完整测评报告视频：

• 推理编程能力测评
• 多模态能力测评
• 最终得分Benchmarks汇总页
  

一、推理&编程能力测评报告

Q1｜强约束指令遵循句子生成测试 —— 9/10

任务：输出10个以汉字数字结尾的句子，且按照顺序一到十，语句要通顺有意义，且倒数第二个字不能重复且不能是”第”，”是”，”为”

实测结果：从1到10结尾通顺，无明显问题。

Q2｜24点问题 —— 10/10

任务：请用 3、4、9、10 这四个数字，每个数字只能且必须使用一次。你可以使用任何初等数学运算符（包括乘方/根号），拼出 24 点。

实测结果：答案正确，10+9+3+√4=24。

Q3｜密码锁推理题 —— 10/10

任务：五位数密码锁推理：78635 含 3 个正确数字且位置全错；16384、56483 各 1 个数字位置正确、1 个数字位置错误；92741 有 2 个数字位置正确、1 个数字位置错误；67153 有 2 个数字位置正确、2 个数字位置错误，据此推理密码。

实测结果：答案正确，密码：12753，推理过程无误。

Q4｜浏览器内操作系统（AISniper OS）—— 6/10

任务：参考macOS，制作浏览器操作系统桌面UI，包含状态栏弹窗、时钟、底部快捷栏、主题切换，内置可交互3D太空射击游戏。

存在问题：

• 弹窗内容超出右边界
• 终端输入框在右侧，缺少输入位置标识
• 飞机子弹从机身腹部发射，而非机头前方

多处UI细节bug，扣分较多。

Q5｜3D 赛车游戏 —— 8/10

任务：Three.js赛博朋克无限赛道游戏，摄像机跟随赛道平滑晃动、汽车避障物理反馈、实时计分板。

优点：UI观感不错，整体功能完整度高。
不足：碰撞障碍物一次直接结束游戏，缺少血量机制，对比其他模型容错偏低。

Q6｜Trello 看板 —— 7/10

任务：原生单文件实现拖拽看板，卡片跨列拖动、列表换位、拖拽平滑让位动画、边缘自动滚动、卡片弹窗与子任务标签编辑。

优点：绝大多数拖拽、增删改功能正常。
不足：弹窗内两个功能按钮文字未居中靠左，属于细节UI瑕疵。

推理编程测评总结
推理能力稳定在线，数学类题目（24点、密码锁）全部拿满分数；编程生成项目可以跑通，但UI小问题偏多。
浏览器OS弹窗超界、终端输入位置不对；赛车UI不错但撞车一次就挂设计不合理；Trello按钮文字未居中。
综合表现不及 Qwen 3.8 Max Preview（54分），但整体仍然属于可用水平。

二、多模态能力测评报告

背景：125B参数规模可以拿到这样的表现实属难能可贵，下面使用另一套祖传测试用例测试图片、视频理解能力。

Q1｜电影剧照识别（老无所依）

任务：上传《老无所依》截屏，识别影片名称，开启推理+联网搜索

实测结果：模型将《老无所依》列入候选，但判定概率较低；最终识别错误，判定为《星际穿越》。

Q2｜经典画面二次识别（老无所依）

任务：上传《老无所依》经典镜头，识别影片名称

实测结果：成功识别出影片为《老无所依》，回答正确。

Q3｜空间方位判断

任务：判断图片当中电话亭是否在黄色车辆的右边

实测结果：模型正确判断电话亭在黄色车辆的右边，方位识别无误。

Q4｜细微图形差异查找

任务：找出一组形状当中角度倾斜不一样的图形，肉眼分辨难度较高

实测结果：精准定位第一行第四列菱形，识别出图形倾斜，答案正确。

Q5｜物种计数区分（鸳鸯+野鸭）

任务：统计图片内雄性鸳鸯、雌性鸳鸯数量，最左侧个体为野鸭，不计入雌鸳鸯

实测结果：雄性鸳鸯数量识别正确；雌性统计出错，误将野鸭计入，得出雌鸳鸯5只的结论。

Q6｜视频时序理解（行车片段）

任务：上传清晰度一般的行车视频，识别车辆开始并线、右转的时间节点

• 模型回答：5‑6秒开始并线，13‑14秒开始右转
• 真实时间：5‑6秒并线正确；右转实际8‑9秒启动，模型时间偏差较大
  

多模态测评总结
综合整套多模态测试下来，千问3.8‑Flash整体表现不错。以它这个参数体量，能达到当前识图水准已经算得上可用；短板集中在复杂计数区分、长视频时间轴识别，视频时序判断误差较为明显。

对于Qwen 3.8‑Flash这套实测结果，你有什么看法？欢迎评论区讨论。