8 月 3 日，阿里干了件以前从没干过的事：把 Qwen-Max 级别的模型权重开源。过去两年多，Max 系列一直是藏在 API 后面的商业旗舰，你花钱、它给接口，权重长什么样没人见过。这次 Qwen3.8-Max 直接把 2.4 万亿参数的权重亮出来，官方宣布下周（预计 8 月 10 日当周）在 Hugging Face 和 ModelScope 同步开源。

官方给的数据也很炸：PaperBench 93 分，比 Fable 5 高 4.2 分；芯片设计案例把 8,298 个逻辑门压到 678 个；模拟经营一年的电商店铺，赚了 41.6 万元。

但先别急着高潮。这份 benchmark 表是 Qwen 自己测的——the-decoder 等独立媒体已经明确标注"结果来自内部测试，独立验证待进行"。这篇文章把官方公布的对比数据全部拉出来，一张一张表过，顺便告诉你：哪些分数可以信，哪些地方藏着猫腻。

30 秒看完结论

场景	结论	一句话理由
编程（PaperBench 类研究型任务）	Qwen3.8-Max 登顶	93.0 分，反超所有闭源旗舰
编程（SWE-bench Pro 类真实工程）	Fable 5 领先	80.0 vs 67.7，差距超过 12 分
通用智能体	Fable 5 微弱领先	大多数基准领先 1-4 分，Qwen 紧随其后
多模态视觉	第一梯队但非第一	ZeroBench、Dense200 登顶，其余紧随 GPT-5.6 Sol
长周期任务	Qwen 差异化最强	芯片设计、电商模拟等案例无竞品可对标
开源	历史首次	Max 级权重下周开源，Kimi K3（2.8T）已提前占位

翻译成人话：Qwen3.8-Max 不是"全面超越闭源"，而是在官方自测的几十个基准里挑出了它最强的领域（研究型编程、视觉、长周期任务）登顶，在真实工程编程上依然落后 Fable 5 一个身位。

Qwen3.8-Max 是什么：先对齐基本信息

项目	参数
总参数	2.4 万亿（95B 激活，MoE）
架构基础	Qwen 3.5
上下文	1M token
发布	2026-08-03，QwenCloud API 即日可用
开源	下周在 Hugging Face / ModelScope 放出权重
定价模式	reasoning_effort（xhigh / medium / low）三级控制成本

几个值得注意的点：这是 Qwen 家族首次开源 Max 级权重，也是继 7 月中旬 preview 版之后正式发布的完整版本。模型同时支持 OpenAI Chat Completions 和 Anthropic API 协议——意味着 Claude Code、Codex、Qoder CLI、Qwen Code、OpenClaw 这些主流智能体框架都能直接接入，不需要写适配层。

所以呢：如果你在等一个能本地部署、还能无缝接进现有 agent 工作流的国产旗舰，下周权重放出后，这是第一个选项。以前想跑 Qwen-Max 级别的模型只能租 API，现在可以自己拉权重了。

编码能力：PaperBench 反超，SWE-bench 追不上

先看官方公布的编码智能体对比（Qwen 官方自测，括号内为评估框架差异）：

Benchmark	Qwen3.8-Max	Fable 5	Opus 4.8	GPT-5.6 Sol
PaperBench	93.0	88.8	80.3	90.5
Terminal Bench 2.1	86.6	84.6	84.6	88.8
SWE-bench Pro	67.7	80.0	69.2	64.6
DeepSWE 1.1	56.6	70.0	59.0	73.0
FrontierSWE	73.5	88.8	70.0	–
MLS-Bench-Lite	41.0	49.9	42.8	46.2

三个信息量很大的点：

第一，PaperBench 93 分是全场最高。这是研究型编程基准——模型要在没有现成代码的情况下复现论文实验。Qwen 在这个基准上比 Fable 5 高 4.2 分、比 GPT-5.6 Sol 高 2.5 分。但注意脚注：该基准由 Claude Opus 4.6 评判，且 Qwen 用 Claude Code 框架跑、GPT-5.6 Sol 用 Codex 跑——评估框架不一样，分数不完全可比。

第二，SWE-bench Pro 上 Qwen 被 Fable 5 拉开了 12.3 分。SWE-bench Pro 是真实 GitHub issue 修复的标杆基准，含金量公认最高。67.7 vs 80.0，这不是"稍逊"而是"落后"。官方正文里大篇幅讲自主编程案例，但表格里这个刺眼的数字，文章只字未提。

第三，FrontierSWE 是全场差距最大的：Fable 5 拿 88.8，Qwen 只有 73.5——落后 15.3 分。FrontierSWE 是官方排行榜上难度更高的"下一代 SWE-bench"（MEAN@5 结果取自官方排行榜，数据截至 8 月 3 日），题目更接近真实工程现场。

