阿里发布 Qwen4-Max,以更低价格对标 Opus 5.5、GPT-6 与 Kimi K3.1 Pro
Alibaba's Qwen4-Max takes on Opus 5.5, GPT-6, and Kimi K3.1 Pro at much lower prices
阿里发布旗舰模型 Qwen4-Max,采用 2.4 万亿参数的 MoE 架构,每 token 激活 710 亿参数,原生处理图像并支持 100 万 token 上下文窗口。
同一件事,精选收录的是《阿里发布Qwen4-Max基座模型,智能体与编程能力进阶》
Qwen4-Max 是阿里巴巴对 Opus 5.5、GPT-6 和 Kimi K3.1 Pro 的回应。这款新旗舰产品将更高效的架构与大幅降低的价格相结合,旨在服务于工业、科学和金融领域的专业工作。
据 Qwen 团队介绍,该混合专家模型拥有 2.4 万亿参数,但每个 token 仅激活 710 亿个参数。它原生支持图像处理,并提供一百万 token 的上下文窗口。
混合架构使长上下文的处理成本更低
Qwen4-Max 首次亮相 经过重新设计的 Qwen4 系列架构。阿里巴巴不再仅依赖标准注意力层,而是结合了两种方法。其中三层将先前的上下文压缩为浓缩状态,第四层随后只挑选出重要的部分。由于模型不再需要对上下文的每一部分给予同等关注,这显著降低了长输入的计算成本。

该架构还在模型层之间增加了四条并行连接,并配有动态门以稳定信息流。一个拥有 3280 亿参数的 N-gram 嵌入层提供常见的 token 序列作为现成的构建模块。据阿里巴巴称,训练 2.4 万亿参数配置的过程运行稳定。在整个训练过程中,损失稳步下降,没有出现突然的激增。

阿里巴巴的内部评估通过知识、代码、问答和 STEM 领域的每字节比特数来衡量模型质量。在被测试的五个检查点中,Qwen4-Max-Base 得分最佳。与 Qwen3.8-Max-Base 相比,其性能提升了 5% 至 13%,同时每个 token 激活的参数减少了 25%。

更少的 token 使用量使每项任务的成本减半以上
效率提升体现在运营成本上。Work360 是阿里巴巴针对 721 个专业领域工业工作任务的自有基准测试。在该测试中,Qwen4-Max 解决相同任务所需的 token 数量比其前身减少约四分之一到三分之一。在代理基准测试 Terminal-Bench 4.0 上,token 使用量几乎减半。
据阿里巴巴称,Work360 任务的平均成本下降了 62%,从 4.43 美元降至 1.67 美元。与此同时,基准测试分数从 47.74 分上升至 52.69 分。

外部基准测试结果喜忧参半。在 Agents' Last Exam v1.1 等长周期代理任务中,Qwen4-Max 得分为 46.7 分,在比较组中表现最佳。但在 Humanity's Last Exam 中,它落后于 Opus 5.5 和 GPT 模型。在 HealthBench Professional 上,它落后于 GPT 模型,但略胜 Opus 5.5。

Qwen4-Max 在中国模型中排名第二,成本仅为前身的三分之一
在其最高推理设置下,Qwen4-Max 在当前的 Artificial Analysis Intelligence Index 中得分为 43 分。这比 Qwen3.8-Max 高出 9 分,但低于排名第一的中国模型 Kimi K3.1 Pro 的 46 分,低 3 分。与前身相比,最大的提升出现在 HLE-Diamond(上升 21 点至 45%)、AA-Omniscience(上升 18 点)和 AutomationBench-AA(上升 17 点)。

