阿里发布 Qwen4-Max 以更低价格对标 Opus 5.5

作者:Jonathan Kemper原标题:Alibaba's Qwen4-Max takes on Opus 5.5, GPT-6, and Kimi K3.1 Pro at much lower prices
84AI 研判分

阿里巴巴发布新一代旗舰模型 Qwen4-Max,采用 2.4 万亿参数混合专家架构,每 token 仅激活 710 亿参数,原生支持图像理解与百万 token 上下文。该模型在 Artificial Analysis 智能指数上位列第二,仅次于 Kimi K3.1 Pro,但单任务成本约为前代的三分之一,并新增 Live Delivery 功能,允许用户提前查看自主智能体的中间结果并实时调整任务。

报道正文

本文目录9 个章节

阿里巴巴的 Qwen4-Max 以低得多的价格迎战 Opus 5.5、GPT-6 和 Kimi K3.1 Pro

文本
  [Jonathan Kemper](https://the-decoder.com/author/jonathan-kemper/) [查看 Jonathan Kemper 的 LinkedIn 个人资料](https://www.linkedin.com/in/jonathankemper/)   2026年11月16日           

要点

  • 阿里巴巴发布了 Qwen4-Max,其经过重构的架构能够更高效、以更少的算力处理长文本。

  • 在 Artificial Analysis 智能指数上,该模型排名第二,仅次于 Kimi K3.1 Pro,但每项任务的运行成本约为其前代产品的三分之一。

  • 一项名为“Live Delivery”的功能让用户能够提前查看自主智能体的中间结果,并即时调整正在运行的任务。

    文本
    询问关于本文的问题…   搜索        

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,这款混合专家模型拥有 2.4 万亿参数,但每个 token 仅激活 710 亿参数。它原生处理图像,并提供一百万个 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 系列重构后的架构。阿里巴巴没有仅依赖标准注意力层,而是结合了两种方法。三层将先前的上下文压缩为一种浓缩状态,然后第四层只挑出其中重要的部分。这大幅削减了长输入上的算力成本,因为模型不再需要对上下文的每个部分给予同等关注。

广告 Qwen4-Max 的架构图,显示每层 Qwen 稀疏注意力层对应三层门控 DeltaNet 层、门控残差读写步骤、MoE 模块,以及第 2 层的 N-gram 嵌入层。Qwen4-Max 在四层中的前三层压缩先前的文本,然后第四层只更仔细地查看重要部分。| 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,并通过动态门控来稳定信息流。一个拥有 3280 亿参数的 N-gram 嵌入层提供常见 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。整个训练过程中,训练损失平稳下降,没有出现突然的尖峰。

广告 Qwen4-Max 在整个预训练过程中训练损失的折线图,从 1.8 降至略高于 1.0。据阿里巴巴称,整个训练过程中训练损失平稳下降,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(bits per byte)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 得分最高。与 Qwen3.8-Max-Base 相比,它提升了 5% 至 13%,同时每个 token 激活的参数减少了 25%。

四张柱状图比较了 Qwen4-Max-Base、Qwen3.8-Max-Base、GLM-5.3、DeepSeek-V4-Pro-Base 和 Kimi K3.1 Pro 在知识、代码、问答和 STEM 方面的每字节比特数。Qwen4-Max-Base 在全部四个类别中均取得最低、也就是最佳的数值。| 图片:阿里巴巴

更低的 token 用量使每项任务成本降低一半以上

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 比前代减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 每项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,基准得分从 47.74 上升至 52.69。

两张图表分别绘制了 Qwen4-Max 和 Qwen3.8-Max 在 Low、High 和 Xhigh 推理级别下,在 Work360 和 Terminal-Bench 4.0 上得分与每任务 token 用量的关系。Qwen4-Max 在两个基准上都优于前代,同时使用的 token 少得多。| 图片:阿里巴巴

外部基准测试的结果好坏参半。在 Agents' Last Exam v1.1 这类长周期智能体任务上,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。

广告 柱状图对比了 Qwen4-Max 与 Qwen3.8-Max、Claude Opus 5.5、GPT-6.1 Sol、GPT-6 Astra 和 Kimi K3.1 在 16 项基准测试上的表现,包括 Terminal-Bench 4.0、Agents' Last Exam v1.1、HealthBench Professional 和 Humanity's Last Exam。阿里巴巴表示,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。相比前代,提升最大的项目是 HLE-Diamond(提升 21 分至 45%)、AA-Omniscience(提升 18 分)和 AutomationBench-AA(提升 17 分)。

Artificial Analysis 估算,Qwen4-Max 每完成一项 Intelligence Index 任务的成本为 3.27 美元。这大约是 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%,并且模型消耗的 token 更少。Qwen4-Max 每项基准任务约需 105,000 个输出 token,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,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 FrontierCode 2.0 上,它与 Kimi 并列 26%,落后于腾讯 Hy4 的 31%。

通过自有 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 将长运行智能体的控制权交还给用户

与许多 AI 公司一样,阿里巴巴此次发布也围绕能够自主处理长任务的智能体展开。如果用户只能在最后看到结果,几乎无法纠正错误。阿里巴巴的解决方案是“实时交付”(Live Delivery)。模型会尽早交付一个可用的初版,并在后续迭代中逐步完善。用户可以在任何时候介入并调整方向。阿里巴巴还开源了配套的 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。它将结果以可验证的 Excel 和 PowerPoint 文件形式交付,每一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身云基础设施。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比方法快 14 倍以上。

阿里巴巴的模型现在可以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实际应用。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液。它搜索了 270 万个分子候选物,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,这是北京 AI 药物发现初创公司 DP Technology 的一个平台。目标是一种针对与阿尔茨海默病相关的炎症反应的化合物。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,最终候选分子与靶标蛋白的结合能力比专利中已知的起始化合物高出约 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同工作能力。根据一段自然语言描述,该模型理应能够处理整个开发流程,涵盖场景搭建、游戏逻辑、外部资源匹配,以及材质、UI 和视觉效果,直至游戏可玩。

游戏《Meow of Magic》的场景,展示一只身穿巫师袍、头戴巫师帽的猫,身处带有彩色玻璃窗的中世纪大厅中。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运镜、角色动画、受击反应和光照。阿里巴巴的示例项目是《Meow of Magic》,这是一款基于 Unreal Engine 的冒险游戏,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 中构建可复用于游戏和 3D 打印的 3D 模型。

Anthropic 最近则将其编程助手 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》克隆作品涌现之后,该公司禁止该工具复刻现有游戏。

阿里巴巴称该模型编写的代码更安全,且不提供实质性的 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% 上升至 31.8%。在全部三个测试级别中均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)。该公司表示,内部评审人员审查了该模型的完整思维链。他们未发现任何真正的创新能力,能够使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。

8月,阿里巴巴发布了 Qwen3.8-Max,这是其首个专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,该模型已采用参数量为 510 亿的 N-gram 嵌入层。该公司已于8月中旬发布 Qwen3.8-Max 权重。对于 Qwen4,目前只有较小的模型会开放权重。

Moonshot AI 在10月紧随其后,推出了 Kimi K3.1 Pro。该模型拥有 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 中采用了混合注意力设计,通过稀疏注意力以更低的成本处理长上下文。智谱 AI 则另辟蹊径,GLM-5.3 的提升完全来自额外的后训练。