新万博体育

　　猫眼电影记者 潘世鹏 报道Q8X2R7L1T4J5M9B6W3

导语：Qwen3 旗舰模型已进入全球第一梯队、国内Top 2–3的行列：综合能力略低于Gemini3、GPT-5.1和Kimi K2 Thinking，但与Grok 4.1、Claude Opus 4.1属于同档。

阿里近期发布的千问App引发了外界的关注，其背后的Qwen3大模型与国际和国内几大模型的性能对比，到底水平如何？对用户来说又该如何根据不同的任务来选择不同的大模型？今天给大家做个对比与总结。

01 Qwen3的基本面

阿里在今年推出的第三代大模型Qwen3，是千问App的核心底座。它有几个关键特点：

一、体量和架构

Dense模型：从0.6B一直到32B；

MoE旗舰：Qwen3-235B-A22B（235B 总参数、22B 活跃参数），相当于“参数巨舰+算力省电”。

二、训练规模

训练数据约36万亿token，覆盖119种语言/方言。对数学、代码、STEM推理做了额外强化。提供“Thinking 模式”，类似GPT-o1 / DeepSeek-R1那种显式推理版。

三、应用形态

包括文本对话、写作、代码、多模态（图像/文档/表格），长上下文版本能支持百万级token，对长文档场景很友好。

千问App由于面向C端，通常会使用类似“Qwen3-Max / Qwen3-235B旗舰+ Thinking版”的组合。

02 拿什么“尺子”来衡量Qwen3？

使用如下指标来测评Qwen3的水平：

Artificial Analysis Intelligence Index（AA 指数）

AA指数把MMLU-Pro、GPQA、HLE、LiveCodeBench、SciCode 等十几个高含金量基准融合，

最后给每个模型一个0–100 的综合“智能分”。这个分数目前是国际上最常被引用的大模型“总评分”之一。

LMArena / Text Arena（人类盲评Elo榜）

采用大量真实用户不看模型名，只看回答，投票哪一个更好的方法，用Elo评分来排名，更偏“真实使用体验”的维度。

除此以外，还会使用一些单项基准来进行评测：

AIME2025：竞赛级数学；HLE（Humanity’s Last Exam）：极难综合考试；LiveCodeBench/SciCode：偏实战的软件工程与科学代码；以及其它经典的MMLU、GSM8K、HumanEval 等。

本次评测主要围绕AA榜+人类盲评榜，再辅以少量专项基准，尽量做到客观公正。

进入“顶级区”，但天花板依旧。

AA指数：按目前公开信息，各主流大模型的AA指数得分可以见下表：

注：在AA《State of AI: China Q2 2025》里被列为“最佳非推理 LLM”之一，分数带星号表示部分基于厂商数据估计

就以上得分看，Qwen3的旗舰版本已经站在Grok 4.1和Claude 4.1的身边，但和Gemini3 Pro、GPT-5.1、K2 Thinking之间，还维持着7–10分左右的差距——这在顶尖模型之间，依然是能感知的差距。

人类盲评Elo榜:评测结果是Gemini3 Pro和Grok4.1（Thinking）轮流占据榜首附近。GPT-5.1、Claude 4家族也稳居头部。Qwen3旗舰的打分虽然略低于这些“榜一大哥”，但确实已经混在第一梯队前列，和它们同一张榜单抢票。

更直观的表述是：真正让海外开发者和研究者投票时，用户已经可以感受到：“Qwen3是强模型，和GPT-5 / Gemini3这一线对比，体验上不会拉开巨大差距。”

再看几个单项评测：

AIME 2025：竞赛数学

测试结果大致排序是：GPT-5 Codex (high) ≈ GPT-5.1 > Kimi K2 Thinking > Grok 4 > Qwen3 235B > Gemini 2.5 / Claude 4 系列。

可以理解为，Qwen3在高难数学上是第一梯队，只是在“竞赛数学+推理特化”的场景中，GPT-5.1 / K2 / Grok 4这些“卷数学的怪物”更强。

HLE：超难综合推理

在这个测试中，Kimi K2 Thinking和GPT-5家族在HLE里表现最扎眼。Qwen3和GPT-4.1/Grok-3/Gemini-2.5 Pro这一代差不多，略有提升。测试结果意味着，Qwen3在极限综合推理上没拉胯，但也不是拿第一的那个。

LiveCodeBench / SciCode：工程代码&科学代码

在工程代码方面,GPT-5.1?K2 Thinking? Grok4≈Gemini2.5Pro> Qwen3≈DeepSeek-V3.2。在科学代码（SciCode）测试中，差距更缩小，大家都在40%多一点的区间里挤。

也就是说，如果你用千问写代码，它的水平大致就是“略弱一点的GPT-5.1 / K2 / Grok4”，但绝不是上一代那种明显掉队。

03 中国四强对比：Kimi、Qwen3、DeepSeek、豆包

Kimi K2 Thinking的综合智能得分约67分，在AA榜上直接冲进全球前五，由于模型专门强调浏览、工具调用、Agent任务，所以在HLE、BrowseComp等偏“代理”的基准上特别强。

