当时方位：主页电脑软件我国健儿与国旗同框有多燃→ 欧美黑寡妇XXXⅩ v8.124.7636.260914 IOS版

  导语：Qwen3 旗舰模型已进入全球榜首队伍、国内Top 2–3的队伍：归纳才能略低于Gemini3、GPT-5.1和Kimi K2 Thinking，但与Grok 4.1、Claude Opus 4.1归于同档。

  阿里近期发布的千问App引发了外界的重视，其背面的Qwen3大模型与世界和国内几大模型的功能比照，究竟水平怎么？对用户来说又该怎么依据不同的使命来选不一样的大模型？今日给我们做个比照与总结。

  阿里在本年推出的第三代大模型Qwen3，是千问App的中心底座。它有几个要害特色：

  MoE旗舰：Qwen3-235B-A22B（235B 总参数、22B 活泼参数），相当于“参数巨舰+算力省电”。

  练习数据约36万亿token，掩盖119种言语/方言。对数学、代码、STEM推理做了额定强化。供给“Thinking 形式”，相似GPT-o1 / DeepSeek-R1那种显式推理版。

  包含文本对话、写作、代码、多模态（图画/文档/表格），长上下文版天性支撑百万级token，对长文档场景很友爱。

  千问App因为面向C端，通常会运用相似“Qwen3-Max / Qwen3-235B旗舰+ Thinking版”的组合。

  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交融，

  最终给每个模型一个0–100 的归纳“智能分”。这个分数现在是世界上最常被引证的大模型“总评分”之一。

  选用很多实在用户不看模型名，只看答复，投票哪一个更好的办法，用Elo评分来排名，更偏“实在运用体会”的维度。

  AIME2025：比赛级数学；HLE（Humanity’s Last Exam）：极难归纳考试；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。

  本次评测首要环绕AA榜+人类盲评榜，再辅以少数专项基准，尽量做到客观公平。

  注：在AA《State of AI: China Q2 2025》里被列为“最佳非推理 LLM”之一，分数带星号表明部分根据厂商数据估量

  就以上得分看，Qwen3的旗舰版别现已站在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分左右的距离——这在顶尖模型之间，依然是能感知的距离。

  人类盲评Elo榜:评测成果是Gemini3 Pro和Grok4.1（Thinking）轮番占有榜首邻近。GPT-5.1、Claude 4宗族也稳居头部。Qwen3旗舰的打分尽管略低于这些“榜一大哥”，但的确现已混在榜首队伍前列，和它们同一张榜单抢票。

  更直观的表述是：真实让海外开发者和研究者投票时，用户已能感受到：“Qwen3是强模型，和GPT-5 / Gemini3这一线比照，体会上不会摆开巨大距离。”

  测验成果大致排序是：GPT-5 Codex (high) ≈ GPT-5.1

  Kimi K2 Thinking

  Grok 4

  Qwen3 235B

  能够了解为，Qwen3在高难数学上是榜首队伍，只是在“比赛数学+推理特化”的场景中，GPT-5.1 / K2 / Grok 4这些“卷数学的怪物”更强。

  也便是说，假如你用千问写代码，它的水平大致便是“略弱一点的GPT-5.1 / K2 / Grok4”，但绝不是上一代那种显着掉队。

  Kimi K2 Thinking的归纳智能得分约67分，在AA榜上直接冲进全球前五，因为模型专门着重阅读、东西调用、Agent使命，所以在HLE、BrowseComp等偏“署理”的基准上特别强。

  Qwen3的归纳智能得分60 分左右，各方面比较均衡。DeepSeek-V3.2-Exp的归纳智能约57分，特色是国产芯片适配、长上下文功能、推理能效方面做了优化，为我国算力环境量身定制。

  豆包1.5 Pro（非推理版），AA China Q2 陈述中给出的智能指数约 48*，在非推理模型里归于头部，且被列为“最佳非推理大模型”之一；但其推理版（Thinking）现在还没有完好的AA归纳分揭露。

  归纳分数上：K2 Thinking>

  Qwen3>

  DeepSeek-V3.2>

  豆包1.5Pro。但假如从“算力本钱+国产芯片环境”动身，DeepSeek就有共同方位，而Qwen3则在“生态+稳健通用才能”上愈加均衡。

  对中文/中英混合的日常用法来说，Qwen3 + 千问App 根本现已是世界级的体会之一。答复速度、常识掩盖、上下文回忆、写作风格都很老练。和GPT-5.1 / Gemini 3 Pro比较，距离首要在极限长链推理和一些特定专业英文范畴。豆包则在天然中文表达、口语化对话、社会化媒体语境下的风格更天然，适合做谈天、轻量问答和内容创造。

  Qwen3 在LiveCodeBench / SciCode 这类基准上的体现，现已是“工程可用”的一线水平。真实大规模做代码重构、杂乱调试时，GPT-5.1、K2 Thinking、Grok4在一些数据里略有优势，但Qwen3+好的东西链（IDE插件、CI集成）足以支撑绝大多数团队的日常开发作业。

  这一块是Qwen宗族的强项之一：Qwen2.5-VL和Qwen3-Omni在图画了解、PDF/文档解析、表格/图表使命上，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、杂乱报表丢给千问，它一般能看得比较理解。