阿里最新开源模型Qwen3到底能不能打？不妨上「通义App」亲自试试

4 月 29 日凌晨，阿里正式发布并开源了最新的通义千问 Qwen3 模型（以下简称 Qwen3），并迅速登顶多项大模型测评榜单，引发了全行业的关注。

据介绍，Qwen3 在推理、指令遵循、工具调用、多语言能力等方面均大幅增强，尤其是旗舰模型 Qwen3-235B-A22B，在多个国际权威基准测试中刷新了开源模型纪录。

Qwen3 的实际表现到底如何？是否真如榜单这般？「AI 前线」在第一时间对 Qwen3 展开了多角度的实测体验，看看 Qwen3 到底“能不能打”。感兴趣的小伙伴也可以通过「通义 App」或者网页版 tongyi.com 自行体验 Qwen3-235B-A22B。

本次测评通过官方推荐的「通义 App」和网页版进行，测试结果均为首次向模型提问而获得的答案。测试内容主要包含两大核心场景，一是代码、数学、逻辑推理等专业场景，二是文本创作和旅行规划等大众场景，希望从这两个维度帮助大家快速理解 Qwen3 的优势以及能力边界。

首先我们来测试一下 Qwen3 的推理能力，包含代码生成时的复杂逻辑陷阱、数学推理与尝试逻辑、多角度论证能力三项测试，这三项测试对模型的 动态自洽性验证 与 隐藏规则挖掘 能力、符号逻辑 与 现实语义的映射关系处理、角色立场/学科领域/伦理框架 间的动态切换等方面提出了较高要求。

指令： 请用 Python 编写一个函数，输入是一个整数列表，返回列表中所有偶数的平方和。注意：如果列表为空或没有偶数，函数应返回 None。需要处理列表中的负数、零和极大值（例如 10^18），并确保时间复杂度最优。

测评点：测试模型能否正确处理空列表、负数平方的正值转换、超大数值计算的溢出问题，以及循环终止条件的逻辑严密性。

推理过程：

推理用时：44s

最终结果：

首先作为 UI 控，通义返回的代码支持深 / 浅色版本这一点，必须给好评！并且在实时推理过程中的一些逻辑序列会用各种有趣的 Emoji 图标呈现，相比于纯文本式的显式推理表达，在等待过程中确实更加赏心悦目，也更愿意等待它的结果。

对于代码结果的准确性，如果看不懂或者懒得验证，不妨用 DeepSeek R1 来校验一下。

我们将同样的问题发送给 DeepSeek，同样打开深度思考（R1）模式和联网搜索，最终 DeepSeek 耗时 80s 给出了相近的结果。为方便展示，我们截取了问题和答案的页面，如下：

有趣的是，当我询问 DeepSeek 它的答案跟 Qwen3 有何区别时，它给出了让我意想不到的回复。

DeepSeek 认为 Qwen3 的代码结果细节上更优；而从推理耗时来看，Qwen3（44s）也比 DeepSeek R1（80s）用时也更少。

指令： 某电商平台满 200 减 50，会员可以在满减基础上额外享 9 折。用户 A 购物车有 3 件商品，价格分别为：120 元（非会员价；会员价为 115 元）、150 元（会员价；非会员价格为 160 元）、80 元（通用价）。若用户 A 是非会员，如何组合购买最省钱？若是会员呢？请分步骤解释。

测评点：测试模型能否识别会员价商品的购买条件限制、计算最优组合时的逻辑完备性等。

推理过程：

推理用时：36s

最终结果：

当然，电商优惠算账类题目对于大多数人而言并不难，并且上述题目也属于非常简单的算术级别，不用 AI 也能很快获得相同的结果。但是对于大模型而言，多条件约束类问题其实是有一定的挑战的，至少当我们向 DeepSeek R1 提出同样的问题后，尽管获得了正确答案，但是推理耗时 4min 左右，中间有段时间甚至陷入反复推理自证的环节。

指令： 人工智能是否会导致大规模失业？请从经济学、伦理学、技术发展史三个角度展开分析，每部分至少提出两个论据，最后给出综合结论。

测评点： 论证结构的层次性、论据的多样性（如自动化替代 vs 新职业创造）、结论的逻辑推导是否严谨。

推理过程：

推理用时：18s

最终结果：

从结果来看，无论是推理的逻辑性、表达的结构性，以及对经典理论、案例、数据的引用都无可挑剔。综合结论采用“总分总”的方式进行简短总结，清晰易懂，对于很多特定场景几乎可以拿来即用，但前提是数据无误。

