阿里巴巴发布 Qwen4-Max 旗舰模型,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
- 1阿里发布 Qwen4-Max 旗舰模型,2.4 万亿总参数、每 token 激活 710 亿,支持 100 万 token 上下文与原生图像输入
- 2官方称单任务成本降超一半,Work360 平均成本从 $4.43 降至 $1.67,降幅 62%(官方口径)
- 3外部评测分化,Agents' Last Exam v1.1 以 46.7 分居对比组首位,HLE 落后 Opus 5.5 与 GPT 模型
- 4配套开源 Live Delivery 插件,长时智能体任务早期交付可用版本,用户可随时介入调整方向
阿里用架构效率把单任务成本压到上代约三分之一,以性价比追赶头部模型,但最难推理基准仍落后 Opus 5.5 与 GPT 模型
- 影响:长上下文与智能体任务的单位成本明显下降,相关预算可按新价格重算;各模型在不同基准上强弱分明,选型需按任务类型匹配,综合排名参考价值有限。
- 参考:可考虑按自家智能体任务的实际 token 消耗,重算 Qwen4-Max 与 Kimi K3.1 Pro、腾讯 Hy4 的单位成本对比;值得在长时智能体场景小范围试用 Live Delivery 的中途介入能力。
- 依据:价格与官方基准数据来自阿里官方口径,暂无独立验证;Artificial Analysis 的 $3.27 单任务成本与排名为第三方测算。
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低得多的价格相结合,瞄准工业、科学和金融领域的专业工作。
据 Qwen 团队介绍,这款混合专家模型拥有 2.4 万亿参数,但每个 token 仅激活 710 亿。它原生处理图像,并提供 100 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 首次采用了 Qwen4 系列的全新架构。阿里巴巴不再只依赖标准注意力层,而是结合了两种方法:三个层将先前的上下文压缩为一种浓缩状态,第四个层随后只挑选出重要的部分。这大幅削减了长输入的计算成本,因为模型不再需要对上下文的每个部分给予同等关注。

该架构还在模型层之间增加了四条并行连接,并配有旨在稳定信息流的动态门控。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,2.4 万亿参数配置的训练运行稳定。训练损失在整个训练过程中稳步下降,没有出现突然的飙升。

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

更低的 token 用量将每个任务的成本削减过半
效率提升体现在运营成本上。Work360 是阿里巴巴自有的工业工作任务基准,涵盖 721 个专业领域。在该基准上,Qwen4-Max 解决同样的任务所用的 token 比其前代大约少四分之一到三分之一。在智能体基准 Terminal-Bench 4.0 上,token 用量下降了近一半。
据阿里巴巴称,每个 Work360 任务的平均成本从 4.43 美元降至 1.67 美元,下降 62%。与此同时,基准得分从 47.74 攀升至 52.69。

在外部基准上的结果好坏参半。在 Agents' Last Exam v1.1 这类长程智能体任务上,Qwen4-Max 得到 46.7 分,是比较组中的最佳结果。在 Humanity's Last Exam 上,它落后于 Opus 5.5 和 GPT 模型。在 HealthBench Professional 上,它落后于 GPT 模型,但略微超过 Opus 5.5。

Qwen4-Max 以其前代约三分之一的成本位列中国模型第二名
在最高推理设置下,Qwen4-Max 在当前的 Artificial Analysis Intelligence Index 上得到 43 分。这比 Qwen3.8-Max 高出 9 分,比以 46 分位居中国模型之首的 Kimi K3.1 Pro 落后 3 分。与前代相比,提升最大的是 HLE-Diamond(提高 21 分至 45%)、AA-Omniscience(提高 18 分)和 AutomationBench-AA(提高 17 分)。

