ตามการติดตามของ 动察 Beating หน่วยงานประเมินผล Artificial Analysis ได้ทำการทดสอบ Qwen3.8 Max ใหม่ และปรับดัชนี Intelligence Index จาก 53 คะแนนขึ้นเป็น 56 คะแนน ก่อนหน้านี้อินเทอร์เฟซการทดสอบมีความผิดปกติเป็นช่วงๆ ครั้งนี้จึงเปลี่ยนมาใช้ API อย่างเป็นทางการของ Alibaba Cloud เพื่อทดสอบใหม่ ผลคะแนนใหม่เทียบเท่ากับ Claude Opus 4.8 แต่ยังต่ำกว่า Kimi K3 อยู่ 1 คะแนน
จุดที่ Qwen พัฒนาขึ้นอย่างชัดเจนที่สุดคืองานด้าน Agent คะแนน GDPval-AA ทำได้ 1739 แต้ม เกินกว่า Kimi K3 ที่ได้ 1685 และ GPT-5.6 Sol ที่ได้ 1730 โดยตามหลัง Claude Opus 5 เพียงเล็กน้อย การประเมินด้านการควบคุมอุปกรณ์ปลายทาง การให้เหตุผลเชิงวิทยาศาสตร์ และการเขียนโปรแกรมก็ปรับตัวสูงขึ้นโดยทั่วไป
แต่แลกมาด้วยการใช้ Token ที่มากขึ้น ราคา Token ต่อหน่วยของ Qwen3.8 Max ต่ำกว่ารุ่นก่อนหน้า แต่ต้นทุนเฉลี่ยในการทำงานประเมินผลแบบครบวงจรหนึ่งงาน กลับเพิ่มขึ้นจาก 0.53 ดอลลาร์สหรัฐเป็น 1.14 ดอลลาร์สหรัฐ สูงกว่า Kimi K3 ที่ 0.86 ดอลลาร์สหรัฐ สาเหตุหลักคือมันเรียกใช้รอบการทำงานในงาน Agent มากขึ้น และสร้างเนื้อหามากขึ้นด้วย
ความน่าเชื่อถือของความรู้ยังถดถอยลงอีก อัตราความแม่นยำของ AA-Omniscience แทบไม่เปลี่ยนแปลง แต่อัตราการหลอน (Hallucination) เพิ่มขึ้นจาก 23% ในรุ่นก่อนหน้าเป็น 40%
