IT之家 1 月 26 日新闻
，北京功夫今天晚间
，阿里颁布千问旗舰推理模型 Qwen3-Max-Thinking。凭据官方介绍
，其在多个关键维度上实现了显著提升
，蕴含事实知识、复杂推理、指令遵循、人类偏好对齐以及智能体能力。在 19 项权威基准测试中
，其机能可媲美 GPT-5.2-Thinking、Claude-Opus-4.5 和 Gemini 3 Pro 等顶尖模型。 千问新模型总参数超万亿
，进行了更大规模的强化进建后训练
，并通过推理技术的系列创新
，最终实现模型机能的大幅飞跃。在多项关键机能基准测试中
，Qwen3-Max-Thinking 还大幅加强了自主挪用工具的原生 Agent 能力
，模型可像专业人士一样边用工具边思虑
，回覆更合用户心意、更智能、更流畅。同时
，模型幻觉也大为降低
，为解决真实复杂工作打下基础。 凭据官方介绍
，Qwen3-Max-Thinking 刷新了数项最佳阐发（SOTA）纪录
，出格在科学知识（GPQA Diamond）、数学推理（IMO-AnswerBench）、代码编程（LiveCodeBench）等多项关键机能基准测试中阐发优异
，达到国际当先水平。 自适应工具挪用能力
，可按需挪用搜索引擎和代码诠释器
，现已上线 Qwen Chat；测试时扩大技术（Test-Time Scaling）
，显著提升推理机能
，在关键推理基准上超过 Gemini 3 Pro。 自适应工具挪用能力 与早期必要用户手动选择工具的步骤分歧
，Qwen3-Max-Thinking 能在对话中自主选择并挪用其内置的搜索、影象和代码诠释器职能。该能力源于专门设计的训练流程：在实现初步的工具使用微调后
，模型在多样化工作上使用基于规定和模型的反馈进行了进一步训练。尝试批注
，搜索和影象工具能有效缓解幻觉、提供实时信息接见并支持更个性化的回复。代码诠释器允许用户执行代码片段并利用推算推理来解决复杂问题。这些职能共同提供了流畅且壮大的对话履历。测试时拓展技术 测试时扩大是指在推理阶段分配额表推算资源以提升模型机能的技术。我们提出了一种经验累积式、多轮迭代的测试时扩大战术。分歧于单一增长并行推理蹊径数量 N（这往往导致冗余推理）
，我们限度 N 并将节俭的推算资源用于由“经验提取”机造疏导的迭代式自我反思。该机造从过往推理轮次中提炼关键洞见
，使模型预防沉复推导已知结论
，转而聚焦于未解决的不确定性。关键在于
，相比直接引用原始推理轨迹
，该机造实现了更高的高低文利用效能
，在一样高低文窗口内能更充分地融合汗青信息。在大体一样的 token 亏损下
，该步骤持续优于尺度的并行采样与聚合步骤：GPQA (90.3 → 92.8)、HLE (34.1 → 36.5)、LiveCodeBench v6 (88.0 → 91.4)、IMO-AnswerBench (89.5 → 91.5) 和 HLE (w/ tools) (55.8 → 58.3)。