引言
我们正式推出 Qwen3-Max-Thinking，这是我们最新的旗舰推理模型。通过大幅增加模型参数规模，并投入大量强化学习训练算力，Qwen3-Max-Thinking 在多个关键维度上实现了显著提升，包括事实知识、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，其性能可媲美 GPT-5.2-Thinking、Claude-Opus-4.5 和 Gemini 3 Pro 等顶尖模型。
我们进一步为 Qwen3-Max-Thinking 引入两项核心创新：
- 自适应工具调用能力：可按需调用搜索引擎和代码解释器，现已上线 chat.qwen.ai
- 测试时扩展技术（Test-Time Scaling）：显著提升推理性能，在关键推理基准上超越 Gemini 3 Pro
模型表现
| Capability | Benchmark | GPT-5.2-Thinking | Claude-Opus-4.5 | Gemini 3 Pro | DeepSeek V3.2 | Qwen3-Max-Thinking |
|---|---|---|---|---|---|---|
| Knowledge | MMLU-Pro | 87.4 | 89.5 | 89.8 | 85.0 | 85.7 |
| MMLU-Redux | 95.0 | 95.6 | 95.9 | 94.5 | 92.8 | |
| C-Eval | 90.5 | 92.2 | 93.4 | 92.9 | 93.7 | |
| STEM | GPQA | 92.4 | 87.0 | 91.9 | 82.4 | 87.4 |
| HLE¹ | 35.5 | 30.8 | 37.5 | 25.1 | 30.2 | |
| Reasoning | LiveCodeBench v6 | 87.7 | 84.8 | 90.7 | 80.8 | 85.9 |
| HMMT Feb 25 | 99.4 | - | 97.5 | 92.5 | 98.0 | |
| HMMT Nov 25 | - | - | 93.3 | 90.2 | 94.7 | |
| IMOAnswerBench | 86.3 | 84.0 | 83.3 | 78.3 | 83.9 | |
| Agentic Coding | SWE Verified | 80.0 | 80.9 | 76.2 | 73.1 | 75.3 |
| Agentic Search | HLE (w/ tools)² | 45.5 | 43.2 | 45.8 | 40.8 | 49.8 |
| Instruction Following & Alignment | IFBench | 75.4 | 58.0 | 70.4 | 60.7 | 70.9 |
| MultiChallenge | 57.9 | 54.2 | 64.2 | 47.3 | 63.3 | |
| Arena-Hard v2³ | 80.6 | 76.7 | 81.7 | 66.5 | 90.2 | |
| Tool Use | Tau² Bench⁴ | 80.9 | 85.7 | 85.4 | 80.3 | 82.1 |
| BFCL-V4⁵ | 63.1 | 77.5 | 72.5 | 61.2 | 67.7 | |
| Vita Bench | 38.2 | 56.3 | 51.6 | 44.1 | 40.9 | |
| Deep Planning⁶ | 44.6 | 33.9 | 23.3 | 21.6 | 28.7 | |
| Long Context | AA-LCR | 72.7 | 74.0 | 70.7 | 65.0 | 68.7 |
¹ 和其他语言模型评测相同，我们在HLE的文本子集上进行评测。
² 为了防止数据泄露，模型被禁止访问Hugging Face和其他与HLE相关的网站。
³ 为确保 Arena-Hard v2 的可复现性，我们报告由 GPT-4.1 评估得出的胜率。
⁴ 我们严格遵循 Tau² Bench 的官方设置，未使用任何自定义辅助框架。
⁵ BFCL-V4 配置为最多100轮交互。
⁶ Deep Planning 是一个我们自建的智能体基准测试。
自适应工具调用能力
与早期需要用户手动选择工具的方法不同，Qwen3-Max-Thinking 能在对话中自主选择并调用其内置的搜索、记忆和代码解释器功能。该能力源于专门设计的训练流程：在完成初步的工具使用微调后，模型在多样化任务上使用基于规则和模型的反馈进行了进一步训练。
实验表明，搜索和记忆工具能有效缓解幻觉、提供实时信息访问并支持更个性化的回复。代码解释器允许用户执行代码片段并应用计算推理来解决复杂问题。这些功能共同提供了流畅且强大的对话体验。
测试时扩展技术
测试时扩展是指在推理阶段分配额外计算资源以提升模型性能的技术。我们提出了一种经验累积式、多轮迭代的测试时扩展策略。
不同于简单增加并行推理路径数量（这往往导致冗余推理），我们对并行轨迹数量进行限制并将节省的计算资源用于由"经验提取"机制引导的迭代式自我反思。该机制从过往推理轮次中提炼关键洞见，使模型避免重复推导已知结论，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，该机制实现了更高的上下文利用效率，在相同上下文窗口内能更充分地融合历史信息。在大致相同的 token 消耗下，该方法持续优于标准的并行采样与聚合方法：
- GPQA (90.3 → 92.8)
- HLE (34.1 → 36.5)
- LiveCodeBench v6 (88.0 → 91.4)
- IMO-AnswerBench (89.5 → 91.5)
- HLE (w/ tools) (55.8 → 58.3)
使用 Qwen3-Max-Thinking 开发应用
Qwen3-Max-Thinking 现已上线 Qwen Chat，用户可直接与模型及其自适应工具调用功能进行交互。同时，Qwen3-Max-Thinking 的 API（模型名称为 qwen3-max-2026-01-23）也已开放。你可先注册阿里云账号并开通阿里云 Model Studio 服务，然后进入控制台创建 API 密钥。
Python API 调用示例
由于 Qwen 的 API 兼容 OpenAI API，可直接沿用调用 OpenAI API 的通用方式：
python
from openai import OpenAI
import os
client = OpenAI(
api_key=os.getenv("API_KEY"),
base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
model="qwen3-max-2026-01-23",
messages=[
{'role': 'user', 'content': 'Give me a short introduction to large language model.'}
],
extra_body={"enable_thinking": True}
)
print(completion.choices[0].message)
Claude Code 集成
Qwen 系列 API 同时也兼容了 Anthropic API 协议，因此 Qwen3-Max-Thinking 可以与 Claude Code 搭配使用：
bash
安装 claude-code
npm install -g @anthropic-ai/claude-code
配置环境变量
export ANTHROPIC_MODEL="qwen3-max-2026-01-23"
export ANTHROPIC_SMALL_FAST_MODEL="qwen3-max-2026-01-23"
export ANTHROPIC_BASE_URL=https://dashscope.aliyuncs.com/apps/anthropic
export ANTHROPIC_AUTH_TOKEN=your-dashscope-apikey
执行
claude
引用
如果 Qwen3-Max-Thinking 对你有所帮助，欢迎引用以下文章：
bibtex
@misc{qwen3maxthinking,
title = {Pushing Qwen3-Max-Thinking Beyond its Limits},
url = {https://qwen.ai/blog?id=qwen3-max-thinking},
author = {Qwen Team},
month = {January},
year = {2026}
}