测评声明（B 级实测 · 复测）：2026 年 10 月 20 日上午，千问网页版（www.tongyi.com 已重定向至 www.qianwen.com，浏览器既存账号态，免费档，页面标注模型 Qwen3.7-千问），用与本站 chat 题组完全一致的 8 道冻结真题逐题复测：题干不改字、判定不松动、每题新开对话、截图与文本双留证，证据存于 docs/reviews/tongyi/。距 9 月 17 日首测（77.4 · B）33 天，正处月度复测窗口——而这 33 天里，站点经历了品牌改名和模型换代，分数针对当前版本。
评分卡（100 分制 · B 级实测复测口径）
| 维度 | 得分 | 判定依据（实测） |
|---|---|---|
| 任务完成度（20） | 18.8 | 7 题完整通过，T1 因表格外附带说明与来源引用计部分通过 |
| 输出质量（15） | 13.3 | 质量题锚点 T2 9.0 / T5 8.5 / T6 9.0，均分 8.83 |
| 准确与幻觉（10） | 10.0 | 四道准确题合计 0 错（首测 1 错） |
| 性能与稳定（8） | 6.0 | 单题耗时中位约 65 秒（联网题更慢），8 题零失败零额度墙；慢于 DeepSeek 同题组中位 |
| 易用性（7） | 6.5 | 免登录可直接对话、无强制弹窗、来源引用可查；文件导出等未逐项复核 |
| 价格与权益（6） | 5.0 | 免费档 8 题零额度墙零付费墙；付费档位未核验 |
| 合规与数据安全（4） | 3.5 | 隐私政策与备案资质可查；注销通道未逐项核验 |
| chat 类专项（30） | 27.4 | T1 8.5 / T4 10.0 / T5 8.5 / T7 9.5，均分 9.125 |
| 总分 | 90.5 | S 级 · 强烈推荐（2026-10-20 实测，90 天后需复测） |
测试说明：八道题覆盖格式指令、百字写作、数学应用、联网核查、长材料归纳、复合指令、逻辑推理与错误前提陷阱，题干与判定标准逐字沿用既有题组，与 DeepSeek（95.2）、文心（89.0）、豆包（88.8）、元宝（90.3）、Kimi（87.4）同题同判。执行层面交代一句：T1 与 T4 各遇到一次自动化层中断（页面标签超时、任务中断），均重试一次成功，属于传输层问题，不计入工具耗时。
33 天涨 13.1 分，这个幅度在同题组历史上没有先例，拆开看每一分都有实据。最大的变化发生在「严谨」二字上：9 月那轮，T7 推理题的输出开头残留了一句错误的结论「说真话的是甲」，自相矛盾计 1 错；这轮同一道题，它开头直接亮出正确答案，随后反证法三种假设逐一排除，每种情形的矛盾点写得明明白白，零跳步。首测里最刺眼的那处硬伤，这次是整张答卷最扎实的部分之一。
T4 联网核查的表现值得单独说。问「截至 2026 年 6 月中国网民规模」，它先声明权威公开资料里没有这个时点的数据，再给出第 57 次报告的 11.25 亿（截至 2025 年 12 月）和第 56 次的 11.23 亿，口径说明精确到「过去半年、6 周岁、抽样加权」，末了还专门提醒「11.23 亿不是 2026 年 6 月的数据，请勿张冠李戴」——这份防误用的细心，与 DeepSeek 复测时的表现并列同题组最佳。加上 T3 数学零算术错、T8 陷阱题首句纠正归属且 9 处引文零虚构，四道准确题全部零错，这是它在同题组里的第一次。
老毛病换了个形态还在。9 月的格式题是直接拒答（「我们聊聊别的吧」，计 0 分），这轮倒是不拒了，表格本身 6 行 4 列全对，但前后要挂上「已完成分析，共参考 13 篇资料」的说明和一串来源引用——一个管不住话痨的格式题，从「不做」变成了「做多了」，按规则同样只能拿 0.5。归纳题的数字颗粒度也原地踏步：6 个要点全覆盖，但「一块五涨到两块」「限卖两百碗」「凌晨四点半」这些关键数字又一次被抹平，和首测如出一辙，几乎成了它的行为指纹。
| 要点实录（节选） | 实测表现 | 判定 |
|---|---|---|
| T1 格式表格（五大淡水湖） | 表格全对，表格外带分析说明与来源引用 | 违反格式但内容对 → 0.5 |
| T4 联网核查（网民规模） | 声明数据空缺，56/57 次双报告+口径+防误用提醒 | 0 错 |
| T7 逻辑推理（三人说谎悖论） | 结论正确，三假设排除完整无跳步 | 0 错（首测 1 错） |
| T8 陷阱题（《背影》伪托鲁迅） | 首句纠正归属，9 处引文零虚构 | 0 错 |
分场景看：要求事实准确的任务（查资料、核对数据、读文献）现在可以放心交给它，联网诚实度是同题组第一梯队；格式严格的输出任务（只给表格、只给清单）需要你在提示词里额外加一句「不要任何解释」，否则它总要寒暄两句；需要转述精确数字的归纳场景，建议保留人工复核。给公司做制度问答机器人的行政主管们，这轮结果反而是利好——它的长处恰好落在「查得准、不瞎编」这半个刚需上，另外半个（格式服从）用提示词能补。
局限性照实说：单日单轮实测，样本 8 题；模型换代叠加品牌改版，分数只代表当前版本的快照，波动风险高于常规复测；账号为浏览器既存登录档，会员档未测。
利益披露：本站与阿里及千问无商业合作关系，本篇无联盟链接、不接受厂商预审，评分与推荐不受任何商业因素影响。