大概十月的时候发了Qwen3 Max thinking Preview版本
代码工程师测试那个，你看到没有，75,op和gpt是80一个是80.9，这个没法比的不是贬低国产，是真的垃圾…
参数总是超越，体验没赢过
2 个赞
人类最终测试不是号称AI榜单最后一道防线吗，它给干到58%？？？这么离谱吗？
qwen传统就是参数、测试没输过，实际代码能力和工具能力依然一坨，而且产品线之混乱真是不知道怎么规划出来的。
1 个赞
我在api找半天才发现原来发布的新模型属于一个快照模型，只有这个快照模型才能思考，真是炸裂。
glm, minimax，kimi也都是这么说的
只有我关注点完全不一样吗
测试时扩展技术
测试时扩展是指在推理阶段分配额外计算资源以提升模型性能的技术。我们提出了一种经验累积式、多轮迭代的测试时扩展策略。不同于简单增加并行推理路径数量 NN（这往往导致冗余推理），我们对并行轨迹数量进行限制并将节省的计算资源用于由“经验提取”机制引导的迭代式自我反思。该机制从过往推理轮次中提炼关键洞见，使模型避免重复推导已知结论，转而聚焦于未解决的不确定性。关键在于，相比直接引用原始推理轨迹，该机制实现了更高的上下文利用效率，在相同上下文窗口内能更充分地融合历史信息。在大致相同的 token 消耗下，该方法持续优于标准的并行采样与聚合方法：GPQA (90.3 → 92.8)、HLE (34.1 → 36.5)、LiveCodeBench v6 (88.0 → 91.4)、IMO-AnswerBench (89.5 → 91.5) 和 HLE (w/ tools) (55.8 → 58.3)。
这让我想起了昨天还没读完的 TTT-Discover 这篇文章，思路还是有些相似的，虽然不更新权重吧，但没想到这么快就有人拿出有点相似的东西出来了，有点惊喜
2 个赞
qwen的价格和之前不一样了，偷偷涨价了？
我一直觉得千问模型很拉，打的广告贼多,但用起来一言难尽
1 个赞
又媲美了佬友们
确实乱成一团
一方面分开源闭源 然后又细分不同的大小 命名一个比一个模糊
每个发布都会说对标XXX，实际还是得看佬友用的效果
价格咋样
价格太贵了，除2还差不多
还是那句话 跑分就没输过
1 个赞
跑分从没输过
随便试了几个问题，感觉一坨，甚至还不如之前的，这是过拟合了吗。。。感觉QWEN路子走偏了？还是为了给上面交代背题了
其实就是把并行思考变成了一半并行，一半后置的串行。推理时间会变长。效果略好。花费的算力相近。和TTT-Discover的理念（测试时进行强化学习训练，权重更新的目的不为通用任务而是特定环境任务）不太一样。
