導(dǎo)語(yǔ)：Qwen3 旗艦?zāi)Ｐ鸵堰M(jìn)入全球第一梯隊(duì)、國(guó)內(nèi)Top 2–3的行列：綜合能力略低于Gemini3、GPT-5.1和Kimi K2 Thinking，但與Grok 4.1、Claude Opus 4.1屬于同檔。

阿里近期發(fā)布的千問(wèn)App引發(fā)了外界的關(guān)注，其背后的Qwen3大模型與國(guó)際和國(guó)內(nèi)幾大模型的性能對(duì)比，到底水平如何？對(duì)用戶(hù)來(lái)說(shuō)又該如何根據(jù)不同的任務(wù)來(lái)選擇不同的大模型？今天給大家做個(gè)對(duì)比與總結(jié)。

01 Qwen3的基本面

阿里在今年推出的第三代大模型Qwen3，是千問(wèn)App的核心底座。它有幾個(gè)關(guān)鍵特點(diǎn)：

一、體量和架構(gòu)

Dense模型：從0.6B一直到32B；

MoE旗艦：Qwen3-235B-A22B（235B 總參數(shù)、22B 活躍參數(shù)），相當(dāng)于“參數(shù)巨艦+算力省電”。

二、訓(xùn)練規(guī)模

訓(xùn)練數(shù)據(jù)約36萬(wàn)億token，覆蓋119種語(yǔ)言/方言。對(duì)數(shù)學(xué)、代碼、STEM推理做了額外強(qiáng)化。提供“Thinking 模式”，類(lèi)似GPT-o1 / DeepSeek-R1那種顯式推理版。

三、應(yīng)用形態(tài)

包括文本對(duì)話、寫(xiě)作、代碼、多模態(tài)（圖像/文檔/表格），長(zhǎng)上下文版本能支持百萬(wàn)級(jí)token，對(duì)長(zhǎng)文檔場(chǎng)景很友好。

千問(wèn)App由于面向C端，通常會(huì)使用類(lèi)似“Qwen3-Max / Qwen3-235B旗艦+ Thinking版”的組合。

02 拿什么“尺子”來(lái)衡量Qwen3？

使用如下指標(biāo)來(lái)測(cè)評(píng)Qwen3的水平：

• Artificial Analysis Intelligence Index（AA 指數(shù)）

AA指數(shù)把MMLU-Pro、GPQA、HLE、LiveCodeBench、SciCode 等十幾個(gè)高含金量基準(zhǔn)融合，

最后給每個(gè)模型一個(gè)0–100 的綜合“智能分”。這個(gè)分?jǐn)?shù)目前是國(guó)際上最常被引用的大模型“總評(píng)分”之一。

• LMArena / Text Arena（人類(lèi)盲評(píng)Elo榜）

采用大量真實(shí)用戶(hù)不看模型名，只看回答，投票哪一個(gè)更好的方法，用Elo評(píng)分來(lái)排名，更偏“真實(shí)使用體驗(yàn)”的維度。

除此以外，還會(huì)使用一些單項(xiàng)基準(zhǔn)來(lái)進(jìn)行評(píng)測(cè)：

AIME2025：競(jìng)賽級(jí)數(shù)學(xué)；HLE（Humanity’s Last Exam）：極難綜合考試；LiveCodeBench/SciCode：偏實(shí)戰(zhàn)的軟件工程與科學(xué)代碼；以及其它經(jīng)典的MMLU、GSM8K、HumanEval 等。

本次評(píng)測(cè)主要圍繞AA榜+人類(lèi)盲評(píng)榜，再輔以少量專(zhuān)項(xiàng)基準(zhǔn)，盡量做到客觀公正。

進(jìn)入“頂級(jí)區(qū)”，但天花板依舊。

AA指數(shù)：按目前公開(kāi)信息，各主流大模型的AA指數(shù)得分可以見(jiàn)下表：

注：在AA《State of AI: China Q2 2025》里被列為“最佳非推理 LLM”之一，分?jǐn)?shù)帶星號(hào)表示部分基于廠商數(shù)據(jù)估計(jì)

就以上得分看，Qwen3的旗艦版本已經(jīng)站在Grok 4.1和Claude 4.1的身邊，但和Gemini3 Pro、GPT-5.1、K2 Thinking之間，還維持著7–10分左右的差距——這在頂尖模型之間，依然是能感知的差距。

人類(lèi)盲評(píng)Elo榜:評(píng)測(cè)結(jié)果是Gemini3 Pro和Grok4.1（Thinking）輪流占據(jù)榜首附近。GPT-5.1、Claude 4家族也穩(wěn)居頭部。Qwen3旗艦的打分雖然略低于這些“榜一大哥”，但確實(shí)已經(jīng)混在第一梯隊(duì)前列，和它們同一張榜單搶票。

更直觀的表述是：真正讓海外開(kāi)發(fā)者和研究者投票時(shí)，用戶(hù)已經(jīng)可以感受到：“Qwen3是強(qiáng)模型，和GPT-5 / Gemini3這一線對(duì)比，體驗(yàn)上不會(huì)拉開(kāi)巨大差距?！?/strong>

再看幾個(gè)單項(xiàng)評(píng)測(cè)：

• AIME 2025：競(jìng)賽數(shù)學(xué)

