跳到正文
Hacker News 熱門(buzzing.cc 中文翻譯)·· 4 天前精選AI 評分79

Qwen4-Max 發佈,具備 2.4T 參數架構及一百萬 token 上下文窗口

Qwen4-Max

AI 導讀

Qwen 團隊發佈 Qwen4-Max,採用 Qwen4 架構,具備 2.4T backbone parameters、原生視覺能力及一百萬 token 上下文窗口。

推薦理由

文章同時列出基準成績、任務成本變化及工業、專業和科研案例,方便讀者對照其長流程工作能力與實際應用範圍。

正文 · 繁體中文

Image 1: logo

Qwen

更多

EN

下載 試用 Qwen

Image 2

Qwen4-Max:你的新隊友來了

2026/11/16 · 16 分鐘 · 3115 字 · QwenTeam丨翻譯:簡體中文

Image 3: Qwen4-Max Cover Image QWEN STUDIODISCORD

今天,我們推出 Qwen4-Max,這位全新的 AI 隊友將協助你工作、創作和探索。Qwen4-Max 採用全新的 Qwen4 架構,以 2.4 萬億參數的主幹為基礎,具備原生視覺能力和一百萬 token 的上下文視窗。

Qwen4-Max 透過更熟練地運用專業工具、更強的長期任務執行能力,以及更高質素的交付成果,提升實際工作效率。它能處理各式各樣的創意及專業工作,涵蓋 3D 建模、遊戲開發、精密製造、金融、法律、醫療保健,以及前沿科學探索。作為一位 24/7 全天候 AI 隊友,Qwen4-Max 能掌握全局並推動項目向前發展,讓宏大的構想更接近實現,並為人與 AI 協作開拓新方式。

Image 4: Comprehensive Performance Comparison Across Coding, Work, and Long-Horizon Tasks.

全面比較模型在編程、工作及長期任務上的表現。Qwen4-Max 較 Qwen3.8-Max 大幅進步,在我們評估的幾乎所有能力上都有更強表現。評估詳情請參閱註腳。

Token 效率與成本。Qwen4-Max 使用較少 token,表現仍勝過 Qwen3.8-Max:在Work360中,Xhigh 和 High 模式的 token 用量分別減少約 24% 和 35%;在 Terminal-Bench 4.0 中,減幅則分別約為 48% 和 49%。與 Qwen3.8-Max 相比,我們亦下調了 API 價格,快取輸入的價格減幅尤其大。在我們的 Work360 評估中,每項任務的平均成本由 $4.43 降至 $1.67,減少了 62%。

Image 5: Token efficiency on Work360 and Terminal-Bench 4.0.

預訓練#

Qwen4-Max 採用全新的 Qwen4 系列架構,具備2.4T 主幹參數、每個 token 啟用 71B 參數,以及額外 328B 個 N-gram Embedding 參數。這個架構全面升級稀疏 MoE 模型的注意力機制、殘差連接及嵌入,提升計算效率、模型容量和訓練穩定性:

  • GDN + Qwen Sparse Attention (QSA):每個 QSA 層之前的三層 Gated DeltaNet,會將歷史資訊壓縮成固定大小的狀態。QSA 使用輕量級索引器,以微區塊粒度選取相關上下文,降低長序列的注意力計算和索引成本。
  • Gated Residual (GR):四條平行殘差分支透過動態讀取和寫入閘門,加強跨層資訊流動並提升訓練穩定性。
  • N-gram Embedding:以上下文為基礎的查找會在第二層提供局部 token 模式的表徵,以極少額外計算擴大模型容量。

Image 6: Qwen4-Max architecture with GDN and QSA layers, four Gated Residual branches, and N-gram Embedding.

Qwen4-Max 架構。

在 2.4T 參數規模下,訓練過程進展順利,loss 持續下降,而且整個訓練過程沒有出現 loss 突升。我們認為,這種穩定性主要源於模型架構及訓練最佳化方面的改進。

Image 7: Qwen4-Max pre-training loss decreases smoothly throughout the run.

