阿里发布 Qwen3-Max-Thinking：HLE 跑分超越 Gemini 3 Pro 和 GPT-5.2

推理模型拼到今天，大家都在拿算力换智商，但算力不是大风刮来的。

阿里云 Qwen 团队公布了新的专有语言推理模型 Qwen3-Max-Thinking。在号称搜不出来答案的顶级基准测试 Humanity's Last Exam（HLE）上，配合联网搜索拿下了 49.8 分，压过了 Gemini 3 Pro 的 45.8 分和 GPT-5.2-Thinking 的 45.5 分。

此前，Airbnb 首席执行官 Brian Chesky 就曾公开表示，他们一直用 Qwen 的免费开源模型替代 OpenAI 的高价方案。但这次阿里拿出来的 Qwen3-Max-Thinking 是一款闭源商业模型，目标很明确：要在复杂推理上直接叫板西方一线闭源模型。

像人一样排查死胡同

大多数推理模型靠测试时扩展（Test-time scaling）提升表现，简单粗暴的做法是生成几十上百个答案然后挑一个最好的，也就是所谓的 best-of-N 抽样。

阿里在 Qwen3-Max-Thinking 上改了策略，做了一套经验累积的多轮推理机制。简单说，模型在解题时会一边推理一边自我反思。

它依靠专门的经验提炼机制，在某条解题路线走到死胡同时能提早识别并果断止损，不会把整条死路硬走到底。省下来的算力会被重新分配到那些真正还没解决的不确定环节上。

按 Qwen 团队给出的数据，这种省算力的做法效果很直接：博士级科学测试 GPQA 的分数从 90.3 冲到了 92.8，编程榜单 LiveCodeBench v6 也从 88.0 涨到了 91.4。

在 HMMT Feb 25 这类高难度数学推理基准上，它拿下了 98.0 分，略高于 Gemini 3 Pro 的 97.5 分，明显领先 DeepSeek V3.2 的 92.5 分。而在代码测试 Arena-Hard v2 上，它跑出了 90.2 分，远高于 Claude-Opus-4.5 的 76.7 分。

思考的同时，顺手把工具用了

过去的推理模型常常偏科，解复杂奥数题很厉害，但一让它调工具、跑代码或者联网查实时信息就卡壳。

Qwen3-Max-Thinking 把思考模式和工具调用打通了。它不需要用户手动写提示词指挥，自己就能根据任务判断该用什么工具。

在保持思考状态的同时，模型能同时调用三样东西：用来查实时事实的网络搜索与抓取、用来记长线上下文的记忆模块，以及用来跑 Python 脚本的代码解释器。

这也解释了它为什么能在 HLE 搜索测试中拿高分。在企业复杂场景里，模型能做到在同一轮对话里先联网验证事实，再写代码计算预测，最后综合推导策略，靠外部真实数据压低大模型的胡说八道问题。

为什么重要

从技术和产品形态上看，我们认为阿里的这一步非常务实。

单纯在暗室里死憋推理步数不仅贵，而且解决不了现实世界需要外部数据的事实核验问题。把动态自省与原生工具链打通，能让企业用更少的 token 跑出更可靠的结果。

对开发者和企业来说，如果你在做需要多步调研、跨工具验证的智能体（Agent），这个模型显然很值得拉出来做对比评测。特别是在重度代码和复杂数理分析上，纸面成绩已经不输甚至超过了主流欧美竞品。

但在商业落地层面，它的挑战也很明显。此前 Qwen 靠开源策略在全球开发者社区和海外企业里积攒了相当好的口碑；如今转入闭源商业模型并主打低价 API，首先要面对的是海外大客户的安全和地缘考量。即使价格再亲民，一些对合规有严苛要求的欧美跨国机构短期内恐怕依然不敢放开采用。

不过对于整个行业而言，Qwen3-Max-Thinking 证明了在所谓第二系统逻辑的推理赛道上，顶级梯队的差距已经被彻底抹平，推理模型接下来的战役将全面转向工具协作效率与真实落地成本。