前两周，阿里发布Qwen3.8-Max。
2.4万亿参数的MoE 模型，每次激活95B，百万上下文，数据很好，Terminal-Bench 2.1 拿到86.6，PaperBench 93.0，OSWorld-Verified 86.1。
阿里给这次发布起的标题是"编程与协作的新标杆"。
当天，全网都是"国产模型再下一城"。
每一次模型发布，随附的都是这样一张表，一批通用基准，一组分数，和几个竞品并排，让大家一目了然地知道哪家模型能力更强。
题目就那么固定的一批，模型训来训去，得分越来越高，但做题做得好，跟真实环境中的好用，貌似根本不是一回事。
于是，现在通用AI 基准的分数基本就成了宣传的需要，真实环境的能力，还得重新测，尤其是在企业应用场景下。
前几天，来自旧金山的Startrise，就对Qwen3.8-Max 进行了一轮真实应用场景下的测试，结果有惊有喜。
Startrise 是旧金山一家做AI 落地的工作室，主要帮客户把AI 应用真正用起来。他们之所以自己搞评测，是因为给客户做方案的时候选错模型是要赔钱的。所以他们定了一套自己的标准，每有新模型出来就跑一遍，结果连同每一份交付物全部公开，迄今为止已经跑过主流的十五个模型。

12个真实任务

 
这次针对Qwen3.8-Max 的评测全部基于前端开发场景，十二道题，全是前端交付物。
一个滚动驱动的Three.js 页面、一个全屏WebGL 着色器、一个品牌落地页、一个能玩的3D 游戏、一道完全开放的创意题、一个模型给自己做的自荐页、一个符合WCAG 2.2 AA 的电影选座界面、一次按三张工单改存量项目、一套十八个手绘感SVG 图标、一个带校验和撤销重做的状态应用、一个完全不用JavaScript 的可交互页面、一封表格布局的HTML 邮件。
标准是单次生成，不许返工，不许追问，交付物必须是一个自包含的HTML 文件。
完成的交付内容先在浏览器里真的打开跑一遍，看它渲不渲染、报不报错、点下去有没有反应；然后交给三个AI 评委盲评，Claude Opus 5 看审美，GPT-5.6 Terra 看工程，Grok 4.5 看有没有照着题目做；最后是一位人工盲评复核。
三部分最终得分比例，按25% 技术、45% AI 评委、30% 人工。
最终结果，十二个真实任务，一件件看。
先看得分最高的一档。
品牌落地页87.3 分，其中在浏览器里全部功能均完全实现，技术侧满分；三个AI 评委也给出了85的高分。
这是这道题有史以来最高的得分，此前的纪录是Claude Opus 5 的85.8分。
全屏WebGL 着色器84.6 分，零BUG。
十八个手绘感SVG 图标81.6 分，同样是全部实现、技术侧满分、零BUG，同样也刷新了这道题的纪录，原来的保持者是Claude Fable 5。
三个任务，两项破纪录，这一档是Qwen3.8-MAX碾压性胜利。
无障碍选座界面81.3 分，也在上半区，这一次出了点岔子，虽然技术侧整体给到83.7，但其中专门测交互的那一项，还是出现了BUG；三个AI 评委扒开源码看完，给了80，而且是全场分歧最小的一道，三个AI之间只差0.5 分。
同一份东西，人说它点不动，AI说它写得很好，也确实够魔幻。
中间一档没什么戏剧性，自荐页77.8，不用JavaScript 的可交互页面77.6，按三张工单改存量项目76.4，完全开放的创意题75.4，表格布局的HTML 邮件73.4。都交付了，都勉强能用，但也都不出彩。
自荐页那道有个共同现象值得提一句，最近新发布的三个新模型Qwen3.8，Grok4.6，Muse Spark 1.2，在"自己身份"这一项上全部不及格，只拿了50 分。让模型介绍自己，谁都介绍不明白。
剩下的几个任务，Qwen3.8-MAX 就开始拉了。
带校验和撤销重做的应用62.8 分，8 个BUG。这道题是十二道里最接近日常真业务的一道，一个表单，要能校验，要能撤销重做，Qwen3.8-MAX完全没有完成。
3D游戏47.7 分。这一道和无障碍那道正好反过来：在浏览器里一秒跑120 帧，交互全通，技术侧给到85.7；AI 评委却看出循环是坏的，找出了7个致命BUG；人工评审复核后，认为BUG全部存在，最后只给了20 分。
得分最低的是滚动驱动的Three.js 页面，29.3 分。控制台报错，页面几乎不渲染，没有动画循环，滚动近乎失效。技术侧58.6，AI 评委32.5 并且找出了9个致命BUG，人工评审复核后直接给了0 分。
单次生成没有第二轮，一个没接住的异常，六十分就没了。这道题此前也放倒过Claude Fable 5，只拿到22.5，是个公认的硬骨头。
十二件真实任务全部交付，没有违反格式约定，没有截断，只有两道在浏览器里跑出了报错。但从87.3 到29.3，跨度接近六十分。
最终Qwen3.8-max综合得分71.3，十五个模型里排第六。
尤其是跟自己的上一代比进步很明显，Qwen 3.7 Max 总分63.6，排第十二，十二道题一个前三都没进过，3.8 这一代进了五个。
我觉得比总分更值得关注的是那六十分的跨度落在哪儿。
上半区四件——落地页、着色器、图标、选座界面，共同点是“看起来对不对”。
下半区三件——状态应用、3D 游戏、Three.js 滚动，共同点是"跑起来对不对"。
我发现，越是靠视觉呈现的活，Qwen 干得越好；越是要维持状态、要接住异常、要在时间里持续正确的任务，模型干的比较差。
同样的规律也出现在打分复核的人身上。
三个AI 评委平均给Qwen 打了69.2分，而完全盲评的人工评审给了56.1。差了十三分。如果说人工评分就是低于AI也不对，同期跑同一套题的Grok 4.6，评委67.1、人工65.0，两边只差两分，所以，这个十三分的差距不是常态。
分项中位数其实咬得很紧，做工、技术、原创性都是7、8、7 这个水平。机器和人的分歧不在单项打分上，在最后那一眼。
最后，还是要看一下花费，跑完这十二个任务，Qwen 输出了47.7 万token，用时12107 秒，全场倒数第二慢，倒数第一是Kimi K3；最终花掉2.92 美元。
值得提一下的是，其他同标准价位的模型跑完同一套题，通常在一美元多一点。
这个数据也告诉我们，不要只看标价便宜，真实任务，跑一遍才知道要花多少钱。

