Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

Qwen-3.8 max 实战测评来啦！体验下来：参数量 2.4T，同任务下，速度上要比kimi-k3快很多，甚至有十倍的差距，对需要频繁交互的探索性任务比较友好，性价比较高这次也支持了多模态，上下文长度支持1M 前端能力从测评任务可以看到整体上还是不错的，与其他SOTA模型不相上下目前，Qwen3.8-Max 预览版模型（Qwen3.8-Max-Preview）已首发上线阿里 Token Plan、Qoder 及 QoderWork。当前 3.8看是限时一折，夜间更是0.2折，感兴趣的朋友可以试试且 Qwen3.8 正式版很快将发布并开源，正在以“天”为单位持续进化，今天意外发现测评的效果比昨天发布的版本要好很多，值得长期关注 Qwen3.8-Max-Preview 相比上一代 Qwen3.7-Max 提升明显；面对 KIMI-K3、GLM-5.2 和 Opus-4.8-Max 时也有一定优势，尤其擅长 Cowork 类 Agent 任务，但对 Fable-5-Xhigh 仍处于下风，很期待后续优化。评论附办公类测评👇

岚叔

23,723 subscribers

104,896 просмотров • 2 месяцев назад •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

Комментарии: 15

Фото профиля 岚叔

岚叔2 месяцев назад

办公场景我设计了一个复杂的：多模态多文档+决策推理：整体看Qwen3.8-Max-Preview 还可以，拍板事项提炼得最好，速度最快、性价比较高。测评细节：让gpt image 2生成一张高密度图片，然后让三家模型（gpt-5.6 sol vs kimi-k3 vs Qwen3.8-Max-Preview）进行对比对比结果： 1.视觉信息提取：20／20 均是满分: gpt-5.6 = kimi-k3 = Qwen3.8-Max-Preview 2.冲突识别：gpt-5.6 > kimi-k3 = Qwen3.8-Max-Preview 3.计算逻辑： gpt-5.6 > kimi-k3 = Qwen3.8-Max-Preview 4.行动清单： gpt-5.6 > kimi-k3 = Qwen3.8-Max-Preview 5.整理表达： gpt-5.6 = Qwen3.8-Max-Preview > kimi-k3 6.执行速度：Qwen3.8-Max-Preview > gpt-5.6 > kimi-k3 综合评估： gpt-5.6 sol ：9 分、kimi-k3 8分、 Qwen3.8-Max-Preview 8分 Qwen3.8-Max-Preview 有很强的简报包装和决策推动能力、但是数据计算略有瑕疵，需要交叉验证

Фото профиля 岚叔

岚叔2 месяцев назад

补充测评的在线查看地址：

Фото профиля SK

SK2 месяцев назад

GPT5.6 sol is such a disappointment

Фото профиля whiling

whiling2 месяцев назад

你这个测评软件是啥?

Фото профиля 岚叔

岚叔2 месяцев назад

自己开发的，我一会发地址

Фото профиля Berryxia.AI

Berryxia.AI2 месяцев назад

比3.7 比较明显，优劣势其实还是各有千秋，我也试试怎么样

Фото профиля 岚叔

岚叔2 месяцев назад

可以的，整体还不错😃

Фото профиля GuangWong

GuangWong2 месяцев назад

你测的是今天晚上它更新过的，还是之前的？

Фото профиля 岚叔

岚叔2 месяцев назад

今天下午重测的，发现比昨天好很多

Фото профиля GuangWong

GuangWong2 месяцев назад

2nd 2 fable5 可能不是吹的，我晚上用了下，感觉也好的一些了

Фото профиля mario zhai

mario zhai2 месяцев назад

这是什么评测软件，自己码的吗

Фото профиля 岚叔

岚叔2 месяцев назад

自己码的，我一会发地址

Фото профиля YOLO

YOLO2 месяцев назад

@gork Qwen-3.8 max 不是文本模型么？还是多模态？

Фото профиля Origenius Law

Origenius Law2 месяцев назад

卖断货和打折都没人要的差距

Фото профиля 古一 🔶 ETH

古一 🔶 ETH2 месяцев назад

焚决

Похожие видео

兄弟们实测完了，我们把今天发的fable-5.1 、qwen3.8-max-0902 都测试了下毫无疑问fable-5.1 效果是最强的，每个测评场景细节做的都很到位，不愧是No. 1 qwen3.8-max-0902 其实也很不错了，体感上比上一个版本提升很多，主要还是有点过度思考 token消耗也显示qwen3.8-max-0902 消耗更多，具体见评论

