短的结论："鸡"立鹤群的非推理模型
基本信息：

• 成本：$0.85每百万（基于OpenRouter平台）
• 平均长度：约7600字
• 速度：约38字每秒
• 平均耗时： 214秒

逻辑成绩：

*表格为了突出对比关系，有一定裁剪，不是完整排序
**测试方式：参见大语言模型-逻辑能力横评 25-06月榜(R1/Gemini 2.5/Doubao-Seed-1.6...
***完整榜单更新在Github
编程成绩：

编程语言分布：

Qwen3系列的基础打的好，模型尺寸齐全，且都支持推理和非推理。其中235B推理版在发布之初就超越同为国产的R1和doubao1.5，拿下当时的国产第一。不过2个月后再被新版R1和doubao反超。但这次Qwen团队拿出来打头阵的不是其推理模型的迭代，而是235B基础版。

新版235B站在前辈的肩膀上，按大模型常见的左脚踩右脚升天的规律，新款取得巨大进步也在情理之中，上一次基础模型杀进推理模型梯队还是DeepSeek V3的新版，当时V3也是极限成绩提升50%，直逼自家的R1。但这次235B的进步有一些惊人，其逻辑能力超越自己的旧版推理版本，在实际任务的编程表现上同样如此。放在全体推理模型里，一个非推理模型有如此表现也算“鸡”立鹤群了，不过这只“鸡”恐怕是落地的凤凰假扮的。

不过话说回来，新版235B和初代比，变化大的已经不像同一个模型了。初代平均耗时仅19秒，新版涨到214秒，仅比自家推理模型低一点。输出长度也涨到7600字，甚至高于之前kimi k2的7300字，是非推理模型的最高长度。
因此再跟235B初代基础版本对比已经意义不大了，下面对比新版235B与其初代的推理版本（以下称旧版）。


优势：

• 数学计算：新版计算能力，尤其计算精度上有不小提升。在一些并非显而易见的推理计算问题上，新版表现也可圈可点，如#28题变换了数学符号的定义，新旧版得分相同，但新版稳定性更好。#29题需要从结果反推数学符号的含义，本身不是计算题，但推理过程需要大量计算，旧版因为误差积累，导致推导失败，得分较低，而新版可以稳定拿到满分。
• 指令遵循：得益于其上下文幻觉的优化，新版指令遵循略强于旧版，在长指令问题上表现尤其明显。如#40代码推导，#39火车订票，#20桌游模拟，新版得分都更高。不过新版尚不能在多pass中稳定遵循指令，这一点被其他正牌推理模型拉开差距。
• 字符能力：在之前，字符类问题是非推理模型难以跨越的鸿沟，但235B新版的字符推理能力不输推理模型，在#9单词缩写这类基础问题上拿到高分，在#37三维投影这类复杂且大量的字符问题上，新版也有概率取得满分，高于旧版。在预计8月新增的题目中有一道难度极大的字符问题，新版表现也好过大部分推理模型，在后续的评测中会对这部分进行深度解读，此处按下不表。只用于证明新版并没有背题，而是实打实的能力。
• 编程知识：新版对不同编程语言的掌握程度好于旧版。且分布均匀，没有明显偏科。其总异常中大部分语法错误由C#和C++贡献，还有改进空间。

不足：

• 解空间优化：一些问题具有诱导性，低阶模型往往掉入陷阱进行暴力遍历求解，但这类问题都存在缩小解空间的技巧。这也是区分模型是否具有足够智力的关键。新版在这方面表现尚可，但有缺陷。如#23密码解密，新版消耗约一半Token(约4000）寻找秘钥，再用一半Token反复验算。但对比豆包1.6(Think)，通过观察密文结构快速锁定解范围，答题仅用不到4500 Token，Gemini 2.5 Pro更是只用了2700 Token。#35拼图问题也存在技巧，但新版解答偏暴力，消耗颇高，答案也并不正确。
• 英文输出：不可控的中途切换到英文进行输出，并且中英文夹杂。

赛博史官曰：
压缩即智能，这方面做的最好的是OpenAI家的o3/o4系列，其次是Anthropic家的Claude系列，他们的推理模型和非推理模型在答题Token开销上基本都是最低一档。但在没有那样技术之前，给大模型多一些思考时间和输出空间以换取更高智力也并非不可取。
在235B新版上，能看到诸多Qwen团队努力修复初代各类细小问题的努力，这些细流一样的修复汇聚，累积，最终汇合成奔腾的江河，在名为大模型的海洋上翻涌出一朵漂亮的浪花。



目前所有评测文章在公众号：大模型观测员 同步更新。

在与开发者朋友们持续交流和深入思考后，我们更新了非思考模式（Non-thinking）的旗舰版Qwen3模型，升级推出新模型Qwen3-235B-A22B-Instruct-2507，并同步开源其FP8版本。

新的Qwen3模型，通用能力显著提升，包括指令遵循、逻辑推理、文本理解、数学、科学、编程及工具使用等方面，在GPQA（知识）、AIME25（数学）、LiveCodeBench（编程）、Arena-Hard（人类偏好对齐）、BFCL（Agent能力）等众多测评中表现出色，超过Kimi-K2、DeepSeek-V3等顶级开源模型以及Claude-Opus4-Non-thinking等领先闭源模型。

