通義千問跑分贏過 Claude Opus，但沒人在問「所以呢？」

阿里巴巴通義千問團隊 9 月 2 日推出 Qwen3.8-Max-0902，用的方法很樸實：純後訓練升級，沒有重新預訓練，跑分結果卻超越 Claude Opus 5 與 Kimi K3。電腦王阿達的報導把重點放在「中國大模型推理能力持續升溫」，這句話本身沒錯，但我看完第一反應是：又一個跑分贏家，然後呢？ 這幾個月類似劇本重播太多次了。GLM-5.3 Flash 匿名發布，價格是 Claude 的 1/40，Fireship 實測完直呼香。Kimi K3、DeepSeek，一個接一個號稱在某個 benchmark 上超車。每次都是「跑分勝過某某頂尖模型」當標題，但跑分這件事本身，今天已經開始被質疑了——Hugging Face Blog 今天就發文在問「LLM 基準測試究竟在測量什麼」，arXiv 也有研究指出現有評估方式難以隔離「長程狀態追蹤」的真實難度，錯誤會一路累積到最後一步才爆炸，但你光看最終分數看不出來。 換句話說，跑分本身的信度正在被業界自己戳破，同一週卻還在用跑分當武器互相宣戰。這不是說 Qwen3.8-Max 不強，而是「贏過 Claude Opus」這句話的含金量，已經跟去年不一樣了。後訓練能拉高分數是真的，但後訓練優化的往往是「考題型」能力，不見得等於代理任務裡那種要撐 64 輪、196 次工具呼叫不出錯的穩定性。 Anthropic 自己這幾天也在打成本牌，Fable 5.1 主打快取讀取降 75%、代理任務成本省 45%，玩的是另一套敘事：我不跟你比單題分數，我跟你比長任務下來你錢包剩多少。這其實比跑分誠實，因為代理任務燒的是真金白銀的 token，不是排行榜名次。 跑分賽局玩到現在，真正該問的問題不是「誰贏了」，而是「這個分數在下一次 64 輪工具呼叫裡還撐不撐得住」。