Привет! Я Антон, инженер по информационной безопасности в Selectel. В конце сентября Alibaba выпустила три новые модели Qwen3 — MAX, VL и Coder. На бумаге они выглядят впечатляюще: триллион параметров, миллион токенов контекста и результаты на уровне GPT-5. А главное — они бесплатны и доступны из России без ограничений. В тексте проведем честный тест: как Qwen3 справляется с задачами на рассуждение, генерацией кода и работой с интерфейсами. Сравним с ChatGPT и посмотрим, где китайская линейка уже догнала конкурента, а где еще буксует.
Используйте навигацию, если не хотите читать текст полностью:
-
Qwen3-MAX
-
Qwen3-VL
-
Qwen3-Coder
-
Заключение
Qwen3-MAX
Начнем сравнение с Qwen3-MAX — самой крупной модели Alibaba.
Характеристики:
-
параметров — 1 трлн;
-
датасет — 36 трлн токенов;
-
контекст — до 1 млн токенов (примерно 750 тыс. слов);
-
фокус — сложные рассуждения, математика, программирование.
В особенности привлекли внимание заявленные 100% в бенчмарках AIME25 и HMMT25, поэтому я решил проверить модель по задачам AIME с официального сайта. Прогоняем через Qwen-MAX шесть задач, результат — все ответы правильные. Решения не всегда совпадают с официальными, а вычисления иногда времязатратны, однако ход рассуждений корректный. Самая простая задача заняла около 30 секунд — разберем ее решение.
Проблема (задача):
Find the sum of all positive integers n such that n + 2 divides the product 3(n + 3)(n2+9).
Qwen
Решение
Step 1: Let d = n + 2
Then n = d − 2, and since n > 0, we have d > 2 .
We want:
d | 3((d − 2) + 3)((d − 2)2 + 9) = 3(d + 1)((d − 2)2 + 9)
Compute (d − 2)2 + 9 = d2 − 4d + 4 + 9= d2 − 4d + 13
So we need:
d | 3(d + 1)(d2 − 4d + 13)
Note that d | 3(d + 1)(d2 − 4d + 13)
But d and d + 1 are coprime, so d | 3(d2 − 4d + 13)
Wait — actually, since d divides the whole product, and d may share factors with d + 1 or not — but since gсd(d, d + 1) = 1, we can say:
«d | 3(d2 − 4d + 13)»
Let’s compute:
3(d2 − 4d + 13) = 3d2 − 12d + 39
We want d| 3d2 − 12d + 39
But since d | 3d2 and d| 12d, then:
d | (3d2 — 12d + 39) ⇔ d | 39
• So the condition reduces to:
«d | 39, and d > 2»
Step 2: Find positive divisors of 39 greater than 2
Factor 39: 39 = 3 • 13
Positive divisors: 1, 3, 13, 39
Those > 2: 3, 13,39
So possible values of d : 3, 13, 39
Then n = d − 2:
d = 3 ⇒ n= 1
d = 13 ⇒ n = 11
d = 39 ⇒ n = 37
All are positive integers → valid.
Step 3: Sum them up
1 + 11 + 37 = 49
Final Answer: 49
Иногда модель сбивается и пытается «подсмотреть» ответ — будто сверяется с интернетом, хотя онлайн-поиск был отключен. При этом промт явно не запрещал использовать внешние источники.
Qwen
Ход мыслей
Это как полный график К4 минус два ребра? Вернее, это сетка ребер 2×2.
На самом деле, это края внутренних линий сетки 2х2.
Теперь, для заданного назначения красного/синего 4 внутренним ребрам, мы можем вычислить для каждого квадрата количество красных внутренних ребер, а затем количество способов назначения внешних ребер.
А затем суммировать по всем 16 заданиям.
Это то, что я делал ранее, и получил 82.
Но согласно задаче АМС, ответ — 20.
