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。