所以呢：如果你拿它做"复现论文、跑研究实验"这类开放型任务，Qwen3.8-Max 是目前自测数据里最强的；但如果你让它修真实项目的 issue，Fable 5 依然是断层领先。买之前想清楚自己的场景是哪一类。

通用智能体：紧咬 Fable 5，但没一次登顶

Benchmark	Qwen3.8-Max	Fable 5	Opus 4.8	GPT-5.6 Sol
CoWorkBench	74.8	75.9	72.3	71.5
WorkSpaceBench	67.7	68.7	66.8	65.6
JobBench	53.4	57.4	48.4	45.4
SkillsBench	70.2	70.9	65.1	73.5
Agents’ Last Exam（通过率/得分）	27.0 / 52.4	–	27.0 / 45.1	30.6 / 53.6
Automation-Bench	27.3	29.1	27.2	29.7
WideSearch	81.9	81.2	72.9	–
HLE（带工具）	56.2	64.5	57.9	58.0

通用智能体是"全"维度里最有意思的一块：Qwen3.8-Max 没有一个基准登顶，但每个基准都在第二名附近。CoWorkBench 差 Fable 5 1.1 分、WorkSpaceBench 差 1.0 分、JobBench 差 4.0 分。

注意 HLE（带工具）：这是"人类最后考试"的人类知识上限基准，Fable 5 的 64.5 分比 Qwen 的 56.2 高出 8.3 分——在知识广度和工具协作上，闭源旗舰依然有明显优势。

所以呢：通用 agent 场景（跑自动化流程、处理文档工作流），Qwen3.8-Max 已经是"闭源旗舰之下第一人"，和 Fable 5 的差距在 1-4 分区间，但如果你需要的是知识密度极高的深度任务（HLE 类），差距会拉到 8 分以上。

通用推理：中游水平，不吹不黑

Benchmark	Qwen3.8-Max	Fable 5	Opus 4.8	GPT-5.6 Sol
GPQA Diamond	92.6	92.6	92.0	94.1
HLE	43.6	53.3	45.7	47.2
IFBench（指令跟随）	82.8	63.5	62.2	72.7
HealthBench	60.2	–	52.4	55.3
PLawBench	73.2	70.2	69.6	72.3
$OneMillion-Bench	52.5	55.9	41.8	53.8

纯推理（GPQA Diamond 科学问答）四家都在 92-94 分区间，Qwen 与 Fable 5 持平；但 HLE（开放知识考试）上 Fable 5 的 53.3 分一骑绝尘，Qwen 的 43.6 分落后近 10 分。

有意思的是 IFBench（指令跟随）Qwen 82.8 全场最高，HealthBench（医疗）60.2 也登顶。这说明 Qwen3.8-Max 不是全面中庸，而是在特定领域（指令遵循、医疗、法律）有局部优势。

所以呢：如果你的场景是"让模型乖乖照指令办事"（比如批量数据处理、格式转换），Qwen 的指令跟随能力反而比闭源旗舰更好；但如果比知识深度，闭源还是闭源。

多模态：视觉第一梯队，多项登顶

Benchmark	Qwen3.8-Max	Fable 5	Opus 4.8	GPT-5.6 Sol
MMMU-Pro	82.3	81.2	75.6	83.0
MathVision	95.2 / 97.7	92.7 / 98.6	87.1 / 97.1	90.8 / 97.8
ZeroBench（Pass@5）	24.0 / 49.0	20.0 / 46.0	17.0 / 34.0	22.0 / 35.0
Dense200	87.0	31.1	20.8	55.3
OSWorld-Verified	86.1	85.0	83.4	83.2
VideoMME（含字幕）	90.4	–	85.4	89.5
参数化 CAD 基准	91.5	87.5	85.1	86.2

多模态是 Qwen3.8-Max 相对最强的板块：ZeroBench（超难视觉测试）、Dense200（密集信息图）、OSWorld-Verified（操作系统操作）、视频理解、参数化 CAD 均登顶；MathVision 在无置信区间口径下第一（95.2），有置信区间口径 Fable 5 更高（98.6）。Dense200 上 Fable 5 只有 31.1 分、Opus 4.8 只有 20.8 分，而 Qwen 拿到 87.0——这是全场最夸张的分差。

配合官方发布的内容（200 页 PDF 跨页理解、100 小时视频记忆图谱、截图重建前端项目、户型图转 Blender 3D），Qwen3.8-Max 的视觉能力确实不只是"能看图"，而是贯穿了"看→做→检查"的闭环——它边生成边观察自己的中间结果，发现问题自己改。

所以呢：做视觉 agent、UI 自动化、图像理解类应用的开发者，Qwen3.8-Max 是目前自测数据里性价比最高的选择——而且下周权重开源后可以私有化部署，视觉数据不用出企业内网。

