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

Qwen
更多
EN
下載 試用 Qwen
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
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。

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%。

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。

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。

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%。

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。
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。
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。
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。
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%。
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。
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
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。
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。
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
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}}
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







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