兄弟们实测完了，我们把今天发的fable-5.1 、qwen3.8-max-0902 都测试了下毫无疑问fable-5.1 效果是最强的，每个测评场景细节做的都很到位，不愧是No. 1 qwen3.8-max-0902 其实也很不错了，体感上比上一个版本提升很多，主要还是有点过度思考 token消耗也显示qwen3.8-max-0902 消耗更多，具体见评论

岚叔

44,756 просмотров • 25 дней назад

🔥 K3 杀疯了，阿里坐不住了！今天，阿里千问正式预告 Qwen3.8 —— 参数量直接拉到 2.4T，官方放话："可能是除了 Fable 5 外最强大的模型"。还没正式发布，但 Qwen3.8-Max-Preview 已经抢先上线 Qoder、QoderWork 和千问 PC 端，限时 1 折调用，夜间甚至 0.2 折。内部测评显示，在全栈开发、数据分析、Office 办公等复杂长程任务上，它已经匹敌世界前沿模型。更夸张的是，我用它 1:1 复刻了《坦克大战》—— 碰撞、草地、道具、特种敌人，一句提示词全搞定。之前用 Fable 5 做过同样的 demo，这次 Qwen3.8 已经能和它扳手腕了。正式版即将开源，以"天"为单位进化中。 #Qwen3.8 #AI大模型

🔥 K3 杀疯了，阿里坐不住了！今天，阿里千问正式预告 Qwen3.8 —— 参数量直接拉到 2.4T，官方放话："可能是除了 Fable 5 外最强大的模型"。还没正式发布，但 Qwen3.8-Max-Preview 已经抢先上线 Qoder、QoderWork 和千问 PC 端，限时 1 折调用，夜间甚至 0.2 折。内部测评显示，在全栈开发、数据分析、Office 办公等复杂长程任务上，它已经匹敌世界前沿模型。更夸张的是，我用它 1:1 复刻了《坦克大战》—— 碰撞、草地、道具、特种敌人，一句提示词全搞定。之前用 Fable 5 做过同样的 demo，这次 Qwen3.8 已经能和它扳手腕了。正式版即将开源，以"天"为单位进化中。 #Qwen3.8 #AI大模型

OneHopeA9

43,033 просмотров • 2 месяцев назад

看到好多人都开始研究怎么做视频了，我也想学学，于是拿前几天发布的 Qwen3.8 Max 抢先体验版也尝试了下，顺便做了几个 demo： 1. macOS 复古操作系统：长进程 Agent 任务很稳，从收集多模态资料、写 PRD、开发到跑测试，基本不用插手，一句话就能从零交付能用的东西。 2. 3D 地球动态网页：同一句 prompt 跑不同模型对比，效果很不错。 3. 下面这个视频是用 Qwen3.8 Max + Hyperframes 完成的，我还把自己做成了数字人，风格模仿了前几天转发的那个产品视频，原来用 agent 做视频比想象中容易多了。哦对了，Qwen3.8 Max 正式版很快发布，并且会开源！

看到好多人都开始研究怎么做视频了，我也想学学，于是拿前几天发布的 Qwen3.8 Max 抢先体验版也尝试了下，顺便做了几个 demo： 1. macOS 复古操作系统：长进程 Agent 任务很稳，从收集多模态资料、写 PRD、开发到跑测试，基本不用插手，一句话就能从零交付能用的东西。 2. 3D 地球动态网页：同一句 prompt 跑不同模型对比，效果很不错。 3. 下面这个视频是用 Qwen3.8 Max + Hyperframes 完成的，我还把自己做成了数字人，风格模仿了前几天转发的那个产品视频，原来用 agent 做视频比想象中容易多了。哦对了，Qwen3.8 Max 正式版很快发布，并且会开源！

