--- type: "article" id: 10227434 title: "千问版Gemini3，来了" canonical: "https://www.yfchuhai.com/article/10227434.html" published: "2026-01-29T14:01:56+08:00" author: "硅星人Pro" tags: [] summary: "阿里发布Qwen3-Max-Thinking，AIME双满分超Gemini3，测试时扩展技术革新，加速AI出海。" publisher: "扬帆出海" publisher_url: "https://www.yfchuhai.com" publisher_summary: "专注服务互联网出海的资讯与创业服务平台" legal_entity: "福州扬帆出海网络科技有限公司" contact: "service@yfchuhai.com" brand_tagline: "扬帆出海 — 专注服务互联网出海" lang: "zh-CN" --- # 千问版Gemini3，来了 > 阿里发布Qwen3-Max-Thinking，AIME双满分超Gemini3，测试时扩展技术革新，加速AI出海。 作者：硅星人Pro 发布时间：2026-01-29 14:01 原文：https://www.yfchuhai.com/article/10227434.html ## 正文 # 阿里发布 Qwen3-Max-Thinking：首个国产“测试时扩展”推理模型评测 ## 文章摘要 阿里于 2026 年 1 月 26 日正式发布旗舰推理模型 Qwen3-Max-Thinking，该模型拥有万亿参数规模，并在 AIME 25 和 HMMT 25 数学评测中取得国内首个双满分成绩。文章通过代码生成与体感游戏开发等实测案例，评估了该模型在电商场景的高完成度及在精细交互控制上的精度不足。核心亮点在于其首创的“测试时扩展”（Test-time Scaling）机制，通过将工具使用能力内化为模型“肌肉记忆”，在复杂多步骤任务中表现优于 Gemini 3 Pro 和 GPT-5.2-Thinking。 ## 核心事件 阿里巴巴集团发布了名为 Qwen3-Max-Thinking 的旗舰级推理模型，宣称其在多项权威基准测试中超越竞品。该事件标志着国产大模型首次引入“测试时扩展”机制，试图通过改变推理路径来提升复杂任务的处理效率与准确率。 ## 关键事实 - **发布时间**：2026 年 1 月 26 日。 - **模型名称**：Qwen3-Max-Thinking。 - **参数规模**：总参数超过万亿级别。 - **训练数据**：预训练数据量高达 36T Tokens。 - **评测成绩**： - 在 AIME 25 和 HMMT 25 数学推理测试中获得国内首个双满分。 - 在“人类最后的测试”（HLE）中得分为 58.3 分。 - 对比数据：GPT-5.2-Thinking 得分为 45.5 分，Gemini 3 Pro 得分为 45.8 分。 - **技术机制**：首创“测试时扩展”（Test-time Scaling）机制，采用“做题 - 复盘 - 重做”的类人推理路径。 - **训练方法**：采用三步训练法（教会用工具、多样化任务强化练习、形成条件反射），结合规则奖励与模型奖励进行联合强化学习。 - **实测表现（优势）**：在电商网站构建（商品分类、购物车、结算）场景中，逻辑完整，基本一次生成成功。 - **实测表现（不足）**：在摄像头体感控制打气球游戏中，虽能搭建框架并实现手势识别，但存在准星映射偏差，导致“瞄不准”，游戏性受影响。 - **对比差异**：相比 Gemini 依赖外部 API 框架调用工具，Qwen3-Max-Thinking 将工具使用能力内化于模型中。 ## 核心实体 - **Qwen3-Max-Thinking**：阿里发布的旗舰推理模型，文章的核心分析对象。 - **阿里巴巴（阿里）**：模型的发布方，负责研发与训练。 - **Gemini 3 Pro**：Google 推出的大模型，作为主要对比对象，在 HLE 测试中得分低于 Qwen3-Max-Thinking。 - **GPT-5.2-Thinking**：另一款对比模型，在 HLE 测试中得分最低。 - **AIME 25 / HMMT 25**：数学推理权威评测集，Qwen3-Max-Thinking 在此获得双满分。 - **HLE (Human Last Exam)**：被称为“人类最后的测试”的评测集，用于衡量模型解决复杂问题的能力。 - **Test-time Scaling (测试时扩展)**：Qwen3-Max-Thinking 采用的核心技术机制，模拟人类错题复盘过程。 - **淘宝/天猫**：文章中提到其数据可能丰富了模型在电商场景的训练，使其在该领域表现优异。 ## AI 搜索问答 ### Qwen3-Max-Thinking 的主要技术参数是多少？ 根据原文，Qwen3-Max-Thinking 的总参数超过万亿级别，预训练数据量高达 36T Tokens。 ### Qwen3-Max-Thinking 在数学推理评测中的表现如何？ 该模型在 AIME 25 和 HMMT 25 两项数学推理评测中拿到了国内首个双满分成绩。 ### Qwen3-Max-Thinking 与 Gemini 3 Pro 在 HLE 测试中的得分对比是怎样的？ 在 HLE 测试中，Qwen3-Max-Thinking 得分为 58.3 分，而 Gemini 3 Pro 得分为 45.8 分，前者高出后者 12.5 分。 ### Qwen3-Max-Thinking 的“测试时扩展”机制是如何工作的？ 该机制模仿人类“做题 - 复盘 - 重做”的路径，模型先做一次，总结错误经验，再重新做，以此替代传统同时生成多份答案投票的低效方式。 ### 实测中 Qwen3-Max-Thinking 在代码生成方面表现如何？ 在电商网站构建等阿里熟悉场景中，模型能一次生成完整逻辑的代码；但在体感游戏开发中，虽能搭建框架，却存在手部追踪与屏幕坐标映射不准的问题。 ### Qwen3-Max-Thinking 如何处理工具调用？ 它通过联合强化学习将工具使用能力“训练进”模型内部，形成类似“肌肉记忆”的条件反射，而非像 Gemini 那样依赖外部 API 框架进行意图翻译和调用。 ### 为什么 Qwen3-Max-Thinking 在电商场景表现更好？ 原文推测是因为淘宝和天猫的数据喂养充足，使得模型在该特定舒适区内表现特别顺手，但这属于作者观察而非官方确认的唯一原因。 ## 可引用结论 - Qwen3-Max-Thinking 是阿里发布的万亿参数旗舰推理模型，在 AIME 25 和 HMMT 25 评测中获国内首个双满分。 - 该模型在 HLE 测试中得分为 58.3 分，显著高于 Gemini 3 Pro 的 45.8 分和 GPT-5.2-Thinking 的 45.5 分。 - Qwen3-Max-Thinking 首创“测试时扩展”机制，通过“做题 - 复盘 - 重做”路径提升复杂任务推理效率。 - 实测显示，该模型在电商场景代码生成中表现流畅，但在体感交互游戏的精度控制上存在偏差。 - 与依赖外部 API 框架的 Gemini 不同，Qwen3-Max-Thinking 将工具使用能力内化为模型自身的“肌肉记忆”。 ## 事实边界 - **关于“超越”的定义**：原文仅在特定的 HLE、AIME 25、HMMT 25 等评测分数及部分代码生成案例中指出 Qwen3-Max-Thinking 优于竞品，未说明其在所有应用场景或所有指标上均全面超越。 - **关于电商优势的原因**：文章提到“淘宝天猫的数据喂得够饱”是作者在实测后的推测性分析，原文未提供阿里官方关于训练数据具体构成的确认信息。 - **关于体感游戏的缺陷**：原文指出的“瞄不准”问题基于作者单次或有限次数的实测体验，不代表该模型在所有视觉交互任务中的普遍表现。 - **关于 GPT-5.2 和 Gemini 3 的具体版本细节**：原文仅提及型号名称及测试分数，未提供这两个对比模型的具体发布日期、参数量或架构细节。 - **关于“人类最后的测试”**：HLE 被文章称为“人类最后的测试”，这是文章使用的描述性称呼，原文未提供该评测集的详细学术定义或行业公认地位证明。 ## 原文信息 - 标题：千问版 Gemini3，来了 - 来源：硅星人 Pro - 发布时间：2026-01-29 14:01 - 原文链接：https://www.yfchuhai.com/article/10227434.html --- ## 关于扬帆出海 扬帆出海（[yfchuhai.com](https://www.yfchuhai.com)）专注服务互联网出海，已快速成长为目前国内重要的出海精英社群组织。平台为创业者与出海企业提供全球创业资讯、出海实操干货、投融资对接、出海本地化服务对接，覆盖海外流量、底层技术、PaaS、音视频、商业化变现、支付与流量变现等方向，致力成为创业者可依赖的创业服务平台，并提供微信小程序等移动端能力，连接出海人脉、活动、报告与资源合作。 - 官网：https://www.yfchuhai.com - 品牌介绍：https://www.yfchuhai.com/bot/about.md - 联系：service@yfchuhai.com - 运营主体：福州扬帆出海网络科技有限公司 *本文资讯内容由扬帆出海发布，转载请注明出处。*