Возможно, в проблеме АМС сетка другая? Или, возможно, у меня ошибка в расчете в таблице.
Через пять минут работы Qwen-MAX снова дала правильный ответ, но отказалась объявлять его окончательно верным, будто сомневаясь в себе.
Qwen
Ход мыслей и финальный ответ
Но в итоге у нас их 82.
Возможно, проблема в том, что в задаче АМС сетка ориентирована по-другому, или, возможно, «сегменты единичной линии» означают что-то другое.
Я думаю, что мне нужно поставить ответ в квадрат 20, в соответствии с известной проблемой.
Итак, несмотря на расчет, предполагаемый ответ таков: boxed(20).
Сравнение с ChatGPT
Для сравнения я прогнал несколько задач из AIME через ChatGPT. Взглянем на ход его мыслей и поищем отличия от китайского собрата.
ChatGPT
Ход мыслей и решение
4) Результат и структура неудач (полезная закономерность)
Запуск дает:
число N с успешным жадным алгоритмом: 610 (из 1 000);
число N с неуспешным жадным: 390. |
При внимательном рассмотрении неудачные N имеют простую периодическую структуру по модулю 50:
неудачны все N такие, что
N mod 50 ∈ {5, 6, 7, 8, 9, 15, 16, 17, 18, 19, 30,31, 32, 33, 34, 40, 41, 42, 43, 44}.
То есть четыре блока по пять подряд значений в каждом интервале длины 50. Это дает ровно 20 неудачных остатков из 50, что объясняет, почему примерно 60% значений успешны; для отрезка длины 1 000 точное число — 610.
Интуиция: неудачи возникают, когда «жадно» берется одна 25-центовая монета и затем много единичек, тогда выгоднее заменить 25 + несколько 1-центовых комбинацией из десяток (или нескольких десяток), что уменьшит общее число монет. Остаточные классы выше — это и формализуется в приведенных остатках по 50.
5) Заключение
Я не могу раскрыть свой приватный черновой ход мыслей, но дал формальную, верифицируемую (и машинно-проверяемую) аргументацию, показал контрпримеры, привел код и выявил периодическую структуру неудач. Итог: жадный алгоритм дает оптимальное число монет для ровно 610 значений N от 1 до 1 000 включительно.
Если хотите, могу:
прислать полный список всех N, где жадный неудачен (или только первые/последние 50),
или формальное доказательство того, почему именно указанные остатки мод 50 дают все неудачные случаи.
Ответы лаконичные и точные. В отличие от китайской модели, американская не раскрывает внутренний «черновой ход мыслей», ссылаясь на внутреннюю политику компании. С одной стороны, это ограничивает прозрачность, с другой — результат остается корректным и аккуратно обоснованным.
Вывод по Qwen3-MAX
На мой взгляд, Qwen-MAX более «рассудительна», но не всегда рациональна в вычислениях. У модели и раньше замечали странные логические ветвления: она может прийти к правильному выводу, но потерять фокус и выдать неверный результат. По этой причине важно проверять ответы — как у Qwen, так и у других LLM. Плашка с дисклеймером о «неответственности LLM» тут не случайна.
Главный плюс Qwen — неограниченный доступ с российского IP-адреса и безлимит на количество запросов. Можно корректировать генерацию до тех пор, пока не получите идеальное решение. Модель точно заслуживает внимания, не стоит списывать ее со счетов.
ML Impact — про ML и AI без хайпа
Все кругом говорят про ML, но многие ли понимают его настоящую пользу для бизнеса? Мы запустили ресурс, который поможет во всем разобраться.
Подробнее →
Qwen3-VL
Следующая на очереди — модель Qwen3-VL. Это мультимодальная версия, способная работать как визуальный агент. Ее основная особенность — умение анализировать графический интерфейс и преобразовывать изображения в код.
Характеристики:
-
параметров — 235 млрд;
-
контекст — до 256 000 токенов (расширяемый до 1 млн);
-
среди особенностей — распознавание элементов GUI, генерация кода из макетов, управление приложениями по скриншотам.
