Qwen3.8 Max vs Step 5 Preview
完整资料:Qwen3.8 Max(Alibaba)和 Step 5 Preview(StepFun),包括全部基准测试、价格和排名。
更新于 · 数据来自 13 个来源
截至 2026年11月16日,Qwen3.8 Max 与 Step 5 Preview 的质量不相上下(BenchLeader Index 58.7 比 56.0,在 ±5.6 的误差范围内)。Step 5 Preview 更便宜,对方的价格是它的 2.1 倍(每百万 token 混合价格 $1.43 比 $3.00)。看重编程(62 比 50)、智能体与工具(59 比 49)和多模态(66 比 59)选 Qwen3.8 Max;看重长上下文(69 比 65)选 Step 5 Preview。Step 5 Preview 的首次回答更快(23.5 秒 比 119.6 秒)。Step 5 Preview 的输出更快(约 2 倍)。
要点(截至 2026年11月16日)
- Qwen3.8 Max 的 BenchLeader Index 为 58.7,Step 5 Preview 为 56.0(BenchLeader,2026年11月16日)。
- Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
- Step 5 Preview 每百万 token 混合价格为 $1.43(标价,2026年11月16日)。
- Step 5 Preview 比 Qwen3.8 Max 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 54 项基准测试中,Qwen3.8 Max 领先 41 项(BenchLeader,2026年11月16日)。
按用途怎么选
推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。
| 用途 | 推荐 | 理由 | 置信度 |
|---|---|---|---|
| 编程 | Qwen3.8 Max | 类别得分 62 比 50;FrontierCode 2.0 (AA) 23.4% 比 12.0% | 高 |
| 智能体与工具调用 | Qwen3.8 Max | 类别得分 59 比 49;Arena Agent 0.1 比 -3.7 | 高 |
| 数学 | Qwen3.8 Max | 类别得分 65 比 60;Arena Maths 1505 比 1470 | 中 |
| 推理 | 均可 | 类别得分 52 比 52;HLE-Diamond (AA) 24.0% 比 24.3% | 均可 |
| 知识 | Qwen3.8 Max | 类别得分 58 比 54;AA-Omniscience v1.1 10.5 比 16.4 | 中 |
| 长文档 | Step 5 Preview | 类别得分 69 比 65;AA-LCR v1.1 88.3% 比 80.3% | 中 |
| 图像及其他媒体 | Qwen3.8 Max | 类别得分 66 比 59;Arena Vision 1312 比 1263 | 中 |
| 对话质量(人类偏好) | Qwen3.8 Max | Arena 投票 68 比 63 | 中 |
| 成本最低 | Step 5 Preview | 每百万 token 混合价格 $1.43 比 $3.00;智能体编程会话 $0.071 比 $0.144 | – |
| 首次回答最快 | Step 5 Preview | 首个回答 token 23.5 秒(Step 5 Preview)比 119.6 秒(Qwen3.8 Max (max)) | – |
| 低预算大批量 | 两者都不选 | 通常更小的模型更合适:便宜好用的大模型、最快的大模型 | – |
主要差异
- Qwen3.8 Max (max) 与 Step 5 Preview 的质量不相上下(58.7 比 56.0,在 ±5.6 的误差范围内)。
- Qwen3.8 Max (max) 在智能体与工具、编程、人类偏好、知识、数学、多模态方面更强。
- Step 5 Preview 在长上下文、推理方面更强。
- Step 5 Preview 更便宜,对方的价格是它的 2.1 倍(每百万 token 混合价格 $1.43 比 $3.00)。
- Step 5 Preview 的输出速度是对方的 2.1 倍(124 比 59 token/秒)。
概览
| 规格 | Qwen3.8 Max | Step 5 Preview |
|---|---|---|
| 提供商 | Alibaba | StepFun |
| 发布日期 | 2026年8月3日 | 2026年9月18日 |
| 上下文窗口(token) | 1,000,000 | 1,000,000 |
| 对比时的配置 | Qwen3.8 Max (max) | Step 5 Preview |
| 开放权重 | 否 | 是 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $2.00 / $6.00 / $0.250 | $1.00 / $2.70 / $0.105 |
逐类别对比
类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。
| 类别 | Qwen3.8 Max (max) | Step 5 Preview | 领先者 |
|---|---|---|---|
| 推理 | 51.5 | 51.7 | 持平 |
| 编程 | 61.6 | 49.9 | Qwen3.8 Max |
| 智能体与工具 | 58.5 | 49.1 | Qwen3.8 Max |
| 数学 | 65.2 | 60.1 | Qwen3.8 Max |
| 知识 | 58.0 | 53.7 | Qwen3.8 Max |
| 人类偏好 | 67.5 | 63.1 | Qwen3.8 Max |
| 多模态 | 65.7 | 59.3 | Qwen3.8 Max |
| 长上下文 | 64.8 | 69.0 | Step 5 Preview |
| 综合 | 45.0 | – | 无法比较 |
同一图表对比
各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。
未绘制(测得的模型少于两个):指令遵循。
各来源的分歧
在两者都有结果的 54 项基准测试中,Qwen3.8 Max 领先 41 项,Step 5 Preview 领先 13 项。所有同时评测两者的综合评分都认为 Qwen3.8 Max 更强。
| 综合 Index | Qwen3.8 Max (max) | Step 5 Preview | 领先者 |
|---|---|---|---|
| BenchLeader Index | 58.7 | 56.0 | 不相上下 |
| AA Intelligence Index v5.0.1 | 33.6 | 28.5 | Qwen3.8 Max |
| Arena Text | 1484 | 1449 | Qwen3.8 Max |
各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。
价格、速度与延迟
标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。
| 指标 | Qwen3.8 Max (max) | Step 5 Preview |