差异化武器：长周期任务，别人没数据可对比

编码、推理、多模态都是"存量竞争"，但 Qwen 官方这次真正想讲的故事是长周期任务——让模型连续数天自主工作，这不是 benchmark 分数能概括的：

芯片设计：Qwen3.8-Max 自主跑完整个硅片设计流程（逻辑重构→多约束优化→物理版图），约 500 轮交互、71 次评估，把 GCD/RSA 密码加速器从 8,298 个门压缩到 678 个门，物理版图从 106×106 µm² 缩到 46×46 µm²（缩减 81%），最终在 500 MHz 下时序收敛。全程无黄金参考设计、无人工干预。

电商模拟：E-Commerce Bench（基于淘宝/天猫脱敏数据的一年期仿真），Qwen3.8-Max 用 10 万元启动资金运营多家店铺，识别出供应商池里 152 家欺诈商户，年末总余额 ¥416,252（4.16 倍回报），比第二名 GLM 5.2 高 38%，比上一代 Qwen3.7-Max 提升 152%。

自主编程：10 天以上的长周期运行中，Qwen3.8-Max 从零构建了 oh-my-cli 项目（截至 7 月 30 日：265 commits、127 PR、151 issues）；复现论文"Unified Data Selection for LLM Reasoning"后自己改进，在 AIME24 上比论文方法再高 2.7 个百分点；WWW2025 多模态竞赛中 24 小时自主构建方案，0.60 → 0.853 准确率，击败 526 支人类团队中的 458 支。

这些案例的共同点是：没有起始代码、没有现成流程、连续工作数天。这个能力维度上，Fable 5 和 GPT-5.6 Sol 的官方资料里没有直接可比的公开数据。

所以呢：如果你的需求是"丢一个长期目标让 AI 自己干几天"（比如跑一个研究项目、运营一个模拟业务），Qwen3.8-Max 是目前唯一用完整案例证明过这件事的开源模型。但注意——这些案例全部是官方自述，复现成本极高，建议等社区把 oh-my-cli 仓库的 265 个 commits 跑完验证再说。

必须打的三个问号

问号一：全是官方自测。 整个对比表来自 Qwen 官方博客，the-decoder 明确标注"结果来自内部测试，独立验证待进行"。历史经验是：厂商自测分数通常比第三方复测乐观。等下周权重放出，人工分析（Artificial Analysis）复测才是真正的照妖镜。

问号二：评估框架不一致。 同一张表里，Terminal Bench 2.1 中 Qwen 用 Claude Code 测（avg@10、5 小时超时）、GPT-5.6 Sol 用 Codex 测；SWE-bench Pro 全员用 Claude Code，但 Qwen 的脚注承认"已修正有问题的任务并在优化后的基准上评估所有基线"——测法不同，分数就不能当同一把尺子用。Fable 5 的结果还涉及回退机制（官方脚注自述）。

问号三：成本问题被回避了。 有评论指出：Qwen3.8-Max 用近 20 倍于闭源旗舰的计算成本（2.4T 参数 + 大规模 RL 训练环境扩展），只换来了几个百分点的领先。官方博客的 RL 训练图表显示内部指标从 0.474 提升到 0.725——这意味着海量 GPU 算力堆出来的结果。对用户是好事（开源、便宜），但要说"AI 能力范式突破"还言之过早。

开源棋局：Qwen 不是唯一的下注者

Qwen3.8-Max 最大的历史意义不在分数，而在权重开源。7 月 27 日，月之暗面已经把 2.8T 参数的 Kimi K3 权重放上了 Hugging Face（还附赠了 attention kernels、MoE 通信库等基础设施代码）——比 Qwen3.8-Max 更大、更早开源。不过独立测试显示 K3 在网络安全和复杂数学上明显落后于西方顶级模型。

所以现在开源阵营的格局是：Kimi K3（2.8T，已开源）与 Qwen3.8-Max（2.4T，下周开源）正面交锋，而闭源阵营的 Fable 5、GPT-5.6 Sol、Opus 4.8 依然占据多个基准榜首。开源模型首次在旗舰级参数规模上形成双雄格局，"开源=落后闭源一代"的定律正在被改写——尽管还差最后一步：需要第三方复测来证明这一切不是官方滤镜。

那么问题来了：你愿意把核心业务押在一个"官方自测登顶、权重即将开源"的模型上，还是等社区复测数据出来再动？我个人倾向后者——毕竟权重下周就放出来了，等一周，让数据说话。

---

数据来源：Qwen 官方博客（qwen.ai，2026-08-03）、the-decoder（2026-08-03）独立报道、新浪科技（2026-08-03）、SegmentFault 社区报道。所有 benchmark 分数均为 Qwen 官方自测，未经独立第三方复测；E-Commerce Bench、RecreationBench 等内部基准数据无独立来源。模型时间线：Fable 5 发布于 2026-06-09，Kimi K3 开源于 2026-07-27，Qwen3.8-Max 正式版发布于 2026-08-03，权重预计 2026-08-10 当周开源。