8 月 3 日，阿里正式发布 Qwen3.8-Max，参数规模达 2.4 万亿，支持 100 万 Token 上下文。科研编程与 Agent 任务大幅跃升，PaperBench 从 64.8 分跃至 93 分，但 SWE-bench Pro 仍落后 Fable 5 约 12 分，真实软件工程能力尚存短板。
千问官方将 Fable 5、Opus 4.8 和 GPT-5.6 Sol 等海外旗舰作为对标对象。从结果看，Qwen3.8-Max 进步明显，但尚未全面领先。
注：柱形宽度按比例缩放，PaperBench 以 Qwen3.8-Max 得分 93 为基准标定 100%，其余项目依此比例呈现。SWE-bench 对比显示，Qwen3.8-Max 在真实代码仓库中的跨文件修改与稳定性仍有差距。
一个诚实的注脚：官方编程基准成绩较好，但 Arena 用户盲选榜单中，Qwen3.8-Max 在 Code Arena 排名第四，比榜首低 37 分。前者反映解题与工程任务能力，后者更侧重生成结果的视觉效果与用户偏好——跑分与口碑之间，存在温差。
Qwen3.8-Max 的提升集中在需要 任务拆解、工具调用与连续执行 的场景，而在需要 全局理解与稳定修改 的真实工程项目中，仍与最强模型有距离。
PaperBench：64.8 → 93 分，理解论文并复现实验的能力大幅提升。
Agents' Last Exam：11.8% → 27%，多步 Agent 任务通过率翻倍。
工作流智能体：在与 Kimi K3 的对比中，该项唯一反超。
SWE-bench Pro：67.7 分，低于 Fable 5 约 12 分。
深度软件工程：跨文件修改、避免引入新问题，稳定性不足。
复杂工具调用：动态环境中的连续操作仍是短板。
大模型从业者王楠将长周期任务的难点概括为：远距离规划、状态追踪和错误恢复。每一步操作都会改变环境，一次错误可能数步之后才显现。Qwen3.8-Max 在这方面的能力有提升，但真正成熟还需社区验证。
Qwen3.8-Max 的对标名单已从国内厂商转向海外旗舰，但这不意味着它已甩开国产对手。与同期发布的 Kimi K3 和 DeepSeek V4 Flash 的对比，更能看清它的真实位置。
与 Kimi K3 对比：Qwen3.8-Max 只在工作流智能体任务上超过 Kimi K3，其余项目多数落后。差距较小的主要是终端操作和科学推理，说明基础能力处于相近区间；差距较大的则是深度软件工程和前沿工程任务。
与 DeepSeek V4 Flash 对比：Qwen3.8-Max 在所有可比项目中均占优势，覆盖编程、自动化和工具调用。但 V4 Flash 以更小规模、更低成本取得了"够用"的成绩——这场对比真正的信息量不在输赢，而在价格。
如果轻量模型的能力已经够用，中间价位的旗舰就要证明：多出来的能力值这个差价。Qwen3.8-Max 比 Kimi K3 便宜，却在部分复杂编程任务上落后；它的能力高于 DeepSeek V4 Flash，价格差距又远大于能力差距。真正的考验在于稳定性和实际交付质量。
阿里更难被复制的优势在模型之外。从底层算力到应用场景，阿里已经构建了一条完整的链路：
企业采购的不只是一项模型能力，还包括算力、数据存储、权限管理、安全合规、部署运维和服务保障。阿里能够把这些环节打包提供，把模型能力变成一套可以直接采购和部署的服务。对于已经使用阿里云或钉钉的企业，接入千问的迁移成本更低。
但生态不能替代模型能力。企业越来越倾向于在同一系统中调用多个模型，哪个效果更好、价格更低，就把任务分配给哪个。平台越开放，模型被替换也越容易。如果千问长期落后于第一梯队，云和渠道只能延缓用户流失，无法消除能力差距。
模型能力决定入场券，价格决定尝试意愿，生态决定留存——三者缺一不可。千问的竞争壁垒已不在单一模型，而在于模型、算力与应用的协同交付。但若模型长期落后于第一梯队，生态只能延缓流失，无法消除差距。
Qwen3.8-Max 已通过千问 AI 平台开放 API 服务，开发者可直接调用。27B 小尺寸模型即将开源，为本地部署提供更多选择。
千问 AI 平台 → 立即体验