Qwen3.8-Max-Preview 三方上手实测结果

Qwen3.8 现在是预览版、还在迭代，没有标准跑分（SWE-bench/GPQA 都没出）。但第三方已经有人上手实测了，结论很反常识——跑分更高的 Kimi K3，在实测里翻车了；没跑分的 Qwen3.8，反而稳。对普通开发者来说，这才是该看的信号。

2026 年 7 月 19 日，阿里通义千问放出 Qwen3.8-Max-Preview——2.4T 参数、1M 上下文、MoE 架构，官方口径"仅次于 Anthropic Fable 5"。但和历次 Qwen 一样，官方完整 benchmark 博文还没发，benchlm.ai 上它的分数栏写着 "0 of 321 / Coming soon"。作为一个写代码的人，我不等跑分——我直接上手用。本文基于 techgogogo 7/19 上手实测报告，把 Qwen3.8-Max-Preview 拉到和 Kimi K3、GLM-5.2、DeepSeek V4 Pro、Opus 4.8、GPT-5.6 同一张桌上，聊聊它到底好不好用。

💡先说人话：Qwen3.8 现在是预览版、还在迭代，没有标准跑分（SWE-bench/GPQA 都没出）。但第三方已经有人上手实测了，结论很反常识——跑分更高的 Kimi K3，在实测里翻车了；没跑分的 Qwen3.8，反而稳。对普通开发者来说，这才是该看的信号。

数据可信度图例

✅官方口径/官方榜：厂商官方账号或官方博客公布的数值

🔍权威第三方：媒体/博主上手实测、或独立机构榜单（vals.ai/SWE-bench/LMArena/Artificial Analysis 等）

⚓前代锚定：本代未公布，以前一代同系列已公布数据作下限锚定

⏳待公布：截至今日无任何公开数值，如实留白

一、上手实测：Qwen3.8 到底好不好用？

techgogogo 在 7/19 发布了一份上手测评（原文链接），用的是他惯用的标准化考题，把 Qwen3.8-Max-Preview 和 Kimi K3 拉到同一套题面前对打。这不是跑分，是真刀真枪的 coding 实测，对开发者更有参考价值。

实测项目 1｜约束文本生成 + 逻辑推理

限制性文本要求（带格式/字数/结构约束的生成）：全对，而且速度更快。24 点数学题、密码推断题：顺利解开。基础推理这关，3.8 干净利落。

实测项目 2｜代码开发（最该看的一关）

三个真实 coding 任务，表现是"产出效率明显跃升"：

• 网页端太空射击小游戏：UI 与功能完整，能跑
• 3D 飙车程序：运行流畅、无操控故障（这点很关键，下面会说为什么）
• 模仿Trello 的看板应用：还原度极高，只漏了一个单独的"清除待办"按键

对日常写代码的人来说：小游戏、3D 交互、复杂 UI 还原这三类任务，3.8 能一次出到"基本能用"的水平，不用反复调。Trello 那个漏了一个按键，属于接近完成但差最后一口气——典型预览版状态。

实测项目 3｜同题对比 Kimi K3（最有意思的部分）

同样这套题，Kimi K3 的表现是：答题失误、赛车失控、界面 bug、生成耗时极长。

⚠️反常识警报：Kimi K3 的 SWE-bench Verified 跑分是 93.4%（vals.ai #3，自报），Qwen3.8目前 0 个跑分。但同一套实测题里，跑分高的 K3 翻车、没跑分的 3.8 反而稳。这不是说 K3 不行，而是跑分和真实 coding 体验之间存在明显落差——对选模型干活的人来说，这个落差比榜上那几分重要得多。

techgogogo 的总结：Qwen3.8 综合实力更出众，响应速度优势突出。注意这是 7/19 预览版的第一手结论，模型还在"以天为单位"迭代，正式版（预计近期开源）可能更强。

二、六款模型横评：跑分表 + 实测张力

下表统一用业内可比性最强的几项基准。主角 Qwen3.8-Max-Preview 的标准跑分格如实留白（⏳）——官方未公布、benchlm 仍 0/321；但补一列"上手实测定性"作为开发者视角的真实信号。Fable 5 作为官方对标的"天花板"列入参考。

数据来源：techgogogo 7/19 上手实测、Trilogy AI 架构推理盲评（StackPerf 框架）、vals.ai、SWE-bench 官方榜、Artificial Analysis、benchlm.ai，及各厂商官方（@Alibaba_Qwen X、智谱 GLM 文档、DeepSeek、OpenAI、Anthropic、SCMP）。"—"表示该模型该项基准未公开成绩，如实留白。Qwen3.8 标准跑分格留白是事实——benchlm.ai 当前标注 "0 of 321 published"，非编造。前代 Qwen3.7-Max 锚定值来自 qwen.ai 官方博客与 benchlm.ai。

