Alibaba 推出 Qwen4-Max,以較低價格對標 Opus 5.5、GPT-6 和 Kimi K3.1 Pro
Alibaba's Qwen4-Max takes on Opus 5.5, GPT-6, and Kimi K3.1 Pro at much lower prices
Alibaba 推出旗艦模型 Qwen4-Max,以較低價格對標 Opus 5.5、GPT-6 和 Kimi K3.1 Pro,並面向工業、科學及金融等專業工作。
文章並列 Work360 的任務成本與基準分數變化,呈現 Qwen4-Max 相較前代平均成本下降 62%、分數同步上升的表現。
Qwen4-Max 是 Alibaba 對 Opus 5.5、GPT-6 和 Kimi K3.1 Pro 的回應。這款全新旗艦模型採用效率更高的架構,價格大幅降低,目標是處理工業、科學和金融領域的專業工作。
據 Qwen 團隊稱,這款混合專家模型有 2.4 萬億個參數,但每個 token 只會啟用 710 億個參數。它可原生處理圖像,並提供一百萬 token 的上下文窗口。
混合架構降低處理長上下文的成本
Qwen4-Max 採用Qwen4 系列經改良的架構。Alibaba 不再只依賴標準注意力層,而是結合兩種方法:三層會把先前的上下文壓縮成精簡狀態,第四層再挑出重要部分。這大幅降低處理長輸入的運算成本,因為模型不再需要對上下文的每個部分給予同等關注。

這種架構亦在模型層之間加入四條平行連接,並設有動態閘門以穩定資訊流動。擁有 3,280 億個參數的 N-gram 嵌入層,則會把常見 token 序列作為現成的構建單元提供。Alibaba 表示,訓練 2.4 萬億參數的配置時,整個過程保持穩定;訓練損失在整個訓練過程中持續下降,沒有突然飆升。

Alibaba 的內部評測以每字節位元數衡量模型在知識、程式碼、問答和 STEM 方面的表現。在受測的五個檢查點中,Qwen4-Max-Base 得分最佳。與 Qwen3.8-Max-Base 相比,其表現提升 5 至 13%,每個 token 啟用的參數則減少 25%。

Token 用量減少,令每項任務成本下降逾一半
效率提升亦反映在運行成本上。Work360 是 Alibaba 自行設計的基準測試,涵蓋 721 個專業領域的工業工作任務。在這項測試中,Qwen4-Max 解決相同任務時所用的 token,約比上一代少四分之一至三分之一。在 Agent 基準測試 Terminal-Bench 4.0 中,token 用量則接近減半。
Alibaba 表示,Work360 每項任務的平均成本下降 62%,由 $4.43 減至 $1.67;基準測試得分則同時由 47.74 升至 52.69。

外部基準測試的結果各有不同。在 Agents' Last Exam v1.1 等長期 Agent 任務中,Qwen4-Max 得分 46.7,是比較組別中最佳。在 Humanity's Last Exam 中,它落後於 Opus 5.5 和 GPT 系列模型。在 HealthBench Professional 中,它的表現不及 GPT 系列模型,但略勝 Opus 5.5。

Qwen4-Max 在中國模型中排名第二,成本僅為上一代的三分之一
在最高推理設定下,Qwen4-Max 在目前的 Artificial Analysis Intelligence Index 中得分 43,比 Qwen3.8-Max 多 9 分,並落後排名中國模型之首的 Kimi K3.1 Pro 3 分,後者得分 46。相較上一代,提升最大的是 HLE-Diamond(上升 21 分至 45%)、AA-Omniscience(上升 18 分)和 AutomationBench-AA(上升 17 分)。

