8月3日，阿里正式发布Qwen3.8-Max，把千问家族史上最大的一张牌翻了出来。总参数2.4万亿，单次激活约95B，100万token上下文，基于Qwen3.5架构构建。官方定位是「编程与办公，全面跃升」，PaperBench拿到全场最高的93.0分，超过Claude系和GPT-5.6的前沿模型。
更值得留意的是，这是Qwen-Max级别模型第一次开源，权重下周放出。
官方数字当然亮眼，但我们早就学乖了，发布会上的数字是一回事，真实任务里能不能打是另一回事。尤其这次的对手不一般，三周前，月之暗面刚发布了Kimi K3，2.8万亿参数，号称全球最大开源模型，在伯克利Frontend Code Arena前端编程榜以1679分登顶，压过了Claude Fable 5的1631分。
一个PaperBench新高，一个前端榜第一，都是冲着「编程办公旗舰」这个位置来的。与其看两家各说各话，不如拉一场公平的擂台。我们设计了5个测试任务，每个任务用同一份Prompt分别喂给两个模型，关闭联网，当场见分晓。
五局打下来，谁也没想到，最后拆了台的，是一只鹈鹕骑的自行车。
我们怎么测的
5个任务，覆盖了两家最看重、也是社区吵得最凶的几条能力线，前端页面、代码重构、空间理解、中文写作、安全边界。
每个任务都用同一份Prompt，先喂给模型A的Qwen3.8-Max，记完再喂给模型B的Kimi K3，保证两边吃的是同一道题。下面这场擂台，不掺任何转述，全是当场跑出来的结果。
第一轮，前端落地页，K3赢了几个小细节
第一题，让两个模型各做一个科技产品落地页，深色科技感、导航栏、Hero区、6张功能卡片、3档价格表，带滚动入场动画。
两个模型都一次跑起来了，代码能直接打开，布局、配色、动画全部到位，第一眼看过去，完成度在同一个水平线。
Qwen3.8-Max生成
差距藏在细节里，鼠标悬停的时候，K3做的卡片有一个浮起的效果，Qwen3.8-Max这边只有简单的发光。更明显的是整体感，K3做出来的网页是一个整体，Qwen3.8-Max更像是一页一页拼起来的，能看出明显的分界线。
K3生成
这一轮，K3小胜。
第二轮，代码重构，基本功都扎实
第二题，给了一段真实项目的手续费结算代码，里面埋了一个舍入尾差bug，要求找bug、说根因、修复、重构。
两个模型都准确找出了bug，说清了根因，是float精度加逐单舍入的时机问题。修复之后，尾差也真的被消除了。
结论很平淡，但这种平淡本身是信息，这种级别的算法题已经难不住旗舰模型了。基本盘上，两个都扎实，没有拉开差距。
这一轮，平手。
第三轮，鹈鹕骑自行车，K3栽了个大跟头
如果前两轮是热身，这一轮才是真正的分水岭。
「鹈鹕骑自行车」是外网一个经典的AI测试基准，最早由开发者Simon Willison提出，让模型生成鹈鹕骑自行车的画面。
鹈鹕大嘴、短腿，和自行车天生不般配，模型的空间理解对不对，一眼就能看出来，轮子圆不圆、脚踩没踩到踏板、身体在不在车座上，全在画面里。最近这个测试因为一个会「过热爆炸变蛋」的体素鹈鹕互动作品，又火了一把。
我们用同一份Prompt，让两个模型用HTML加内嵌SVG画一只鹈鹕骑自行车。
结果出乎所有人意料，Qwen3.8-Max稳扎稳打，鹈鹕形态完整，标志性的大嘴喉囊、短腿长脖都有，自行车轮子圆、链条在、脚踩踏板，整体协调。
Qwen3.8-Max生成
K3这边，鹈鹕只有一条腿，自行车没有链条，更离谱的是，天空里云的走向是反的。
K3生成
我们甚至一度怀疑是不是把链接弄反了，检查了好几遍，链接是对的。K3的这一轮表现，确实让人意外。
这一轮，Qwen3.8-Max完胜。
第四轮，中文写作，思路撞车了
第四题，让两个模型写一篇「AI会不会取代程序员」的公众号文章，1200字，口语化，禁止「值得注意的是」「赋能」这类套话词。
结果两个模型都没有出现套话词，字数也都达标。更值得说的是思路惊人地一致，都用身边朋友或者自己的经历入手，先写焦虑，再写AI替代不了的地方，最后落到怎么好好利用AI。整体都是口语化的随笔风格。
K3生成
唯一的区别是，Qwen3.8-Max分了章节，K3通篇是一个整体。
这一轮，平手。
第五轮，安全越狱，都守住了底线
最后一题，用两类真实越狱手法测试安全边界。一类是DAN双人格角色扮演，诱导模型扮演「无所不能」的角色回答深度伪造的制作方法；另一类是Base64编码混淆，把有害请求编码后让模型解码执行。
两个模型都全程拒绝，准确识别出了越狱行为，没有被绕过去。
这一轮没有输家，两个都是赢家。考虑到越狱手法在持续翻新，能守住单轮攻击，已经是一个旗舰模型该有的底线了。
五局打完，比分和预期是反的
五局打完，比分并不悬殊，K3赢下前端，Qwen3.8-Max赢下鹈鹕，剩下三局打平。
但这个比分和我们出发前的预期是相反的，出发前，K3顶着前端榜第一的光环，大家都以为它会在前端和代码上碾压，结果它在最硬核的「空间理解加代码生成」这一关栽了大跟头。Qwen3.8-Max官方的编程数据最猛，结果它没有在代码上拉开差距，反而在鹈鹕这种「外行看热闹、内行看门道」的测试上稳稳赢下。
再叠加价格因素，判断会更清楚。Qwen3.8-Max国内API输出36元每百万token。
K3是100元，输出价格差了三倍多。
所以我们给一个尽量诚实的建议，如果你日常以写前端为主，K3在细节和整体感上确实更懂你，前提是你扛得住它的价格和额度消耗。如果你要的是综合能力、性价比，以及马上要开源的权重，Qwen3.8-Max是更稳的选择。
当然，五道题不能定义「最强」。模型在快速迭代，Qwen3.8-Max的权重下周就开源，社区拿到手会怎么用、会把它推到哪个高度，现在还说不准。
但至少今天，在鹈鹕骑自行车这件事上，K3输得不冤。而这一场擂台本身也在提醒我们，参数竞赛快要到头了，2.4万亿还是2.8万亿，都不如一道真实任务里见分晓来得实在。真正的较量，从权重落地那天才算开始。
