聪明世界#14
编程顶尖自报
记性1M
便宜$7.5
记性换算成体感：一次能读完《哈利·波特》全七部
Qwen 系列的视觉模型 · 按发布时间
共 28 个 · 这里是相邻的 7 个 · 阿里通义的全部模型 →他的房间
电脑
67.7% · SWE-Bench Pro · 厂商系统卡自评，未经第三方复核
书架
5 层 · 记忆 1M tokens
黑板
数学与科学推理
日历
知识截止日期未公开
冰箱
支持上下文缓存，能存记忆
门禁
闭源，权重不公开
身世
- 发布日期
- 2026 年 7 月 19 日models.dev
- 知识截止
- 暂无数据
- 参数量
- 体型为估算值，官方从未公布参数量
- 开放权重
- 否
- 开源许可
- 暂无数据
- 上下文窗口
- 1M tokens
- 单次最大输出
- 131K
- 输入价格
- $2.50 / 百万 tokens
- 输出价格
- $7.50 / 百万 tokens
- 模型类型
- 视觉除了文字还能看图片或视频，输出文字
- 支持的输入
- 图像、文字、视频 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 156.6
- AIME 数学
- 99.4%
- GPQA Diamond 科学
- 92.7%
- ARC-AGI-2 抽象推理
- 未参评
- Fiction.liveBench 长文本
- 未参评
综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录， 不代表它做不到——本站不会用估算值填补空缺。
编程战绩（按赛制分列）
- SWE-Bench Pro67.7%同一个思路但难度高得多的版本，题目更长、依赖更复杂。分数普遍比 Verified 低三十分左右，两者不可直接比较。厂商自报https://www.alibabacloud.com/blog/qwen3-8-max-a-new-bar-for-coding-and-cowork_603421
- FrontierSWE73.5%面向前沿模型设计的高难度软件工程题，普通模型基本做不动，用来拉开顶尖选手之间的差距。厂商自报https://www.alibabacloud.com/blog/qwen3-8-max-a-new-bar-for-coding-and-cowork_603421
- DeepSWE57.5%SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。第三方实测https://deepswe.datacurve.ai/
- Terminal-Bench86.6%把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事，不只是写代码。厂商自报https://www.alibabacloud.com/blog/qwen3-8-max-a-new-bar-for-coding-and-cowork_603421
- NL2Repo55.9%从一段自然语言需求直接生成一整个可运行的代码仓库。厂商自报https://www.alibabacloud.com/blog/qwen3-8-max-a-new-bar-for-coding-and-cowork_603421
- WebDev Arena1669 Elo让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测https://epoch.ai/benchmarks
这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。
全部成绩（按榜单分列）
名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。
综合
- 综合智力156.6第 14 / 208Epoch Capabilities Index，把十几项学术评测归并成一个总分。想知道「谁最强」，先看这一栏。第三方实测https://epoch.ai/benchmarks
数学
- FrontierMath74.7%第 13 / 99由职业数学家出的原创难题，连数学博士都要花几小时甚至几天。分数是解出的比例，能过一成就是前沿水平。第三方实测https://epoch.ai/frontiermath
- FrontierMath 第四层46.3%第 13 / 71FrontierMath 里最难的一层，研究级别的问题，绝大多数模型接近零分。第三方实测https://epoch.ai/frontiermath
- AIME 数学99.4%第 8 / 191美国高中数学邀请赛难度的模拟题，是数学竞赛能力的通行标尺。答对比例，满分 100。第三方实测https://epoch.ai/benchmarks
- ProofBench58.0%第 11 / 79不是算出答案，而是写出完整证明并由人评判。考的是数学推理的严谨程度。第三方实测https://www.vals.ai/benchmarks/proof_bench
知识与推理
- GPQA 科学92.7%第 16 / 197博士级别的物理、化学、生物选择题，题目设计到「谷歌也搜不到答案」。随机乱猜是 25 分。第三方实测https://epoch.ai/benchmarks
- SimpleQA 事实问答45.8%第 37 / 97一问一答的冷门事实题，测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
- CritPt 物理20.0%第 15 / 163研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
游戏与谜题
- 国际象棋残局29.0%第 40 / 156给一个棋局找出最佳着法。分数是解对的比例，随机乱走约 5 分。第三方实测https://epoch.ai/benchmarks/chess-puzzles
- 推理游戏谜题38.0%第 9 / 91Epoch 自建的一组推理小游戏，测的是在规则未知的环境里摸索规律。第三方实测https://epoch.ai/benchmarks
其他
- Dtbench92.0%第 22 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca46.2%第 22 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca
B 站上的 Qwen3.8 Max Preview 实测1 个视频
在 B 站搜「Qwen3.8 Max Preview 测评」↗
以上为 B 站搜索结果，按播放量排（站长的视频置顶），内容由各 UP 主提供，不代表本站观点。