Qwen4-Max 的預訓練過程平穩而穩定。

在我們對知識、程式碼、QA 及 STEM進行的內部評估中,Qwen4-Max-Base 在五個受評估 checkpoint 中取得最低的每位元組位元數(BPB)。它在所有領域的表現均勝過 Qwen3.8-Max-Base,BPB 約低 5–13%,啟用的參數亦少 25%。

Image 8: Qwen4-Max-Base achieves the lowest BPB across Knowledge, Code, QA, and STEM among five evaluated checkpoints.

內部評估:10 × BPB,數值越低越好。GLM-5.3 和 Kimi-K3.1-Pro 是經過後訓練的 checkpoint,這可能會影響它們與基礎模型的比較。

實際工作效率#

Qwen4-Max 在跨行業的複雜工作流程中展現更強的創意及專業能力,並交付高質素、實用的成果,成為你提升實際工作效率的新 AI 隊友。

工業及專業工作#

為加強模型在工業及專業工作流程中的協作能力,我們開發了 Work360。這是一套全面的框架,用來建模及分類複雜的工作情境。其分層分類體系涵蓋 26 個 Tier-1 領域、182 個 Tier-2 子領域及 721 個 Tier-3 專業範疇,既廣泛涵蓋各行各業和專業,又能細分不同類別。在此分類體系的基礎上,我們開發了 Work360 基準測試,用以評估模型在具挑戰性的行業任務上的表現。在最新評估中,Qwen4-Max得分為52.69分,較上一代的47.74分(Qwen3.8-Max)有顯著進步。Qwen4-Max涵蓋更廣泛的行業,執行專業任務及協作的能力亦更強,因此能更勝任多種實際工作。

全面涵蓋

模型比較

任務範例

展開

展開

展開

3D 建模與生成#

Blender:3D 建模與場景創作#

Qwen4-Max 展現出強大的 3D 創作能力。它會使用 Blender 進行幾何建模、場景組裝、材質設定、燈光設置及渲染,逐步將創意構想轉化為細節豐富、風格鮮明的 3D 作品。無論是建築、室內空間、自然景觀還是科幻場景,它都展現出對空間佈局、物件結構及視覺外觀的整合理解。

這些 3D 資產可實際用於遊戲,亦可透過 3D 列印製作成實體物件。這展示了模型連接數碼創作與後續生產流程的潛力,支援設計探索、內容創作及原型製作。

影片 1

GameDev:使用實際遊戲引擎創作遊戲#

Qwen4-Max 能流暢使用 Unity、Unreal Engine 和 Godot 等主流遊戲引擎。只需一份自然語言需求描述,它便能處理場景建構、遊戲玩法邏輯、合適外部資產的整合、材質設定、HUD 設計及視覺效果,製作出可玩的遊戲。在開發過程中,它會運行遊戲,並根據視覺及互動回饋調整鏡頭追蹤、角色動畫、擊中回饋、燈光和節奏。經過反覆測試和迭代,它會將場景、玩法和音效整合成連貫的 3D 遊戲體驗。

Image 9 Image 10 Image 11

影片 2

00:00

/

00:00

Meow of Magic

Qwen4-Max 在 Unreal Engine 中打造了一款貓咪法師冒險遊戲。玩家可以施放法術、選擇升級,並迎戰一波波敵人和首領。

影片 3

00:00

/

00:00

Yun Guan Xing

Qwen4-Max 在 Unreal Engine 中打造了一款奇幻冒險遊戲。玩家御劍飛越雲層和圓環、探索世界,並迎戰頭目。

影片 4

00:00

/

00:00

飛行賽車

Qwen4-Max 在 Unity 6 中打造了一款以西湖為背景的手機賽車遊戲。玩家可以甩尾、使用氮氣加速,並展開機翼,在一款可安裝的 Android 遊戲中飛行。

汽車製造:從生產線規劃到高效零件設計與加工#

Qwen4-Max 在 SANF 和 Pacific Union 的實際生產環境中,展示了涵蓋汽車生產線規劃、零件設計和加工驗證的端到端能力。透過連結設計生成、工具執行和以回饋為基礎的驗證,帶來可量化的效率提升。

