Qwen заняла первое место с пересекающимися интервалами

2 сентября Qwen3.8-Max-0902 поднялась на первую строку общего зачёта Code Arena WebDev. На момент исходной новости модель набрала 1691 очко и опережала Claude Opus 5 Max на три пункта.

Проблема скрывается рядом с красивой цифрой: результат Qwen помечен как предварительный, голосов у неё в несколько раз меньше, а доверительные интервалы двух моделей сильно перекрываются. Пока готовился этот материал, количество голосов и отрыв успели измениться.

Разберёмся, что действительно произошло, как Code Arena строит рейтинг и достаточно ли первого места для смены рабочего инструмента. Собственного сравнительного теста я не проводил. Это разбор открытой методики, живой таблицы и документации Alibaba.

1. Первое место меняется на глазах

В исходном сообщении Arena у Qwen3.8-Max-0902 было 1691 очко и 1389 голосов. Claude Opus 5 Max шла следом с 1688 очками и 10 334 голосами. Отсюда появился заголовок про победу с перевесом в три пункта.

Через несколько минут таблица показывала уже такую пятёрку:

Отрыв вырос до четырёх очков из-за движения результата Claude. Один новый голос у Qwen почти не меняет её положение. Таблица пересчитывается по мере поступления сравнений.

У Alibaba есть ещё один повод считать обновление удачным. Предыдущая Qwen3.8-Max занимает четвёртую строку с 1669 очками. Новый снимок прибавил 22 пункта и вышел на первое место по точечной оценке. Это заметный сдвиг внутри одной линейки. Его точный размер тоже стоит читать вместе с интервалами и разным количеством голосов.

2. Что проверяет Code Arena

Обычный тест по программированию часто даёт модели функцию, набор тестов или задачу из репозитория. Code Arena WebDev устроена иначе. Пользователь описывает веб-приложение, две скрытые модели независимо собирают свои варианты, после чего человек запускает результаты и выбирает лучший.

В текущем агентном режиме модель может планировать работу, создавать и править файлы, выполнять команды и повторять ^[2] цикл. Площадка сохраняет действия и показывает готовое интерактивное приложение. При голосовании учитываются три группы свойств:

• функциональность, то есть выполнение поставленной задачи;

• удобство и понятность интерфейса;

• соответствие запросу, включая дизайн и поведение ^[3].

Результат хорошо отвечает на практический вопрос: чей готовый вариант пользователи чаще предпочитают в задачах веб-разработки. Он смешивает качество кода, работу с инструментами, внешний вид и субъективный вкус ^[4] голосующих.

Границы у такого измерения довольно чёткие. Первое место не подтверждает качество архитектуры большого проекта, отсутствие уязвимостей, удобство сопровождения через полгода или способность исправлять ошибки ^[5] в незнакомом репозитории. Для этих выводов нужны другие тесты и проверка кода человеком.

Зато Code Arena ближе к реальному прототипированию, чем набор изолированных алгоритмических задач. Модель должна довести запрос до работающего интерфейса, а пользователь видит результат целиком. Именно в этом сценарии Qwen сейчас выглядит очень сильно.

3. Почему четыре очка пока ничего не решают

Arena рассчитывает оценки с помощью модели Брэдли-Терри. Она берёт результаты попарных сравнений и оценивает относительную силу участников. Проще говоря, рейтинг отражает вероятность того, что один вариант предпочтут другому. Ничья считается как половина победы и половина поражения.

Одна точечная оценка не показывает, насколько устойчив результат. Поэтому Arena публикует доверительный интервал и диапазон возможного места. У Qwen интервал шире из-за молодой выборки:

• Qwen3.8-Max-0902: от 1672 до 1710;

• Claude Opus 5 Max: от 1679 до 1695.

  

Схема построена по цифрам Code Arena. Цветная точка показывает оценку, линия показывает опубликованный интервал.

Весь интервал Claude лежит внутри интервала Qwen. Разница между центральными оценками равна четырём пунктам, а погрешность у Qwen достигает 19 пунктов в каждую сторону. Поэтому диапазон места у обеих моделей совпадает: от первого до четвёртого.

Колонка места обязана расставить модели по порядку. Сейчас Qwen стоит первой, потому что 1691 больше 1687. Диапазон места передаёт менее броскую часть результата: доступных данных пока недостаточно, чтобы статистически отделить эти модели и ещё нескольких соседей.

Корректная формулировка на 2 сентября звучит так: Qwen3.8-Max-0902 занимает первое место по текущей точечной оценке. Заявление о подтверждённом превосходстве над Claude потребует более узкого интервала и устойчивого разрыва.

4. Что изменилось в Qwen3.8-Max-0902

Alibaba называет qwen3.8-max-0902 снимком основной Qwen3.8-Max. У него есть датированный псевдоним qwen3.8-max-2026-09-02. По заявлению разработчика, дополнительное обучение ^[6] было сосредоточено на программировании, длинных автономных задачах, работе с несколькими инструментами, офисных сценариях и визуальном понимании.

Практические параметры уже появились в официальной карточке:

• окно контекста: 1 млн токенов;

• максимальный вход: 991 тыс. токенов, в режиме рассуждения 983 тыс.;

• максимальный выход: 131 тыс. токенов;

• цена на китайской площадке: 12 юаней за миллион входных и 36 юаней за миллион выходных токенов;

• цена в таблице Arena: $2 и $6 соответственно.

  

После выхода исходной публикации документация обновилась. Теперь версия 0902 доступна, а минимальный вызов через совместимый с OpenAI интерфейс выглядит так:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

response = client.chat.completions.create(
    model="qwen3.8-max-0902",
    messages=[{"role": "user", "content": "Собери страницу отчёта на React"}],
    extra_body={"enable_thinking": True},
)

print(response.choices[0].message.content)

Этот фрагмент подтверждает доступность модели и формат обращения. Он ничего не говорит о качестве ответа без отдельного запуска и проверки результата.

5. Стоит ли менять модель в рабочем проекте

Qwen3.8-Max-0902 уже заслуживает места в коротком списке для фронтенд-прототипов. Текущий результат Code Arena показывает высокий шанс получить приложение, которое понравится пользователю при прямом сравнении. Цена по таблице Arena тоже выглядит привлекательно: выходные токены Qwen стоят примерно в четыре раза дешевле, чем у Claude Opus 5 Max.

Автоматическая миграция рабочего проекта из этой цифры не следует. У команд разные репозитории, правила, дизайн-системы и требования к качеству. Небольшой внутренний тест даст больше пользы, чем спор о соседних строках рейтинга.

Для такого теста достаточно взять от 10 до 20 настоящих задач и прогнать каждую модель несколько раз с одинаковыми условиями. Затем проверить:

• выполнились ли функции и сценарии из запроса;

• сколько попыток и ручных исправлений потребовалось;

• читается ли код и проходит ли проверку проекта;

• сколько заняли генерация, проверка и доработка;

• какова полная стоимость законченной задачи.

Разработчикам быстрых прототипов Qwen можно пробовать уже сейчас. Командам с крупной существующей кодовой базой лучше дождаться собственных результатов и более зрелой статистики Arena.

Факт первого места останется фактом текущего снимка. Главный результат шире: Qwen подошла к Claude вплотную в человеческом сравнении готовых веб-приложений и предлагает заметно меньшую цену. Вопрос о победителе решат новые голоса и одинаковые испытания на реальных проектах.