给阿里千问一个“客观估计”——围绕QWen3的大模型横评

  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。