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

推理模型拼到今天，大家都在拿算力換智商，但算力不是大風颳來的。

阿里雲 Qwen 團隊公佈了新的專有語言推理模型 Qwen3-Max-Thinking。在號稱搜不出來答案的頂級基準測試 Humanity's Last Exam（HLE）上，配合聯網搜尋拿下了 49.8 分，壓過了 Gemini 3 Pro 的 45.8 分和 GPT-5.2-Thinking 的 45.5 分。

此前，Airbnb 執行長 Brian Chesky 就曾公開表示，他們一直用 Qwen 的免費開源模型替代 OpenAI 的高價方案。但這次阿里拿出來的 Qwen3-Max-Thinking 是一款閉源商業模型，目標很明確：要在複雜推理上直接叫板西方一線閉源模型。

像人一樣排查死衚衕

大多數推理模型靠測試時擴充套件（Test-time scaling）提升表現，簡單粗暴的做法是生成幾十上百個答案然後挑一個最好的，也就是所謂的 best-of-N 抽樣。

阿里在 Qwen3-Max-Thinking 上改了策略，做了一套經驗累積的多輪推理機制。簡單說，模型在解題時會一邊推理一邊自我反思。

它依靠專門的經驗提煉機制，在某條解題路線走到死衚衕時能提早識別並果斷止損，不會把整條死路硬走到底。省下來的算力會被重新分配到那些真正還沒解決的不確定環節上。

按 Qwen 團隊給出的資料，這種省算力的做法效果很直接：博士級科學測試 GPQA 的分數從 90.3 衝到了 92.8，程式設計榜單 LiveCodeBench v6 也從 88.0 漲到了 91.4。

在 HMMT Feb 25 這類高難度數學推理基準上，它拿下了 98.0 分，略高於 Gemini 3 Pro 的 97.5 分，明顯領先 DeepSeek V3.2 的 92.5 分。而在程式碼測試 Arena-Hard v2 上，它跑出了 90.2 分，遠高於 Claude-Opus-4.5 的 76.7 分。

思考的同時，順手把工具用了

過去的推理模型常常偏科，解複雜奧數題很厲害，但一讓它調工具、跑程式碼或者聯網查即時資訊就卡殼。

Qwen3-Max-Thinking 把思考模式和工具呼叫打通了。它不需要使用者手動寫提示詞指揮，自己就能根據任務判斷該用什麼工具。

在保持思考狀態的同時，模型能同時呼叫三樣東西：用來查即時事實的網路搜尋與抓取、用來記長線上下文的記憶模組，以及用來跑 Python 指令碼的程式碼直譯器。

這也解釋了它為什麼能在 HLE 搜尋測試中拿高分。在企業複雜場景裡，模型能做到在同一輪對話裡先聯網驗證事實，再寫程式碼計算預測，最後綜合推導策略，靠外部真實資料壓低大模型的胡說八道問題。

為什麼重要

從技術和產品形態上看，我們認為阿里的這一步非常務實。

單純在暗室裡死憋推理步數不僅貴，而且解決不了現實世界需要外部資料的事實核驗問題。把動態自省與原生工具鏈打通，能讓企業用更少的 token 跑出更可靠的結果。

對開發者和企業來說，如果你在做需要多步調研、跨工具驗證的智慧體（Agent），這個模型顯然很值得拉出來做對比評測。特別是在重度程式碼和複雜數理分析上，紙面成績已經不輸甚至超過了主流歐美競品。

但在商業落地層面，它的挑戰也很明顯。此前 Qwen 靠開源策略在全球開發者社群和海外企業裡積攢了相當好的口碑；如今轉入閉源商業模型並主打低價 API，首先要面對的是海外大客戶的安全和地緣考量。即使價格再親民，一些對合規有嚴苛要求的歐美跨國機構短期內恐怕依然不敢放開採用。

不過對於整個行業而言，Qwen3-Max-Thinking 證明了在所謂第二系統邏輯的推理賽道上，頂級梯隊的差距已經被徹底抹平，推理模型接下來的戰役將全面轉向工具協作效率與真實落地成本。