Qwen3.8-Max 拿下 Agentic 指数全球第一，智能指数进前五，但幻觉率翻倍埋下隐忧

8 月 6 日，阿里通义千问官方账号宣布 Qwen3.8-Max 在 Artificial Analysis Intelligence Index 排名第 5、Agentic Index 排名第 1。同一日，独立评测机构发布了该模型的完整评测数据：Intelligence Index 得分 56（v4.1.1 更新后升至 58），较前代 Qwen3.7-Max 的 46 分跃升 10 分；在衡量真实世界 agentic 工作能力的 GDPval-AA v2 评测中拿下 1739 Elo，领先 Kimi K3（1685），与 Claude Fable 5（1743）和 GPT-5.6 Sol（max，1730）基本持平，仅次于 Claude Opus 5（max，1852）。

Qwen 公布的排名截图显示其位列 Agentic 指数第一。阿里 Max 系列也首次承诺开放权重——Qwen3.8-Max 的 2.4 万亿参数权重和一个小型 Qwen3.8-27B 模型均计划于 8 月 12 日发布。

从第 46 名到第 5 名：十个百分点的跨越从哪里来

Qwen3.7-Max 在 Intelligence Index 上仅得 46 分，Qwen3.8-Max 的 56 分意味着阿里在不到三个月内将旗舰模型的综合智能评估提升了约 22%。Artificial Analysis 的拆解显示，提升集中出现在三个方向。

Agentic 能力是最大驱动力。 GDPval-AA v2 是 Intelligence Index 中权重最高的评测项（20%），模拟 AI 模型在 44 种职业和 9 个行业中的真实工作任务。Qwen3.8-Max 在该项上拿到 1739 Elo，较 Qwen3.7-Max 暴涨 468 分。Artificial Analysis 指出，这一跃升部分源于模型在每项任务中执行的 agentic 轮次从 14 轮暴增至 64 轮——模型更"主动"了，而非单纯更"聪明"了。

编程和科学推理全面上扬。 Terminal-Bench v2.1 提升 6 分；CritPt 提升 7 分；SciCode 提升 4 分；Humanity's Last Exam 提升 3 分。GPQA Diamond 持平。唯一倒退的是 AA-LCR，下降 2 分。

τ³-Bench Banking 出现离群值。在金融客服场景的 agentic 工具调用评测中，Qwen3.8-Max 得分 42%，较上一代暴增 32 个百分点，大幅领先多个在 Intelligence Index 总分高于它的模型。Artificial Analysis 在评测线程中特别标注这一结果"out of distribution"，暗示其异常性值得进一步验证。

Agentic 登顶的真正引擎是什么

Agentic Index 是 Artificial Analysis 专门衡量模型自主执行能力的综合指标，仅由两项评测等权平均构成：GDPval-AA v2 和 τ³-Banking。Qwen 方面宣称的"全球第一"即基于该指数。

这一排名的精确含义需要审视。Artificial Analysis 的 FAQ 显示，Claude Opus 5（Adaptive Reasoning, Max Effort）以 59 分位列最高，Claude Opus 5（Xhigh Effort）以 58 分紧随其后，Qwen3.8 Max 同样为 58 分。Qwen 方面公布的截图中，可能对推理努力等级（reasoning effort tier）做了筛选，或者排除了 Max Effort 等特定配置。

无论排名口径如何，GDPval-AA 的 1739 Elo 是硬数据。这一分数意味着 Qwen3.8-Max 在需要调用 shell、浏览网页、执行多步操作的开放式工作场景中，已经进入全球第一梯队。Qwen 视觉智能负责人在引述该成绩时写道："Multimodal intelligence is moving from understanding to action."

