，什么UI 美丑先不管，

它给我做的计算器真给我看笑了，

ber，怎么连等于号都没有？

我按了个“7+8”才发现，

“=”给他干没了。。。

最后，再看一个，

我自己最近经常会测的case，

设计并创建一个非常有创意、精心且细致的体素（voxel）艺术场景：主题是上海的建筑风景。让整个场景看起来震撼、多样化，并使用色彩丰富的体素。可以使用任何库来实现，但最终请把所有内容整合在一个单独的 HTML文件里，这样我可以直接粘贴后在 Chrome 中打开运行

首先要说明的是，

这个case没有一次跑通。

是我手动修复了之后，才跑通的。

至于效果嘛，

反正我觉得不能说是效果好。

最后，来看看做数学题。

鉴于考数学是对评测的我非常考验的活，

我感觉目前对于模型做数学题来说，

我会的，它基本也会，我不会的，我也不知道它做的对不对

非常凑巧的是，

这两天我正好刷了篇美团最新做的一个关于

数学benchmark的paper，

链接在此：https://arxiv.org/abs/2510.26768

又非常凑巧的是，

美团开源了这个benchmark数据集，

那，这不正好可以拿来试试。

先上链接：https://huggingface.co/datasets/meituan-longcat/AMO-Bench

可惜，

Qwen3-Max-thinking 在我写篇文章的时候，还没API，

不然，高低我也得跑完整个测试集。

我只能随手抽查了几个题，

虽然做的是对的。

不过，我发现这里面包含了耍赖的成分，

模型多次自己调用了代码解释器，

罪证在此，

可恶啊可恶，

所以，我又问了它一个非常简单的数学题：

哪个最小的整数，它的平方在15和30之间？

但凡，只要学过整数的概念的同学，

都知道，

这题的答案，应该是多少。

可惜了，

这里模型回答错了，答案应该是-5。

好了，

笔已至此，也差不多了。

还是建议大家慎重使用这个模型，

我还是坚持我的暴论，

有意思的是，

在X上，有个网友是这么回复我的：

大概意思就是说，

它认为Qwen3-Max Thinking 是个不错的模型，

但不要把它和GPT-5 Pro 或者即将到来的 Gemini 3 化为一档。

诸君共勉，只求一乐。

文章来自于微信公众号 “BubbleBrain”，作者 “BubbleBrain”