Qwen4-Max 是阿里巴巴对 Opus 5.5、GPT-6 和 Kimi K3.1 Pro 的回应。这款新旗舰将更高效的架构与大幅降低的价格相结合,瞄准工业、科学和金融领域的专业工作。

据 Qwen 团队介绍,这个混合专家模型拥有 2.4 万亿参数,但每个 token 仅激活 710 亿参数。它原生处理图像,并提供一百万 token 的上下文窗口。

混合架构让长上下文的处理成本更低

Qwen4-Max 首次亮相Qwen4 系列的全新架构。阿里巴巴没有只依赖标准注意力层,而是结合了两种方法。三层将先前的上下文压缩为浓缩状态,第四层随后只挑出真正重要的部分。这大幅削减了长输入上的计算成本,因为模型不再需要对上下文的每一部分给予同等关注。

Architecture diagram of Qwen4-Max showing three Gated DeltaNet layers for every Qwen Sparse Attention layer, gated residual read and write steps, MoE blocks, and an N-gram embedding layer at layer 2.
Qwen4-Max 在第四层只仔细查看重要部分之前,先跨三层压缩先前的文本。| 图片:阿里巴巴

该架构还在模型层之间增加了四条并行连接,并配有动态门控以稳定信息流。一个拥有 3280 亿参数的 N-gram 嵌入层将常见 token 序列作为现成的构建模块提供。据阿里巴巴称,训练 2.4 万亿参数的配置运行稳定。整个训练过程中训练损失稳步下降,没有出现突然的尖峰。

Line chart of Qwen4-Max's training loss across the full pretraining run, falling from 1.8 to just above 1.0.
据阿里巴巴称,整个训练过程中训练损失稳步下降,没有出现损失尖峰。| 图片:阿里巴巴

阿里巴巴的内部评估以每字节比特数衡量模型在知识、代码、问答和 STEM 方面的质量。在测试的五个检查点中,Qwen4-Max-Base 得分最佳。相比 Qwen3.8-Max-Base,它提升了 5% 到 13%,同时每个 token 激活的参数减少了 25%。

Four bar charts compare bits per byte for Qwen4-Max-Base, Qwen3.8-Max-Base, GLM-5.3, DeepSeek-V4-Pro-Base, and Kimi K3.1 Pro across knowledge, code, question answering, and STEM.
Qwen4-Max-Base 在全部四个类别中都给出了最低、因而也是最好的数值。| 图片:阿里巴巴

更低的 token 用量使每项任务的成本降低一半以上

效率提升体现在运营成本上。Work360 是阿里巴巴自有的基准测试,覆盖 721 个专业领域的工业工作任务。在该基准上,Qwen4-Max 解决相同任务所用的 token 比前代少约四分之一到三分之一。在智能体基准 Terminal-Bench 4.0 上,token 用量下降近一半。

据阿里巴巴称,Work360 任务的平均成本下降 62%,从 4.43 美元降至 1.67 美元。与此同时,基准分数从 47.74 升至 52.69。

Two charts plot score against tokens used per task on Work360 and Terminal-Bench 4.0 for Qwen4-Max and Qwen3.8-Max at the Low, High, and Xhigh reasoning levels.
Qwen4-Max 在两个基准上都胜过前代,同时使用的 token 少得多。| 图片:阿里巴巴

外部基准上的结果则参差不齐。在 Agents' Last Exam v1.1 这类长时程智能体任务上,Qwen4-Max 得分 46.7 分,是对比组中的最佳成绩。在 Humanity's Last Exam 上,它落后于 Opus 5.5 和 GPT 系列模型。在 HealthBench Professional 上,它落后于 GPT 系列模型,但略胜 Opus 5.5。

Bar charts compare Qwen4-Max with Qwen3.8-Max, Claude Opus 5.5, GPT-6.1 Sol, GPT-6 Astra, and Kimi K3.1 across 16 benchmarks, including Terminal-Bench 4.0, Agents' Last Exam v1.1, HealthBench Professional, and Humanity's Last Exam.
阿里巴巴称 Qwen4-Max 在智能体和工作任务上领先,而 Opus 5.5 和 GPT 系列模型在 Humanity's Last Exam 上更胜一筹。| 图片:阿里巴巴

