Qwen3-Max-Thinking リリースノート

Qwenは、ハイパフォーマンスな複雑推論、事実知識、エージェント機能を実現するフラッグシップ推論モデル Qwen3-Max-Thinking を発表しました。モデルパラメータをスケールし、広範な強化学習を活用することで、19の確立されたベンチマークにおいて GPT-5.2-Thinking、Claude-Opus-4.5、Gemini 3 Pro などの業界トップモデルに匹敵する性能を達成しています。

技術的イノベーション

適応的ツール使用機能

Qwen3-Max-Thinking は適応的ツール使用を実装し、ユーザーが手動で選択することなく、組み込みの Search、Memory、Code Interpreter ツールを自律的に選択・呼び出すことができます。この機能は、ツール使用の初期ファインチューニングに続き、ルールベースとモデルベースのフィードバックを用いた多様なタスクでのトレーニングという集中した訓練プロセスを通じて開発されました。

  • Search and Memory: これらのツールは、幻覚を軽減し、リアルタイム情報へのアクセスとパーソナライズされた応答を提供するために使用されます。
  • Code Interpreter: これにより、モデルはコードスニペットを実行し、計算的推論を適用して複雑な問題を解決できます。

経験蓄積型テスト時スケーリング

推論時の推論性能を向上させるため、Qwen は「heavy mode」向けにマルチラウンドのテスト時スケーリング戦略を導入しました。冗長な推論につながりがちな平行トラジェクトリ ($N$) を増やすのではなく、モデルは「経験取得」メカニズムを用いて反復的な自己反省を導きます。

このメカニズムは前ラウンドからの重要な洞察を抽出し、既知の結論を再度導くことを防ぎ、未解決の不確実性に焦点を当てます。このアプローチは、生のトラジェクトリを参照するよりも高いコンテキスト効率を提供します。

Qwenによれば、この戦略は同等のトークン消費で標準的な平行サンプリングと集約を一貫して上回ります。観測された性能向上は以下の通りです：

ベンチマーク ベースライン $\rightarrow$ スケール後性能
GPQA 90.3 $\rightarrow$ 92.8
HLE 34.1 $\rightarrow$ 36.5
LiveCodeBench v6 88.0 $\rightarrow$ 91.4
IMO-AnswerBench 89.5 $\rightarrow$ 91.5
HLE (w/ tools) 55.8 $\rightarrow$ 58.3

パフォーマンスベンチマーク

Qwen3-Max-Thinking は、いくつかの重要な領域で競争力のあるパフォーマンスを示しています：

知識とSTEM

  • MMLU-Pro: 85.7
  • MMLU-Redux: 92.8
  • C-Eval: 93.7
  • GPQA: 87.4
  • HLE: 30.2

推論とエージェントコーディング

  • LiveCodeBench v6: 85.9
  • HMMT Feb 25: 98.0
  • HMMT Nov 25: 94.7
  • IMOAnswerBench: 83.9
  • SWE Verified: 75.3

指示遵守とアラインメント

  • Arena-Hard v2: 90.2 (evaluated by GPT-4.1)
  • IFBench: 70.9
  • MultiChallenge: 63.3

ツール使用とプランニング

  • Tau² Bench: 82.1
  • BFCL-V4: 67.7
  • Deep Planning: 28.7
  • HLE (w/ tools): 49.8

利用可能性と統合

Qwen3-Max-Thinking は Qwen Chat (chat.qwen.ai) および API (モデル名: qwen3-max-2026-01-23) で利用可能です。API は OpenAI 互換で、推論機能を有効化するために extra_body フィールドの enable_thinking パラメータをサポートしています。

さらに、モデルは Anthropic API プロトコルと互換性があり、ANTHROPIC_BASE_URL を https://dashscope.aliyuncs.com/apps/anthropic に設定することで Claude Code と併用できます。

Sources