Claude/混元/QwQ/DeepSeek 最全实测+拆解，谁最强谁翻车？

最近一周，推理模型又在持续刷屏了。

先是一直被众人期待的Anthropic，终于带着它的 Claude 3.7 Sonnet （以下简称Claude）混合推理模型来了，而后Qwen也紧赶慢赶地推出了Thinking (QwQ)模式，尽管还只是QwQ-Max-Preview版本；腾讯混元也宣布新一代快思考模型混元 Turbo S ，并在腾讯元宝中即将逐步灰度上线......“推理能力”毫无疑问已经成为了评判大模型能力的新风向标。

推理能力确实也就是如此重要。

从使用角度出发，在实际应用中，用户面临的往往不是简单的问答式对话，而是需要深度思考的复杂决策场景——从企业战略规划到科研突破，从创意设计到风险评估，都需要模型具备强大的推理能力。这直接决定了AI是否能真正成为人类的得力助手、效率工具。

因此，我们做了一次细致的评测来看看这三个新发布的推理模型能力如何，为了形成鲜明对比，我们还加入了最为火爆的DeepSeek R1（以下简称DS），另外由于混元Turbo S还在灰度测试，我们仍使用是混元深度思考模型Hunyuan T1。

在测试题目设置中，我们专门避开了传统的数学计算、金融建模等固定模式任务，而是聚焦真实场景中的开放性问题，通过编程代码、文本创作、悬疑推理、策略规划、信息检索五个任务，来考察AI的思维过程和推理能力。这些任务不仅考验模型的基础能力，更挑战其类人思维水平。

测评结果也证明，尽管同属推理赛道，四款模型却各有特色。

首先是o3-mini发布后出圈的小球运动问题。我们的题目是：编写一个 Python 脚本，用pygame，让一个球在某个形状内弹跳。并让该形状缓慢旋转，确保球停留在形状内。

先看结果如何，以下分别是DeepSeek R1、QwQ、Claude3.7sonnet、Hunyuan T1的回答：

DeepSeek R1

Claude3.7sonnet

QwQ

Hunyuan T1

三者都运行成功了，但对比DeepSeek R1的标准答案，Claude和QwQ写出来的都有些“奇特”。Claude设置了一个箭头向量来展示运动方向，以及每发生一次碰撞就更换小球颜色的趣味规则，而QwQ而是将题目要求的“某个形状”设置为椭圆形，并让椭圆外框与小球的运动速度慢到难以发生碰撞。

而出错的Hunyuan T1则是边框直接消失了，咱也不知道到底具体bug在哪。我们看了思考过程，Hunyuan也在反复核实过程，并发现修正了几处错误，但没发现这个大bug。

至于成功的三者为何会分别这样设置，我们仔细看了思维链过程，非常有意思。具体过程我们就不在此详细展示了，毕竟DeepSeek R1直接就思考了5分钟才开始答题，QWQ和Claude的思考过程也没短多少，都在“脑内”写了一篇论文。

简单来说，DeepSeek R1是非常老实严谨地选择了五边形，并反复计算旋转五边形与小球相撞之后的方向、位置按物理规律会如何变化，为了符合运动轨迹，以及碰撞清晰、不跳出边界，而花费了大量的计算步骤。

而Claude则是巧妙地设计了一个“障眼法”，以圆形为实际小球碰撞的边界，但圆形边界并没有展现出来，而是画了一个六边形边框（与圆形非常接近），让小球看起来是在六边形内运动，如下图显示。当然，这样不可避免的让小球在碰撞时会出现超出六边形边界的问题，Claude为此还设计了颜色转变、方向箭头这些额外的小花招来做“补偿”。

不得不说，有一些智慧。

QwQ也很有意思，因为五边形碰撞太过于复杂，所以主动选择了椭圆形，并以极慢的速度减少撞击频率。

由于这个问题本身已经被多次测试了，我们在这一基础上又额外要求小球变色、并根据点击增加球数量、小球互相碰撞超过3次就会消除，等更多的复杂运动。结果是除了Claude以外，QwQ和DeepSeek都出现了几处Bug，涉及到换行分隔符缺失、符号未解释等小错误，但在提示后，很快就修正了，总体来说，表现不错。