Ding

28,168 просмотров • 2 месяцев назад

我用Qwen3.8-Max预览版复刻了一个Obsidian知识库👇 继Kimi K3之后，源神Qwen3.8也即将开源（2.4T参数），但仅仅是一个预览版，我用Qoder设置了一个 /goal 之后，就跑出了八成神似Obsidian的效果：插件区、文件区、编辑区、右侧导航区全都包含，且能够正常使用。 Obsidian是不开源的，这个可能有些人不知道。。。所以创建文件、搜索文件、主题切换、快捷键使用、模式切换、双向链接、知识图谱、大纲......这些都是Qwen3.8-Max预览版从零到一开发出来的，长任务自动交付的能力就很牛逼🐮 而且Qwen3.8-Max预览版代码效果不错的同时，性价比也拉满了——白天credits一折，晚上价格还要打骨折，而且Token Plan39元就能体验。。。已经非常期待Qwen3.8正式上线Battle“御两家”的场面！

我用Qwen3.8-Max预览版复刻了一个Obsidian知识库👇 继Kimi K3之后，源神Qwen3.8也即将开源（2.4T参数），但仅仅是一个预览版，我用Qoder设置了一个 /goal 之后，就跑出了八成神似Obsidian的效果：插件区、文件区、编辑区、右侧导航区全都包含，且能够正常使用。 Obsidian是不开源的，这个可能有些人不知道。。。所以创建文件、搜索文件、主题切换、快捷键使用、模式切换、双向链接、知识图谱、大纲......这些都是Qwen3.8-Max预览版从零到一开发出来的，长任务自动交付的能力就很牛逼🐮 而且Qwen3.8-Max预览版代码效果不错的同时，性价比也拉满了——白天credits一折，晚上价格还要打骨折，而且Token Plan39元就能体验。。。已经非常期待Qwen3.8正式上线Battle“御两家”的场面！

逸尘

20,248 просмотров • 2 месяцев назад

Qwen-3.8 发布两天，实测体验来了。第一时间订阅了 Token Plan，并在 Qwen Code 环境下进行了对比测试。 📊 实验对照：第一次（弱提示）：仅给出一句话模糊需求，生成效果较为平庸、模式化。第二次（强结构）：清晰梳理功能模块、交互逻辑、图片规则及页面结构。模型对长任务的指令遵循度表现极佳，最终成功交付了一个完整的可操作系统。核心体验： 1. 推理与生成速度：即便面对超长 Prompt 和多页面构建，整个生成过程依然流畅，耗时17分钟，等待延迟相比 kimi k3（52分钟）、grok 4.5（26分钟）小很多。 2. 长任务执行力：后加的交互细节与模块划分，基本都高水准地落到了最终成品中。最后：还是那句话，模型能力固然重要，但想让模型稳定交付复杂任务，需求本身也得足够清楚。把目标、模块和规则拆明白，Qwen 3.8 确实能把复杂任务推进得又快又完整。越来越期待它接下来的开源评测了！以上。附上两次生成过程和最终效果👇

Qwen-3.8 发布两天，实测体验来了。第一时间订阅了 Token Plan，并在 Qwen Code 环境下进行了对比测试。 📊 实验对照：第一次（弱提示）：仅给出一句话模糊需求，生成效果较为平庸、模式化。第二次（强结构）：清晰梳理功能模块、交互逻辑、图片规则及页面结构。模型对长任务的指令遵循度表现极佳，最终成功交付了一个完整的可操作系统。核心体验： 1. 推理与生成速度：即便面对超长 Prompt 和多页面构建，整个生成过程依然流畅，耗时17分钟，等待延迟相比 kimi k3（52分钟）、grok 4.5（26分钟）小很多。 2. 长任务执行力：后加的交互细节与模块划分，基本都高水准地落到了最终成品中。最后：还是那句话，模型能力固然重要，但想让模型稳定交付复杂任务，需求本身也得足够清楚。把目标、模块和规则拆明白，Qwen 3.8 确实能把复杂任务推进得又快又完整。越来越期待它接下来的开源评测了！以上。附上两次生成过程和最终效果👇

