Qwen3.8-Max：Artificial Analysis 独立指数的质量、成本、速度与冗长账本

一句话结论

Artificial Analysis 当前页面给 Qwen3.8 Max 的 Intelligence Index 评分为 58（同类 180 个模型中第 10），但同时记录了约 45 token/s 的低速度、150M 的指数评测总输出量和约 $1.13 的单任务成本，因此它更像“高质量但慢且很能思考”的 Agent 模型，而不是低延迟聊天模型。

适用场景

• 适合的任务：需要工具调用、长链路交付、代码执行和较高完成质量的 Agent 任务；需要按任务成本而不是只按单价比较模型的选型。

• 不适合的任务：强实时对话、短答案高吞吐服务，以及把文本英文综合指数直接当作多模态或中文业务质量的场景。

• 适用的模型版本：Qwen3.8 Max 的 reasoning 版本；页面数据可能随供应商、评测版本和日期变化。

• 适用的客户端、Agent 或 API：Artificial Analysis 的统一评测环境；不等于 Qwen Studio、DashScope 或第三方路由的实际延迟。

• 推荐的推理档位和参数：未公开单模型可复制的完整 prompt；方法页对 reasoning 模型通常使用 temperature 0.6，并使用模型提供的最大输出上限。上线前应在自己的 Agent harness 中分别测低、中、高推理档位。

测试环境与工作流步骤

1. Artificial Analysis Intelligence Index v4.1.1 包含 GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、AA-LCR、AA-Omniscience、Humanity’s Last Exam、GPQA Diamond 和 CritPt，共 9 个评测。

2. 指数按 Agents 34%、Coding 24%、Scientific Reasoning 24%、General 18% 加权；不同评测有不同重复次数和工具设置。

3. 公开方法页给出的样例规模包括：GDPval-AA v2 为 220 个任务、1 次；τ³-Banking 为 97 个问题、5 次；Terminal-Bench v2.1 为 89 个任务、3 次；SciCode 为 288 个子问题、3 次；AA-LCR 为 100 个问题、3 次；AA-Omniscience 为 6,000 个问题、1 次；HLE 为 2,158 个问题、1 次；GPQA Diamond 为 198 个问题、5 次；CritPt 为 70 个问题、5 次。

4. 方法页说明评测采用 zero-shot 指令、统一评分和 pass@1；GDPval-AA v2 使用 Stirrup harness、E2B sandbox、文件输出和网页/代码工具。

5. 复核时同时打开模型页和 Artificial Analysis Intelligence Index 方法页，记录页面日期、评测版本、价格和模型端点；不要只截图一个总分。

原始证据与数据

• 综合质量：58；页面模型摘要显示同类 180 个模型中第 10。

• 成本：输入 $2.00 / 1M tokens，输出 $6.00 / 1M tokens，缓存折扣 88%；Artificial Analysis 页面显示 Intelligence Index 单任务成本约 $1.13，完整指数评测成本约 $1,741.41。

• 速度：输出速度约 44.6 token/s，页面将其列为同类第 117/180；摘要将其归为 1/4 速度等级。

• 输出量：指数评测累计生成约 150M tokens，页面将其归为同类第 70/180 的冗长度量，并明确提示该模型很 verbose。

• 输入能力：支持 text、image、video 输入，text 输出；上下文窗口标为 1M tokens。

• 方法边界：方法页称 Intelligence Index 是英文、纯文本评测；视觉、语音和多语言能力单独测量，不包含在该总分中。

结论

这个来源支持三个同时成立的判断：Qwen3.8-Max 的综合能力进入前列；其任务成本并非只由 $2/$6 的单价决定，而会被 reasoning 和输出量放大；在人工体验上，等待时间和答案长度可能比总分更先成为瓶颈。将它部署为高价值 Agent 的主模型时，应把“每个任务成功成本、完成时延、工具调用数、输出 token”作为同一张验收表，而不是只看 Intelligence Index。

局限

• 页面是动态排行榜；排名、指数版本、供应商和价格可能变化，采集日数据不能代表永久排名。

• Intelligence Index 是英文、文本为主的加权总分，不能直接代表图片、视频、中文或特定行业任务。

• Artificial Analysis 的方法页公开了评测结构和参数，但单个任务的完整私有输入、运行轨迹和所有模型端点细节并不都在模型页展示；读者不能仅凭页面完全复刻 58 分。

• 单任务成本含输入、缓存、reasoning 和答案 token 的加权计算；不能把它当作一次普通 API 请求的报价。

复现步骤

1. 固定采集日期，并保存模型页的总分、排名、输入/输出价格、速度、上下文和输出量字段。

2. 固定 Artificial Analysis Intelligence Index v4.1.1 及 9 项评测的权重，不把后续版本数据混入同一张表。

3. 在自己的 Qwen3.8-Max endpoint 上建立一组相同任务的 zero-shot 回归集，至少记录成功率、首 token 延迟、总耗时、reasoning token、答案 token、工具调用数和每任务成本。

4. 分别使用低/中/高 reasoning effort 重跑，比较“质量提升 ÷ 额外 token”和“成功任务成本”，不要据此宣称复现 Artificial Analysis 的绝对分数。

来源摘录或观察（仅做合规短引）

页面摘要把 Qwen3.8 Max 概括为 “notably slow and very verbose”；方法页同时说明 Intelligence Index 仅是综合比较指标，不能直接适用于每个使用场景。两点应一起引用。