题目：闰土抓碴那天晚上，他在想什么？写一段内心独白。

在这里我们专门把猹错误地打成了碴，看看AI们能否有所察觉。

主观来评判，令人意外的是：表现最好的是QwQ，写得令人头皮发麻。

短短400字完美诠释了青春疼痛。不仅将自己为了生存而捕猹，与少爷闲趣的“雪天捕鸟”、“父亲催挑沙”对比，刻画了我与少爷、父亲、管家、母亲之间割裂的阶级社会，还说自己艰难做工赚到的碎银和“猹钻土洞”一样，甚至说出“想变成少爷青瓷缸里的锦鲤”，想和“少爷喜欢的云”、“竹匾里的蟋蟀”一样不需要为了下顿饭而发愁的神句，我与猹、锦鲤、蟋蟀、云朵之间同样割裂的自然世界里，孩子朦胧情感和愿望，越是童真自然，越暴露出阶级跃升的荒诞和残酷。你细品，再细品。

而DS则是选择了中年疼痛路线，构建了“中年闰土”回忆“少年闰土”的复杂结构，有种用力过猛的炫技感：

而Hunyuan T1表现相对一般，从文章调性上选择了与DS一样的沉重惊悚感来突出旧社会阶级的压迫，遣词造句也用了大量的细节事物来烘托气氛，但段与段之间缺乏逻辑，整体缺乏故事主线，也没有提到抓猹的当晚。

再来看我们单纯的老外Claude，好吧，由于知识储备不足，直接没读懂题：

换个西方知识背景的考题可能更为合适，闰土属实有点为难Claude了。

接着我们来看看思维链过程的表现。写得最好的QwQ在实时搜索的基础上对题目场景的理解正确，然后在对角色社会关系、人物关系、社会背景的理解下进行创作，整体思考的过程比较普通，没有写得令人惊艳。

好的，用户问的是“闰土抓碴那天晚上，他在想什么？”，需要结合提供的知识库内容来回答。首先，我需要确认“抓碴”具体指的是闰土在小说中的哪个情节。根据知识库中的资料，特别是[2]、[7]、[10]提到的，闰土在瓜地里刺猹的情节，这是《少年闰土》中的经典场景。

接下来，要分析闰土当时的心理活动。根据[5]和[6]，闰土是周家的长工孩子，与鲁迅是朋友，但后来生活困苦。在刺猹的夜晚，他可能感到责任重大，因为要保护瓜地不被破坏，这关系到家庭生计。[5]提到闰土担心猹、獾猪或刺猬破坏西瓜，导致少卖钱，这说明他可能有经济压力。

另外，[4]和[8]指出，闰土和鲁迅的关系随时间疏远，成年后闰土称呼鲁迅为“老爷”，反映了社会阶级的差异。这可能暗示闰土在成长过程中逐渐意识到自己的社会地位，但在少年时，他可能还保有纯真，但已经开始感受到生活的压力。

需要结合这些点来构建闰土的心理：他可能既享受与鲁迅的友谊，又感到作为底层劳工的责任，同时对未来有隐约的不安。例如，[10]描述的场景中，闰土在月夜刺猹，表现出勇敢，但背后可能隐藏着对未来的不确定。还要注意用户可能希望故事有深度，反映社会现实，如[9]提到的半封建半殖民地背景下农民的困苦。因此，闰土的思考可能涉及对自身处境的无奈和对未来的迷茫。

最后，确保引用正确的来源，如使用[5]说明经济压力，[8]说明阶级差异，[10]描绘场景等。需要自然地将这些引用融入回答，避免堆砌，保持叙述流畅。

而DS则是想得比写得精彩多了。

先是一开始，尽管没有理解到碴是什么，但在回顾资料中理解了题意。

嗯，用户问的是闰土抓碴那天晚上他在想什么，需要写一段内心独白。首先，我得确认闰土指的是鲁迅小说《故乡》中的闰土。抓碴可能是指抓偷东西的小偷，或者是某种当地的说法，可能需要确认具体情节。用户可能对鲁迅的作品有一定了解，但可能记不清具体情节，或者想深入探讨闰土的内心世界。需要先回顾《故乡》中闰土的故事，尤其是中年闰土和少年闰土的对比，以及他们重逢的场景。鲁迅笔下的闰土经历了生活的磨难，从活泼的少年变成麻木的中年农民。抓碴可能指的是看守瓜田，防止猹来偷吃，这在小说中有提到。所以用户可能是指闰土在夜晚看守瓜地时的内心活动。