Lonely

78,443 просмотров • 2 месяцев назад

给大家带来 Qwen3.7-Max 实测! 这次使用了全新的前端测试集, 直接说结论, Qwen3.7-Max 应该是之前测试过的版本中进步特别大的一个, 甚至这次前端测试能完成之前3.6版本不能完成的测试项目. 而且后端能力测试直接刷了个榜一! 它是参与测试的34个模型中唯一一个实现了 IVF-PQ + ADC 索引方案的模型! 直接把后端测试从之前 GPT-5.5-Pro(xhigh) 的4000分拉到了现在的6947分! 不过需要注意的是, 它的测试表现分布并不是很稳定, 所以建议使用中要多review代码, 来达成更高的输出质量. 另外, 本次 Agent 能力也有提升, 达到了第一梯队的水平. 最后, 我还用 Qwen3.7-Max 实现了一个基于AI的磁盘恢复系统, 用来测试模型的实际工程能力. 编写过程很顺畅, 没有遇到阻碍, 大家可以直接看视频里的效果. #qwen #阿里千问 #qwen37max #AIAgent

给大家带来 Qwen3.7-Max 实测! 这次使用了全新的前端测试集, 直接说结论, Qwen3.7-Max 应该是之前测试过的版本中进步特别大的一个, 甚至这次前端测试能完成之前3.6版本不能完成的测试项目. 而且后端能力测试直接刷了个榜一! 它是参与测试的34个模型中唯一一个实现了 IVF-PQ + ADC 索引方案的模型! 直接把后端测试从之前 GPT-5.5-Pro(xhigh) 的4000分拉到了现在的6947分! 不过需要注意的是, 它的测试表现分布并不是很稳定, 所以建议使用中要多review代码, 来达成更高的输出质量. 另外, 本次 Agent 能力也有提升, 达到了第一梯队的水平. 最后, 我还用 Qwen3.7-Max 实现了一个基于AI的磁盘恢复系统, 用来测试模型的实际工程能力. 编写过程很顺畅, 没有遇到阻碍, 大家可以直接看视频里的效果. #qwen #阿里千问 #qwen37max #AIAgent

karminski-牙医

10,514 просмотров • 3 месяцев назад

卧槽，月之暗面（Moonshot AI）的 Kimi K3来了。 Kimi K3 的参数量达到了 2 万亿至 3 万亿（2-3T）级别。相比之下，当前主流的顶级模型如 Opus 4.8，其参数量大约在 1.5 万亿（1.5T）左右。 Kimi K3 不仅在参数体量上实现了翻倍，同时继续保留了 100 万字（1m）的超长上下文窗口优势。根据前期测试与行业预期，K3 的综合性能表现将超越当前的 Opus 4.8。中美之间的AI模型，还有差距吗？😂

卧槽，月之暗面（Moonshot AI）的 Kimi K3来了。 Kimi K3 的参数量达到了 2 万亿至 3 万亿（2-3T）级别。相比之下，当前主流的顶级模型如 Opus 4.8，其参数量大约在 1.5 万亿（1.5T）左右。 Kimi K3 不仅在参数体量上实现了翻倍，同时继续保留了 100 万字（1m）的超长上下文窗口优势。根据前期测试与行业预期，K3 的综合性能表现将超越当前的 Opus 4.8。中美之间的AI模型，还有差距吗？😂