Qwen3的综合智能得分60 分左右，各方面比较均衡。DeepSeek-V3.2-Exp的综合智能约57分，特点是国产芯片适配、长上下文性能、推理能效方面做了优化，为中国算力环境量身定制。

豆包1.5 Pro（非推理版），AA China Q2 报告中给出的智能指数约 48*，在非推理模型里属于头部，且被列为“最佳非推理大模型”之一；但其推理版（Thinking）目前还没有完整的AA综合分公开。

综合分数上：K2 Thinking > Qwen3 > DeepSeek-V3.2 >豆包1.5Pro。但如果从“算力成本+国产芯片环境”出发，DeepSeek就有独特位置，而Qwen3则在“生态+稳健通用能力”上更加均衡。

04 用户的视角

日常问答、写作与知识检索

对中文/中英混合的日常用法来说，Qwen3 + 千问App 基本已经是世界级的体验之一。回答速度、知识覆盖、上下文记忆、写作风格都很成熟。和GPT-5.1 / Gemini 3 Pro相比，差距主要在极限长链推理和一些特定专业英文领域。豆包则在自然中文表达、口语化对话、社交媒体语境下的风格更自然，适合做聊天、轻量问答和内容创作。

数学&竞赛级题目

如果用户的使用场景是：竞赛数学、高级逻辑题、极端复杂链式推理等，GPT-5.1、Gemini 3 Pro、Kimi K2 Thinking、Grok 4.1 目前仍然略强。

代码开发

Qwen3 在LiveCodeBench / SciCode 这类基准上的表现，已经是“工程可用”的一线水平。真正大规模做代码重构、复杂调试时，GPT-5.1、K2 Thinking、Grok4在一些数据里略有优势，但Qwen3+好的工具链（IDE插件、CI集成）足以支撑绝大多数团队的日常开发工作。

多模态、文档和表格

这一块是Qwen家族的强项之一：Qwen2.5-VL和Qwen3-Omni在图像理解、PDF/文档解析、表格/图表任务上，经常在论文和评测里拿高分。对用户来说意味着你把PPT、PDF、扫描件、复杂报表丢给千问，它一般能看得比较明白。

??时事1：十级黄片色哟哟

??11月21日,普京将访朝鲜？中国外交部回应,

　　同学们！加油吧！加油！今天你们以x为荣，明天x将以你们为荣！

,99pao人妻免费打造。

??11月21日,探访成都世园会主会场,

　　见到狈村的人要冲过来，小不点一脚将狈风踢起，令他横飞到了石村众人的眼前。

,100款夜间禁用网站,嘿咻嘿咻免费区在线观看不卡,人人操人人插人人射。

??时事2：久久99热这里只有精品国产

??11月21日,长白山发现大片东北红豆杉 多株树龄超千年,

　　再来说说为什么会有这出“闹剧”的发生?其原因在于近年来中国的高速发展让有些国家看不下去了，他们视之为对他们自身地位的威胁和挑战。因此他们就想在我们周边搞出点事情来制约我们的发展，甚至颠覆我们的政权。而一旦让他们的阴谋得逞，那么中国将重新陷入上世纪二三十年代的局面，人民将重新回到水深火热之中。试想一下，等真的到了那一天我们还能像现在一样无忧无虑地、安逸地生活吗?回答很显然是不能。所以自觉维护国家安全、关心国防、参与国防建设关系到我们每个人的学习、工作和生活。

,亚洲一级午夜,校花喂我乳还玩我,91网黄色在线观看。

??11月21日,中新健康 | 俄罗斯母子西安“求医记”：中医是“神奇的魔法”,

　　而后，他想到了一个严重的问题，柳神是到底什么年代的生灵，它所说的事，难道是亲眼所见？

,欧美18岁女操逼,羞羞视频入口,美杜莎被 到爽被爆视频qq群。

??时事3：久久年轻免费视频

??11月21日,尼日尔高级军官：我们必须看看中国是如何制造装备的,

　　课上认真听讲，敢于质疑，敢于提问。重点的和不理解的问题可以记在笔记本上，课后及时向老师、同学请教。

,影音先锋中文无码,大黄少妇,淫荡淫乱一级黄色电影网址。

??11月21日,西安继续发布高温橙色预警 部分区域最高可达41℃以上,

　　正是当年从狻猊眉心挖下的那块宝骨，经过数年的温养，被小不点祭成了一面宝镜，拥有可怕的神威。

,在线看黄片com,国产av资网,九九九一级黄色视频。

??时事4：自拍视频免费在线观看

??11月21日,澳大利亚中国东北总商会与辽宁省政协访问团举行经贸座谈会,

　　铁箭密集，寒光闪烁，嗖嗖作响，每一根都粗大无比，威力巨大，将青鳞鹰近前的八九株大树都射的断裂了。

,美国色情巜做爰狂欲,骇爪ss漫画免费观看,污污网站18禁在线永久免费。

??11月21日,“都市户外风”穿搭持续流行 诠释“时尚+功能”,