Qwen4-Max上线,第三方指数拿43分

大模型题图:层层薄片叠成的核心透出红光,下方有人仰望

阿里通义千问团队发布 Qwen4-Max,这是千问迄今参数最大的模型。总参数 2.4 万亿,采用混合专家结构,每个 token 实际激活约 710 亿参数,另配 3280 亿参数的 N-gram 嵌入模块。模型支持文本和图像输入,带推理模式,上下文按官方说法是百万 token 级别。

预览版先在阿里的 Token Plan 上线,限时最低一折;Qoder、千问 App、QwenStudio 已经切到新模型,API 通过阿里云提供。权重不开放下载,这延续了千问自 Qwen2.5-Max 以来 Max 系列只走自家云的做法。团队说 Qwen4 家族里的小尺寸模型会开源,用同一套架构和训练方法,但没给尺寸、许可证和上线节点。

阿里自己给的数字

千问团队在发布博客里把它定位成可以连续干活的”AI 队友”,举了几个落地例子:两家汽车零部件供应商用它写加工程序,单个工件的编程时长从约 475 分钟降到 24 分钟;一次上市前法律尽调里,模型整理了 198 份底稿,交出 86 页报告;还有一次 48 小时的自主运行,模型设计出一种数据中心冷却液,再由自动化实验室合成出来。这些案例都来自公司自述,客户名称和验收标准没有公开。

成本方面,阿里称同类任务的 token 消耗比 Qwen3.8-Max 明显减少。在自家 Work360 基准上,单任务成本从 4.43 美元降到 1.67 美元。

分项成绩阿里也列了一张表,强项和短板都摆了出来。法律智能体基准 HLAB-Vals 1.1 上它拿 21.3 分,Claude Opus 5.5 是 9.2;DeepSWE v1.1 编程上 75.7 分,跟 Opus 5.5、GPT-6.1 Sol、Kimi K3.1 几家挤在 74 到 76 之间。到了 Terminal-Bench 4.0,它只有 48.5,Kimi K3.1 是 67.2;ProgramBench 上 31.5 分,Opus 5.5 是 65.0。

第三方榜单的位置

独立评测机构 Artificial Analysis 给 Qwen4-Max 的智能指数是 43 分,比 Qwen3.8-Max 的 34 分高 9 分,在同价位 81 个模型里排第 38,略高于 41 分的中位数。放到它直接对比的十个头部模型里,Qwen4-Max 排第九,前面是 Claude Fable 5.2(65)、Gemini 4 Carbon(60)、Claude Opus 5.5(59)、GPT-6 Astra(57)等,国产模型里排在它前面的是月之暗面的 Kimi K3.1 Pro(46)。

另一份榜单的结果更好看。据 Arena 公布,Qwen4-Max 在 Agent Arena 拿到中国模型第一,阿里在总榜升到第 14 位。

价格是它的牌面。按 Artificial Analysis 记录的官方报价,输入每百万 token 1.50 美元、输出 4.50 美元,命中缓存的输入再减 95%。跑完一道智能指数题平均 3.27 美元,比 Qwen3.8-Max 的 10.02 美元低 67%,也略低于 Kimi K3.1 Pro 的 3.68 美元;腾讯 Hy4 更便宜,约 1.03 美元,分数低 8 分。

代价是话多。评测期间 Qwen4-Max 一共输出了 1.27 亿个 token,同类中位数是 7860 万,多出六成左右(粗算)。单价压下来了,用量又涨回去一部分。

跟同一梯队摆在一起看

把几家国产旗舰并排看,格局比较清楚。Kimi K3.1 Pro 智能指数高 3 分、单题贵约 0.4 美元,终端类任务明显更强;Qwen4-Max 胜在法律、长程任务和价格;腾讯 Hy4 走的是极致低价路线。三家里只有 Qwen4-Max 不放权重,而千问过去靠开源模型攒下的开发者群体,恰恰是它跟另外两家拉开距离的地方。

对国内开发者,眼下能做的是在 Token Plan 的折扣期里拿真实任务试一轮。Max 不开源,私有化部署要等小尺寸模型;什么时候放、放到多大,阿里目前没有说。另外,阿里博客里的多项分数是它自测的口径,Artificial Analysis 尚未给出单题耗时数据,延迟表现目前无法核实。

参考来源:千问团队发布博客、Artificial Analysis 模型页(智能指数、单题成本、输出 token 数)、CocoLoop、Arena 榜单、Trending Topics;财联社报道核对上线渠道与折扣,参数与分项成绩以阿里公布口径为准。