在生產線層面,Qwen4-Max 會運用 2D 佈局和製程參數,從現有設備庫建立 3D 生產線模型、模擬生產週期,並進行 PLC 虛擬調試。在零件層面,它會建立車門組件、摩擦輪等零件的模型並進行設計,同時協助規劃加工流程、生成刀具路徑,並透過模擬進行驗證。透過根據回饋反覆改進,它能在加工開始前識別過切和材料去除不足的問題。在這次展示中,為單一工件編寫程式所需的人工時間由約 475 分鐘降至 24 分鐘,減少約 95%。

影片 5

智能體影片製作#

透過 Qwen4 和 WonderClip,你可以建立端到端的影片製作流程——由完善分鏡腳本、構建靜態素材,到在灰盒場景中為鏡頭製作動畫、渲染成個別片段,再剪輯成一部連貫的多場景影片。

Qwen4 強大的語言、多模態和智能體能力,為複雜影片製作帶來知識整合、可控性和穩定性。透過文字提示或參考圖片,將知識融入生成模型,讓生成內容更能反映創作者的知識和推理。參數化灰盒場景可確保複雜靜態素材的幾何形狀、比例和空間關係保持一致,也能精確控制鏡頭路徑,以及動作和事件的時間安排。自然語言互動配合可控的預視,令最終成果更可預測、更易理解。

影片 6

FDE 實戰:金融、法律及醫療#

Qwen4-Max 支援金融投資研究、法律盡職審查和臨床醫療等門檻較高的複雜工作。它不但能處理大量原始資料,還能進行深入的邏輯推演和證據鏈追溯,真正實現從「資訊檢索」躍升至「專業級交付」。

金融投資研究:Qwen4 能靈活調用 90 個 MCP 工具,全面獲取 A 股、港股和美股、債券、基金及衍生工具的市場報價、財務數據、利率和股息資料,並結合搜尋功能交叉核對公開披露資料。面對更複雜的研究任務,它會追蹤行業供需變化和新訂單動態、評估宏觀利率和信貸息差、分析股債收益率差,並進行多因子回測以衡量風格曝險。

在 CSI 300 指數衍生工具案例中,它會結合融資成本、股息收益率和合約到期日,計算理論期貨基差、分析實際相對現貨的折讓,並檢視引伸波幅與歷史波幅之間的差距。最終交付成果會製作成 Excel 活頁簿和可編輯的 PowerPoint 簡報,並透過兩種方式確保可追溯性:第一,可驗證的來源,點擊儲存格內的超連結即可直接前往原始資料來源;第二,圖表與活頁簿對應,PowerPoint 圖表與底層 Excel 活頁簿逐一對應,分析人員可由簡報追溯並核實確切數值和公式。

上市前法律盡職審查:Qwen4-Max 展現出處理複雜長期法律工作的卓越能力。面對客戶分批提供、格式和命名各異的 198 份工作底稿,模型能有效篩除雜訊,按實質內容重新命名檔案並分類至 14 個資料夾,並自動編製工作底稿索引。它亦會主動搜尋涵蓋工商登記、知識產權、司法紀錄和信用紀錄的公開資料,並將這些資料交叉核對工作底稿,以核實發行人的相關事實。在核心風險控制方面,模型會仔細審視合約條款並分析法律風險,準確識別估值調整機制(VAM)協議中的回復條款等潛在問題,並提出可行的補救建議。最終交付的全面報告符合嚴謹的專業標準:86 頁、超過 60,000 個中文字,涵蓋公司歷史和股權結構等 12 個審查範疇,以及 14 項具體法律問題。每項結論均附有工作底稿引文,確保全程可追溯,大幅提升效率,讓法律顧問能專注於核心風險判斷。