Artificial Analysis 估算 Qwen4-Max 在智能指数每个任务上的成本为 3.27 美元。这大约是 Qwen3.8-Max(10.02 美元)的三分之一,比 Kimi K3.1 Pro(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%,而且模型消耗的 token 更少。每个基准测试任务 Qwen4-Max 大约需要 105,000 个输出 token,而 Qwen3.8-Max 需要 171,000 个。
腾讯的 Hy4 每个任务的成本要便宜得多,为 1.03 美元,但在该指数上的得分低 8 分。在 Terminal-Bench 4.0 上,Qwen4-Max 得分 48%,落后于得分 67% 的 Kimi K3.1 Pro。在 Cognition 的编程基准 FrontierCode 2.0 上,它与 Kimi 并列,均为 26%,落后于得分 31% 的腾讯 Hy4。
通过自己的 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任务的智能体来构建此次发布。如果用户只能在最后看到结果,他们几乎没有办法纠正错误。阿里巴巴的答案是“Live Delivery”。模型会尽早交付一个可用的初始版本,并在后续迭代中逐步完善。用户可以随时介入并调整方向。阿里巴巴已将配套的 Qwen-Live-Delivery-Plugin 开源。
阿里巴巴列举了几个合作伙伴的部署案例。据报道,汽车行业合作伙伴 SANF 和 Pacific Union 使用 Qwen4-Max 将单个工件的手动编程时间从约 475 分钟缩短到 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。它以可验证的 Excel 和 PowerPoint 文件形式交付结果,每个数字都能追溯至原始来源。
阿里巴巴也在内部使用该模型来更高效地运行自己的云基础设施。据该公司称,Qwen4-Max 与自研求解器 MindOpt 协作,将数据标注计算任务分配的平均成本降低了 10.42%。在数据中心分配 CPU 任务时,它找到最优解的速度比对比方法快 14 倍以上。
阿里巴巴的模型现在可以自主运行实验室实验
阿里巴巴还展示了 Qwen4 系列在实体实验室中的应用。据阿里巴巴称,该模型与初创公司 Deep Principle 的 Mira 系统配合,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 展开合作,这是总部位于北京的 AI 药物发现初创公司 DP Technology 推出的平台。目标是针对一种与阿尔茨海默病相关的炎症反应的化合物。经过多轮文献调研、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某专利中已知的起始化合物高出约 3.6 倍。DP Technology 的专家认为这一结果足够有前景,值得进行进一步的实验室测试。
Qwen4-Max 旨在通过单个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的能力。据称,只需一段自然语言描述,该模型就能处理整个开发流程,涵盖场景搭建、游戏逻辑和匹配的外部素材,以及材质、UI 和视觉效果,直到游戏可以游玩。

在开发过程中,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作、角色动画、受击反应和光照。阿里巴巴的示例项目是
Anthropic 最近则 将其编程助手 Claude Code 带向了相反的方向。在一波非官方的 Halo 和 GTA: Vice City 克隆游戏出现后,该公司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,且不会带来真正的 CBRN 能力提升
据阿里巴巴称,在安全基准 Last Secure Code Bench 上,既功能正常又安全的代码占比从 22% 提升至 31.8%。在全部三个测试级别上均被评为安全的比例几乎翻倍,从 8% 升至 14.7%。阿里巴巴还测试了 CBRN 风险(化学、生物、放射性和核)。该公司表示,内部审查人员审查了模型的完整思维链。他们发现模型并不具备能让用户能力显著提升的真正创新能力。
Qwen4-Max 可通过 QwenCloud 使用,也可在 QwenWork、Qoder 和 QwenStudio 中使用。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,这是其首个为可持续运行数天的自主任务而构建的 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 月底,阿里巴巴通过 Qwen3.8-Flash-Next 预览了 Qwen4 架构,该模型已使用了拥有 510 亿参数的 N-gram 嵌入层。该公司曾于 8 月中旬发布了 Qwen3.8-Max 权重。就 Qwen4 而言,目前只有较小的模型将获得开放权重。
Moonshot AI 在 10 月随之推出了 Kimi K3.1 Pro。它拥有 2.8 万亿参数,规模更大,Moonshot 表示在 Terminal-Bench 4.0 上其表现仅次于 Claude Opus 5.5。与阿里巴巴类似,DeepSeek 在 V4-Pro 中采用了带稀疏注意力的混合注意力设计,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。
来源:The Decoder:AI News · the-decoder.com