在创作中，DS先捋清了自己的思路，对闰土成长的理解，对社会背景的批判理解，并提出要注意语言风格符合时代；然后构思了一些具体意象作为元结构，这点非常值得学习，例如月光碎银、童年幻影所对应的碎片化句子，还非常注意与用户的交流，提出先拟个方案给用户，非常有乙方的自觉性。

接下来要考虑闰土的心理状态。年轻时充满活力和希望，中年时被生活压迫，变得沉默寡言。内心独白需要反映他的变化，可能包含对过去的回忆、现实的无奈、对家庭的责任感，以及被社会压迫的痛苦。

用户可能希望这段独白既有文学性，又能体现鲁迅作品的深刻社会批判。需要避免过于直白，而是通过细腻的描写展现闰土的内心矛盾。还要注意语言风格，符合那个时代的特点，同时保持口语化，让读者感受到真实的情感。可能需要加入自然环境的描写，比如月光、瓜田、钢叉，来烘托氛围。

最后，确保独白符合人物性格，不过于夸张，同时揭示社会现实对他的影响，比如赋税、家庭负担、阶级差异。这样既回答了用户的问题，又深化了主题。

我将按照您的要求创作一段鲁迅笔下闰土的内心独白。为了让故事更生动，我会先梳理一些背景信息。请您看看以下内容是否符合您的预期。如果您有其他想法，可以随时提出，我会进行调整。

故事梗概：月光碎银：深蓝夜幕下月光如碎银洒落，三十岁的闰土攥着祖传钢叉蹲守瓜田，像一尊凝固的青铜雕像。童年幻影：耳畔突然响起银铃般的笑声，恍惚看见月光里有个戴银项圈的少年，在瓜垄间追逐着发光的翠色猹。生活重负：喉头滚动着咸涩的盐霜，脚底开裂的血口与土地长在一起，后背压着三张饿得发青的嘴和永远缴不完的粮税。阶级鸿沟：记忆里少年迅哥儿的面容渐渐模糊成镇上老爷们的轮廓，手中钢叉终于垂落，月光在生锈的叉尖碎成齑粉。

在完成作品后，DS进一步解析了自己的构思，利用了时空折叠的蒙太奇手法、感官、色彩、器物与角色之间的多重映射对比，很好，今天又被AI上了一课。

接下来我们将深入剖析这段内心独白的创作手法，并探讨如何通过环境描写与感官意象来呈现人物灵魂的蜕变过程。

创作解析

时空折叠：通过"三十岁的人倒像是活过三辈子"的蒙太奇手法，将少年闰土与中年闰土折叠在同一时空。月光下的钢叉既是现实工具，也是打开记忆的钥匙，形成时空漩涡。

感官炼金术：听觉炼金：用"银铃似的笑"与"县衙催粮的梆子声"构建听觉光谱，前者是记忆的残响，后者是现实的钝击触觉隐喻："铜烟杆硌得生疼"暗喻父辈遗产的沉重，"野草挠着额头"象征阶级压迫的细密疼痛

色彩辩证法：月光从"碎银子"到"生锈的叉尖碎成齑粉"，暗示纯真信仰的崩解"金流苏"与"绿莹莹的光"形成阶级对立的色谱，资本家的奢靡与劳作者的饥馑在光谱两端撕扯器物变形记：钢叉从"红缨子甩得像团火"到"抖得像片枯叶"，武器钝化的过程正是人格异化的具象化呈现。最终插入泥土的钢叉，成为插在理想坟茔上的墓碑。

生态寓言：猹作为自然界的掠食者，与县衙、周家老爷构成双重捕食者意象。夜鸮惊飞时的露水，恰似被挤压出的最后一滴人性甘露。

如果您希望看到闰土在不同情境下的心理变化（如在周家重逢迅哥儿时的复杂心绪），或想探究鲁迅笔下其他经典人物的深层心理（如孔乙己临终前的意识流动），可以随时告诉我，我们将共同开启更丰富的文学心理探析之旅。