深切治療:患者往往同時出現多種併發症,臨床狀況亦會迅速變化。頻繁的診斷檢查會產生大量不同類型的醫療數據,包括數十份化驗報告、超過 10,000 個中文字的病程記錄、多組醫囑,以及 1,433 張原始醫學影像。影片中的患者接受頸動脈支架手術後出現心室顫動,經搶救後成功復甦;拔除氣管導管後又感到胸痛,並於第 6 日需要再次插管。在單次對話中,Qwen4 便能審閱整份複雜病歷,完成從資訊擷取到臨床決策支援的端到端流程:查詢化驗數值(準確找出不同日期的特定 CRP 結果)、整理臨床病程(將六日內的複雜事件整理成連貫時間線)、判讀影像(將檢查分類為六組影像系列、找出目標胸部 CT,並調度多個子智能體同步審閱數百張原始切片,以識別雙側依賴部位的實變;結果與主診醫生的診斷完全一致),以及支援決策(綜合多模態臨床證據,提出四項處理建議,逐項對應醫生當日實際開出的醫囑)。透過緊密融入臨床工作流程,模型能有效整合多個來源的證據,為前線臨床決策提供可靠且可行的支援。

金融

法律

醫療

影片 7

影片 8

影片 9

長時間運作的智能體(24/7 智能體)#

Qwen4-Max 驅動 24/7 智能體,透過自主規劃和持續反覆改進處理長時間運作的任務,分階段交付可用成果,同時讓使用者保持掌控。

即時交付:持續交付,由使用者掌控#

如果使用者要等到長時間運作的任務完成後才能查看成果,智能體犯下的錯誤可能難以挽回。Qwen4-Max 的即時交付功能透過持續交付和即時使用者指引,讓長時間運作的任務按計劃推進。智能體會及早交付可用的初版,再透過後續版本逐步擴充和改進,並根據執行結果和使用者要求調整計劃。每個版本都為使用者提供具體依據,讓他們評估進度並決定下一步。使用者可隨時介入,糾正錯誤或改變方向,在工作推進期間始終保持掌控。

我們亦將 Qwen-Live-Delivery-Plugin 開源。使用者可以安裝此插件,開始使用即時交付功能。

影片 10

雲端資源調度:提升模型部署、推理和訓練的資源效率#

Qwen4-Max 能針對複雜目標和限制條件進行運籌學建模、求解和驗證,從而提供高質素的最佳化決策方案。這項能力已部署於阿里雲的實際業務場景,形成一個閉環:模型自主反覆調整並最佳化自身所需的調度方案,具體涵蓋資料標註的多模型調用調度、雲端運算 GPU 資源的線上分配與調度,以及雲端運算 CPU 資源的離線重新調度。

在這個流程中,模型會根據任務規格自主生成候選演算法,並與阿里巴巴自研求解器 MindOpt 協作,評估可行性、目標值和耗時以取得回饋,再透過修改程式碼和交叉驗證,反覆迭代出更優策略。從上層模型呼叫到下層雲端資源調度,Qwen4-Max 持續根據可量化的回饋不斷演進,直接優化支援其自身應用、推理和訓練的運作系統。由此帶來的成本下降和資源效率提升,亦進一步提供更穩健的算力,以支援下一輪模型迭代。在這些相應場景中,數據標註的模型呼叫調度成本較參考基線平均降低 10.42%,線上 GPU 分配令整機閒置容量時長增加 4.62%,而在離線 CPU 重新調度場景中,達到最佳目標值的求解速度提升超過 14.61 倍。

展開

推動科學發現#

乾濕實驗室閉環:Qwen4 自主設計並合成新型冷卻液材料#

為應對新一代高功率晶片為數據中心帶來的散熱挑戰,Qwen4 使用 Deep Principle 的 Mira 平台所提供的整合式乾濕實驗室環境,自主完成一種新冷卻分子從設計、實驗室合成到測試和驗證的整個流程,最終取得該材料的實體樣本。