Qwen4-Max 在中国模型中排名第二,成本仅为前代的三分之一

在最高推理设置下,Qwen4-Max 在当前 Artificial Analysis Intelligence Index 上得分 43 分。这比 Qwen3.8-Max 高 9 分,比排名第一的中国模型 Kimi K3.1 Pro(46 分)低 3 分。相对前代提升最大的是 HLE-Diamond(提升 21 分至 45%)、AA-Omniscience(提升 18 分)和 AutomationBench-AA(提升 17 分)。

This image combines two charts from Artificial Analysis. A bar chart of Intelligence Index v5.0.1 shows Claude Fable 5.2 on top with 65 points and Qwen4-Max at 43 points, with an arrow marking the jump from Qwen3.8-Max at 34 points. A scatter plot compares index scores with cost per task and places Qwen4-Max at about $3, well to the left of Qwen3.8-Max at about $10.
Qwen4-Max 在 Artificial Analysis Intelligence Index 上提升 9 分,而每个任务的成本仅为前代的三分之一左右。| 图片:Artificial Analysis

Artificial Analysis 将 Qwen4-Max 每个 Intelligence Index 任务的成本定为 3.27 美元。这约为 Qwen3.8-Max 的 10.02 美元的三分之一,比 Kimi K3.1 Pro 的 3.68 美元低约 11%。节省来自三个方面。token 价格比前代低 25%,缓存命中成本低 70%,且模型消耗的 token 更少。Qwen4-Max 每个基准任务约需 105,000 个输出 token,而 Qwen3.8-Max 为 171,000 个。

腾讯的 Hy4每任务成本仅 1.03 美元,便宜得多,但在该指数上低 8 分。在 Terminal-Bench 4.0 上,Qwen4-Max 得分 48%,落后于 Kimi K3.1 Pro 的 67%。在 Cognition 的编程基准测试 FrontierCode 2.0 上,它与 Kimi 并列 26%,落后于腾讯 Hy4 的 31%。

通过自家 API,阿里巴巴对每百万输入 token 收费 1.50 美元,每百万输出 token 收费 4.50 美元。缓存命中费用为 0.075 美元。

Live Delivery 将长时间运行的智能体控制权交还给用户

与 AI 行业的许多公司一样,阿里巴巴此次发布围绕能够自主处理长任务的智能体展开。如果用户只在最后才看到结果,他们几乎无从修正错误。阿里巴巴的答案是 "Live Delivery"。模型会尽早交付一个可用的初版,并在后续轮次中逐步完善。用户可以在任何时候介入并改变方向。阿里巴巴已开源配套的Qwen-Live-Delivery-Plugin。

阿里巴巴列举了多个合作伙伴的部署案例。汽车行业合作伙伴 SANF 和 Pacific Union 据称使用 Qwen4-Max 将单个工件的手动编程时间从约 475 分钟缩短至 24 分钟。在金融领域,该模型调用 90 个 MCP 工具从多个来源获取市场数据。它将结果输出为可验证的 Excel 和 PowerPoint 文件,每个数字都可追溯至其原始来源。

阿里巴巴还在内部使用该模型来更高效地运行自家云基础设施。据该公司称,Qwen4-Max 与内部求解器 MindOpt 配合,将数据标注计算任务的分配成本平均降低了 10.42%。在数据中心分配 CPU 任务时,它找到最优解的速度比对照方法快 14 倍以上。

阿里巴巴的模型现在能自主进行实验室实验

阿里巴巴还展示了 Qwen4 代模型在实体实验室中的工作表现。据阿里巴巴称,该模型与初创公司 Deep Principle 的系统 Mira 配合,自主运行了 48 小时。在此期间,它为高性能数据中心芯片设计、合成并测试了一种新型冷却剂。它搜索了 270 万个候选分子,控制了一个自动化实验室,并完成了四轮完整的设计、合成和测量循环。

