阿里近期发布的千问 App 引发了外界的关注，其背后的 Qwen3 大模型与国际和国内几大模型的性能对比，到底水平如何？对用户来说又该如何根据不同的任务来选择不同的大模型？今天给大家做个对比与总结。

01 Qwen3 的基本面

阿里在今年推出的第三代大模型 Qwen3，是千问 App 的核心底座。它有几个关键特点：

一、体量和架构

Dense 模型：从 0.6B 一直到 32B；

MoE 旗舰：Qwen3-235B-A22B（235B 总参数、22B 活跃参数），相当于 " 参数巨舰 + 算力省电 "。

二、训练规模

训练数据约 36 万亿 token，覆盖 119 种语言 / 方言。对数学、代码、STEM 推理做了额外强化。提供 "Thinking 模式 "，类似 GPT-o1 / DeepSeek-R1 那种显式推理版。

三、应用形态

包括文本对话、写作、代码、多模态（图像 / 文档 / 表格），长上下文版本能支持百万级 token，对长文档场景很友好。

千问 App 由于面向 C 端，通常会使用类似 "Qwen3-Max / Qwen3-235B 旗舰 + Thinking 版 " 的组合。

02 拿什么 " 尺子 " 来衡量 Qwen3？

使用如下指标来测评 Qwen3 的水平：

Artificial Analysis Intelligence Index（AA 指数）

AA 指数把 MMLU-Pro、GPQA、HLE、LiveCodeBench、SciCode 等十几个高含金量基准融合，

最后给每个模型一个 0 – 100 的综合 " 智能分 "。这个分数目前是国际上最常被引用的大模型 " 总评分 " 之一。

LMArena / Text Arena（人类盲评 Elo 榜）

采用大量真实用户不看模型名，只看回答，投票哪一个更好的方法，用 Elo 评分来排名，更偏 " 真实使用体验 " 的维度。

除此以外，还会使用一些单项基准来进行评测：

AIME2025：竞赛级数学；HLE（Humanity ’ s Last Exam）：极难综合考试；LiveCodeBench/SciCode：偏实战的软件工程与科学代码；以及其它经典的 MMLU、GSM8K、HumanEval 等。

本次评测主要围绕 AA 榜 + 人类盲评榜，再辅以少量专项基准，尽量做到客观公正。

进入 " 顶级区 "，但天花板依旧。

AA 指数：按目前公开信息，各主流大模型的 AA 指数得分可以见下表：

注：在 AA《State of AI: China Q2 2025》里被列为 " 最佳非推理 LLM" 之一，分数带星号表示部分基于厂商数据估计

就以上得分看，Qwen3 的旗舰版本已经站在 Grok 4.1 和 Claude 4.1 的身边，但和 Gemini3 Pro、GPT-5.1、K2 Thinking 之间，还维持着 7 – 10 分左右的差距——这在顶尖模型之间，依然是能感知的差距。

人类盲评 Elo 榜 : 评测结果是 Gemini3 Pro 和 Grok4.1（Thinking）轮流占据榜首附近。GPT-5.1、Claude 4 家族也稳居头部。Qwen3 旗舰的打分虽然略低于这些 " 榜一大哥 "，但确实已经混在第一梯队前列，和它们同一张榜单抢票。

更直观的表述是：真正让海外开发者和研究者投票时，用户已经可以感受到："Qwen3 是强模型，和 GPT-5 / Gemini3 这一线对比，体验上不会拉开巨大差距。"

再看几个单项评测：

AIME 2025：竞赛数学

测试结果大致排序是：GPT-5 Codex ( high ) ≈ GPT-5.1 > Kimi K2 Thinking > Grok 4 > Qwen3 235B > Gemini 2.5 / Claude 4 系列。

可以理解为，Qwen3 在高难数学上是第一梯队，只是在 " 竞赛数学 + 推理特化 " 的场景中，GPT-5.1 / K2 / Grok 4 这些 " 卷数学的怪物 " 更强。

HLE：超难综合推理

在这个测试中，Kimi K2 Thinking 和 GPT-5 家族在 HLE 里表现最扎眼。Qwen3 和 GPT-4.1/Grok-3/Gemini-2.5 Pro 这一代差不多，略有提升。测试结果意味着，Qwen3 在极限综合推理上没拉胯，但也不是拿第一的那个。

LiveCodeBench / SciCode：工程代码 & 科学代码

在工程代码方面 ,GPT-5.1 ≳ K2 Thinking ≳ Grok4 ≈ Gemini2.5Pro> Qwen3 ≈ DeepSeek-V3.2。在科学代码（SciCode）测试中，差距更缩小，大家都在 40% 多一点的区间里挤。

也就是说，如果你用千问写代码，它的水平大致就是 " 略弱一点的 GPT-5.1 / K2 / Grok4"，但绝不是上一代那种明显掉队。

03 中国四强对比：Kimi、Qwen3、DeepSeek、豆包

Kimi K2 Thinking 的综合智能得分约 67 分，在 AA 榜上直接冲进全球前五，由于模型专门强调浏览、工具调用、Agent 任务，所以在 HLE、BrowseComp 等偏 " 代理 " 的基准上特别强。

Qwen3 的综合智能得分 60 分左右，各方面比较均衡。DeepSeek-V3.2-Exp 的综合智能约 57 分，特点是国产芯片适配、长上下文性能、推理能效方面做了优化，为中国算力环境量身定制。

豆包 1.5 Pro（非推理版），AA China Q2 报告中给出的智能指数约 48*，在非推理模型里属于头部，且被列为 " 最佳非推理大模型 " 之一；但其推理版（Thinking）目前还没有完整的 AA 综合分公开。

综合分数上：K2 Thinking > Qwen3 > DeepSeek-V3.2 >豆包 1.5Pro。但如果从 " 算力成本 + 国产芯片环境 " 出发，DeepSeek 就有独特位置，而 Qwen3 则在 " 生态 + 稳健通用能力 " 上更加均衡。

04 用户的视角

日常问答、写作与知识检索

对中文 / 中英混合的日常用法来说，Qwen3 + 千问 App 基本已经是世界级的体验之一。回答速度、知识覆盖、上下文记忆、写作风格都很成熟。和 GPT-5.1 / Gemini 3 Pro 相比，差距主要在极限长链推理和一些特定专业英文领域。豆包则在自然中文表达、口语化对话、社交媒体语境下的风格更自然，适合做聊天、轻量问答和内容创作。

数学 & 竞赛级题目

如果用户的使用场景是：竞赛数学、高级逻辑题、极端复杂链式推理等，GPT-5.1、Gemini 3 Pro、Kimi K2 Thinking、Grok 4.1 目前仍然略强。

代码开发

Qwen3 在 LiveCodeBench / SciCode 这类基准上的表现，已经是 " 工程可用 " 的一线水平。真正大规模做代码重构、复杂调试时，GPT-5.1、K2 Thinking、Grok4 在一些数据里略有优势，但 Qwen3+ 好的工具链（IDE 插件、CI 集成）足以支撑绝大多数团队的日常开发工作。

多模态、文档和表格

这一块是 Qwen 家族的强项之一：Qwen2.5-VL 和 Qwen3-Omni 在图像理解、PDF/ 文档解析、表格 / 图表任务上，经常在论文和评测里拿高分。对用户来说意味着你把 PPT、PDF、扫描件、复杂报表丢给千问，它一般能看得比较明白。