|---|---|---|
| 每百万 token 混合价格 | $3.00 | $1.43 |
| 每百万 token 输入 / 输出 | $2.00 / $6.00 | $1.00 / $2.70 |
| 每百万 token 缓存输入 | $0.250 | $0.105 |
| 每项任务价格:聊天回复 | $0.0026 | $0.0012 |
| 每项任务价格:总结一份 30 页的报告 | $0.028 | $0.014 |
| 每项任务价格:代码编辑 | $0.021 | $0.010 |
| 每项任务价格:智能体编程会话 | $0.144 | $0.071 |
| 每项任务价格:结构化信息提取 | $0.0052 | $0.0025 |
| 智能体编程会话(输入大多命中缓存) | $0.065 | $0.030 |
| 每项基准测试任务成本(AA Index) | $10.02 | $2.35 |
| 每项任务输出 token(AA Index) | 171k | 113k |
| 其中推理部分 | 120k | 80k |
| 每项任务耗时(AA Index) | 48 min | 15 min |
| 输出速度 | 59 tok/s | 124 tok/s |
| 首次回答时间 | 119.6 秒 | 23.5 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 294.1 秒 | 54.4 秒 |
按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Qwen3.8 Max (max) 上花费 $10.02,在 Step 5 Preview 上花费 $2.35;完成同样的工作,Qwen3.8 Max (max) 输出的 token 是对方的 1.5 倍,这是只看 token 单价看不出来的。
每个模型都按其排名最高的推理强度设置进行对比。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 秒)。Step 5 Preview 得分 56.0,首个回答 token 需 24 秒。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本
全部基准测试
共 150 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。
| 指标 | 发布方 | Qwen3.8 Max (max) | Step 5 Preview |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 58.7 | 56.0 |
| 智能体与工具得分 | BenchLeader | 58.5 | 49.1 |
| 编程得分 | BenchLeader | 61.6 | 49.9 |
| 综合得分 | BenchLeader | 45.0 | – |
| 人类偏好得分 | BenchLeader | 67.5 | 63.1 |
| 知识得分 | BenchLeader | 58.0 | 53.7 |
| 长上下文得分 | BenchLeader | 64.8 | 69.0 |
| 数学得分 | BenchLeader | 65.2 | 60.1 |
| 多模态得分 | BenchLeader | 65.7 | 59.3 |
| 推理得分 | BenchLeader | 51.5 | 51.7 |
| 混合价格(美元/百万 token) | BenchLeader | $3.00 | $1.43 |
| 输出速度 | BenchLeader | 59 tok/s | 124 tok/s |
| 首次回答时间 | BenchLeader | 119.6 秒 | 23.5 秒 |
| 上下文窗口 | BenchLeader | 1,000,000 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 92.7%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1507 | 1477 |
| LiveBench 2.0 Reasoning | LiveBench | 88.2% | 83.8%† |
| LiveBench 1.0 Reasoning | LiveBench | 88.2% | – |
| GPQA Diamond (AA) | Artificial Analysis | 92.8% | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 43.1% | 46.5% |
| HLE-Diamond (AA) | Artificial Analysis | 24.0% | 24.3% |
| GPQA Diamond (Vals) | Vals AI | 93.7% | – |
| CritPt | Artificial Analysis | 20.0% | 20.9% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 29.5% | 32.5% |
| MysteryMechanism | Vals AI | 23.9% | 18.5% |
| Arena Expert | Arena (LMArena) | 1514 | 1489 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 46.0%† | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 38.0%† | – |
| LMCA | Epoch AI Benchmarking Hub | 46.2%† | – |
| DTBench | Epoch AI Benchmarking Hub | 92.0%† | – |
| 编程 | |||
| SciCode | SciCode | 53.2% | 58.9% |
| Arena Coding | Arena (LMArena) | 1523 | 1505 |
| Arena WebDev | Arena (LMArena) | 1676 | 1573† |
| LiveBench 2.0 Coding | LiveBench | 60.9% | 67.6%† |
| LiveBench 1.0 Coding | LiveBench | 72.9% | – |
| LiveCodeBench | Vals AI | 87.8% | – |
| IOI | Vals AI | 68.9% | 38.1% |
| SWE-bench (Vals) | Vals AI | 85.6% | – |
| Code Migration | Vals AI | 24.0% | 39.0% |
显示全部 150 项基准测试
| 指标 | 发布方 | Qwen3.8 Max (max) | Step 5 Preview |
|---|---|---|---|
| 编程 | |||
| Code Migration v1.1 | Vals AI | – | 47.0% |
| ProgramBench | Vals AI | 0.0% | – |
| SWE-bench Multimodal | Vals AI | 42.5% | 40.8% |
