Qwen 3.8 比 3.7 会写小说吗？两本书 40 轮双盲：一场 11:1，一场 7:5

在 7 月的九模型横评里，Qwen 3.7 Max 领到的可能是全场最扎心的一句评语：「恒定的精修感官流：每轮都写原著从不写的气味描写，恒定及格、恒定不像」。 玄幻场排 4-5，宫斗古言场两个评审一致排第八。7 月 19 日，阿里在上海 WAIC 期间放出 Qwen3.8-Max-Preview：2.4T 参数，官方公告自称「second only to Fable 5」（仅次于 Fable 5），没附任何公开 benchmark 表。口号我们不接，考卷可以重发：48 小时内，让 3.8 和它的前代在同两本书上各连续续写 20 轮，成对双盲。

结果一半意外一半不意外。女频场 11 比 1，碾压级翻身；玄幻场 7 比 5，开局窗口打成 6 比 6，只赢一口气。

同一张考卷，只动了一个参数

协议照抄 K3 那轮增量实测，逐项一致：同两本书（890 万字的传统玄幻，加《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 21500 字的滚动窗口，温度 0.7，每轮产物拼回上下文再写下一轮，每链 20 轮。唯一动过的参数是 max_tokens，从 2800 抬到 6000：3.8 的思考关不掉，不抬上限，正文会被推理过程挤空。两代模型跑同一套参数，变量仍然只有模型。

为什么做成对增量而没重跑九模型全榜？全榜要以周计，preview 不等人。成对纵向对比恰好回答升级真正抛出的那一个问题：比它替掉的东西是强是弱。其余变量全部钉死，还能赶在发布窗口内、赶在这个托管端点还订得到的时候交卷。

评委还是那六个异构模型（claude-4.6-sonnet、gemini-3.1-pro-preview、gemini-3.5-flash、deepseek-v4-pro、qwen3.7-max、glm-5.2），每本书两套甲乙翻转映射，票取整体判定，个别评委 JSON 解析失败的票按无效剔除，两场各计 12 张有效票。一个细节：qwen3.7-max 自己坐在评委席上， 在女频场的两套映射里都把票投给了 3.8；玄幻场它投给了自己这一代。

两场票数：一场翻身，一场险胜

分窗的意思是把每条 20 轮的链切成前中后三段各自投票，开局惊艳、后段崩坏的链藏不住。女频场是这次升级的主戏：三个评审窗口全部一边倒，没有一段摇摆。对照它的前代在九模型宫斗榜上的位置（第八名，评语是「精修感官流在古言语境里比在玄幻里更违和」），3.8 把这本书从垫底区打进了能打的区间。玄幻场克制得多：开局平手，全场 7:5，方向是改善，幅度是一口气。

同周还有另一场对决，交代一句就走：与 7 月 16 日发布的 Kimi K3 成对双盲，3.8 两本书合计 3 比 20 惨败，K3 仍是当前续写强者，完整票据与评语在对决篇。本文只管 3.7 到 3.8 这条纵向线。

统计说 3.7 更像，评委说 3.8 更好

把结构指标摆出来，会得到一个和票箱打架的结论。与原著结构画像的综合距离（量的是产物离原著「形」有多远，只看结构不看内容，越小越贴）：玄幻场 3.7 是 0.244，3.8 是 0.442，差了近一倍；女频场 3.7 也略贴，0.321 对 0.385。按统计，更像原著的是 3.7；可盲评两场都判给 3.8，女频还是 11 比 1。

表里还藏着 3.8 的一个新体征：句长 CV 全场最平，分窗量在 0.217 到 0.406 之间，远低于两本书原著的 0.837 和 0.495。翻译一下，它的句子越写越匀，长短起伏被熨平了。句长均匀是我们量过的第一 AI 指纹，本该重扣分，评委的人味票却照样投它。统计与双盲方向分歧，这已经是记录在案的第三次：第一次是 3.7 在玄幻横评里统计几乎完美、盲评只拿 4-5 名；第二次是评审可靠性实验里评委高度一致却一致地错。统计当回归闸门、成对盲评当裁决，这个分工又一次被确认。顺带一行：对话率两本书都仍低于原著，升级没往这个方向动。

复读体检两代都干净：四条链相邻轮逐字重叠全部 0.0%，没有早年那种整段自我复制。3.8 的毛病要去评语里找。

评委点名了哪三类劣化？

先交代出处：下面的病历引语来自同批链的另一场对决（对 K3）的评委席——两场共用同两条 3.8 链，那组评委把毛病挑得更狠。 第一类，感官堆砌替代叙事推进。claude 评委给玄幻链的原话：「感官细节堆砌（盐壳碎裂/腥甜血气/枯叶焦土） 替代叙事推进」；qwen3.7-max 评委的版本是「文风持续偏离原著，偏向细腻微观的传统武侠/实体仙侠风」。对照前代：3.7 挨批的是感官词的词级复读（「嗤嗤/牙酸/黏腻」循环叠用、「唇角微勾」套话滑落），3.8 把词级复读修掉了，感官偏科本身还在。

第二类更伤，剧情死循环。gemini-3.5-flash 评委：「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」。女频场轻一些但同族，qwen3.7-max 评委：「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」。这属于三种长程失效模式里的「中途卡死」型：字面不重复，情节在绕圈。修掉词级复读、换来情节级复读，这笔交换正是玄幻场只赢一口气的主因。

第三类，现代文艺腔。女频链里被评委摘出来示众的原话是「把夜色熬成了毒」——摘它的是对上 K3 那组评委；有意思的是，在对前代 3.7 的这组里，同一句被两位评委引为「极具流潋紫神韵」的正面例证。搁在古言语境里它仍是现代腔比喻，这类小破绽后劲很长：随手翻翻能原谅，追了几百章的读者不会。

慢、贵，以及缓存全程未命中

3.8 思考恒开，reasoning token 占输出的 50% 到 90%，单轮 12 到 38 秒，比 3.7 的 21 到 29 秒波动更大：快时更快，慢时更慢。给个量级参照，上周的 K3 实测是每轮 37 到 54 秒，思考关不掉的模型在按钮前大抵就是这个等法。四条链 80 轮共消耗 1,227,401 个 input token 和 103,229 个 output token，缓存命中为零。连续续写是滚动窗口，每轮前缀都在变，这类负载天然吃不到前缀缓存的折扣；在阅读器里，比平均值更要命的是波动本身，12 秒的一轮按下去无感，38 秒的一轮就是干等。我们跑在 Token Plan Lite 订阅上（限时 39 元/月），preview 期 Credits 按 1 折消耗，全部实验没有耗尽当期额度。

这页结论能保鲜多久？

Preview 是移动目标。官方文档写明：qwen3.8-max-preview 预览期间会持续迭代，预览结束后下线或替换成正式版本。所以本页全部票数与指标只绑定 2026-07-21 的 hosted preview（Token Plan 的 OpenAI 兼容端点，模型 ID qwen3.8-max-preview 与 qwen3.7-max），正式版不承诺复现。官方同时预告正式版将开源，那是第二张考卷的日期：等它转正，我们复跑同一套 40 轮双盲，把结论更新进选型页，这一页顶部也会挂上新实测的导流条。

最后一条实操建议。preview 期间别急着把在读的书整本迁过去：拿你书里最新的一章，两代各续三段，打乱顺序盲读完再翻牌，几分钱就能换来只对你这本书负责的答案，通用流程在模型更新决策笔记里。局限也照实交代：每本书一条链、单一起笔点，样本就这么大。我们的票可以参考，替代不了你的翻牌。