比特币橙子Trader

143,806 просмотров • 2 месяцев назад

藏师傅的 Kimi K3 测评来了，这次确实非常牛逼！可以说是一个比较小的 DeepSeek 时刻我直接拿它跟 Opus 4.8 做了对比测试。从结果来看，互有胜负。在复杂前端和复杂开发的情况下，我觉得它跟 Opus 4.8 差不多是相当的水平。至于 Fable 5 和 5.6，我觉得还差一些，但已经是一个非常牛逼的成绩了。

藏师傅的 Kimi K3 测评来了，这次确实非常牛逼！可以说是一个比较小的 DeepSeek 时刻我直接拿它跟 Opus 4.8 做了对比测试。从结果来看，互有胜负。在复杂前端和复杂开发的情况下，我觉得它跟 Opus 4.8 差不多是相当的水平。至于 Fable 5 和 5.6，我觉得还差一些，但已经是一个非常牛逼的成绩了。

歸藏(guizang.ai)

109,022 просмотров • 2 месяцев назад

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

karminski-牙医

19,683 просмотров • 6 месяцев назад

Kimi K3 火爆之后，再看杨植麟在 GTC 2026 的演讲当时杨植麟提出，开放模型想追上闭源前沿模型，需要同时扩展三个维度：提高 token 效率、拉长上下文，并把单智能体升级为可并行协作的智能体集群如今 Kimi K3 以 2.8 万亿参数、100 万 token 上下文和 Agent Swarm 亮相，成为首个 3T 级开放模型，相关产品已全面上线，完整权重计划于 7 月 27 日发布 (Kimi AI) K3 的火爆更像一次路线兑现：开放只是起点，真正拉开差距的，是模型能否处理更长任务，并调度更多智能体一起完成复杂工作

Kimi K3 火爆之后，再看杨植麟在 GTC 2026 的演讲当时杨植麟提出，开放模型想追上闭源前沿模型，需要同时扩展三个维度：提高 token 效率、拉长上下文，并把单智能体升级为可并行协作的智能体集群如今 Kimi K3 以 2.8 万亿参数、100 万 token 上下文和 Agent Swarm 亮相，成为首个 3T 级开放模型，相关产品已全面上线，完整权重计划于 7 月 27 日发布 (Kimi AI) K3 的火爆更像一次路线兑现：开放只是起点，真正拉开差距的，是模型能否处理更长任务，并调度更多智能体一起完成复杂工作

PANews丨APP全面升级

40,323 просмотров • 2 месяцев назад

国产模型再次突破，比肩 Claude 4.6，Gemini 3.1 Pro 等顶尖模型。刚测完 Qwen3.7-Max，说几点真实感受。昨晚 API 上线第一时间就充了值，选了三个题目（见视频）来测试 Qwen3.7-Max 的前端能力、算力能力和 Agent 能力，确实可以叫做国产第一了。之前用 DeepSeek-v4 Pro 和 Kimi 2.6 做测试的时候，一次执行的完成度均不如 Qwen3.7-Max，体感上大概是 Qwen3.7-Max > Kimi 2.6 > DeepSeek-v4 Pro，这次千问在 Terminal-Bench 排行榜也确实反超了Claude Opus 4.6，体感是一致的。推理能力我是用奥数题和几道 HMMT 的题压了一下，准确率不是第一，但明显感觉比上个月测的 3.6 又高了一档。有个细节：遇到不会的题它会老实说自己不确定，而不是硬编一个看起来合理的错误答案——这点跟 Claude 很像。还有一点，现在 Qwen 的迭代速度也太猛了，在推上虽然声量没有 Kimi 和 DeepSeek 大，但是 Qwen 在 3 月发 3.5，4 月发 3.6，5 月直接上 3.7，已经变成月更节奏了，而且每次迭代都有不小进步，现在已经是名副其实的第一梯队。在海外 OpenRouter 上 Qwen3.6-Plus 的调用量刚破了平台纪录，日调用 1.4 万亿 Token，开发者们是在拿真金白银在投票。千问这一代明显是往 Agent 方向走的，极限压测下长程任务能跑 35 小时不崩，跨 Agent 框架兼容性也比上一代好很多。具体测试视频见 ⬇