| Vibe Code Bench 1-100 | Vals AI | 12.8% | – |
| Vibe Code Bench v1.1 | Vals AI | 64.7% | 70.4% |
| SWE Atlas v1.1 | Scale AI SEAL | 64.4% | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 81.5% | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 58.9% | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 52.9% | – |
| MirrorCode | Epoch AI Benchmarking Hub | 52.2%† | – |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | 57.5%† | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 1679.1† | – |
| FrontierSWE | Epoch AI Benchmarking Hub | 17.8%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 38.9% | 33.3% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 88.8% | – |
| Startrise Frontend | Startrise | 71.3% | – |
| GameBench 2 Overall | DuelLab GameBench 2 | 54.2† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 69.6† | – |
| Design Arena Website | Design Arena | 1269 | – |
| FrontierCode 1.1 (AA) | Artificial Analysis | 43.2% | 38.4% |
| FrontierCode 2.0 (AA) | Artificial Analysis | 23.4% | 12.0% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 27.0% | – |
| APEX-Agents | Mercor | 63.3% | – |
| Arena Agent | Arena (LMArena) | 0.1 | -3.7 |
| LiveBench Long Agentic | LiveBench | 26.6% | 19.4%† |
| LiveBench Browser | LiveBench | 49.4% | 24.8%† |
| LiveBench Agentic Coding | LiveBench | 64.7% | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 67.4% | – |
| τ³-bench Banking | τ²-bench | 55.1%† | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 58.3% | 54.3% |
| GDPval-AA v2.1 | Artificial Analysis | 1674 | 1591 |
| τ³-Banking (AA) | Artificial Analysis | 51.3% | – |
| ITBench SRE (AA) | Artificial Analysis | 40.3% | 55.6% |
| Analyst Agent (AA) | Artificial Analysis | 45.0% | 35.0% |
| APEX-Agents (AA) | Artificial Analysis | 42.4% | 38.0% |
| CyberBench | Vals AI | 28.6% | – |
| Finance Agent v2 | Vals AI | 50.6% | 50.7% |
| Finance Agent v2.1 | Vals AI | – | 58.9% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 12.9% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 10.4% | 9.2% |
| Legal Research Bench | Vals AI | 47.6% | 40.4% |
| SkillsBench | Vals AI | 42.0% | – |
| SREBench | Vals AI | – | 0.4% |
| Tax Agent Bench | Vals AI | 32.1% | 27.3% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 34.3% | 31.8% |
| Terminal-Bench Science | Vals AI | 12.9% | 2.9% |
| Arena Search | Arena (LMArena) | 1227 | – |
| Arena Agent Task Completion | Arena (LMArena) | 4.5 | -1.5 |
| AutomationBench | Artificial Analysis | 56.2% | 51.0% |
| GDP.pdf (AA) | Artificial Analysis | 22.8% | 14.8% |
| EnterpriseOps-Gym | Artificial Analysis | 47.6% | 47.2% |
| AA-Briefcase v1.1 | Artificial Analysis | 1604 | 1424 |
| GDPx | GDPx by SemiAnalysis | 3.5% | – |
| Design Arena Agentic | Design Arena | 1264 | – |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 11.9% | 2.4% |
| CWE-Bench (AA) | Artificial Analysis | – | 52.5% |
| DeepSec-Bench (AA) | Artificial Analysis | – | 15.8% |
| CyberGym end-to-end (AA) | Artificial Analysis | – | 74.8% |
| MKA (AA) | Artificial Analysis | 37.4% | 27.6% |
| FACTS Search | 85.0% | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 74.7%† | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 46.3%† | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 100.0%† | – |
