3月20日，LMArena发了最新一期榜单，阿里的Qwen3.5-Max-Preview拿了1464分，全球第六，中国第一，把GPT-5.4、Claude Sonnet 4.6、Grok 4.1这些名字全部压在了下面。

AI圈子当天沸了。朋友圈开始有人转，标题都是"国产模型杀疯了"、"历史性突破"、"中国AI正式追上"。

我盯着那张排名图看了好一会儿，说实话，有点感慨，但感慨的内容和你们想的可能不一样。

---

先说数据层面真实的进步是多大。

Qwen3.5-Max-Preview这次用的是稀疏MoE架构，总参数397B，但每次推理只激活17B——这个数字是核心。17B激活参数意味着什么？意味着它调用的算力规模，大约等于一个入门级的语言模型，但性能跑到了旗舰级别。

具体来说，32K上下文吞吐量提升了8.6倍，256K上下文吞吐量提升了19倍，显存占用相比上一代降低了60%。KV Cache通过16:1的分组查询注意力机制，压缩到了原来的6.25%。

这些数字不是市场部拍的，是可以在实际推理成本上验证的东西。换句话说，Qwen3.5这次的技术路线选择是对的——不是堆参数，而是把效率逼到极限。

在LMArena的细分项里，数学能力进了全球前五，专家级文本处理进了全球前十。整个阿里千问团队因为这个成绩，在公司级排名里拿到了全球第五、国内第一。字节跳动排全球第六，智谱第七，月之暗面第八，百度第九——中国前五大AI实验室，全部进了全球前十。

这是2026年，三年前还在讨论"能不能做出GPT-2水平的中文模型"的时候，没几个人会相信这种局面会这么快出现。

---

但我觉得有一个问题需要认真说清楚：LMArena的分数，到底在测什么？

LMArena的机制是盲测投票——两个模型各生成一段回答，用户在不知道是谁的情况下选哪个更好。听起来很公平，实际上存在一个底层逻辑：这个榜单测的是"更讨用户喜欢"，而不是"更有能力"。

举个具体的例子：如果你让两个模型写一段营销文案，其中一个更会用排比句、节奏感更强，另一个更准确但相对平淡，大多数普通用户会投前者的票。但如果你要评估哪个模型更适合做代码审查或者科研文献分析，结果可能完全相反。

Qwen系列一直有个公认的特点：中文理解极好，创意写作流畅，表达方式有亲切感——这些特质在LMArena这种以"语言质量感知"为核心的评测里，天然有优势。这不是黑，这是它的真实长板。

但问题是，上下文处理能力、复杂推理的稳定性、边缘case的容错率、代码执行的精确度——这些才是真实业务场景里最容易出事的地方。而这些能力，在盲测投票机制下很难被充分暴露。

---

我周末拿Qwen3.5和Claude Opus 4.6做了一个不算严格的对比。任务是：给一段2000字的合同，找出其中三处对乙方不利的条款，并建议修改方向。

Qwen3.5的回答流畅，格式好，三处条款都找到了，建议也写得很像一回事。Claude的回答没那么好看，但它额外标注了一处我没要求它找的潜在风险——一条关于违约金计算方式的表述，如果按字面解读对乙方非常不利，但措辞比较隐蔽。

我没办法用这个说谁强谁弱，样本太小。但我想说的是，在LMArena的盲测里，大多数用户拿到Qwen3.5那段回答会直接满意，而Claude多出来的那个发现，很可能在投票环节里根本不会被注意到。

"讨用户喜欢"和"在关键时刻更可靠"是两件不同的事。

---

当然，我不是要泼冷水。

真正让我觉得这次Qwen3.5有意义的，不是那个排名数字，而是背后的技术逻辑。稀疏MoE这条路选对了。它意味着中国的大模型正在进入一个新阶段：不再靠堆算力追别人，而是在效率上找到自己的出路。

这对中国AI生态的意义，其实比登顶某个榜单要大得多。

因为算力这件事上，客观说国内现在还有瓶颈——A100/H100的供给问题没有完全解决，自研芯片还没到完全可以撑起旗舰训练的阶段。如果模型技术路线本身就是"参数越大越好"，那就是一场从起跑线就输掉的游戏。

但稀疏MoE告诉你，参数量不是唯一的维度。397B总参数、17B激活参数、接近OpenAI旗舰级别的测评成绩——这个组合本身就是一种方法论的胜利，不只是数字的胜利。

海外开发者现在有47%在用Qwen系列，不是因为爱国，是因为它在API成本和性能之间的比值，确实有竞争力。

---

还有一件事值得单独说一下。

Qwen3.5-Max-Preview现在还是预览版，正式版还没出。这个"预览版"三个字很有意思——能出来打榜，说明技术准备充分了；但留个"预览版"名头，意味着正式版还有空间。

对比一下DeepSeek，V4一等再等，4月才发布，36氪那篇分析说得挺准——研发目标已经从"发模型"变成了"做系统工程"，要解决长期记忆、工具调用、工作流闭环这些问题。这是更难的活，但不发布就在排行榜上没声音。

现在Qwen抢先占了榜单的话题度，DeepSeek V4的正式亮相就要面临"我比榜单更强"的压力。4月的国产大模型正面PK，会比这次更热闹。

---

所以，真的追上了吗？

有些维度，真的差不多了。中文能力，长文本处理，开源生态，API定价竞争力——这些方向上已经可以正面竞争。

但有些维度还有真实的差距。尤其是推理的稳健性、复杂工具调用的可靠性、在真实生产环境中长期运行的稳定性——这些东西不会体现在盲测分数里，只会出现在你某天凌晨两点催一个重要任务的时候。

我的判断是：Qwen3.5这次是中国大模型里迄今为止最有说服力的一次登顶，但它登的那座山，并不是最终的那座。

---

好奇问一下：你平时工作里有在用Qwen系列或者其他国产大模型吗？和海外模型比，体验上最明显的差异在哪里？

---