Qwen4-Max 还与 PharmMaster 合作,后者是北京 AI 药物发现初创公司 DP Technology 的一个平台。目标是针对一种与阿尔茨海默病相关的炎症反应设计化合物。经过多轮文献综述、设计和计算,该模型优化了 24 个候选分子。据阿里巴巴称,最终候选分子与靶蛋白的结合能力比专利中已知的起始化合物强约 3.6 倍。DP Technology 的专家认为该结果足够有前景,值得进一步开展实验室测试。

Qwen4-Max 旨在通过单条提示构建可玩的游戏

阿里巴巴还展示了 Qwen4-Max 与 Unity、Unreal Engine 和 Godot 等成熟游戏引擎的协作。根据单条自然语言描述,该模型应能处理整个开发流程。这涵盖场景搭建、游戏逻辑和匹配外部素材,以及材质、UI 和视觉效果,直到游戏可玩。

Scene from the game "Meow of Magic" showing a cat in a wizard's robe and hat inside a medieval hall with stained-glass windows.
Qwen4-Max 在 Unreal Engine 中构建了一款巫师冒险游戏,玩家扮演一只猫,与一波波敌人和 Boss 战斗。| 图片:阿里巴巴

在开发过程中,该模型会自行运行游戏,并利用视觉和交互反馈来调整镜头、角色动画、受击反应和光照。阿里巴巴的示例项目是“Meow of Magic”,这是一款 Unreal Engine 冒险游戏,讲述一只猫巫师的故事,玩家在其中施放法术并与一波波敌人战斗。据阿里巴巴称,Qwen4-Max 还能在 Blender 中构建可用于游戏和 3D 打印的 3D 模型。

Anthropic 最近将其编程助手 Claude Code 推向了相反的方向。在一波非官方的《光环》和《侠盗猎车手:罪恶都市》克隆作品之后,它禁止该工具重现现有游戏。

阿里巴巴表示,该模型编写的代码更安全,并且没有提供实质性的 CBRN 能力提升

在安全基准测试 Last Secure Code Bench 上,既功能正常又安全的代码占比从 22% 上升到 31.8%,据阿里巴巴称。在全部三个测试级别上都被评为安全的代码占比几乎翻倍,从 8% 升至 14.7%。阿里巴巴还测试了 CBRN 风险(化学、生物、放射性及核风险)。公司表示,内部评审人员通读了模型的完整思维链。他们未发现任何真正的创新能力,能让用户的能力获得显著提升。

Qwen4-Max 可通过QwenCloud以及 QwenWork、Qoder 和 QwenStudio 使用。阿里巴巴计划稍后以开源形式发布更小的 Qwen4 模型。

今年 8 月,阿里巴巴发布了Qwen3.8-Max,这是其首个为可连续运行数天的自主任务打造的 Max 模型。它同样拥有 2.4 万亿参数,但每个 token 仅激活 950 亿参数。当时,Artificial Analysis 发现该模型每个任务需要 64 步,而非 14 步且每个任务的成本是 Qwen3.7-Max 的两倍多。

8 月下旬,阿里巴巴通过Qwen3.8-Flash-Next预览了 Qwen4 架构,该模型已使用带有 510 亿参数的 N-gram 嵌入层。该公司已于Qwen3.8-Max 权重8 月中旬发布。对于 Qwen4,目前只有较小的模型会获得开源权重。

月之暗面(Moonshot AI)随后在 10 月推出了Kimi K3.1 Pro。它拥有 2.8 万亿参数,规模更大,Moonshot 称其在 Terminal-Bench 4.0 上仅次于Claude Opus 5.5。与阿里巴巴一样,DeepSeek 在V4-Pro中采用混合注意力设计并引入稀疏注意力,以更低的成本处理长上下文。智谱 AI 则走了另一条路线,GLM-5.3的提升完全来自额外的后训练。