国产模型再次突破，比肩 Claude 4.6，Gemini 3.1 Pro 等顶尖模型。刚测完 Qwen3.7-Max，说几点真实感受。昨晚 API 上线第一时间就充了值，选了三个题目（见视频）来测试 Qwen3.7-Max 的前端能力、算力能力和 Agent 能力，确实可以叫做国产第一了。之前用 DeepSeek-v4 Pro 和 Kimi 2.6 做测试的时候，一次执行的完成度均不如 Qwen3.7-Max，体感上大概是 Qwen3.7-Max > Kimi 2.6 > DeepSeek-v4 Pro，这次千问在 Terminal-Bench 排行榜也确实反超了Claude Opus 4.6，体感是一致的。推理能力我是用奥数题和几道 HMMT 的题压了一下，准确率不是第一，但明显感觉比上个月测的 3.6 又高了一档。有个细节：遇到不会的题它会老实说自己不确定，而不是硬编一个看起来合理的错误答案——这点跟 Claude 很像。还有一点，现在 Qwen 的迭代速度也太猛了，在推上虽然声量没有 Kimi 和 DeepSeek 大，但是 Qwen 在 3 月发 3.5，4 月发 3.6，5 月直接上 3.7，已经变成月更节奏了，而且每次迭代都有不小进步，现在已经是名副其实的第一梯队。在海外 OpenRouter 上 Qwen3.6-Plus 的调用量刚破了平台纪录，日调用 1.4 万亿 Token，开发者们是在拿真金白银在投票。千问这一代明显是往 Agent 方向走的，极限压测下长程任务能跑 35 小时不崩，跨 Agent 框架兼容性也比上一代好很多。具体测试视频见 ⬇

耳朵

34,216 просмотров • 4 месяцев назад

提升明显! Qwen3-Max 正式版 vs Preview版实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问

提升明显! Qwen3-Max 正式版 vs Preview版实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问

karminski-牙医

15,566 просмотров • 8 месяцев назад

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

axiaisacat

68,008 просмотров • 6 месяцев назад

DeepSeek V3.2 正式版实测! 提升真的有限? 给大家带来 DeepSeek V3.2 正式版的测试结果: 所有测试项目来看, 与之前的 DeepSeek-V3.2-Exp 相比是有进步的, 之前无法实现的测试这次都可以实现了. 不过相较于 SOTA 水平的模型相比, 差距仍然存在, 甚至与国产SOTA模型相比都有一定的差距. 有同学可能会说, 这次支持了 thinking with tools, 但这个也不是新鲜事了, DeepSeek 反而处于追赶的状态了. 另外, 测试过程中发现 DeepSeek V3.2 正式版还有错别字的问题, 把 axle 拼写成了 axxle. 导致变量出错 (与正确变量名称就差一行, 匪夷所思...). 总之, 目前的版本还是不适合用来写代码, 建议大家谨慎. DeepSeek 加油啊! 看着编程性能上不来我是真着急, 赶紧春节前放出 DeepSeek-V4 吧. #deepseek #KCORES大模型竞技场

DeepSeek V3.2 正式版实测! 提升真的有限? 给大家带来 DeepSeek V3.2 正式版的测试结果: 所有测试项目来看, 与之前的 DeepSeek-V3.2-Exp 相比是有进步的, 之前无法实现的测试这次都可以实现了. 不过相较于 SOTA 水平的模型相比, 差距仍然存在, 甚至与国产SOTA模型相比都有一定的差距. 有同学可能会说, 这次支持了 thinking with tools, 但这个也不是新鲜事了, DeepSeek 反而处于追赶的状态了. 另外, 测试过程中发现 DeepSeek V3.2 正式版还有错别字的问题, 把 axle 拼写成了 axxle. 导致变量出错 (与正确变量名称就差一行, 匪夷所思...). 总之, 目前的版本还是不适合用来写代码, 建议大家谨慎. DeepSeek 加油啊! 看着编程性能上不来我是真着急, 赶紧春节前放出 DeepSeek-V4 吧. #deepseek #KCORES大模型竞技场

karminski-牙医

43,911 просмотров • 9 месяцев назад

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3 #月之暗面 #AIAgent #多模态大模型 #VibeCoding #VibeGaming

