BenchLeader

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 MaxArena 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 MaxStep 5 Preview
提供商AlibabaStepFun
发布日期2026年8月3日2026年9月18日
上下文窗口(token)1,000,0001,000,000
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51.551.7持平
编程61.649.9Qwen3.8 Max
智能体与工具58.549.1Qwen3.8 Max
数学65.260.1Qwen3.8 Max
知识58.053.7Qwen3.8 Max
人类偏好67.563.1Qwen3.8 Max
多模态65.759.3Qwen3.8 Max
长上下文64.869.0Step 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。

2550 avg75推理编程智能体与工具数学知识长上下文多模态人类偏好Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 Max, 长上下文: 64.8Qwen3.8 Max, 多模态: 65.7Qwen3.8 Max, 人类偏好: 67.5Step 5 Preview, 推理: 51.7Step 5 Preview, 编程: 49.9Step 5 Preview, 智能体与工具: 49.1Step 5 Preview, 数学: 60.1Step 5 Preview, 知识: 53.7Step 5 Preview, 长上下文: 69.0Step 5 Preview, 多模态: 59.3Step 5 Preview, 人类偏好: 63.1

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

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 IndexQwen3.8 Max (max)Step 5 Preview领先者
BenchLeader Index58.756.0不相上下
AA Intelligence Index v5.0.133.628.5Qwen3.8 Max
Arena Text14841449Qwen3.8 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)171k113k
其中推理部分120k80k
每项任务耗时(AA Index)48 min15 min
输出速度59 tok/s124 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 IndexBenchLeader58.756.0
智能体与工具得分BenchLeader58.549.1
编程得分BenchLeader61.649.9
综合得分BenchLeader45.0–
人类偏好得分BenchLeader67.563.1
知识得分BenchLeader58.053.7
长上下文得分BenchLeader64.869.0
数学得分BenchLeader65.260.1
多模态得分BenchLeader65.759.3
推理得分BenchLeader51.551.7
混合价格(美元/百万 token)BenchLeader$3.00$1.43
输出速度BenchLeader59 tok/s124 tok/s
首次回答时间BenchLeader119.6 秒23.5 秒
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.7%†–
Arena Hard PromptsArena (LMArena)15071477
LiveBench 2.0 ReasoningLiveBench88.2%83.8%†
LiveBench 1.0 ReasoningLiveBench88.2%–
GPQA Diamond (AA)Artificial Analysis92.8%–
Humanity's Last Exam (AA)Artificial Analysis43.1%46.5%
HLE-Diamond (AA)Artificial Analysis24.0%24.3%
GPQA Diamond (Vals)Vals AI93.7%–
CritPtArtificial Analysis20.0%20.9%
CritPt v2 hard subset (AA)Artificial Analysis29.5%32.5%
MysteryMechanismVals AI23.9%18.5%
Arena ExpertArena (LMArena)15141489
Chess PuzzlesEpoch AI Benchmarking Hub46.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub38.0%†–
LMCAEpoch AI Benchmarking Hub46.2%†–
DTBenchEpoch AI Benchmarking Hub92.0%†–
编程
SciCodeSciCode53.2%58.9%
Arena CodingArena (LMArena)15231505
Arena WebDevArena (LMArena)16761573†
LiveBench 2.0 CodingLiveBench60.9%67.6%†
LiveBench 1.0 CodingLiveBench72.9%–
LiveCodeBenchVals AI87.8%–
IOIVals AI68.9%38.1%
SWE-bench (Vals)Vals AI85.6%–
Code MigrationVals AI24.0%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 v1.1Vals AI–47.0%
ProgramBenchVals AI0.0%–
SWE-bench MultimodalVals AI42.5%40.8%
Vibe Code Bench 1-100Vals AI12.8%–
Vibe Code Bench v1.1Vals AI64.7%70.4%
SWE Atlas v1.1Scale AI SEAL64.4%–
SWE Atlas v1.1: Codebase QnAScale AI SEAL81.5%–
SWE Atlas v1.1: Test WritingScale AI SEAL58.9%–
SWE Atlas v1.1: RefactoringScale AI SEAL52.9%–
MirrorCodeEpoch AI Benchmarking Hub52.2%†–
DeepSWE v1.1Epoch AI Benchmarking Hub57.5%†–
ALE-BenchEpoch AI Benchmarking Hub1679.1†–
FrontierSWEEpoch AI Benchmarking Hub17.8%†–
Terminal-Bench 4.0 (AA)Artificial Analysis38.9%33.3%
Terminal-Bench 2.1 (AA)Artificial Analysis88.8%–
Startrise FrontendStartrise71.3%–
GameBench 2 OverallDuelLab GameBench 254.2†–
GameBench 2 by reasoning settingDuelLab GameBench 269.6†–
Design Arena WebsiteDesign Arena1269–
FrontierCode 1.1 (AA)Artificial Analysis43.2%38.4%
FrontierCode 2.0 (AA)Artificial Analysis23.4%12.0%
智能体与工具
Terminal-BenchTerminal-Bench27.0%–
APEX-AgentsMercor63.3%–
Arena AgentArena (LMArena)0.1-3.7
LiveBench Long AgenticLiveBench26.6%19.4%†
LiveBench BrowserLiveBench49.4%24.8%†
LiveBench Agentic CodingLiveBench64.7%–
Terminal-Bench 2.1 (Vals)Vals AI67.4%–