读表要点：标准跑分上，GPT-5.6 Sol（96.2%）和 Fable 5（95.0%）是双高天花板，Kimi K3 以 93.4% 居开源之首，Opus 4.8 次之，DeepSeek V4 Pro 与前代 Qwen3.7-Max 锚定值同档（80% 段）。但最右边一列才是开发者该盯的：跑分王 Kimi K3 在 techgogogo 同题实测里翻车，没跑分的 Qwen3.8 反而稳。跑分高 ≠ 你用着顺手，这是这张表最重要的信息。

三、上手门槛与性价比：现在就能白嫖

跑分可以等，但能不能马上上手用、花多少钱，是开发者更关心的。Qwen3.8-Max-Preview 这点很友好：

1千问 PC 端 / Web 端：直接免费体验，零门槛试。想先摸底够不够用的，从这里开始。入口

2阿里云 Token Plan 个人版：39 元/月起，可接 Claude Code / Cursor / Qwen Code 当后端模型。重度 coding 用户走这条。

3Qoder 平台：上线限时1 折、夜间0.2 折（活动页）。夜里跑长任务的，成本能压到极低。

!对比 Kimi K3：K3 是开源权重（7/27 前释出），可私有化部署；Qwen3.8 目前只能走 API/百炼，权重"即将开源"但还没开。要私有化的，现阶段 K3 更现成；要现成好用、低成本 API 的，3.8 更顺手。

✅一句话性价比：免费试用门槛最低（千问 Web 端）、重度用户 39 元/月 Token Plan、夜间跑活 0.2 折——Qwen3.8 在"上手门槛 + 成本"这两项上，对个人开发者是目前最友好的国产旗舰之一。

四、两份实测，结论不一致：该信哪个？

第一份实测——techgogogo（7/19，原文）：用标准化考题对打，Kimi K3 的 SWE-bench Verified 跑分 93.4%（自报、vals #3），但在真实 coding 题（小游戏、3D 飙车、Trello 看板）里翻车——赛车失控、界面 bug、生成耗时极长；Qwen3.8 反而稳，3D 飙车"运行流畅无操控故障"、Trello 看板"还原度极高只漏一键"。这一份里，没跑分的 3.8 赢了跑分王 K3。

第二份实测——Trilogy AI（原文）：换了维度，结论就变了。作者用自研 StackPerp 框架、两个陌生 GitHub 仓库、统一环境 OpenCode 1.17.13 控制变量，做"软件架构与代码推理"盲审——要求模型分析陌生代码库、设计系统集成、定义数据契约、追踪完整数据流。最终 Kimi K3 得 83/100、Qwen3.8 得 80/100，K3 略胜 3 分（即此前说的"三点之差"）。而且各有所长：K3 在生命周期状态、版本重生成上更强，且更快、更省 token；Qwen3.8 在系统边界划分更清晰、能捕获 replay 元数据、工具调用次数更少。这份里，K3 在架构推理上扳回一城。

💡两份实测的张力，才是真实该看的东西：techgogogo 场景 3.8 赢、Trilogy 架构推理 K3 略赢——不同维度、不同结论，这比一边倒可信得多。给你的落地判断：日常出能跑的代码（小游戏/3D/UI 生成），3.8 更顺手；复杂架构推理、数据流追踪、版本重生成，K3 略强。别只看一份实测，也别只看跑分——尤其 SWE-bench Verified 顶端（GPT-5.6 96.2% / Fable 5 95.0% / K3 93.4%）已挤在一起、区分度失真。

📊第三份实测——AICodeKing KingBench（有具体分数）：AICodeKing 频道《Qwen 3.8 Max (Fully Tested): AN ACTUAL OPEN FABLE COMPETITOR!》（视频，7/19，约 1.1 万播放）用自研 KingBench 跑 3.8，对比 Fable 5 / Opus 4.8 / Kimi K3 / GLM-5.2 / GPT-5.6 Sol。Qwen3.8 Max 得 65/80，总榜第二，排在 Fable 5 之后、Opus 4.8 之上。强项：frontend / Three.js / SVG / game / math / agentic；满分项：弓箭游戏、hard math、长程 agentic 任务；Claude Code 里快且能干，长程任务仍有短板。来源：博主视频描述（自研 benchmark，分数体系与 Trilogy 不同、不可直接横比，各自结论并列参考）。

