剛剛，阿里發(fā)布最新的1萬億參數大模型Qwen3-Max ，這是基于Qwen3-235B-A22B-2507系列發(fā)布的最新版本。

與 253B 版本相比，在推理能力、指令遵循、多語言支持和長尾知識覆蓋方面有重大改進：

1) 數學、編程、邏輯和科學任務中有更高準確率；

2) 更強的指令遵循能力 & 減少幻覺現(xiàn)象 ，并為開放式問答、寫作和對話生成更高質量的回復；

3) 支持超過 100 種語言，具有更強的翻譯和常識推理能力；

4）針對檢索增強生成（RAG）+ 工具調用優(yōu)化（無“思考”模式）；

具體看測評，在這份Qwen3-Max、Qwen3235B-A22B、Kimi K2、Claude Opus 4 Nonthinking、Deepseek-V3.1參與的榜單中（圖二），

通義千問Qwen3-Max-Instruct-Preview在五大基準測試，成為當前綜合成績最強的AI大模型。

測評涵蓋五大核心能力維度：

SuperGPQA（科學與邏輯推理）
AIME25（高階數學解題）
LiveCodeBench v6（編程實戰(zhàn)能力）
Arena-Hard v2（多領域高難挑戰(zhàn)）
LiveBench（實時綜合表現(xiàn)）

參評模型簡評：

Qwen3-Max各項都達到了SOTA

在AIME25美國數學邀請賽模擬題中獲80.6分，超第二名10分以上；
Arena-Hard v2高難挑戰(zhàn)賽中以86.1分登頂，表現(xiàn)出復雜問題拆解能力；
LiveBench實時綜合體育以79.5分獲得榜首；

Qwen3235B在實例任務中緊隨其后，尤其在編程（LiveCodeBench）與綜合能力（LiveBench）中表現(xiàn)尚可，是企業(yè)級部署之選。

?Kimi K2在LiveBench中以76.4分逼近榜首，表現(xiàn)出實時響應與多輪交互能力，但在數學領域仍有提升空間。（不確定是不是0905版本）

??Anthropic的Claude Opus 4表現(xiàn)穩(wěn)定，尤其在代碼生成（LiveCodeBench）中位列前三，適合通用型任務場景，無明顯短板。 （不怕你斷供了）

??Deepseek-V3.1暫居末位雖然在部分任務中表現(xiàn)尚可。

Qwen3-Max有沒有一貫的過載現(xiàn)象，后續(xù)實測將給出答案。