τ³-bench Bankingτ²-bench55.1%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis58.3%54.3%
GDPval-AA v2.1Artificial Analysis16741591
τ³-Banking (AA)Artificial Analysis51.3%–
ITBench SRE (AA)Artificial Analysis40.3%55.6%
Analyst Agent (AA)Artificial Analysis45.0%35.0%
APEX-Agents (AA)Artificial Analysis42.4%38.0%
CyberBenchVals AI28.6%–
Finance Agent v2Vals AI50.6%50.7%
Finance Agent v2.1Vals AI–58.9%
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%
Harvey's Legal Agent Benchmark v1Vals AI10.4%9.2%
Legal Research BenchVals AI47.6%40.4%
SkillsBenchVals AI42.0%–
SREBenchVals AI–0.4%
Tax Agent BenchVals AI32.1%27.3%
Terminal-Bench 4.0 (Vals)Vals AI34.3%31.8%
Terminal-Bench ScienceVals AI12.9%2.9%
Arena SearchArena (LMArena)1227–
Arena Agent Task CompletionArena (LMArena)4.5-1.5
AutomationBenchArtificial Analysis56.2%51.0%
GDP.pdf (AA)Artificial Analysis22.8%14.8%
EnterpriseOps-GymArtificial Analysis47.6%47.2%
AA-Briefcase v1.1Artificial Analysis16041424
GDPxGDPx by SemiAnalysis3.5%–
Design Arena AgenticDesign Arena1264–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis11.9%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 Analysis37.4%27.6%
FACTS SearchGoogle85.0%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub74.7%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub46.3%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%†–
ProofBenchVals AI58.0%42.0%
LiveBench MathematicsLiveBench91.3%–
Arena MathsArena (LMArena)15051470
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.3%†–
LiveBench 2.0 Data AnalysisLiveBench78.4%63.5%†
LiveBench ResearchLiveBench72.8%75.5%†
LiveBench 1.0 Data AnalysisLiveBench78.4%–
AA-Omniscience v1.1Artificial Analysis10.516.4
MMLU-ProVals AI88.6%–
LegalBenchVals AI83.6%–
CorpFinVals AI65.8%–
TaxEvalVals AI75.5%–
BioMysteryBenchVals AI–67.4%
Excel Modeling BenchmarkVals AI60.1%57.1%
Excel Modeling Benchmark v1.1Vals AI66.0%69.5%
MedCodeVals AI40.7%–
MedScribeVals AI85.0%–
Public Benefits Bench v1.1Vals AI67.1%58.1%
Access to Justice BenchmarkVals AI76.4%–
Financial Coaching BenchVals AI75.6%–
Immigration BenchVals AI70.1%–
GDP.pdfEpoch AI Benchmarking Hub23.2%†–
AA-Omniscience v1.1: accuracyArtificial Analysis29.5%36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis72.9%68.7%
FACTS ParametricGoogle30.8%–
指令遵循
LiveBench LanguageLiveBench79.7%–
LiveBench Instruction FollowingLiveBench74.1%–
Arena Instruction FollowingArena (LMArena)14781450
人类偏好
Arena TextArena (LMArena)14841449
Arena Creative WritingArena (LMArena)14721413
Arena Multi-turnArena (LMArena)14951445
Arena Longer QueriesArena (LMArena)14961461
多模态
Arena VisionArena (LMArena)13121263
LiveBench DesignLiveBench76.6%70.8%†
MMMU-ProArtificial Analysis82.8%76.4%
MMMU-Pro (Vals)Vals AI88.0%–
MortgageTaxVals AI64.0%–
SAGEVals AI81.8%–
Humanity's Sixth SenseScale AI SEAL33.0%–
Furniture AssemblyEpoch AI Benchmarking Hub20.0%†–
VIALS-AAHandshake AI31.7%–
Code2Video-AAArtificial Analysis1021821
AA-3DArtificial Analysis954859
FACTS MultimodalGoogle51.5%–
长上下文
AA-LCR v1.1Artificial Analysis80.3%88.3%
MLCRArtificial Analysis26.1%18.3%
FACTS GroundingGoogle73.8%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.6–
LiveBench 2.0LiveBench60.9%54.9%†
LiveBench 1.0LiveBench78.5%–
AA Intelligence Index v5.0.1Artificial Analysis33.628.5
AA Intelligence Index v4.3.2Artificial Analysis45.443.7
AA Progress Index v1Artificial Analysis323.7318.2
Vals IndexVals AI–54.8
Vals Finance IndexVals AI–55.4%
Vals RSI IndexVals AI21.8%–
Vals Science IndexVals AI–29.6%
Vals Multimodal IndexVals AI65.4%–
Vals Legal IndexVals AI–70.2%
AA Cyber IndexArtificial Analysis–47.7
安全与诚实
DistressBenchScale AI SEAL77.6%–
元数据
AA Openness IndexArtificial 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。

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。