Qwen 3.8 对 Kimi K3：三天内连发的两个万亿级模型，进了同一间考场

7 月 16 日，月之暗面赶在 WAIC 开幕前发布 Kimi K3： 2.8 万亿参数，思考默认钉在最高档，承诺 7 月 27 日前放出全量权重。三天后，7 月 19 日， 阿里在会期里官宣 Qwen3.8-Max-Preview： 2.4 万亿参数，官宣帖原话「second only to Fable 5」，帖子里没有附任何独立 benchmark，开源只说了「soon」。 三天，两个万亿级模型，都把思考钉成常开，却没在任何公开评测里正面见过面。

代码榜的对比文已经出了一批，写小说这个用途没人碰。我们手里有现成的考卷：K3 发布 48 小时时考过一遍， qwen3.8 发布 48 小时，我们让它坐进同一间考场，把两家的卷子匿名装进同一批盲评包。 判卷结果先说：23 张有效票，qwen3.8 拿了 3 张。

赛制：一张一个字没改的旧考卷

协议照抄九模型横评：同两本书（一本 890 万字传统玄幻，一本《后宫·甄嬛传》）、同一个约 55% 深度的起笔点、 同一份上下文说明、同 1.6 万 token 窗口，每轮产物拼回上下文再写下一轮，各连写 20 轮。 K3 的两条链取自它发布 48 小时那轮实测的归档， qwen3.8 的两条链新跑。唯一的协议差异如实报：qwen3.8 思考恒开，我们把单轮输出上限从 2800 token 放宽到 6000， 防止可见正文被推理过程挤成空白。这个改动只帮它把话说完，不改考题。

评委六个异构模型，横跨五家供应商，温度 0；每本书做甲乙翻转的两套映射，对冲位置偏差。 用 AI 当评委的前提写在评审可靠性实验里： 「像不像人」这类绝对判断它们会系统性翻车，同题成对的相对判断才够得着，这轮全部是成对判定。 评委席里还坐着 qwen3.7-max，被测者的同厂前代。它在玄幻场两套映射里把票一致投给了 K3。

记分牌：3 比 20

玄幻场剔了一张 JSON 解析失败的废票，其余 23 张有效。按 early、mid、late 三窗分开数， 六个窗口 K3 全部领先，最接近的一窗也是 9 比 2；分窗里的两处零头（玄幻 late 多一票、女频 early 一票格式无效） 不改变任何一窗的方向。

qwen3.8 名下那 3 张票，放到翻转映射下对表，全部对不上：投出它们的评委在甲乙互换后仍然选了同一个位置， 属甲位偏好，构不成稳定判断。同款病票 K3 名下也有 3 张。把这 6 张自相矛盾的票和 1 张无法配对复核的票全部剔掉， 严格口径的比分是 0 比 16。

对 qwen3.8 公平起见补一句纵向：它对自家前代 qwen3.7 是真升级，同协议双盲女频场 11 比 1、玄幻场 7 比 5， 前代那套「恒定精修感官流」的老毛病收敛了大半，完整链数据在主实测文里。它输掉的不是自己的进步，是对手的档位。

qwen3.8 的病历：卡死、堆砌、现代腔

玄幻场的票据最重。gemini-3.5-flash 评委原话：「严重剧情倒带，20 轮后仍卡在逃亡与封印血纹的死循环中， 叙事停滞。」这落在我们长程失效分类学的「中途卡死」一型。 claude 评委记的是另一面：mid 起「感官细节堆砌（盐壳碎裂/腥甜血气/枯叶焦土）替代叙事推进」。 连坐在评委席上的同厂前代都嫌它：「文风持续偏离原著，偏向细腻微观的传统武侠/实体仙侠风。」

女频场输得体面一些，病灶换了部位。两个评委各自独立摘了同一句比喻示众：「把夜色熬成了毒」， 古言语境里的现代文艺腔；qwen3.7-max 评委另记下「情节模式复读：三个窗口均围绕卫临验毒展开， 缺乏实质剧情推进」。词级复读倒是治干净了，四条链相邻轮逐字重叠全部 0.0%， 前代那种「嗤嗤、牙酸、黏腻」循环叠用没有复发。修掉了词级复读，长出了情节级复读。

K3 的病历：赢家也有票据在案

20 票不等于零缺陷。本轮女频场有评委点名 K3「出现明显的套路化剧情和复读倾向（舒痕胶的字据、夹袋）， 文字开始扁平化」，批它情节「过于古早同人文套路（突然翻出字据、留把柄）」； 玄幻场另有两位评委分别记下轻微套路化的「鹬蚌相争桥段」和一处回忆段落的相邻复读。都不是致命伤，都进了档案。

存量三坑照抄它自己的实测记录：约 85% 对白用半角引号（玄幻 39 对半角对 9 对全角，女频 52 对 8）； 女频「我」密度每千字 16.2 次，原著 9.0，接近 1.8 倍；思考关不掉，每轮等 37 到 54 秒， 输出 token 的 81% 到 86% 是看不见的推理。顺带一个反直觉数字：这场对决里 qwen3.8 反而是快的那个， 平均每轮 12 到 38 秒。快，没能换成票。

评委的票不跟着对话率走

指标表里藏着这轮最有意思的反差。按脚本原始口径，K3 的女频对话率只有 3.9%，原著是 48.8%， 票却是 10 比 2。拆开看，大半是半角引号骗过了只认全角的检测，修正后 38.9%；可伪影拆完反差还剩一截： 修正值仍比原著低十个百分点，qwen3.8 的 33.6% 也没好到哪去，两家都够不着原著的对话密度。 真正的反差在下一格：女频场 qwen3.8 的综合贴近度 0.385 比 K3 的 0.396 还小，票仍是 2 比 10。

另一个新体征顺手入档：qwen3.8 的句长变化幅度全场最平（0.217 到 0.406）， 远低于两本原著的 0.837 和 0.495，句子越写越匀是它这一代的新指纹。 统计指标与双盲票方向分歧，这是我们记录里的第三次。指标划得出档位，判不出人味。

你该把书交给谁

要文风保真、想把追着的书交出去长跑：K3，23 张票里 20 张没什么可辩的， 代价是半角引号、过密的「我」、每轮半分钟的思考税和每百万 token 输入 ¥20、输出 ¥100 的牌价。 已经在阿里生态里、订阅额度闲着：qwen3.8 顺手试，preview 期 Credits 按 1 折计、 个人版夜间再叠 2 折（Token Plan 官方文档，2026-07-21 核实）， 拿订阅额度摸一个 2.4 万亿参数的模型不心疼；只是别把续写主力迁过去。预算敏感、日常跑量： 两场横评的冠军仍是 DeepSeek 双档（玄幻 V4 Flash、古言 V4 Pro），这两位新选手的结构贴近度都没越过各自主场的冠军值， K3 对 DeepSeek 的同场对决还在排期里，跑完这段会改写。

在 Foreverse 里不用二选一：续写逐段可换模型，关键场景交 K3，日常推进换便宜档，写崩一段就地换模型重写， 两家都能自带 key 接入。

三个日期

第一个日期圈住本页全部结论：qwen3.8-max-preview 是预览版，官方明说预览期能力持续迭代、 预览结束后模型会下线或换成正式版，我们测的是 2026 年 7 月 21 日的 Token Plan 托管端点， 正式版转正当天按同协议复测。第二个是 7 月 27 日，K3 承诺的权重开源节点，第三方托管一铺开， 价格和延迟都可能松动。第三个日期现在还空着：等两边都转正，这页的记分牌重排一次，以页首日期为准。