回顾：在证据不足时怎么判断一个模型
把 Qwen3.8-Max 的已知、可推断、未知三层收成一张表，对照权重公开前后、9 月核对前后的变化，并给出一套读厂商发布材料的通用方法。
回顾：在证据不足时怎么判断一个模型
这个专栏写作时和另外两个不同——它没能把模型拆开，因为可拆的材料还不存在。权重公开后，模型卡与配置文件补上了架构的空白；9 月回到一手出处逐条核对，又订正了几处当初沿用二手资料的说法。所以这一章收束的不只是 Qwen3.8-Max，还有“证据从无到有时，判断该怎么走”。
三层收束
已知（有公开来源，可引用）
| 项目 | 内容 |
|---|---|
| 规格 | 2.4T / 95B 激活；92 层、隐藏维度 8192；512 个专家选 10，外加 1 个共享专家；Gated DeltaNet 与门控注意力 3:1 混排 |
| 上下文与思考上限 | API 版上下文 1M、最大思维链 262,144、最大输出 131,072；开放权重原生 256K，可外推到约 1M |
| 产品形态 | 三档 low / medium / xhigh，默认最高；开放权重必须思考，API 版支持非思考模式 |
| 定价 | $2 / $6（国际），￥12 / ￥36（国内）；0902 快照同价 |
| 训练侧 | 组合式扩展 RL 环境、统一奖励（可执行校验 + rubric + agentic 检查）、在线数据均衡；一条环境数与分数的曲线，最佳检查点在 4,000 处（官方博客） |
| 开源 | 8 月 9 日上传、12 日公开；许可有条件商用，大体量的直接竞争者需另行授权 |
| 版本 | 9 月 5 日起 qwen3.8-max 指向继续后训练的 0902 快照；开放权重仍是 8 月版 |
| 时间线 | 07-19 预览 → 08-03 正式发布 → 08-12 权重公开 → 08-14 官宣（连同 27B）→ 09-02 0902 快照 |
| 第三方评测 | Artificial Analysis 8 月的综合指数 56（与 Opus 4.8 持平），同时测出幻觉率上升；Arena 的 WebDev 榜上 0902 排第 1 |
可推断（本专栏的分析，非官方）
- 激活率约 3.9%，在同代同规模里偏保守——配置证实了这一点；但初稿由此推出的“专家更少更大”是错的，实际是 512 个小专家（见架构拆解）。
- 按配置估算，95B 激活参数里约四成在注意力层，专家只占一半多一点。
- 官方分数表大概率取自最高思考档位，且多项是在 Claude Code 框架里测得的，跨模型比较时要打折。
- API 与开放权重正在分叉：先是能力（视觉、非思考、内置工具），再是版本（0902 没有开放权重）。
未知（无公开来源）
预训练 token 数与数据构成、训练精度、优化器、强化学习的规模与构成、0902 快照具体改了什么——仍然空白。Max 本身的技术报告至今没有发布；这一代唯一的技术报告属于 Flash-Next。
三个专栏并排看
写完这三个专栏，同代三家的性格已经很清楚：
| Kimi K3 | DeepSeek V4-Flash | Qwen3.8-Max | |
|---|---|---|---|
| 规模 | 2.8T / 104B | 284B / 13B | 2.4T / 95B |
| 押注 | 长上下文效率（线性化） | 长上下文效率（压缩）+ 可部署性 | 长时程自主任务 |
| 透明度 | 技术报告 + 模型卡 + 权重 | 论文 + 模型卡 + 权重 | 模型卡 + 配置 + 权重，无技术报告 |
| 许可 | 自订，有营收门槛 | MIT | 自订，有营收与业务门槛 |
| 输出价（8 月） | $15 | $0.28 | $6 |
| 能拆到多深 | 很深 | 很深 | 能拆架构，拆不了训练 |
Qwen 这一列在专栏写作期间变化最大：从“拆不了”变成了“能拆一半”。能拆多深，取决于厂商放不放材料，与模型本身好不好无关——而材料是会随时间补齐的。
这一点值得所有读技术内容的人记住：你能读到的深度分析，永远只覆盖那些愿意公开的模型。 这会造成一种系统性偏差——开放的模型被反复分析、被充分讨论；闭源的模型只有跑分和口碑。
不要把“分析得多”误当成“做得好”。 反过来也一样：材料少不代表模型差，只代表它（暂时）选择了不公开。
一套读发布材料的方法
把这个专栏里反复用到的判断标准整理成一份清单，下次读任何模型发布时都能用：
一、先分清三类陈述。
| 类型 | 例子 | 怎么对待 |
