Qwen3.8 Max：BenchLM 的来源可核验基准分类账本

一句话结论

BenchLM 将 Qwen3.8 Max 的 52 条来源可显示基准归一为 79.91/100、218 个模型中第 6，但分类账本同时显示它在 Reasoning、Agentic、Multimodal 和指令遵循上很强，而 AutomationBench、OSWorld 2.0、HLE 等项目仍有明显缺口；“第 6”不能替代分项任务选择。

适用场景

• 适合的任务：按能力类别筛选模型、核对每个分数的来源、把 Qwen 与其他模型放在同一套可见证据账本里比较。

• 不适合的任务：把 BenchLM 总分当作新实验，或把 provider exact 的官方分数当成 BenchLM 自己复跑的独立结果。

• 适用的模型版本：Qwen3.8 Max（页面标注 2026-08-03 发布）；数据冻结/刷新点为 2026-08-17。

• 适用的客户端、Agent 或 API：BenchLM/BenchAlign 数据库；实际部署仍需回到 Qwen 官方 endpoint 和自己的 harness。

• 推荐的推理档位和参数：BenchLM 页面不公开统一的 Qwen 调用参数；各 benchmark 的原始配置以其 Evidence 链接和 Qwen 官方脚注为准。

测试环境与工作流步骤

1. BenchLM 方法页说明公共表默认只显示 exact-source rows，生成或推测的 benchmark value 不进入 evidence；模型页每行保留 score、weight、cohort 和 evidence state。

2. 整体 Agentic/Coding 使用 BenchAlign v5.2 的冻结产物；其余类别仍是证据视图，直到各自验证完成。

3. 打开模型页，先记录总分、排名、来源行数和类别分数，再展开 Coding、Agentic、Reasoning、Knowledge、Multimodal、Instruction Following 等分类。

4. 点击每个 row 的 Evidence 原始链接，确认 Qwen 官方发布表、评测脚注、运行 harness 和日期；不能把 BenchLM 的聚合排名当作原始数据。

结果数据

类别总览

• Overall：79.91/100，#6/218；52 条 source-displayable rows。

• AgenticRank：79.2，#2/131，99th percentile，14 个 benchmark，权重 22%。

• CodingRank：66.6，#11/135，93rd percentile，7 个 benchmark，权重 20%。

• ReasoningRank：94.3，#1/2，100th percentile，2 个 benchmark，权重 17%。

• Knowledge：66.5，未排名，4 个 benchmark，证据已验证。

• Multimodal：88.1，#2/33，97th percentile，24 个 benchmark，权重 12%。

• Instruction Following：97.9，#1/40，1 个 benchmark，权重 5%。

• Math 与 Multilingual：页面标为未测量，不能从总分推断。

分项读数

• Coding：SWE-bench Pro 67.7%（比页面最佳 verified row 低 12.6 个百分点）；Terminal-Bench 2.1 为 86.6%；PaperBench 93.0% 为当前 verified row 最佳。

• Agentic：OSWorld-Verified 86.1%、CoWorkBench 74.8%、WideResearch 81.9%、AndroidWorld 85.3%、MobileWorld 77.8% 均在页面中列为 Qwen 当前最佳 verified row；AutomationBench 27.3%，比 GLM-5.3 的 48.2% 低 20.9 个百分点；OSWorld 2.0 为 19.4%，比 Claude Opus 5 的 70.6% 低 51.2 个百分点。

• Reasoning/Knowledge：LongBench v2 66.3%；MRCRv2 92.9%，距页面最佳 0.7 个百分点；HLE 43.6%，比 Claude Opus 5 的 64.7% 低 21.1 个百分点；GPQA 92.6%，比页面最佳低 2.9 个百分点。

• Multimodal：MMMU-Pro 82.3%；OmniDocBench 1.5 为 92.1%；Video-MME（含字幕）90.4%；LVBench 81.8%，比 Gemini 3.7 Flash 的 85.4% 低 3.6 个百分点。

结论

BenchLM 的价值在于把“高分”拆成可点击的来源行：Qwen3.8 Max 的强项集中在长上下文、工具/桌面代理、多模态文档视频和指令遵循，但自动化边界任务、OSWorld 2.0 和专家知识考试不能被总分掩盖。选型时应根据业务任务取对应分项，并把 Qwen 官方分数的 harness、温度、重复次数和脚注一起保存。

局限

• BenchLM 的排名取决于其权重、cohort 和 BenchAlign 版本；分类排名与总分不是自然常数。

• 绝大多数 Qwen 行的 Evidence 指向 Qwen 官方发布说明，BenchLM 并没有在该页面声明独立复跑；因此文档只能称为可核验聚合账本，不能冒充 independent re-run。

• 页面显示的 best verified comparison 来自当前目录中的其他模型，随着新模型或来源加入，差距会变化。

• 没有公开的一手 API 价格时，BenchLM 显示 N/A；本页面的总分不能代替成本、速度或上下文稳定性测试。

复现步骤

1. 固定 2026-08-17 数据刷新点，保存 Qwen3.8 Max 模型页和 BenchLM 方法页。

2. 将 52 条 source-displayable rows 导出为表格，保留 benchmark、score、weight、cohort、evidence 和原始 URL 五列。

3. 对关键行回到 Qwen 官方页面，核对模型版本、harness、温度、重复次数、max tokens 和官方脚注。

4. 用自己的真实任务集分别复跑 Coding、Agentic、Multimodal 和 HLE 风格任务，并把新结果另列为 independent reproduction，不覆盖 BenchLM 的聚合值。

来源摘录或观察（仅做合规短引）

BenchLM 对本页的证据约束是 “exact-source rows only”；这意味着它适合做来源账本，也意味着它不能被描述为一套全新独立跑分。