阿里千问Qwen3-Max发布：全新旗舰模型性能超越GPT-5.2

1月26日晚间，阿里千问系列旗舰推理模型Qwen3-Max-Thinking正式亮相。从阿里官方公布的数据来看，该模型在19项权威基准测试中的表现，已经比肩OpenAI的GPT-5.2-Thinking、谷歌的Gemini 3 Pro等国际顶尖模型。这标志着国产大模型在高阶推理领域取得了重要突破。

这款模型的总参数量超过万亿，预训练数据量高达36万亿Tokens，是经过大规模强化学习反复锤炼而成的。与此前的模型相比，其核心改进主要集中在两个方面。

首先是自适应工具调用能力的增强。模型能够根据需求，自主调用搜索引擎、代码解释器等功能，目前Qwen Chat已上线此功能。与早期需要用户手动选择工具的交互方式不同，Qwen3-Max-Thinking能在对话中智能判断并自主调用其内置的搜索、记忆和代码解释器功能。这让模型像专业人士一样，能够自主判断是否需要调用搜索来获取实时信息、启动代码工具验证工程计算结果，或是检索内部知识库。例如，在解答时效性政策问题时，它会自动检索最新信息；处理工程计算时，则会启动代码工具来验证结果的准确性。这种自主能力有效降低了模型产生“幻觉”的风险，无需用户额外下达指令。

另一个重要改进是测试时扩展技术（Test-Time Scaling），这项技术指的是在推理阶段为模型分配额外的计算资源，从而显著提升其性能。据报道，该技术能带来显著的推理性能提升，在关键推理基准上的表现已超越Gemini 3 Pro。

通常，当AI遇到复杂难题时，会同时产生大量思路，其中很多是重复的，造成了算力的白白消耗。而这项技术通过“经验提取”式的反思机制，避免了传统模型中常见的并行推理所带来的冗余计算。它能让模型在相同算力下，聚焦于尚未解决的难点，从而在GPQA科学知识测试中得分从90.3提升至92.8，在LiveCodeBench编程测试中从88.0分升至91.4分。

在性能比拼中，该模型表现出色。在被称为“人类最后测试”的HLE工具调用基准测试中，它以58.3分的成绩，远超GPT-5.2-Thinking的45.5分和Gemini 3 Pro的45.8分。在IMO级数学推理测试中，它以91.5分登顶；其预览版更曾拿下AIME 25与HMMT 25的双满分。

目前，普通用户可以通过千问PC端或网页端免费体验其功能，企业用户则可以通过阿里云百炼平台获取API服务。

1月21日，全球最大AI开源社区Hugging Face发布的最新数据显示，阿里千问的衍生模型数量已突破20万个，成为全球首个达成此目标的开源大模型。同时，千问系列模型的下载总量突破100亿次，平均每天被下载110万次，已完全超越美国的Llama系列，稳居开源大模型全球第一的宝座。

阿里CEO吴泳铭去年曾表示，公司正在积极推进未来三年投入3800亿元的AI基础设施建设计划，并将持续追加更大规模的投入。这一投资规模与谷歌、Meta和亚马逊等美股科技巨头在AI领域的资本开支处于同一量级。