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3 #月之暗面 #AIAgent #多模态大模型 #VibeCoding #VibeGaming

karminski-牙医

12,850 просмотров • 2 месяцев назад

给大家带来小米 MiMo-v2.6-pro 的测试速报! 简单来讲, 这次不愧是直播RL带来的效果, AgenticCoding 能力提升明显, 之前的 MiMo-v2.5-Pro 在我的向量数据库测试中得分只有2505, 而这次直接翻了3倍, 得分来到了7810. 与 Claude Fable-5 分数接近了. 而且算法也进化为了单图HNSW分层近邻图(M=16/M0=28) + AVX-512精确距离 + 每线程visited stamp. 可以说只要再优化一下算法细节就是SOTA水平了. 而前端测试则是MiMo需要提升的重点了, 这次演示效果虽然有提升, 但是无奈横评的其他模型都太强大了, 而小米的加分项也是本身的算法Coding能力, 比如它是可以 one-shot 写出一个光追引擎的. 但是由于空间理解/物理模拟能力不到位, 小球没办法完成把墙壁撞破的演示. 另外本次还给大家测试了输出速度, MiMo-v2.6-pro-ultraspeed 版本可以达到464tps的速度, 着实恐怖. 而根据MiMo的技术报告, 峰值可以达到900tps, 常态化请求也可以稳定在500tps左右, 考虑到模型 1.02T 的总参数量, 以及高达 42B 的激活参数量, 再加上同等规模模型一般都在60-80tps的水平, 这个成绩相当亮眼. 当然也有值得注意的点, 比如这次测试我发现它还是有早停的问题的, 上面的向量数据库测试, 每轮最大迭代50次, 但是三次测试中, 有两次它迭代到30轮左右就没办法提升分数, 于是选择了直接交卷, 浪费了测试机会. 以及, 模型思考偏长, 而且暂时不支持调整思考强度, 加上普速接口现在异常火爆, 所以最好给大一些超时, 避免无法输出结果. 总结: MiMo-v2.6-Pro 适合搞后端AgenticCoding开发! 要算法有算法要质量有质量. 但是前端空间理解和美学还需要加强. 考虑到直播后训练的时候看到的67%的训练语料都是Coding, 这个结果丝毫不惊讶了. 希望下个版本前端能力也有提升! #mimo #mimov26 #mimov26pro #x小米mimo

给大家带来小米 MiMo-v2.6-pro 的测试速报! 简单来讲, 这次不愧是直播RL带来的效果, AgenticCoding 能力提升明显, 之前的 MiMo-v2.5-Pro 在我的向量数据库测试中得分只有2505, 而这次直接翻了3倍, 得分来到了7810. 与 Claude Fable-5 分数接近了. 而且算法也进化为了单图HNSW分层近邻图(M=16/M0=28) + AVX-512精确距离 + 每线程visited stamp. 可以说只要再优化一下算法细节就是SOTA水平了. 而前端测试则是MiMo需要提升的重点了, 这次演示效果虽然有提升, 但是无奈横评的其他模型都太强大了, 而小米的加分项也是本身的算法Coding能力, 比如它是可以 one-shot 写出一个光追引擎的. 但是由于空间理解/物理模拟能力不到位, 小球没办法完成把墙壁撞破的演示. 另外本次还给大家测试了输出速度, MiMo-v2.6-pro-ultraspeed 版本可以达到464tps的速度, 着实恐怖. 而根据MiMo的技术报告, 峰值可以达到900tps, 常态化请求也可以稳定在500tps左右, 考虑到模型 1.02T 的总参数量, 以及高达 42B 的激活参数量, 再加上同等规模模型一般都在60-80tps的水平, 这个成绩相当亮眼. 当然也有值得注意的点, 比如这次测试我发现它还是有早停的问题的, 上面的向量数据库测试, 每轮最大迭代50次, 但是三次测试中, 有两次它迭代到30轮左右就没办法提升分数, 于是选择了直接交卷, 浪费了测试机会. 以及, 模型思考偏长, 而且暂时不支持调整思考强度, 加上普速接口现在异常火爆, 所以最好给大一些超时, 避免无法输出结果. 总结: MiMo-v2.6-Pro 适合搞后端AgenticCoding开发! 要算法有算法要质量有质量. 但是前端空间理解和美学还需要加强. 考虑到直播后训练的时候看到的67%的训练语料都是Coding, 这个结果丝毫不惊讶了. 希望下个版本前端能力也有提升! #mimo #mimov26 #mimov26pro #x小米mimo

