NewToken 新词元关注新智能
读懂

Qwen4-Max 第三方综合分 43,比前代高 9 分

阿里 Qwen4-Max 正式上线并给出按量价。第三方综合分 43,比前代高 9 分,只比同类中位高 2 分;官方自报的任务费用降 62% 是自家评测口径。

专题Artificial Analysis:持续追踪主线模型竞争

读懂|Qwen4-Max 第三方综合分 43,比前代高 9 分
本文提纲4 节
  1. 预览版没有的按量价,写进了型号页
  2. 官方用自家评测写出任务费用降 62%
  3. 第三方综合分 43,只比中位高 2 分
  4. 能开始测了,不要只带着官方降费去测

Qwen4-Max 不再只是一个 15 天到期的预览型号。官方博客把它写成新一代旗舰,阿里云百炼的上架记录把 qwen4-max 记在 11 月 16 日,型号页给出了按量价。Artificial Analysis 打出的综合分是 43,比前代高 9 分,只比同类中位高 2 分。

我们的判断很明确:企业现在能把它放进选型表了,但 43 分还停在中游,官方自报的 62% 降费不能当成已经独立核实的结果。

预览版没有的按量价,写进了型号页

本站 11 月 11 日写过,Qwen4-Max 预览版只开放到 11 月 25 日,条款禁止脚本调用,当时没有按量价,也没有可核对的官方成绩。

今天能核对的变化,写在官方文档里。阿里云百炼的「模型上架与更新」把 qwen4-max 记在 11 月 16 日,中国内地和国际站都已上架。11 月 11 日那条预览记录还在,并写明预览版仅支持 Token Plan。这次上架说明没有重申预览型号是否仍在 11 月 25 日下线。

千问 AI 平台的 Qwen4-Max 型号页给出按量价:每百万 token 输入 10 元、输出 30 元,缓存命中 0.5 元。上下文窗口写的是 1M,输入支持文本、图像和视频,输出是文本。

官方博客补充了规模:2.4 万亿参数的主干、每个 token 激活 710 亿参数,另有 3280 亿参数的 N-gram Embedding。

博客落款是 2026 年 11 月 15 日,并写可通过 Token Plan 或 API 在 QwenCloud 调用,系列中的小尺寸模型将开源。这些参数规模和开源安排,都是企业宣称。

官方用自家评测写出任务费用降 62%

官方博客把效率指标放在自己的 Work360 评测上。它写,这套框架覆盖 26 个一级领域、182 个二级子领域和 721 个三级专业方向;Qwen4-Max 得 52.69 分,前代 Qwen3.8-Max 是 47.74 分。

同一页给出降费数字:在 Work360 评测里,单任务平均费用从 4.43 美元降到 1.67 美元,降幅 62%。博客说 API 定价下调,缓存命中降得更明显,但没有在博文里列出每百万 token 的单价。

它还写,Xhigh 和 High 两档在 Work360 上的 token 消耗大约少 24% 和 35%,在 Terminal-Bench 4.0 上大约少 48% 和 49%。

Work360 是通义千问自己的题目和计分,这些降幅都是企业宣称,不能直接拿去和别家的任务费用并排。题目和评分细则也没有随博客完整公开。

第三方综合分 43,只比中位高 2 分

独立口径是 Artificial Analysis 的 Intelligence Index v5.0.1。Qwen4 Max 综合分 43,在 81 个模型里排第 38,同类中位分是 41。它被标为专有模型,不是开放权重。AA 列出的上下文是 984k,和官方型号页的 1M 不是同一个写法。

同一套指数上,前代 Qwen3.8 Max(0902)综合分是 34,排第 51,低于中位。换代把独立综合分从中位以下抬到中位以上,幅度是 9 分,位置仍在中游。

每题成本的变化更大。AA 按指数任务计,Qwen4 Max 平均每题 3.27 美元,标价是每百万 token 输入 1.50 美元、输出 4.50 美元,缓存折扣 95%。前代是每题 10.02 美元,标价输入 2.00 美元、输出 6.00 美元。

这是第三方按自己的题集和计价算出来的,和官方 Work360 的 4.43 美元到 1.67 美元不是同一套分母,不能把两个降幅加减或合并。国内型号页的人民币价,和 AA 采用的 1.50/4.50 美元国际标价,没有写在同一页上,两套数字如何对应,本文对不上。

AA 还写,Qwen4 Max 在指数测评里产出 1.27 亿 output token,中位是 7860 万,属于非常冗长。标价便宜之后,按分析推断,真正要看的仍是做完一件事要花多少钱,而不是只看每百万 token 的单价。

最有力的反驳是:独立口径里每题成本已经从 10.02 美元降到 3.27 美元,综合分也高了 9 分,对企业来说两项都改善就够了,何必盯着只比中位高 2 分。

这条反驳只说对了一半。成本下降是站得住的;但 43 分相对中位只多 2 分,说明它还在中游。把「比前代便宜、也比前代高分」说成已经够头部分数,参照系就错了。

官方博客自己的对比图,也把 Terminal-Bench 4.0 和 ProgramBench 画在若干闭源模型后面。这些是企业展示的分数,用来提醒读者:官方并没有把所有题都写成领先。

能开始测了,不要只带着官方降费去测

预览期真正补上的,不是又多了一个旗舰名字,而是按量价和可复核的第三方综合分。企业现在能把它放进选型表。

放进去之后要看准位置:43 分只比中位高 2 分,官方 62% 的降费只在自家评测里成立。值得拿到自己任务上核对的,是完成一件事的成本和交付质量,不是把官方降费当成已经独立核实的结果。

来源

引用与数据Markdown 镜像