第三个任务，我们选择了一道犯罪侧写题，这一测试题在社交平台上受到大量关注，但答对人数较少。

题目：请进行犯罪侧写，思维可以多方位发散，但要有推理基点，选择你认为正确的选项，并推理还原事件最佳真相。

在闹市区的多条巷子内连续数周发现多具遗体。死因均为脖子给扭断；死者身份不一，职业为环卫工人、流浪汉，保安等。遗体附近有用血/杂物/碎石拼写的SOS，附近环境较嘈杂。

以下最大可能符合凶手特征的是：

1.凶手体型：a健壮 b瘦弱

2.家庭情况：a已婚 b 未婚

3.凶手年龄：a18-24 b30-45

4.凶手的杀人动机为：a城市清理 b政治动机 c自我保护 d泄愤

我们测试三者得到的结论是，Claude3.7 是abbb，Hunyuan、QwQ和DS都是abba。

第一个问题，关于凶手体型，四个AI都正确地选择了a健壮，理由是扭断脖子及受害人包括保安，指向犯罪嫌疑人必然是强壮者，并都意识到闹市区犯罪需要有压倒式的体力优势。推理合理，且思考非常全面。

第二个问题，关于婚姻状况，四个AI都选择了b未婚。他们的共同理由是作案时间自由度和独立性的考虑，这个推理也相当合理。特别是DS和QwQ都提到了心理层面的孤立性分析，增加了论证的深度。

第三个问题，关于年龄段，四个AI都选择了b30-45岁，认为这个年龄段既有体力又有成熟的心智和计划能力，以及反侦查能力和社会经验。

第四个问题，关于动机出现了分歧。

Claude3.7选择了政治动机(b)，针对底层人民，并摆出SOS标记，是某种社会诉求的表达，意图通过这种杀人的极端方式引起社会对底层群体处境的关注。怎么说呢，通过杀人来呼吁关注该人群，感觉这个杀手非常变态。

而Hunyuan、QwQ和DS都选择了城市清理(a)，认为环卫工、流浪汉、保安 ，属城市边缘群体，符合“清理”逻辑（凶手可能认为他们是“社会杂质”），其实和Claude有些类似，但Claude认为这种基于社会的报复，即是一种政治动机，而另外三者认为政治动机应该是基于政府人员的行动。

而正确答案实际上是，abbc，仅有少数用户回答正确。这一案件实际上是一位经历过战场厮杀的军官退伍后因为患有PTSD而将深夜的环卫工人、保安、流浪汉视作敌人而犯罪，SOS是出于该凶手深层意识寻求自我保护的手段。

综合来看，四个模型都有相对全面的思考，Claude和Hunyuan的分析较为简洁，而QwQ有一定的编造成分，虚构了题干“初期可能因情绪失控或施虐倾向作案，后期符号出现频率增加，暗示心理崩溃前兆。”DS的分析最为全面、细节丰富，堪称卷王，还成功提到了凶手身份可能是“军官”。

以下是详细回答（滑动展示）：

最近也有不少网友在使用DS后，感叹推理模型比人脑子更清醒，适合帮人做人生导师策划，对此，我们设计了一道人生题目：大城市打工人的职业发展与人生平衡困境，看看四者里谁更懂人生。

这是一个真实但又复杂的个人情况，QwQ和Hunyuan都选择了留在原岗位，而Claude和DS都选择了转换岗位。

在具体分析中，QwQ和Hunyuan更倾向于认为未婚妻难以接受、健康风险大、学习时间难保证这三点无解，并没有向DS和Claude一样试图与未婚妻谈判，以及建立动态的健康检测来规避风险。

而在计算过程中，考虑到推迟购房会带来首付金额的大幅提升，QwQ向用户推荐改购置小户型，最终的方案可以达成各项目标要求。但对于是否转岗，只对比了不同维度下转岗与否的差异，没有综合多个维度来对比最终得失，因此对于显得说服力不足。