在連續48 小時的代理運行期間,Qwen4 全程自主工作:調查可能的技術方案,建立一個包含 2.7 百萬個分子的候選空間,然後進行結構篩選、MPA 性質預測、第一原理計算、逆合成分析和實驗規劃。接着,Qwen4 指揮自動化濕實驗室準備試劑,並進行合成、分離和純化,以及測試,將螢幕上的分子結構轉化為實驗室中的實體樣本。經過四輪「分子設計 → 合成與測試 → 主動學習」閉環迭代後,Qwen4 得到了一種新的、經實驗驗證的冷卻分子。

從用於材料研究的 AI,到用於 AI 基礎設施的材料,這項工作探索以新材料解決數據中心冷卻問題的全新途徑,並展示 Qwen4 能夠進行跨越數碼與實體世界的長期科學探索。

影片 11

藥物發現:透過自主研究緩解認知衰退#

阿茲海默症會逐步損害記憶和認知能力,為家庭和社會帶來長期照護負擔。神經發炎是其病理機制的重要組成部分,而參與這個過程的 NLRP3 發炎小體,是研究新介入策略的重要方向。Qwen4-Max 以 DP Technology 的 PharmMaster 平台為基礎,聚焦這個目標,展示從靶點研究、分子優化與設計,到計算評估的端到端能力。它不只生成分子結構,還將文獻與專利解讀、專門工具的使用和計算回饋整合到反覆迭代的科研工作流程中。

在這個流程中,Qwen4-Max 自主搜尋文獻和專利證據,選取參考分子並建立評估基線。接着,它進行多輪結構設計、性質預測和分子對接,並利用評估回饋完善優化策略。最後,它結合不同輪次的指標比較和相對結合自由能(RBFE)評估,為候選分子排序。整個流程中,它呼叫工具 454 次,完成 3,239 項計算指標評估,並設計和優化 24 個候選分子,將證據檢索、設計生成、工具執行和根據回饋進行驗證連接成一個端到端流程。

與從專利中取得的起始分子相比,最終優先選出的分子在多項關鍵計算指標上均有廣泛改善。RBFE 計算估算其對目標的名義結合親和力約為參考分子的 3.6 倍。DP Technology 的專家亦認可這項成果,認為該分子具有相當的研究價值,值得進一步進行濕實驗室驗證。從疾病相關靶點到具高潛力的候選分子,Qwen4-Max 結合以證據為本的設計、專門工具執行和計算回饋,展示自主推進長期科研任務、反覆優化分子並取得有價值研究成果的能力。

展開

模型、代理框架與產品協同設計#

Qwen4-Max 由模型、代理框架和產品層面緊密協同設計而成,並與 Qoder 等產品背後的團隊合作。這種方法根據真實使用者工作流程界定模型能力,並以端到端交付成果作評估,尤其聚焦日常辦公工作和專業設計。透過提升任務表現和使用體驗,Qwen4-Max 將想法化為完成的成果。

辦公工作

設計:登陸頁

設計:作品集

設計:小遊戲

影片 12

展開

展開

展開

安全#

在阿里巴巴,我們將模型治理——以我們的六項 AI 發展原則(以人為本、包容與誠信、私隱保障、安全可靠、可信賴及可控、開放共治)為指引——貫穿模型的整個生命週期,從初始設計和研究,到開發、訓練、部署及實際應用,確保負責任的 AI 從設計之初便融入其中,而非事後補加。針對軟件工程訓練任務,我們在功能檢查以外加入程式碼安全檢查,以強化模型內在的安全編碼能力。在 Last Secure Code Bench 的「沒有安全提示的程式碼重建」和「功能與漏洞雙重驗證」測試中,Qwen4-Max 的函數層級功能及安全通過率,從上一代的 22.0%(Qwen3.8-Max)升至 31.8%;在函數、檔案和程式庫三個粒度上同時安全生成的程式碼比例,則從 8% 升至 14.7%,接近翻倍。模型在避免注入、記憶體安全和存取控制失效等核心風險方面表現尤其出色,顯著減少預設生成程式碼中的漏洞,並協助開發者從源頭縮小系統攻擊面。對於網絡安全,我們會按每項任務的具體目的篩選數據,保留漏洞驗證、偵測和修復等防禦任務的數據,同時移除旨在提升攻擊能力的攻擊任務數據。我們的內部安全專家審視長期任務軌跡(包括完整思維鏈 CoT)後發現,Qwen4-Max 的網絡安全防禦能力大幅提升,對攻擊用途的安全防護亦顯著加強。我們未觀察到會造成大規模網絡安全風險的能力。對於 CBRN,我們設計了專門的安全數據,並在安全後訓練階段加強 Qwen4-Max 的安全性。在內部評估中,Qwen4-Max 辨識出更多帶有潛在風險的請求,並提供安全回應,同時沒有出現過度拒絕。內部專家審閱模型答案(包括完整 CoT)後發現,模型提出的方案並非真正創新,也無法端到端完成任務。我們未發現模型會將相關知識轉化為顯著提升使用者能力的風險。

