Qwen3.8-Max 领先 4 分，误差却有 19 分

1691，1687，1674。

这是 Code Arena WebDev 当前榜单前三名的分数。Qwen3.8-Max-0902 暂居第一，Claude Opus 5 Max 第二，Kimi K3 Max 第三。

千问赢了 4 分。

然后榜单在 Qwen 的 1691 后面，又放了一个很容易被截图裁掉的数字，正负 19 分，状态还是 Preliminary，也就是初步结果。Claude Opus 5 Max 是正负 8 分，Kimi K3 Max 是正负 11 分。

好家伙，领先 4 分，自己的误差半径却有 19 分。

所以今天最热闹的「千问登顶」当然是真的，最容易被误读的也正是这四个字。当前排名第一，不等于已经证明它在统计上稳定胜过 Opus，更不等于你的仓库、你的工具链、你的线上故障也该把第一名交给它。

图，当前 4 分领先明显小于 Qwen 的正负 19 分误差半径，榜单数值仍会随投票变化

这不是给 Qwen 泼冷水。

Qwen3.8-Max-0902 确实是一轮值得看的更新。官方模型页称它针对工程级项目、长周期自主开发、多工具编排和端到端交付继续加强，保留 100 万 Token 上下文，还支持函数调用、结构化输出、缓存、批处理和网页搜索。

在一个会让模型自己规划、写文件、执行命令、反复修订的前端榜单里冲到第一，至少说明它不是只会补全几行代码。它能把一个需求一路推到可交互网页，结果还能赢到更多真人投票，这个信号有价值。

有点子牛逼。

可信号和结论不是一回事。

Arena 对 Code Arena 的说明写得很清楚，WebDev 的评价核心是功能、可用性和还原度。用户给出需求，两套模型在匿名条件下生成可运行应用，人再判断哪一个更好。榜单用大规模成对比较聚合出分数，并公开置信区间和波动。

这种评测比只考一个函数的静态题更接近真实使用。网页能不能打开，按钮能不能点，布局是不是像需求，普通人都能直接看见。它还允许模型使用创建文件、编辑文件和运行命令等工具，不再是把一段代码扔进答案框就收工。

但它依然只照亮了真实开发的一部分。

WebDev 里的真人偏好很重要，也天然会奖励几秒钟内能被看见的东西。页面漂不漂亮，交互顺不顺，需求有没有被直观兑现，这些信号很强。数据库迁移能不能回滚，权限边界会不会漏，十天后的改动是否还守得住原来的约束，评审时能不能解释那段诡异 diff，这些信号弱得多。

Arena 后来专门拆出七类前端任务，包括品牌营销、参考设计、数据分析、消费产品、游戏、模拟和内容创作。官方自己也在提醒大家，一个总榜会遮住模型在不同任务上的差异。

你如果每天做落地页和数据看板，这张榜很有参考价值。你如果维护支付服务、数据库内核或者一坨有八年历史的 Java 单体，直接拿它当采购结论，多少有点勇。

我自己的判断是，今天 Qwen 更确定的优势，不是那 4 分，而是价格。

官方给出的标准输入价格是每 100 万 Token 2 美元，输出是 6 美元，隐式缓存输入 0.25 美元，显式缓存读取 0.17 美元。Qwen 与 Arena 对外使用的混合口径是每 100 万 Token 5 美元，并称它处在价格与得分的 Pareto 前沿。

Pareto 前沿不是什么神秘黑话。把价格放在横轴、效果放在纵轴，如果某个模型又贵又差，它会被别的点完全盖住。留在边界上的模型，要么同价更强，要么同等效果更便宜。

图，QwenCloud 官方价格，单位为美元每 100 万 Token，缓存读取与标准输入不是同一计费项

这个位置比一张金牌更能改变工程决策。

因为 Agent 不是只请求一次。它会读系统提示词、仓库说明、工具定义和历史上下文，调用失败再重试，改完文件跑测试，测试挂了继续读日志。单次看只差几美元，乘上几十轮和每天几千个任务，财务同事很快就不想跟你 lunch 了。