幻觉率翻倍，不能假装没看见

Qwen3.8-Max 在 AA-Omniscience 知识可靠性评测中得分从 +14 暴跌至 +4，倒退 10 分。拆解数据揭示了原因：准确率基本持平（约 31%），但幻觉率从 23% 攀升至 40%。模型在更多自己答不上来的问题上选择了"硬猜"而非拒绝回答。

AA-Omniscience 在 Intelligence Index 中权重只有 4%（非幻觉率），但在实际使用中直接影响用户信任。当一个模型在 40% 的情况下给出看似自信但实则错误的信息，开发者在将其接入生产系统时必须额外增加校验层。用户在 Qwen 推文下评论："The hallucination regression is regrettable。"

每次任务 $1.14，是 Qwen3.7-Max 的两倍多

Qwen3.8-Max 的 API 定价为每百万输入 token $2、输出 $6、缓存命中 $0.25。相比 Qwen3.7-Max 的 $2.50/$7.50/$0.50，单价实际有所下降。但运行 Intelligence Index 的单任务平均成本反而从 $0.53 翻倍至 $1.14。

原因不在单价。Artificial Analysis 指出，GDPval-AA 的输入 token 消耗较上一代增长约 15 倍，输出 token 总量从 100M 增至 145M。模型在每项 agentic 任务中花费了更多轮次去探索、试错和迭代，这既是能力提升的表现，也是成本增加的来源。

放在竞争语境中：Kimi K3（max）每任务成本 $0.86，得分 57；GLM-5.2（max）每任务 $0.57，得分 51；Claude Opus 4.8（max）每任务成本 $1.78。Qwen3.8-Max 比最强的中国对手 Kimi K3 贵 33%，但得分反而低 1 分（在 v4.1 口径下）。对价格敏感的开发者来说，这个性价比等式需要根据自己的 workload 重新计算。

2.4 万亿参数即将开源，Max 系列史上第一次

Qwen3.8-Max 于 8 月 3 日正式发布，距 7 月 19 日上海世界人工智能大会预览仅两周。模型采用稀疏 MoE 架构，总参数 2.4 万亿，每次前向传播激活约 950 亿参数，支持 100 万 token 上下文窗口，原生多模态（文本、图像、视频输入）。

阿里承诺开放权重——这是 Max 系列首次。此前 Qwen3.7-Max 等旗舰型号均为 API 专有。同时公布的还有一个较小的 Qwen3.8-27B 密集模型，二者均计划于 8 月 12 日发布权重。Qwen3.8-Max 一旦开源，将成为仅次于 Kimi K3（2.8 万亿参数）的全球第二大开源权重模型。

在中，Qwen3.8-Max 展示了多项 internal testing 成果：在无人类干预的情况下自主执行了一个为期 16 天的软件工程项目，从零构建了名为 oh-my-cli 的自进化 agent 框架；在 WWW2025 多模态对话意图识别挑战赛中超越人类选手；在内部 RecreationBench 评测中仅通过交互和视觉反馈从零复现完整应用。

但这些成果目前仍是 vendor claim。阿里在发布时没有随附完整的基准测试表和模型卡。

中国模型阵营的格局位移

Qwen3.8-Max 的排名公布，与 Kimi K3 的发布（7 月 27 日，2.8 万亿参数，开源权重）仅隔一周。两个模型的策略分野鲜明：Kimi K3 首发即开源，以更大的参数规模和更早的第三方验证抢占"中国最强开源模型"的叙事；Qwen3.8-Max 则先以 API 上线，用更低的输入/输出价格（$2/$6 vs K3 的 $3/$15）争夺开发者，再用一周后的开源权重补上生态位。

从 Artificial Analysis 的数据看，Kimi K3 在 Intelligence Index 上仍以 57 分领先 Qwen3.8-Max 的 56 分（v4.1 口径），但在 Agentic Index 和 GDPval-AA 上已被反超。GLM-5.2（智谱）以 51 分位居第三梯队。中国 AI 实验室的前沿模型正以月为周期交替领先，且均指向同一个方向：agentic 能力是当前阶段的关键差异化维度。

在 X 平台上，用户评论道："top 5 overall is massive for an open source drop。"用户则指出："model performance on general benchmarks is starting to decouple from agentic task execution"——通用基准与 agentic 执行能力正在脱钩。

也有声音表达怀疑。写道："User cases are not resulting in such scores. Something is fishy. Maybe benchmaxxing?"