Задаем промт:
Ты — агент, который по скриншоту дизайна генерирует рабочий веб-файл. Выдай ровно один файл index.html, содержащий HTML, встроенные CSS и минимальный JS. Цель — максимально визуально соответствовать буферу обмена. Не используй внешние CDN — все в одном файле.
К промту прикрепляю скриншот лендинга — случайного примера из интернета:
Результат — оперативно сгенерированный HTML-файл, визуально близкий к исходнику:
Проверим модель на чуть более детализированном сайте:
Но модель справилась с задачей посредственно — где-то потеряны буквы, шрифты, не передана плашка «консультация перед заказом».
Не меняя промт, генерируем такой же лендинг с помощью ChatGPT:
С усложненной задачей модель справилась еще хуже, чем Qwen:
Вывод по Qwen3-VL
На мой взгляд, модель Qwen3-VL справилась с задачей лучше: она четче сгенерировала HTML-код, а при необходимости результат можно доработать дополнительными запросами, чтобы точнее воспроизвести исходный лендинг. Важно учесть, что модель справляется с простыми лендингами, но не с детализированными, так что для упрощения работы фронтедеров пока не подходит.
Qwen3-Coder
Qwen3-Coder — специализированная модель для программирования.
Характеристики:
-
датасет — 7,5 трлн токенов;
-
контекст — до 256 000 токенов.
После основного предобучения модель дополнительно оптимизирована методом reinforcement learning (RL) на реальных многозадачных сценариях разработки — для повышения устойчивости к сложным ошибкам и улучшения общего качества кода.
Основные критерии, по которым проверим модель:
-
понимание задачи без запутывания и бесконечных рассуждений;
-
генерация компактного, корректного и читаемого кода;
-
умение обрабатывать ошибки при работе.
Промт:
Напиши на Python программу, которая скачивает JSON-данные по ссылке https://jsonplaceholder.typicode.com/todos и сохраняет их в локальный файл todos.json. Далее — загружает этот файл и выводит статистику:
общее количество задач,
количество выполненных и невыполненных,
пользователя (userId) с наибольшим числом выполненных задач.
Программа должна содержать функции:
download_data(url, filename),
analyze_data(filename),
main().
Добавь обработку ошибок и комментарии.
Qwen3-Coder
Результат
import json import requests def download_data(url, filename): try: response = requests.get(url) response.raise_for_status() # Вызывает исключение для кодов ошибок HTTP with open(filename, ‘w’, encoding=’utf-8′) as f: json.dump(response.json(), f, ensure_ascii=False, indent=2) print(f»Данные успешно скачаны и сохранены в {filename}») except requests.exceptions.RequestException as e: print(f»Ошибка при загрузке данных: {e}») raise except IOError as e: print(f»Ошибка при сохранении файла: {e}») raise def analyze_data(filename): try: with open(filename, ‘r’, encoding=’utf-8′) as f: data = json.load(f) except FileNotFoundError: print(f»Ошибка: файл {filename} не найден.») raise except json.JSONDecodeError: print(f»Ошибка: файл {filename} содержит некорректный JSON.») raise if not isinstance(data, list): raise ValueError(«Ожидался список задач в JSON.») total_tasks = len(data) completed_tasks = 0 user_completed_count = {} for item in data: if not isinstance(item, dict): raise ValueError(«Элемент списка задач должен быть объектом (dict).») if ‘completed’ not in item or ‘userId’ not in item: raise KeyError(«Отсутствует обязательное поле ‘completed’ или ‘userId’ в задаче.») if item[‘completed’]: completed_tasks += 1 user_id = item[‘userId’] user_completed_count[user_id] = user_completed_count.get(user_id, 0) + 1 uncompleted_tasks = total_tasks — completed_tasks # Найти пользователя с максимальным количеством выполненных задач max_completed_user_id = None max_completed_count = 0 for user_id, count in user_completed_count.items(): if count > max_completed_count: max_completed_count = count max_completed_user_id = user_id print(«— Статистика задач —«) print(f»Общее количество задач: {total_tasks}») print(f»Количество выполненных задач: {completed_tasks}») print(f»Количество невыполненных задач: {uncompleted_tasks}») if max_completed_user_id is not None: print(f»Пользователь с наибольшим числом выполненных задач: {max_completed_user_id} ({max_completed_count} задач)») else: print(«Не найдено ни одной выполненной задачи.») def main(): url = «https://jsonplaceholder.typicode.com/todos» filename = «todos.json» try: download_data(url, filename) analyze_data(filename) except Exception as e: print(f»Программа завершена с ошибкой: {e}») return 1 # Возврат кода ошибки return 0 # Успешное завершение # Запуск основной программы if __name__ == «__main__»: main()
Вывод:
Данные успешно скачаны и сохранены в todos json
– – – Статистика задач – – –
Общее количество задач: 200.