此外，本次更新的Qwen3模型，还增强了以下关键性能：

-在多语言的长尾知识覆盖方面，模型取得显著进步。

-在主观及开放性任务中，模型显著增强了对用户偏好的契合能力，能够提供更有用的回复，生成更高质量的文本。

-长文本提升到256K，上下文理解能力进一步增强。

详细跑分可见下表：

这次发布的模型更聪明，知道更多，能做更多任务，尤其在代理类任务中表现更佳，我们诚邀您亲自体验！

模型体验和下载：

Qwen Chat：https://chat.qwen.ai（默认即为新模型）

Hugging Face：<br/>https://huggingface.co/Qwen/Qwen3-235B-A22B-Instruct-2507

https://huggingface.co/Qwen/Qwen3-235B-A22B-Instruct-2507-FP8

ModelScope 魔搭社区：<br/>通义千问3-235B-A22B-Instruct-2507

通义千问3-235B-A22B-Instruct-2507-FP8

模型评测结果请见 Hugging Face 模型卡：<br/>https://huggingface.co/Qwen/Qwen3-235B-A22B-Instruct-2507

更多重磅更新，敬请期待！
大家对本次 Qwen3 升级怎么看？欢迎在评论区留言或在话题下讨论，期待大家的反馈～

有没有业内大佬解释一下，推理模型和非推理模型的区别在哪？

如果推理模型不加上 think 标签，把思考内容放在正式回复里，是不是也相当于非推理模型——现在的非推理模型就给我这种感觉，最开始是V3-0324，K2也是如此，这次的 Qwen3-2507更是明显。

前言：

五月份的时候，第一版千问3发布，我快速测试了一下，发现“高分低能”的现象非常明显，于是实名怒喷了一下：

“刷榜”太过，Qwen3没有新意，指令跟随都没做好 - 强化学徒的文章 - 知乎 https://zhuanlan.zhihu.com/p/1905924936410825509

今天早上千问3发布了一个最新版，将推理能力去除了，重新训练了一个no-thinking版本的旗舰模型。

大家可以在他们官网免费测试，不用开“深度思考”：https://chat.qwen.ai

今天晚上比较巧的是，群里朋友对千问是否刷榜，刷榜是否有意义，争论十分激烈，所以，我想着来体验一下，看看效果到底如何。

首先，我们看他们自己公布的榜单：

但早上看到的时候，我还是很怕又一次的“高分低能”。

中午的时候，看到toyama的评测，效果还可以：

通义千问更新 Qwen3 升级版，性能超越Kimi K2 和 DeepSeek V3，有哪些技术亮点？ - toyama nao的回答 - 知乎 https://www.zhihu.com/question/1930932168365925991/answer/1930972327442646873

然后晚上，我自己也简单问了一下，整体来看，智力是有的，闲聊会有惊喜的回答。

我主要的评测问题，是我的知乎提问： https://www.zhihu.com/people/heda-he-28/asks

我贴一下其中的一些问题：

如何抓住“低垂的果实”：这个的见解比较普通：https://chat.qwen.ai/s/6797111e-2289-451c-be01-553318d9e783?fev=0.0.153

背诵滕王阁序全文： 正确背出。https://chat.qwen.ai/s/ca2816c0-8fc2-4e97-a403-fd91332efe7a?fev=0.0.153

学术抄袭与维权指南：著作权法第24条回答正确。https://chat.qwen.ai/s/f97caba0-be89-4ce0-9b9f-ce615626d9c1?fev=0.0.153

AI脑内助手的非金融应用设想：一些常见的回答。https://chat.qwen.ai/s/288dc517-3837-4a36-ac85-d9c6ba8a8d8f?fev=0.0.153

技术人如何与AI共舞：常见回答。https://chat.qwen.ai/s/288dc517-3837-4a36-ac85-d9c6ba8a8d8f?fev=0.0.153 2025

知乎值得关注AI博主：没学习我的帖子，所以回答的不太好！https://chat.qwen.ai/s/3df0f441-40f8-466c-bbb7-25ec198d19b4?fev=0.0.153

人脑与AI的进化类比：有个比喻有点意思：训练方式 ：进化是“预训练”，学习是“上下文学习 + 微调”。https://chat.qwen.ai/s/4801ff0a-64d2-4035-aaf1-323b18d1b427?fev=0.0.153

强化学习机制与负奖励作用：我的两次追问比较有趣。https://chat.qwen.ai/s/07d2d644-dc30-4e19-a3a9-7e0198d6709a?fev=0.0.153

盛世难全历史哲思：假设案例：一个生于“开元元年”（713年）、卒于“天宝初年”（745年）的长安城中产市民，享年约32岁，一生经历开元盛世，未遇安史之乱。哈哈哈，确实盛世，但似的也太早了~~。https://chat.qwen.ai/s/351a4907-1dd9-4dac-b540-3a95f0344111?fev=0.0.153

没来得及测试更多的代码功能，群友有测试过一个比较复杂的数学题，能答对，不过我觉得常见数学题，对它来说，应该是舒适区了。