測(cè)試結(jié)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。

可以理解為，Qwen3在高難數(shù)學(xué)上是第一梯隊(duì)，只是在“競(jìng)賽數(shù)學(xué)+推理特化”的場(chǎng)景中，GPT-5.1 / K2 / Grok 4這些“卷數(shù)學(xué)的怪物”更強(qiáng)。

• HLE：超難綜合推理

在這個(gè)測(cè)試中，Kimi K2 Thinking和GPT-5家族在HLE里表現(xiàn)最扎眼。Qwen3和GPT-4.1/Grok-3/Gemini-2.5 Pro這一代差不多，略有提升。測(cè)試結(jié)果意味著，Qwen3在極限綜合推理上沒(méi)拉胯，但也不是拿第一的那個(gè)。

• LiveCodeBench / SciCode：工程代碼&科學(xué)代碼

在工程代碼方面,GPT-5.1?K2 Thinking? Grok4≈Gemini2.5Pro> Qwen3≈DeepSeek-V3.2。在科學(xué)代碼（SciCode）測(cè)試中，差距更縮小，大家都在40%多一點(diǎn)的區(qū)間里擠。

也就是說(shuō)，如果你用千問(wèn)寫(xiě)代碼，它的水平大致就是“略弱一點(diǎn)的GPT-5.1 / K2 / Grok4”，但絕不是上一代那種明顯掉隊(duì)。

03 中國(guó)四強(qiáng)對(duì)比：Kimi、Qwen3、DeepSeek、豆包

Kimi K2 Thinking的綜合智能得分約67分，在AA榜上直接沖進(jìn)全球前五，由于模型專(zhuān)門(mén)強(qiáng)調(diào)瀏覽、工具調(diào)用、Agent任務(wù)，所以在HLE、BrowseComp等偏“代理”的基準(zhǔn)上特別強(qiáng)。

Qwen3的綜合智能得分60 分左右，各方面比較均衡。DeepSeek-V3.2-Exp的綜合智能約57分，特點(diǎn)是國(guó)產(chǎn)芯片適配、長(zhǎng)上下文性能、推理能效方面做了優(yōu)化，為中國(guó)算力環(huán)境量身定制。

豆包1.5 Pro（非推理版），AA China Q2 報(bào)告中給出的智能指數(shù)約 48*，在非推理模型里屬于頭部，且被列為“最佳非推理大模型”之一；但其推理版（Thinking）目前還沒(méi)有完整的AA綜合分公開(kāi)。

綜合分?jǐn)?shù)上：K2 Thinking > Qwen3 > DeepSeek-V3.2 >豆包1.5Pro。但如果從“算力成本+國(guó)產(chǎn)芯片環(huán)境”出發(fā)，DeepSeek就有獨(dú)特位置，而Qwen3則在“生態(tài)+穩(wěn)健通用能力”上更加均衡。

04 用戶(hù)的視角

• 日常問(wèn)答、寫(xiě)作與知識(shí)檢索

對(duì)中文/中英混合的日常用法來(lái)說(shuō)，Qwen3 + 千問(wèn)App 基本已經(jīng)是世界級(jí)的體驗(yàn)之一?；卮鹚俣?、知識(shí)覆蓋、上下文記憶、寫(xiě)作風(fēng)格都很成熟。和GPT-5.1 / Gemini 3 Pro相比，差距主要在極限長(zhǎng)鏈推理和一些特定專(zhuān)業(yè)英文領(lǐng)域。豆包則在自然中文表達(dá)、口語(yǔ)化對(duì)話、社交媒體語(yǔ)境下的風(fēng)格更自然，適合做聊天、輕量問(wèn)答和內(nèi)容創(chuàng)作。

• 數(shù)學(xué)&競(jìng)賽級(jí)題目

如果用戶(hù)的使用場(chǎng)景是：競(jìng)賽數(shù)學(xué)、高級(jí)邏輯題、極端復(fù)雜鏈?zhǔn)酵评淼?，GPT-5.1、Gemini 3 Pro、Kimi K2 Thinking、Grok 4.1 目前仍然略強(qiáng)。

• 代碼開(kāi)發(fā)

Qwen3 在LiveCodeBench / SciCode 這類(lèi)基準(zhǔn)上的表現(xiàn)，已經(jīng)是“工程可用”的一線水平。真正大規(guī)模做代碼重構(gòu)、復(fù)雜調(diào)試時(shí)，GPT-5.1、K2 Thinking、Grok4在一些數(shù)據(jù)里略有優(yōu)勢(shì)，但Qwen3+好的工具鏈（IDE插件、CI集成）足以支撐絕大多數(shù)團(tuán)隊(duì)的日常開(kāi)發(fā)工作。

• 多模態(tài)、文檔和表格

這一塊是Qwen家族的強(qiáng)項(xiàng)之一：Qwen2.5-VL和Qwen3-Omni在圖像理解、PDF/文檔解析、表格/圖表任務(wù)上，經(jīng)常在論文和評(píng)測(cè)里拿高分。對(duì)用戶(hù)來(lái)說(shuō)意味著你把PPT、PDF、掃描件、復(fù)雜報(bào)表丟給千問(wèn)，它一般能看得比較明白。