karminski-牙医

11,951 просмотров • 4 дней назад

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？对我来说，这不是一个二选一的问题，而是一个补充题。大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。还有一个经常被忽略的点，其实是处理速度。我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？对我来说，这不是一个二选一的问题，而是一个补充题。大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。还有一个经常被忽略的点，其实是处理速度。我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

luolei

32,630 просмотров • 5 месяцев назад

做过投票发现蛮多人想看Bela说说假发，就录了一期 ——《女装避坑指南——假发/假发片》和之前义乳评测一样是脱稿说，紧张，也不完美，但是视频还是有蛮多干货呢毕竟视频时长也和上次评测一样比较长（5min）对假发感兴趣的姐妹同好们可以上 Umate解锁单篇或者patreon订阅任何一个等级即可看😘

Sensitive content

做过投票发现蛮多人想看Bela说说假发，就录了一期 ——《女装避坑指南——假发/假发片》和之前义乳评测一样是脱稿说，紧张，也不完美，但是视频还是有蛮多干货呢毕竟视频时长也和上次评测一样比较长（5min）对假发感兴趣的姐妹同好们可以上 Umate解锁单篇或者patreon订阅任何一个等级即可看😘

Cyber Bela

65,458 просмотров • 2 лет назад

中国版 Claude Cowork 来了... 体验了一周我感觉今年AI办公自动化将大爆发... 前两天不是测试了 Claude 的 Cowork 功能嘛测试完就被封号了😂 然后昨天阶跃星辰的人看到我写的 Cowork 测试内容了，说他们也有个和 Cowork 类似的产品，让我也体验下我一看这玩意竟然去年9月份就发布了... 测试了下的感受是：基本上Claude Code 能干的它也都能干： -能读取和直接操作电脑上的文件（区别于纯聊天AI） -能联网、能自动执行复杂任务（如抓取小红书内容） - 能联网、能自动执行复杂任务（如抓取小红书内容）进行重复劳动） - 妙计系统，支持任务模板复用（类似Claude 的技能功能，兼容Claude 的技能） - 多任务并行执行，效率更高（能同时运行多个任务互不干扰）

中国版 Claude Cowork 来了... 体验了一周我感觉今年AI办公自动化将大爆发... 前两天不是测试了 Claude 的 Cowork 功能嘛测试完就被封号了😂 然后昨天阶跃星辰的人看到我写的 Cowork 测试内容了，说他们也有个和 Cowork 类似的产品，让我也体验下我一看这玩意竟然去年9月份就发布了... 测试了下的感受是：基本上Claude Code 能干的它也都能干： -能读取和直接操作电脑上的文件（区别于纯聊天AI） -能联网、能自动执行复杂任务（如抓取小红书内容） - 能联网、能自动执行复杂任务（如抓取小红书内容）进行重复劳动） - 妙计系统，支持任务模板复用（类似Claude 的技能功能，兼容Claude 的技能） - 多任务并行执行，效率更高（能同时运行多个任务互不干扰）

小互

86,060 просмотров • 8 месяцев назад

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

小墨同学

27,520 просмотров • 1 месяц назад