阿里Qwen3-Max版评测：数学满分但推理耗token，性能引期待

日前，阿里推出的Qwen3-Max-Thinking早期预览版在AI领域引发了广泛关注。这款推理模型作为Qwen 3系列的旗舰版本，虽然目前仍处于训练中期阶段，却已在多项高难度基准测试中展现了惊人实力。在AIME 2025数学竞赛和哈佛-MIT数学锦标赛（HMMT）中，该模型凭借工具运用和测试时计算技术，实现了100%准确率的突破性成绩。

该模型的技术细节尚未完全公开，但通义千问团队透露其创新性地融合了思考模式与非思考模式。在Qwen Chat和阿里云平台开放试用后，开发者发现模型在智能体编程、常识推理以及数理科学领域均表现出显著提升。尤为值得注意的是，模型在思考模式下会通过多轮验证确保答案准确性，这一特性在处理复杂问题时尤为突出。

实测数据显示，在面对AIME 2025竞赛压轴题时，Qwen3-Max-Thinking不仅反复验证正确答案，还会主动调用代码解释器从不同角度证明结果。整个推理过程持续约4-5分钟，消耗1.2万至1.5万个token。这种深度推理能力虽然带来较高计算成本，但用户可通过1024-81920个token的可调预算控件进行灵活控制。

在智能体编程任务中，该模型与DeepSeek-V3.2的对比测试颇具看点。当要求开发开源项目分享平台的HTML原型时，Qwen3-Max-Thinking生成的1417行代码虽略显冗长，但完整实现了需求功能。相比之下，DeepSeek-V3.2仅用787行代码就完成了相似任务，显示出不同模型在代码效率上的差异。不过前者在需求分析准确性方面表现更优，生成的网页原型更符合实际使用场景。

目前Qwen3-Max-Thinking仅支持文本到文本的单一模态，且未在Hugging Face等主流平台开源。阿里云API提供的限时免费服务吸引了大量开发者尝鲜，但完整基准测试结果尚未公布。随着训练进程推进，更多版本预计将陆续发布，这款专为高难度推理设计的模型能否在通用场景中保持优势，仍有待进一步观察验证。