Artificial Analysis 将 Qwen4-Max 的每项智能指数任务成本定为 3.27 美元。这大约是 Qwen3.8-Max 10.02 美元的三分之一,也比 Kimi K3.1 Pro 的 3.68 美元低约 11%。节省来自三个方面:令牌价格比前代低 25%,缓存命中成本低 70%,且模型消耗的令牌更少。Qwen4-Max 每项基准测试任务需要约 105,000 个输出令牌,而 Qwen3.8-Max 需要 171,000 个。
腾讯的 Hy4 每项任务成本仅为 1.03 美元,但得分低八分。在 Terminal-Bench 4.0 上,Qwen4-Max 得分为 48%,低于 Kimi K3.1 Pro 的 67%。在 Cognition 的代码基准 FrontierCode 2.0 上,它与 Kimi 并列 26%,落后于腾讯 Hy4 的 31%。
通过其自有 API,阿里巴巴每百万输入令牌的收费为 1.50 美元,每百万输出令牌为 4.50 美元。缓存命中成本为 0.075 美元。
Live Delivery 将长期运行代理的控制权交还给用户
与 AI 行业的许多公司一样,阿里巴巴围绕能够自主处理长时间任务的代理构建此次发布。如果用户只能在最后看到结果,他们几乎无法纠正错误。阿里巴巴的解决方案是“Live Delivery”。该模型早期交付一个可用的初版,并在后续迭代中完善它。用户可以随时介入并调整方向。阿里巴巴已开源了配套的 Qwen-Live-Delivery-Plugin。
阿里巴巴引用了几个合作伙伴部署案例。据报道,汽车合作伙伴 SANF 和 Pacific Union 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 工具从多个来源提取市场数据。它以可验证的 Excel 和 PowerPoint 文件形式交付结果,且每个数字都能追溯至其原始来源。
阿里巴巴还内部使用该模型更高效地运行其自身的云基础设施。据该公司称,Qwen4-Max 与内部求解器 MindOpt 合作,使数据标注计算任务分配的平均成本降低了 10.42%。在数据中心分发 CPU 任务时,它找到的最优解速度比对比方法快 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 系列在物理实验室中的应用。据阿里巴巴称,与初创公司 Deep Principle 的系统 Mira 配合,该模型自主运行了 48 小时。在此期间,它设计、合成并测试了一种用于高性能数据中心芯片的新型冷却剂。它搜索了 270 万个分子候选者,控制了一个自动化实验室,并完成了四轮完整的设计、合成和测量周期。
Qwen4-Max 还与 PharmMaster 平台合作,该平台来自北京的人工智能药物发现初创公司 DP Technology。目标化合物旨在针对与阿尔茨海默病相关的炎症反应。经过几轮文献综述、设计和计算,该模型优化了 24 个候选分子。据阿里巴巴称,最终候选分子与目标蛋白的结合能力比专利中已知的起始化合物高约 3.6 倍。DP Technology 的专家认为这一结果前景可观,值得进一步开展实验室测试。
Qwen4-Max 旨在根据单一提示词构建可玩的游戏
阿里巴巴还展示了 Qwen4-Max 与 Unity、Unreal Engine 和 Godot 等成熟游戏引擎协同工作。通过单一的自然语言描述,该模型预计能够处理整个开发流程,涵盖场景搭建、游戏逻辑以及匹配外部资产(包括材质、UI 和视觉效果),直至游戏可玩。

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运动、角色动画、受击反应和光照效果。阿里巴巴的示例项目是《Meow of Magic》,一款关于猫巫师的 Unreal Engine 冒险游戏,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 将代码助手 Claude Code 朝相反方向调整。在一批非官方的《光环》和《侠盗猎车手:罪恶都市》克隆作品出现后,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,且未提供真正的 CBRN(化学、生物、放射性和核)能力提升。
据阿里巴巴称,在安全基准测试 Last Secure Code Bench 上,既功能正常又安全的代码比例从 22% 上升至 31.8%。在所有三个测试级别均被评为安全的代码比例几乎翻倍,从 8% 升至 14.7%。阿里巴巴还针对 CBRN 风险进行了测试。该公司称,内部审查人员仔细检查了模型的完整思维链,发现其不具备能为用户带来显著能力跃升的创新潜力。
Qwen4-Max 可通过 QwenCloud 获取,并集成于 QwenWork、Qoder 和 QwenStudio 中。阿里巴巴计划稍后以开源形式发布较小的 Qwen4 模型。
今年 8 月,阿里巴巴发布了 Qwen3.8-Max,这是其首款专为持续数天的自主任务设计的 Max 模型。它同样拥有 2.4 万亿参数,但每个 token 仅有 950 亿参数处于活跃状态。当时,Artificial Analysis 发现该模型 每项任务需要 64 步而非 14 步,且每项任务的成本比 Qwen3.7-Max 高出两倍以上。
8 月下旬,阿里巴巴通过 Qwen3.8-Flash-Next 预览了 Qwen4 架构,该模型已使用包含 510 亿参数的 N-gram 嵌入层。阿里巴巴已于 8 月中旬发布了 Qwen3.8-Max 权重。对于 Qwen4,目前仅较小模型将开放权重。
Moonshot AI 于 10 月跟进,推出了 Kimi K3.1 Pro。其参数量达 2.8 万亿,更大规模,Moonshot 表示它在 Terminal-Bench 4.0 上仅次于 Claude Opus 5.5。与阿里巴巴类似,DeepSeek 在 V4-Pro 中也采用了混合注意力设计,利用稀疏注意力以更低的成本处理长上下文。智谱 AI 则采取了不同路径,GLM-5.3 的全部增益完全来自额外的后训练阶段。
来源:The Decoder · the-decoder.com