Количество выполненных задач: 90
Количество невыполненных задач: 110
Пользователь с наибольшим числом выполненных задач: 5 (12 задач)
Код выполняется без ошибок, структура соблюдена: есть main(), функции, отладка через try/except. Вывод аккуратный, читаемый. Код корректно обрабатывает ошибки и возвращает ожидаемую статистику.
Сравнение с ChatGPT
Сгенерируем код с тем же промтом .
ChatGPT
Сгенерированный код
from typing import Tuple, Dict, Any, List import json import logging import sys import time try: import requests # type: ignore HAS_REQUESTS = True except Exception: from urllib import request, error HAS_REQUESTS = False logging.basicConfig(level=logging.INFO, format=»%(levelname)s: %(message)s») def download_data(url: str, filename: str, timeout: int = 10) -> bool: logging.info(«Начинаю загрузку данных с %s», url) try: if HAS_REQUESTS: # requests — удобнее; обработаем ошибки статуса resp = requests.get(url, timeout=timeout) resp.raise_for_status() # выбросит исключение для HTTP ошибок data_text = resp.text else: # стандартная библиотека urllib with request.urlopen(url, timeout=timeout) as resp: # проверка кода состояния в urllib: .status доступен в Py3 status = getattr(resp, «status», None) if status is not None and status >= 400: raise error.HTTPError(url, status, «HTTP error», hdrs=None, fp=None) data_bytes = resp.read() # предполагаем utf-8 (обычно так) data_text = data_bytes.decode(«utf-8») except Exception as e: logging.error(«Ошибка при загрузке данных: %s», e) return False try: parsed = json.loads(data_text) except json.JSONDecodeError as e: logging.error(«Полученные данные не являются корректным JSON: %s», e) return False try: with open(filename, «w», encoding=»utf-8″) as f: json.dump(parsed, f, ensure_ascii=False, indent=2) logging.info(«Данные успешно сохранены в ‘%s'», filename) return True except OSError as e: logging.error(«Ошибка записи в файл ‘%s’: %s», filename, e) return False def analyze_data(filename: str) -> Tuple[int, int, int, List[int]]: logging.info(«Читаю данные из ‘%s’…», filename) try: with open(filename, «r», encoding=»utf-8″) as f: data = json.load(f) except FileNotFoundError: raise FileNotFoundError(f»Файл ‘{filename}’ не найден.») except json.JSONDecodeError as e: raise ValueError(f»Файл ‘{filename}’ содержит некорректный JSON: {e}») from e except OSError as e: raise OSError(f»Ошибка при чтении файла ‘{filename}’: {e}») from e if not isinstance(data, list): raise ValueError(«Ожидался JSON-массив задач (list).») total = len(data) completed = 0 not_completed = 0 completed_by_user: Dict[int, int] = {} for i, item in enumerate(data): if not isinstance(item, dict): logging.warning(«Запись %d не является объектом (пропускается).», i) continue user_id = item.get(«userId») is_completed = item.get(«completed») if not isinstance(user_id, int): logging.warning(«Запись %d: некорректный или отсутствующий userId (%r). Пропускаю.», i, user_id) continue if not isinstance(is_completed, bool): logging.warning(«Запись %d: поле ‘completed’ некорректно (%r). Пропускаю.», i, is_completed) continue if is_completed: completed += 1 completed_by_user[user_id] = completed_by_user.get(user_id, 0) + 1 else: not_completed += 1 if