阿里发布千问3.8-MAX 2.4万亿参数性能对标Anthropic Fable5 长程编程表现亮眼

8月3日，阿里巴巴千问（Qwen）团队正式推出千问3.8-Max。这款模型总参数量高达2.4万亿，激活参数为95B，不仅是千问家族目前规模最大、能力最强的成员，也是该系列首次将Max级别模型开源。其权重文件计划于下周在Hugging Face和ModelScope这两个开源社区同步开放下载。

在定价策略上，千问3.8-Max通过阿里云旗下的千问AI平台提供API调用服务：输入端收费2.0美元/百万tokens，输出端6.0美元/百万tokens，隐式缓存费用则为0.25美元/百万tokens。

基准测试结果显示，千问3.8-Max在编程智能体及通用智能体的多项指标上，表现与Anthropic Fable5相当，甚至在部分维度实现超越。具体来看，PaperBench得分93.0，高于Fable5的88.8；CoWorkBench得分为74.8，与Fable5的75.9基本持平；WideSearch得分81.9，同样与Fable5的81.2不相上下。

**性能表现：比肩 Fable 5，局部领先**

依据千问团队公布的完整基准数据，Qwen3.8-Max在多个核心指标上要么与Anthropic Claude Fable 5持平，要么超出其成绩。

多模态领域同样亮点纷呈。需注意的是，Fable 5的部分结果可能涉及回退机制，千问团队已在注释中对此进行了说明。

**编程实战：从空文件夹到生产级交付**

为了验证千问3.8-Max的自主编程实力，千问团队选取了三个真实案例进行测试，全程无需人工介入。

案例一聚焦于十天级的自动编程任务。模型从零开始构建oh-my-cli项目，自主运行约16天，期间累计完成265次commits、提交127个PR并处理151个issues。该过程将用户反馈、社区最佳实践与自测结果统一纳入工程循环，实现了从需求自动领取、代码生成到测试验证的完整闭环。

案例二旨在复现并超越学术论文。模型独立工作约125小时，编写代码约7,600行，执行超过1,100步操作，并完成33轮GPU训练，成功复现论文《Unified Data Selection for LLM Reasoning》中的六项主要结论。随后进入“自我进化”阶段，模型提出并测试了18种改进方案，最终在竞赛级数学基准AIME24上，较论文原方法再提升2.7分。

案例三中，模型参加WWW2025多模态对话意图识别挑战赛，在526支人类队伍中脱颖而出。经过45次提交迭代，准确率由0.60提升至0.853，成功击败458支队伍，胜率高达87%。

**办公与长程任务：数百职业场景的生产级验证**

千问团队在数百种高价值职业场景中，对千问3.8-Max的实际交付能力进行了广泛测试。

在E-Commerce Bench（365天电商经营模拟基准）中，千问3.8-Max以¥416,252的收益胜出，回报倍数达4.16倍。这一成绩超过第二名GLM 5.2的38%，相比上一代千问3.7-Max提升了152%。

**芯片设计：500轮交互，面积缩减81%**

在芯片设计优化任务中，千问3.8-Max展现了长程自主规划能力。

任务目标是优化一个G CD/RSA密码硬件加速器的逻辑门数量。在无参考设计、无人工干预的条件下，模型历经约500轮交互、71次评估，跨越13个关键里程碑，将初始设计的8,298门优化至678门，在所有参评模型中表现最优。

在物理实现层面，芯片面积从106×106 µm²收缩至46×46 µm²，布线长度从33,369 µm降至4,187 µm，并在500 MHz频率下实现时序闭合，整体芯片面积缩减81%。

**多模态能力：视觉贯穿执行全流程**

千问3.8-Max的视觉能力超越了单纯的“看懂图片”，而是作为持续反馈回路贯穿整个任务执行过程。

在执行过程中，模型会持续观察中间产物——检查页面布局、物体方向、动画效果等，一旦发现偏差便自主定位并修正。千问团队将此定义为“原生视觉反馈回路”。

基准测试方面，千问3.8-Max在OSWorld-Verified得分86.1，超过Fable5的85.0；AndroidWorld得分85.3，接近Fable5的88.8；ParametricCAD Bench得分91.5，优于Fable5的87.5。