不过 5 美元也别直接抄进预算表。混合价是榜单统一比较用的口径，你的输入输出比例可能完全不同。

假设一个明确标为假设的任务，模型读入 80 万 Token，输出 12 万 Token，不考虑缓存和工具侧费用。按 QwenCloud 的标准价，输入约 1.6 美元，输出约 0.72 美元，合计 2.32 美元。换成一个大量生成代码、输出更长的任务，账单结构马上会变。

再加上缓存，事情更复杂。共享系统提示词、仓库索引和固定工具说明如果能稳定命中缓存，0.17 或 0.25 美元这一档会很香。每次请求前缀都被时间戳、随机 ID 或动态注入打散，缓存价格只是官网上一行漂亮数字。

这块需要注意一下。Qwen 的缓存文档讲的是共享前缀复用。想吃到优惠，前缀本身得稳定。把稳定规则放前面，把每轮变化的任务状态放后面，既是上下文设计，也是成本设计。

那团队要不要换？

别用「第一名所以全量切」回答，也别用「误差重叠所以没价值」回答。更稳的办法，是先把自己最常见的工作切成三桶。

第一桶是视觉与产品任务，落地页、后台看板、组件复刻、交互原型。这些跟 Code Arena 的测量对象接近，可以给 Qwen 更高的先验权重。直接拿 30 到 50 个真实需求做匿名对照，别让评审提前知道模型名。

第二桶是仓库工程任务，修回归、跨文件重构、升级依赖、补测试。这里要补上榜单没覆盖好的验收。最终测试通过只是起点，还要看有没有改坏无关文件、是否遵守仓库约定、重试了几轮、有没有留下无法解释的大 diff。

第三桶是高代价任务，权限、支付、数据迁移、基础设施。别让任何单一排行榜替你签字。模型可以先做方案和草稿，合并与执行仍走现有审查、回滚和人工批准。

每个任务至少记六样东西，是否完成、人工接管次数、总 Token、墙钟时间、工具失败次数、最终 diff 大小。再加一个很朴素的指标，每完成一个可接受任务到底花多少钱。

同一个任务也别只跑一次。模型输出有随机性，工具状态也会波动。三次都能独立做完，和第一次碰巧过测试、后两次开始改配置文件，完全不是一回事。样本量不用一上来做成论文，先保证关键任务每个模型至少重复三轮，再看中位成本和最差结果。平均数很好看，线上事故通常躲在尾巴里。

别只算每百万 Token 单价。

便宜模型如果为了同一个 bug 重试八轮，最后还得人接管，它不便宜。贵模型一次做对，反而可能省。模型选择真正该优化的是每个成功任务的总成本，而不是价目表上最小的那个数字。

这时候 Qwen 的函数调用和 100 万上下文才有机会兑现。上下文够大，能放更多仓库材料，不代表应该把整个仓库一股脑塞进去。工具调用更强，也不代表可以一次给它生产数据库写权限。

上下文是预算，工具是权限，排行榜是先验。

一个都不是最终答案。

更实际的上线方式，是先把 Qwen 放进影子流量。它接收跟现网模型相同的任务，但不直接提交结果。连续跑几天，把两边的完成率、成本、延迟和人工接管放在一起看。视觉任务明显占优，就先切视觉任务。长仓库任务不稳，就继续留在原模型。

甚至没必要押一个总冠军。

前端生成走 Qwen3.8-Max-0902，复杂规划走另一套模型，简单修改交给更便宜的模型，高风险动作最后过确定性检查器。路由多一点配置，却比每次榜单换位就全公司迁移省心得多。

厉害了，排行榜本来想替你减少选择，看到最后反而提醒你要把选择做得更细。

坦率讲，我很喜欢 Qwen 这次把价格一起摆到前台。模型榜单已经挤到肉眼难分的区间，今天领先 4 分，下一批投票可能就换位。继续拿第一名当唯一故事，热闹有了，工程信息越来越少。

5 美元混合价不一样。它逼着其他模型回答一个更具体的问题，你多出来的那几分，到底值多少钱。

Qwen3.8-Max-0902 现在是 Code Arena WebDev 第一名，这句话可以放心写。后面最好补上另外半句，它还是初步排名，误差区间重叠，WebDev 也不是你的完整生产环境。

真准备换模型的话，今天就从自己的 30 个任务开始。匿名对照，保留日志，按成功任务算总账，再决定切哪一桶流量。

榜首会变。

账单和事故，最后都留在自己的系统里。