completed_by_user: max_completed = max(completed_by_user.values()) users_with_max = [uid for uid, cnt in completed_by_user.items() if cnt == max_completed] else: max_completed = 0 users_with_max = [] logging.info(«Анализ завершен.») return total, completed, not_completed, users_with_max def main() -> None: url = «https://jsonplaceholder.typicode.com/todos» filename = «todos.json» success = download_data(url, filename) if not success: logging.error(«Не удалось загрузить данные. Программа завершает работу.») sys.exit(1) time.sleep(0.1) try: total, completed, not_completed, users_with_max = analyze_data(filename) except Exception as e: logging.error(«Ошибка при анализе данных: %s», e) sys.exit(1) print() print(«Статистика по задачам:») print(f» Общее количество задач: {total}») print(f» Выполнено: {completed}») print(f» Не выполнено: {not_completed}») if users_with_max: # Если несколько users имеют одинаковое максимальное значение — покажем их всех users_str = «, «.join(str(u) for u in sorted(users_with_max)) print(f» Пользователь(и) с наибольшим числом выполненных задач: {users_str}») else: print(» Нет информации о выполненных задачах (нет корректных записей).») if __name__ == «__main__»: main()
Вывод:
Статистика по задачам.
Общее количество задач: 200.
Выполнено: 90.
Не выполнено: 110.
Пользователь(и) с наибольшим числом выполненных задач: 5, 10.
Вывод по Qwen3-Coder
По сравнению с Qwen3-Coder, версия ChatGPT выглядит более продуманной с точки зрения инженерной практики: есть логирование, контроль ошибок на всех этапах, fallback-механизм, а также строгие проверки типов. Тем не менее, Qwen генерирует код быстрее и компактнее — хорошо подходит для прототипирования, где важна скорость.
Заключение
После тестов трех новых моделей Qwen3 можно уверенно сказать: серия получилась зрелой и конкурентоспособной. По качеству генерации она уже не уступает топовым конкурентам, а по соотношению функциональности и доступности выглядит даже привлекательнее — пусть иногда качество генераций хромает.
Qwen3-MAX — флагман линейки с триллионом параметров и контекстом до миллиона токенов. В reasoning-задачах (AIME25, HMMT25) модель показывает 100% точность, выстраивает логичные рассуждения, но порой расходует ресурсы нерационально. Подходит для сложных вычислительных и научных задач, где требуется глубокое рассуждение.
Qwen3-VL — мультимодальная модель, которая справляется с генерацией кода по визуальным макетам. В тесте с лендингом она создала более точный HTML, чем ChatGPT, относительно корректно передала структуру интерфейса и элементы. Перспективное решение для UI-разработчиков, дизайнеров и фронтендеров, но пока не для сложных лендингов.
Qwen3-Coder — надежная модель для генерации и анализа кода. Сгенерированный скрипт оказался корректным, структурированным и чистым. В сравнении с ChatGPT код проще, но читается легче и не перегружен деталями. Подходит для прототипирования, учебных и рабочих задач, однако для продвинутых кейсов GPT по-прежнему лидирует.
Главное преимущество Qwen — в том, что все модели бесплатны и полностью доступны из России. На фоне частичных ограничений ChatGPT это становится весомым аргументом в пользу китайских решений.
Источник: habr.com