五、各模型该用在哪（开发者版）

基于实测 + 跑分 + 上手门槛，给个落地的开发者用法建议，不绕弯：

Qwen3.8-Max-Preview

日常 coding、小游戏/3D/UI 生成、长程工程任务。上手门槛最低、响应快、实测稳。现在是预览版，等正式开源后私有化也能上。

Kimi K3

要私有化部署、跑分党、前端 Code Arena 场景。但实测工程稳定性有坑，上手先小范围试，别直接扔长程任务。

GLM-5.2

开源、1M 上下文、项目级工程。性价比高，但"思考过久"是已知槽点，急活儿慎用。

DeepSeek V4 Pro

成本敏感、高吞吐批量活。运行成本比 V3.2 降 3.7×，1M 上下文，开源可自部署。

Claude Opus 4.8

复杂工程、代码质量优先（SWE-bench Pro 69.2% #1）。出海团队、不差钱、要质量天花板。

GPT-5.6 Sol

标准任务、终端任务之王（Verified 96.2% #1）。出海、标准工程流水线首选。

Fable 5（参考）

综合天花板，Qwen 官方对标对象。国内不易直接用，作能力上限参照。

一句话口诀

日常顺手用 3.8，私有化看 K3/GLM，成本看 DeepSeek，出海质量看 Opus/GPT-5.6。

六、别急着下结论的几个点

• 3.8 还是预览版，官方称"以天为单位迭代"。techgogogo 7/19 实测是第一手快照，正式版（预计近期开源）可能更强也可能调偏，别把预览结论当定论。
• 标准跑分仍未公布（benchlm 0/321）。官方一旦放分，尤其盯SWE-bench Pro——前代 Qwen3.7-Max 是 60.6%，3.8 若进 70+ 段，才算坐实"仅次于 Fable 5"的口径。
• Kimi K3 跑分是自报，权重 7/27 前释出，93.4% 尚待独立复现；它在 techgogogo 实测翻车不等于它不行，而是说明单看跑分会误判。
• 本文实测依据为三份第三方上手实测：techgogogo（标准化考题，3.8 赢 K3）、Trilogy AI（架构推理盲审，K3 略胜 83:80）、AICodeKing KingBench（65/80 总榜第二，Fable 5 > 3.8 > Opus 4.8）。三份综合看：3.8 在日常 coding / 游戏 / 前端 / 数学 / agentic 强、综合排 Fable 5 之下 Opus 4.8 之上，架构推理略逊 K3——预览阶段谁强谁弱还没定论。建议你自己拿同类题在千问 Web 端免费跑一遍复验，这才是属于你的真实结论。

本文数据截止 2026-07-20。

七、为什么 3.8 值得盯：三个真本事

本节为定性解读视角，非跑分——提炼自一段对 Qwen3.8 Max 的分析视频（来源），并挂上前文三份实测佐证。帮你从分数之外，理解 3.8 凭什么被称作"开源版 Fable 5 挑战者"。

1 推理下限（reasoning floor）高：小模型简单题能答、复杂多步逻辑就崩（猜、幻觉、漏步、代码看着对跑不通）。2.4T MoE 的 3.8 认知面更大，难任务前不易崩。实测佐证：AICodeKing KingBench 里 3.8 在长程 agentic 任务、hard math 拿满分——恰是"推理下限高"的直接体现。

2 长程抗漂移（agentic persistence，抗 slopification）：长会话里很多模型"越改越烂"——忘了原约束、改了不该改的、风格漂移。3.8 被定位成能在长 messy 工作流里锁住原始指令。实测佐证：techgogogo 里 Trello 看板"还原度极高、只漏一个键"（指令 adhere 到位）、Trilogy 里"系统边界划分更清晰、工具调用更少"（结构维持得住）。

3 开源权重 = 控制力：私有化部署（金融/医疗/政企数据不出域）、可微调、长程 agent 不被"按 token 烧钱"、不被安全过滤卡住正当技术活。这是闭源 Opus/Fable 5 给不了的。待 3.8 正式开源权重释出，这条才真正兑现（现阶段只能走 API/百炼）。

✅ 最聪明的用法：Qwen + Opus 混合工作流。别让一个模型干所有事——Opus 4.8 / GPT-5.6 Sol 做规划与终审（架构、风险、最后 polish），3.8 做长程执行（写文件、跑循环、数据处理、重复活），最后再交 Opus/Fable 5 复核。规划用闭源的精度、执行用开源的自主与低成本、复核再回到闭源的严谨——这才是这波模型潮里"开放+闭源"该有的搭配，而不是非此即彼。

结语

Qwen3.8-Max-Preview 今天还没有一个标准跑分，但已经有三份第三方把它拉到一起实测——结论各有趣味：techgogogo 标准化考题里 3.8 赢（K3 翻车），Trilogy AI 架构推理盲审里 K3 略赢（83:80），AICodeKing KingBench 里 3.8 拿 65/80 总榜第二、排在 Fable 5 之后 Opus 4.8 之上。三份合起来才画出 3.8 的真实水位：日常 coding / 游戏 / 前端 / 数学 / agentic 是强项、综合稳居 Fable 5 之下 Opus 4.8 之上，但架构推理还略逊 K3。对写代码的人，这比榜上 93.4% vs 96.2% 那几分重要得多——日常出能跑的代码、响应快、上手便宜，3.8 都做到了。等它正式开源放分那天，再回头看这三份实测，验证一下"不同维度各有胜负"是不是常态——那才是这波模型潮里最值得琢磨的事。