能干活的模型才是好模型

 
15个主流模型中排名第六，Qwen3.8-max的成绩其实还不错，而且这也只是Startrise基于自己的一个前端开发场景。
相比纠结这个评测是不是片面，我更关注评测过程中，AI评委和人差的那十三分。
AI评委读的是源码，源码写得规不规范、结构对不对，它比人看得准，也比人快。人拿到的是页面，打开、点一下、划一下，页面自己会说话。一份写得工整但跑不起来的东西，前者容易给高分，后者不会。
所以那十三分不是谁看走了眼，是两边的关注点不同。
现在满世界的排行榜，评委席上坐的越来越多的开始是AI，它们读代码、看结构、判断这个做得对不对，判断得快，判断得便宜，还前后一致。看似非常合理，省心省力。
但最后用这个东西的是人，人不看代码，人看的是页面打开那一瞬间好不好看、点下去有没有反应、划一下会不会卡。就像Qwen这次，同一批交付物，两边给出相差十三分的判断，这条差距其实就是榜单和真实使用之间的距离。
所以榜单适合用来划范围，不适合用来做决定。真正该做的，是把适合自己业务场景的任务固定下来，让候选模型各做一遍，从用户角度出发，自己看。这比任何的成绩单都实在。
END
本文来自至顶AI实验室，一个专注于对AI计算机、工作站及各类AI相关硬件设备，开展基于真实使用场景评测的研究机构。
至顶网至顶AI实验室频道 作者：ZDTL
阿里Qwen3.8-Max大模型