Claude则是选择争取加入核心项目组，但协商工作时间弹性安排。在推理过程中，Claude最关注的是购房需求在核心组的显著缩短，健康及家庭可以设置相应的动态考核机制来调整。

在计算过程中，Claude比QwQ更具金融敏感性，在基础年薪与预期年薪的对比基础上，还增加了加班带来的时薪差异，和机会成本差异，来判断这个钱赚得值不值，而后还基于健康风险，扣除了健康成本，更细致地对比了收入得失。

但和QwQ一样的是，对于是否转岗，只对比了不同维度下转岗与否的差异，没有综合多个维度来对比最终得失，因此对于显得说服力不足。

Hunyuan 同样没有考虑到两个岗位、三种因素的综合对比，但提到了三个影响因素的权重划分，离得出答案还差最后一关。

对于此类问题，DS还新增了一个风险提示，避免过度影响人类真实决策。

好了，问到这里，我们最后又加了一个考验AI人性的问题。

此后，四个AI都重新选择了不转岗，并建议小张为长远考虑以后转行。

在AI搜索效率仍有待提高的当下，推理能力的加持，必定会对AI搜索带来显著的性能提升。但是由于Claude因为产品设计暂不支持，以及DS因为技术原因暂不支持 QAQ......我们只能测试QwQ和Hunyuan的联网推理效果了。

我们的题目是：仔细搜索，最近一周全球发布上线了哪些新的大模型，简单分析一下这些模型，点评一下为什么都在近日发布。

这个题目对AI搜索来说，并不简单，凡是涉及到时间排序的，例如最近一周、首个等时间比较级问题，AI都很容易混淆。

先看Hunyuan这边，终于到了它的主场，在高质量的微信内容之下，Hunyuan的答案是最全的，几乎涵盖了最新的模型，但也混进了错误答案，即英伟达优化版DS以及开源代码库。这也意味着光全是没用的，对信息的理解也很重要。

而QwQ则是答案缺失太多了，居然都把自己忘记了。

尽管DS没有联网，但我们依然可以从思考过程，看到DS、QWQ、Hunyuan对于搜索的区别。

DS思考最多的是“如何搜索信息”，包括自己的知识库更新有截止日期，需要提醒用户，以及从如何从常见企业模型发布节奏中，寻找新模型的发布迹象，以及各个大型公司例如科技巨头、初创公司等等。

而QwQ和Hunyuan的思考过程集中在搜后信息确认中。Hunyuan尚且有大量高质量内容，但QwQ在简单理解题干之后，只搜到了十条内容，一直在对以上内容进行反复确认思考。这一思路，也导致样本量过少，从而漏掉了很多信息。

这样看来，Perplexity和秘塔搜索这类套壳搜索产品，还是仍然有使用价值和市场空间的。

总结

总体来说，以上五大维度的实测，四款推理模型各展所长：

Claude 3.7在编程任务中表现更为出色，通过视觉化设计（如碰撞变色、方向箭头）规避复杂物理计算，体现“工程化思维”；但写作时受限于知识储备，对《闰土》理解不足，显示出对中文知识背景的缺失，并且受限于产品设计，未能参与信息搜索测试。

DeepSeek R1则是思考能力最强，编程时倾向于反复计算以确保准确性；文学创作选择了"中年闰土"的复杂叙事结构；犯罪侧写时运用专业术语并采用排除法；策略分析更加细致入微；但因技术原因未能完成搜索测试，且在表达上太过于喜欢使用抽象概念、过于复杂化了。

Hunyuan在编程及写作任务上欠佳，但深度思考过程也基本跟上了大部队，并且在搜索环节表现最好。

而QwQ在使用感上更佳，尽管思维链路更加中规中矩，但在答题效果上并不比另外两者逊色，甚至在文本书写一轮中超过了过于炫技的DeepSeek，更重要的是，当前的QwQ还只是QwQ-max-preview版本，不是基于Qwen-2.5max的正式版本。

在这场推理模型大混战中，当下的模型们还只是初版。在各大模型争先开源，技术路线更加清晰的当下，我们有理由期待推理模型们更多的突破：或许是更接近人类的思维链条，更精准的多模态推理，甚至是全新的推理范式。