同样我们也问了 DeepSeek R1 同样的问题。

最终，DeepSeek R1 以更快的速度（14s）给出了答案。从答案的详细程度和综合结论的条理性来看，Qwen3 似乎更胜一筹。

但是对于论证推理以及一些对数据要求极为严谨的场景而言，除了逻辑、结构外，数据准确性更重要。我们查看了 Qwen3 和 DeepSeek R1 的参考资料，发现包含部分非权威信息渠道，用户需要花费较多的时间去溯源、勘误，最终反而会使效率下降。而这也是当下国内大模型使用过程中最大的痛点之一，构建权威、有效、互通的中文数据生态仍是全行业需要努力的方向。

除了代码、数学、逻辑推理能力外，对于文字工作者而言，大模型的“创意赋能”尤为重要；另外对于普通人而言，大家更关注大模型对日常生活的帮助。所以接下来，我们将围绕大模型的创意写作能力和旅行规划能力，对 Qwen3 展开测评。

指令： 为一个科幻主题的咖啡品牌设计广告文案，关键词：太空探索感、灵感大爆炸，风格上高级但克制，咖啡的目标用户为写字楼白领。要求：1）给出品牌名称及 Slogan；2）用比喻手法描述产品口感以引发用户共鸣；3）写一段 500 字的品牌故事

测评点：创意新颖度、需求理解度、文字风格调性把握等。

推理用时：15s

最终结果：

说实话，对于这个结果，作为曾经的广告人，是有点惊讶的。Qwen3 对于我想要的调性拿捏非常到位，而且它有 Get 到我需要它将咖啡品牌与打工人的特质相关联，至少这是一版可以给我带来很多灵感的初稿。

同样的问题，我丢给了 DeepSeek R1。

DeepSeek R1 推理用时 23s，也算快，但是内容上给我的第一印象是：品牌名称不够好听，文案的堆砌感比较重，至少没能 get 到我说的“高级但克制”，以及感受不到咖啡品牌对目标群体“打工人”的同理心。

总体而言，个人感觉 Qwen3 在品牌创意文案方面更胜一筹，无论是需求理解、用词细腻度、对调性的把控等等。当然这类测评结果的主观性较大，仅供参考。

指令： 马上就是五一了，请帮我规划一个单人、从北京出发到深圳的三日自由行攻略，需包含：①交通方式选择（高铁 / 飞机对比）②酒店预订（靠近景区且评分 4.5+）③景点路线（按时间顺序排列）④预算分配（总费用不超过 5000 元）。请分步骤说明并给出每个环节的推荐理由。

评测点：任务拆解颗粒度、步骤间逻辑连贯性、参数匹配能力（如预算限制）

推理用时：20s

最终结果：

对于 Qwen3 的回答，先说结论，如果只是单纯作为行程参考基本 OK。各个景点的推荐、路线、门票以及交通费用预估等，都没什么问题。但是对于实际的旅行而言，还需要更多的闭环，比如直接帮我规划一个具体的、精确到小时的行程，并附上机酒和市内交通建议等。

不过值得一提的是，在回答我既有问题的基础上，Qwen 还给了我 3 条注意事项，包含避堵建议、天气与穿衣 / 行李建议，以及出行安全提示等，这一点确实贴心。

同样，我们向 DeepSeek 提出了同样的问题，但是熟悉的“服务器繁忙”出现了，按照测试规则（仅展现首次提问的结果），我们不再做二次提问。

正好飞猪 AI 旅行助手最近很火，于是我们让它回答了同样的问题。从结果来看，它给的作业是稍微验证后可以直接抄的，并且还增加了漫画行程图和直接预定机酒的按钮，简直是懒人之光、P 人福音。同为阿里系的产品，后面有没有可能直接通过「通义 App」一站式实现旅行闭环？值得期待。

经过对 Qwen3 在代码生成、数学与逻辑推理，以及创意写作与生活助手两大类核心场景的初步测评（受限于测试周期、样本多样性和提示工程精度），其表现虽存在进一步优化空间，但在与 DeepSeek R1 的横向对比中仍展现出显著优势——特别是在复杂任务处理效率方面，推理耗时大幅缩短，符合官网宣传时提到的“思深，行速”。

除了 Qwen 大模型的开源进度喜人外，另一个值得外界关注的便是阿里在今年 3 月推出的「通义 App」，一经推出便接入最强 Qwen 模型，并持续迭代。「通义 App」以超级智能体作为交互中枢，在主对话页面实现能问、能聊、理解图片、生成图片、翻译、写作等智能体验。

通义产品团队在早前的采访中提到：“我们不仅要通过强大的 AI 技术能力帮助用户解决实际问题，还要让用户在使用中感到更方便、更懂我。AI 应用的未来不仅仅是简单的提效工具，更是一个能够理解、陪伴并提升用户生活质量的贴心 AI 助手。”

当大模型的底层能力足够优异时，上层应用的体验则是后半场 AI 竞赛的关键。很显然，阿里已经准备好了。