通义Qwen3系列以Max正式版收官，其推理模式下的中位分数在国产模型中表现突出，已追近北美第一梯队。本文通过深度测评，揭示其在幻觉抑制和指令遵循上的显著改进，同时也剖析其单位Token智力不足、编程能力偏弱等现存问题，为全面了解该模型提供一份详尽的参考。
智能速览
中位性能领先国产模型，直追北美头部梯队。
幻觉抑制和输出稳定性获得显著改进。
单位Token智力不高，是系列模型的明显短板。
编程能力基本持平预览版，并非其发力方向。
推理输出体量大，但能遵循指令给出精简答案。
使用成本降低，百炼平台定价更便宜。
精华内容
通义Qwen3 Max的正式发布，并非简单的版本号更新。它在核心能力上进行了针对性优化，尤其是在稳定性和逻辑推理方面，带来了肉眼可见的变化，同时也暴露了一些固有的局限性。
中位性能领先
在国产大模型竞赛中，Qwen3 Max正式版的表现可圈可点。其推理模式下的中位分数达到64.36分，将中位差距稳定控制在10%以内，这一成绩使其在国模中处于领先地位，并直追GPT-4o-mini等北美头部模型。虽然其极限分数（56.67）并非顶尖，但优异的稳定性确保了输出的可靠下限。
一个好消息是，尽管Token消耗有所提升，但百炼平台降低了定价，使得实际使用成本反而更为便宜，性价比得到提升。
稳定性显著增强
相较于预览版，正式版在幻觉抑制方面进步明显。对于#50日志分析这类复杂任务，正式版能稳定找出大部分关键信息，尽管受限于硬智力导致信息加工深度不足，但输出的可靠性大大提高。#42年报分析任务中亦表现出同样稳定性。
指令遵循能力也得到轻微改善。正式版下限更高，减少了偶发失智的情况，在多数直接指令问题上，能够连续多次输出几乎完全一致的答案。不过，当模型无法理解指令时，修改提示词比简单重试更有效。
固有短板犹存
单位Token智力不高是Qwen3系列一直以来的短板，正式版也未能解决。该数据仅比蚂蚁百灵略好，与顶尖模型存在差距。编程能力并非其发力方向，正式版表现与预览版基本持平，没有明显提升，且其较大的输出体量在驱动编程Agent时也无优势。
字符能力虽得到补足，达到了国模第一梯队水平，但与GPT-5等国际一流模型相比，其表现下限依然较低，稳定性有待加强。
输出冗长问题
Qwen3 Max在推理时倾向于进行详细的推导，甚至在正式输出中继续“打草稿”，导致最终回答体量通常在1000到3000字，可读性较差。这种详尽的输出有时会包含大量中间过程，对只想获取最终答案的用户不够友好。
不过，这一行为可以通过明确的指令来控制。当要求只能输出最终答案时，模型能够完全遵守，给出精炼的结论。这为用户根据不同场景灵活使用模型提供了可能。
通义Qwen3 Max作为系列的收官之作，凭借稳定的中位性能和改进的可靠性，在国产大模型中占据一席之地。尽管其单位智力、编程能力等短板依旧存在，但这次迭代无疑展现了通义团队的努力与方向。未来的下一代模型，能否彻底弥补这些遗憾，值得期待。