| ProofBench | Vals AI | 58.0% | 42.0% |
| LiveBench Mathematics | LiveBench | 91.3% | – |
| Arena Maths | Arena (LMArena) | 1505 | 1470 |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 47.3%† | – |
| LiveBench 2.0 Data Analysis | LiveBench | 78.4% | 63.5%† |
| LiveBench Research | LiveBench | 72.8% | 75.5%† |
| LiveBench 1.0 Data Analysis | LiveBench | 78.4% | – |
| AA-Omniscience v1.1 | Artificial Analysis | 10.5 | 16.4 |
| MMLU-Pro | Vals AI | 88.6% | – |
| LegalBench | Vals AI | 83.6% | – |
| CorpFin | Vals AI | 65.8% | – |
| TaxEval | Vals AI | 75.5% | – |
| BioMysteryBench | Vals AI | – | 67.4% |
| Excel Modeling Benchmark | Vals AI | 60.1% | 57.1% |
| Excel Modeling Benchmark v1.1 | Vals AI | 66.0% | 69.5% |
| MedCode | Vals AI | 40.7% | – |
| MedScribe | Vals AI | 85.0% | – |
| Public Benefits Bench v1.1 | Vals AI | 67.1% | 58.1% |
| Access to Justice Benchmark | Vals AI | 76.4% | – |
| Financial Coaching Bench | Vals AI | 75.6% | – |
| Immigration Bench | Vals AI | 70.1% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 23.2%† | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 29.5% | 36.4% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 72.9% | 68.7% |
| FACTS Parametric | 30.8% | – | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 79.7% | – |
| LiveBench Instruction Following | LiveBench | 74.1% | – |
| Arena Instruction Following | Arena (LMArena) | 1478 | 1450 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1484 | 1449 |
| Arena Creative Writing | Arena (LMArena) | 1472 | 1413 |
| Arena Multi-turn | Arena (LMArena) | 1495 | 1445 |
| Arena Longer Queries | Arena (LMArena) | 1496 | 1461 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1312 | 1263 |
| LiveBench Design | LiveBench | 76.6% | 70.8%† |
| MMMU-Pro | Artificial Analysis | 82.8% | 76.4% |
| MMMU-Pro (Vals) | Vals AI | 88.0% | – |
| MortgageTax | Vals AI | 64.0% | – |
| SAGE | Vals AI | 81.8% | – |
| Humanity's Sixth Sense | Scale AI SEAL | 33.0% | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 20.0%† | – |
| VIALS-AA | Handshake AI | 31.7% | – |
| Code2Video-AA | Artificial Analysis | 1021 | 821 |
| AA-3D | Artificial Analysis | 954 | 859 |
| FACTS Multimodal | 51.5% | – | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 80.3% | 88.3% |
| MLCR | Artificial Analysis | 26.1% | 18.3% |
| FACTS Grounding | 73.8% | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 157.6 | – |
| LiveBench 2.0 | LiveBench | 60.9% | 54.9%† |
| LiveBench 1.0 | LiveBench | 78.5% | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 33.6 | 28.5 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 45.4 | 43.7 |
| AA Progress Index v1 | Artificial Analysis | 323.7 | 318.2 |
| Vals Index | Vals AI | – | 54.8 |
| Vals Finance Index | Vals AI | – | 55.4% |
| Vals RSI Index | Vals AI | 21.8% | – |
| Vals Science Index | Vals AI | – | 29.6% |
| Vals Multimodal Index | Vals AI | 65.4% | – |
| Vals Legal Index | Vals AI | – | 70.2% |
| AA Cyber Index | Artificial Analysis | – | 47.7 |
| 安全与诚实 | |||
| DistressBench | Scale AI SEAL | 77.6% | – |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | – | 33.3 |
数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。
DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.