Artificial Analysis 指出,Qwen4-Max 每項 Intelligence Index 評測任務的成本為 $3.27,約為 Qwen3.8-Max 的三分之一($10.02),亦比 Kimi K3.1 Pro 的 $3.68 低約 11%。成本下降有三個原因:每個 Token 的價格比前代低 25%,快取命中的成本低 70%,而且模型使用的 Token 較少。Qwen4-Max 每項基準測試任務約需輸出 105,000 個 Token,Qwen3.8-Max 則需 171,000 個。
Tencent 的 Hy4 每項任務的成本低得多,為 $1.03,但指數得分低 8 分。在 Terminal-Bench 4.0 中,Qwen4-Max 得分為 48%,低於 Kimi K3.1 Pro 的 67%。在 Cognition 的編碼基準測試 FrontierCode 2.0 中,它以 26% 與 Kimi 打成平手,並落後於 Tencent Hy4 的 31%。
透過自家 API,Alibaba 每百萬個輸入 Token 收費 $1.50,每百萬個輸出 Token 收費 $4.50。快取命中的費用為 $0.075。
Live Delivery 讓用戶重新掌控長時間執行的 Agent
與不少 AI 業界公司一樣,Alibaba 以能自行處理長時間任務的 Agent 為這次發布的核心。如果用戶只能在任務完成後才看到結果,幾乎無法修正錯誤。Alibaba 提出的方案是「Live Delivery」:模型會提早交付可用的初版,再於後續階段逐步完善。用戶可以隨時介入並改變方向。Alibaba 已開源配套的 Qwen-Live-Delivery-Plugin。
Alibaba 提到數個合作夥伴的部署案例。據報,汽車業合作夥伴 SANF 和 Pacific Union 使用 Qwen4-Max,將單件工件的手動編程時間由約 475 分鐘縮短至 24 分鐘。在金融領域,模型透過 90 個 MCP 工具從多個來源擷取市場數據,並以可核證的 Excel 和 PowerPoint 檔案交付結果,每個數字均可追溯至原始來源。
Alibaba 亦在內部使用該模型,更有效率地運行自家的雲端基建。據公司表示,Qwen4-Max 與內部求解器 MindOpt 合作,將資料標註的運算工作分配成本平均降低 10.42%。在資料中心分配 CPU 工作時,與對照方法相比,它找到最佳方案的速度快逾 14 倍。
Alibaba 的模型現可自主進行實驗室實驗
Alibaba 亦展示 Qwen4 系列在實體實驗室中的應用。據 Alibaba 表示,模型與初創公司 Deep Principle 的系統 Mira 配合,自主運行了 48 小時。在這段時間內,它為高效能數據中心晶片設計、合成並測試一種新冷卻液。它搜尋了 2.7 million 個候選分子,操控自動化實驗室,並完成四輪完整的設計、合成和測量流程。
Qwen4-Max 亦與北京人工智能藥物研發初創公司 DP Technology 的平台 PharmMaster 合作,目標是研發一種針對阿茲海默症相關炎症反應的化合物。經過多輪文獻檢閲、設計和計算,模型優化了 24 種候選分子。據 Alibaba 表示,最終候選分子與目標蛋白的結合能力,約為專利中已知起始化合物的 3.6 倍。DP Technology 的專家認為結果值得進一步進行實驗室測試。
Qwen4-Max 旨在僅憑單一提示詞生成可玩的遊戲
Alibaba 亦展示 Qwen4-Max 如何配合 Unity、Unreal Engine 和 Godot 等成熟遊戲引擎運作。只需提供一段自然語言描述,模型據稱便能處理整個開發流程,涵蓋場景設定、遊戲邏輯、配合外部素材,以及材質、UI 和視覺效果,直至遊戲可以遊玩。

開發期間,模型會自行執行遊戲,並根據視覺和互動回饋調整鏡頭運用、角色動畫、受擊反應和光照。Alibaba 展示的示範專案名為「Meow of Magic」,是一款以貓咪巫師為主角的 Unreal Engine 冒險遊戲,玩家可以施放法術並迎戰一波又一波的敵人。Alibaba 表示,Qwen4-Max 亦會在 Blender 中製作 3D 模型,可供遊戲和 3D 列印重用。
Anthropic 最近採取了相反做法,限制其編碼助手 Claude Code。在出現一波非官方的 Halo 和 GTA: Vice City 仿製遊戲後,Anthropic 禁止該工具重製現有遊戲。
Alibaba 稱,模型編寫的程式碼更安全,且不會帶來實質 CBRN 能力提升
Alibaba 表示,在 Last Secure Code Bench 安全基準測試中,同時具備功能並且安全的程式碼比例由 22% 升至 31.8%。在三個測試級別中均獲評為安全的程式碼比例,則由 8% 接近倍增至 14.7%。Alibaba 亦測試了 CBRN 風險(化學、生物、放射性及核風險)。公司表示,內部審核人員檢視了模型完整的思維鏈。他們未發現模型具備可讓用戶能力顯著提升的實際創新能力。
Qwen4-Max 可透過 QwenCloud 使用,亦已在 QwenWork、Qoder 和 QwenStudio 提供。Alibaba 計劃稍後以開源方式發布較小型的 Qwen4 模型。
8 月,Alibaba 發布了Qwen3.8-Max,這是其首個為可持續數天的自主任務而打造的 Max 模型。它同樣擁有 2.4 萬億個參數,但每個 token 只啟用 950 億個參數。當時,Artificial Analysis 發現,該模型每項任務需要 64 個步驟,而非 14 個,每項任務的成本亦超過 Qwen3.7-Max 的兩倍。
8 月下旬,Alibaba 透過Qwen3.8-Flash-Next預覽 Qwen4 架構。該模型已採用一個擁有 510 億個參數的 N-gram 嵌入層。公司在 8 月中旬已發布Qwen3.8-Max 權重。目前,只有較小型的 Qwen4 模型會開放權重。
Moonshot AI 於 10 月推出Kimi K3.1 Pro。它擁有 2.8 萬億個參數,規模更大;Moonshot 表示,它在 Terminal-Bench 4.0 的排名僅次於Claude Opus 5.5。DeepSeek 與 Alibaba 一樣,在V4-Pro採用結合稀疏注意力的混合注意力設計,以較低成本處理長上下文。Zhipu AI 則採取不同路線,GLM-5.3的提升完全來自額外的後訓練。
來源:The Decoder · the-decoder.com