倫理聲明#

Qwen 旨在用於合法且具建設性的用途,不得用於造成傷害。不得利用 Qwen 剝削或危害他人,包括兒童,也不得用來宣揚暴力、仇恨、歧視或虐待,或開發或使用 CBRN 武器;亦不得用來侵犯私隱、進行欺詐或欺騙、散播錯誤資訊、從事網絡安全濫用,或繞過安全防護措施。Qwen 的設計目的是協助人們工作,而非在高影響場景中取代專業判斷。凡決策可能帶來嚴重後果,人類專業知識和監督仍不可或缺。Qwen 使用者必須確保所有輸入數據均以合法方式取得和使用,並已就所用任何圖像或影片取得相關人士的授權。使用者不得侵犯個人對其自身圖像或影片享有的權利或其他人格權,並須遵守適用法律法規。

使用方法#

Qwen4-Max 現已可在 QwenCloud 使用。你可透過 Token Plan 或 API 開始開發。

你亦可在 QwenWork、Qoder 和 QwenStudio 使用這個模型。

摘要#

Qwen4-Max 是你工作、創作和探索上的 24/7 AI 隊友。先進推理、原生視覺理解和長期執行能力融於一身,將複雜目標轉化為可用的成果和具體的研究結果。透過 Live Delivery 和模型-代理框架-產品協同設計,它讓項目持續推進,根據你的回饋作出調整,並交付你可以審閱、信賴和繼續發展的成果。而 Max 只是初探 Qwen4。這個系列中較小的模型即將開源,承襲相同的技術譜系,並以同一代技術訓練,針對小型模型最擅長的任務作出調整。你的新隊友已經到來,隨時準備就緒。

註腳#

JobBench:我們的分數是使用更新後的 資料集 和 評估程式碼取得。

APEX-Agents v1.1:分數引自 Mercor 排行榜。

AA-Briefcase v1.1 和 AutomationBench-AA 的分數引自 Artificial Analysis。

CodeArena 和 AgentArena 的分數引自 LM Arena。

HLAB-Vals-1.1 的分數引自 Vals Index。

Agents’ Last Exam v1.1 的分數引自 Agents’ Last Exam。

ChartoGraphy:Qwen4-Max 和 Qwen3.8-Max-0902 的分數是在將 min_pixels 設為 4096×32×32 時取得。

引用#

bibtex

@misc{qwen4, title = {Qwen4-Max: Your New Teammate Has Arrived}, url = {https://qwen.ai/blog?id=qwen4-max}, author = {{Qwen Team}}, month = {Nov}, year = {2026}}

© 2026 Qwen由 Hugo 提供技術支援

試用 Qwen

Web

iOS

Android

macOS

Windows

Qwen

Qwen 概覽

下載

API 平台

我們的旗艦模型

平台概覽

API 平台

Qwen Cloud

研究

最新進展

研究索引

GitHub

條款與政策

服務條款

私隱政策

使用政策

Cookie 通知

訓練資料摘要

Image 12Image 13Image 14Image 15Image 16Image 17Image 18

Qwen © 2026

由 Alibaba Cloud 提供技術支援

來源:Hacker News 熱門(buzzing.cc 中文翻譯) · qwen.ai