变化
- Step 5 Preview:BenchLeader Index 54.2 → 56.0。
- Qwen3.8 Max (max):1 项分数修订。
- Step 5 Preview:BenchLeader Index 54.7 → 54.2。
- Qwen3.8 Max (max):1 项分数修订。
- Step 5 Preview:1 项分数修订。
- Qwen3.8 Max (max):6 项分数修订。
- Step 5 Preview:7 项分数修订。
- Qwen3.8 Max (max):1 项分数修订。
- Qwen3.8 Max (max):1 项新结果(FACTS Search);1 项分数修订。
- Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。
相关对比
- Qwen3.8 Max vs GPT-6 Astra
- Step 5 Preview vs Claude Opus 5.5
- Step 5 Preview vs GPT-6 Astra
- Step 5 Preview vs GPT-6.1 Sol
- Step 5 Preview vs Gemini 4 Argon
- Qwen3.6 Max vs Step 5 Preview
- Qwen3.8 Max vs GPT-6.1 Sol
- Qwen3.8 Max vs Gemini 4 Argon
排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型
Qwen3.8 Max vs Step 5 Preview:常见问题
- Qwen3.8 Max 比 Step 5 Preview 更好吗?
- Qwen3.8 Max (max) 与 Step 5 Preview 的质量不相上下(58.7 比 56.0,在 ±5.6 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
- Qwen3.8 Max 和 Step 5 Preview 哪个更便宜?价格会变吗?
- 目前 Step 5 Preview 更便宜:每百万 token $1.43 比 $3.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
- 编程用 Qwen3.8 Max 还是 Step 5 Preview 更好?
- Qwen3.8 Max 在编程方面得分更高(类别得分 62 比 50,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Qwen3.8 Max 为 23.4%,Step 5 Preview 为 12.0%。
- Qwen3.8 Max 和 Step 5 Preview 哪个更快?
- Step 5 Preview 输出更快(约 2 倍;输出 124 比 59 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 Qwen3.8 Max 还是 Step 5 Preview 更好?
- Qwen3.8 Max 在智能体任务方面得分更高(类别得分 59 比 49,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,Qwen3.8 Max 为 0.1,Step 5 Preview 为 -3.7。
更多问题(4)
- 处理长文档哪个更好?
- Step 5 Preview 在长上下文基准测试上得分更高(69 比 65)。两者都支持 1,000,000 token 的上下文。
- 哪个延迟更低?
- Step 5 Preview 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 23.5 秒比 119.6 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
- 第三方基准测试对 Qwen3.8 Max 和 Step 5 Preview 的看法一致吗?
- 在两者都有结果的 54 项基准测试中,Qwen3.8 Max 领先 41 项,Step 5 Preview 领先 13 项。所有同时评测两者的综合评分都认为 Qwen3.8 Max 更强。
- Step 5 Preview 是什么时候发布的?
- Step 5 Preview 于 2026年9月18日 发布。