|---|---|---|
| 可核验事实 | 参数量、定价、上下文长度 | 直接采信（但注明来源） |
| 可量化但无基线的宣称 | “门数从 8298 降到 678” | 问基线是什么 |
| 不可验证的演示 | “365 天模拟赚了 4 倍” | 只当作“做过这件事” |
这张表里的两个例子，后来都有了下文：芯片设计的基线是模型自己的初版，电商模拟的环境开源了、完整排行也公布了。分类不是定论，而是告诉你该去找什么证据。
二、优先看“怎么做到的”，而不是“做到了什么”。 训练侧的方法描述比五个长时程演示更有信息量——方法比成果更难编。
三、留意它承认了什么。 一份承认自己在某些项上落后的材料，其余部分更可信。全面碾压的材料反而要小心。
四、区分“延期”和“不提了”。 承诺没兑现时，看厂商是给出新时间表，还是悄悄从材料里删掉。Qwen3.8 这次属于第三种情况：按期兑现，还多放了一个。
五、给时间。 发布后两三周，第三方评测、独立复现、社区实测会陆续出现。在那之前的所有判断都是暂定的——包括这个专栏里的。这个专栏本身就是例子：写作时空白的规格表，六天后就被配置文件填上了；第三方的独立评测，三天后就来了。
六、推断要分层，答案出来后回头对照。 把判断分成算术推论、横向定位、机制推断三层，并事先标明各自的可信度。本专栏的推断在权重公开后被逐条核对：算术和定位都对了，错的那条正好落在标为“低可信度”的机制推断里。分层的价值不是保证不犯错，而是让错误落在事先标好“不可靠”的地方。
七、回到原始出处，留意被省略的限定词。 这个专栏在 9 月的核对里栽过三次跟头，每一次都出在“转述”上：“训练跨 4,000 个 RL 环境”其实是一张图上最佳检查点的横坐标；“365 天模拟胜出、第二名 GLM 5.2”在论文里的原话是“在开放权重模型中领先”，所有模型一起排，它前面还有四个闭源模型；“OSWorld 86.1 无法核实”只是因为没翻到博客的多模态表。二手资料最常丢的不是数字，是数字旁边的那半句话。
八、API 名字是移动靶。
qwen3.8-max 在 9 月 5 日自动换成了 0902 快照：模型卡上的分数、开放权重、你今天调用到的模型，已经是三样东西。引用分数时写清版本，做产品时锁定带日期的快照名。
本专栏的更新记录
2026 年 9 月 13 日，按写作时的承诺完成了三项更新：
2026 年 9 月 19 日，回到一手出处逐条核对，做了第二轮更新：
- 订正权重的公开日期（8 月 9 日是上传，12 日才公开）、API 的上下文与默认思考预算（1,000,000 与 262,144）、Flash-Next 的发布日期（8 月 26 日）；
- 重写了长时程与 RL 环境两章：oh-my-cli 的轨迹与 E-Commerce Bench 已经公开，“4,000”出自一张图；
- 基准一章补上多模态表、第三方评测与 0902 快照；
- 新增同期开放的 27B 与 Flash-Next一章。
仍待更新的是训练侧：如果官方发布 Qwen3.8-Max 的技术报告，本专栏会补上。
接着读什么
- 《Kimi K3 深度解析》 —— 材料充分时，一个模型能被拆到多细。
- 《DeepSeek V4 Flash 深度解析》 —— 另一条长上下文路线，且是三者里最能自己跑起来的一个。
- 《AI 大模型解构》 —— 上一代架构的系统梳理。
参考文献
- [1] Qwen Team. “Qwen3.8-Max：编程与办公，全面跃升.” 2026-08-03。
- [2] Qwen Team. Qwen3.8-2.4T-A95B 模型卡、
config.json与 LICENSE，2026-08；Hugging Face 上的提交与讨论记录。 - [3] 阿里云百炼. qwen3.8-max 模型页，2026-09-19 查阅；阿里云关于 0902 快照的更新公告。
- [4] Wei Fan, et al. “E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation.” 2026-08-31. arXiv:2608.30730。
- [5] Artificial Analysis. Qwen3.8 Max 评测帖子，2026-08-06；Arena. Code Arena：WebDev 榜单帖子，2026-09-02。
- [6] DataLearner 模型库 Qwen3.8-Max 与第三方报道、分析（2026-08）—— 初稿依据的二手资料（待核，多数已被一手材料取代）。