Newshot

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

AI summary

阿里巴巴发布新旗舰模型 Qwen4-Max,拥有 2.4 万亿参数,但每个 token 仅激活 710 亿参数。其混合架构大幅降低了长上下文成本。在 Artificial Analysis 智能指数上,Qwen4-Max 仅次于 Kimi K3.1 Pro,阿里巴巴还计划将更小的 Qwen4 模型开源。

Translation(model translation, not the source's own text)

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

要点

  • 阿里巴巴发布 Qwen4-Max,其重构后的架构能更高效、更少算力地处理长文本。
  • 在 Artificial Analysis Intelligence Index 上,该模型排名第二,仅次于 Kimi K3.1 Pro,但每任务运行成本约为前代的三分之一。
  • 一项名为“Live Delivery”的功能让用户可以提前查看自主代理的中间结果,并即时调整正在运行的任务。

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 首次采用 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浓缩状态,第四层则只挑出重要的部分。这大幅降低了长输入的算力成本,因为模型不再需要对上下文的每个部分给予同等注意力。

Qwen4-Max 架构图,显示每个 Qwen Sparse Attention 层对应三个 Gated 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 架构图,显示每个 Qwen Sparse Attention 层对应三个 Gated DeltaNet 层、门控残差读写步骤、MoE 模块,以及第 2 层的 N-gram 嵌入层。

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块提供。据阿里巴巴称,2.4 万亿参数配置的训练运行稳定。整个训练过程中训练损失稳步下降,没有突然的尖峰。

Qwen4-Max 在整个预训练运行中训练损失的折线图,从 1.8 降至略高于 1.0。
Qwen4-Max 在整个预训练运行中训练损失的折线图,从 1.8 降至略高于 1.0。

阿里巴巴的内部评估以 bits per byte 衡量模型在知识、代码、问答和 STEM 方面的质量。Qwen4-Max-Base 在测试的五个检查点中得分最高。它比 Qwen3.8-Max-Base 提升了 5% 到 13%,同时每个 token 激活的参数减少了 25%。

四张柱状图比较 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 bits per byte。
四张柱状图比较 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 bits per byte。

更低的 token 使用量使每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。在该测试中,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。在代理基准测试 Terminal-Bench 4.0 上,token 使用量下降近一半。

据阿里巴巴称,Work360 每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。

两张图表分别展示 Qwen4-Max 和 Qwen3.8-Max 在 Low、High 和 Xhigh 推理级别下,于 Work360 和 Terminal-Bench 4.0 上得分与每任务 token 使用量的关系。
两张图表分别展示 Qwen4-Max 和 Qwen3.8-Max 在 Low、High 和 Xhigh 推理级别下,于 Work360 和 Terminal-Bench 4.0 上得分与每任务 token 使用量的关系。

外部基准测试的结果参差不齐。在 Agents' Last Exam v1.1 等长周期代理任务上,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,但略胜过 Opus 5.5。

柱状图对比 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。
柱状图对比 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。

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 上得分为 43 分。这比 Qwen3.8-Max 高 9 分,落后于 Kimi K3.1 Pro 3 分,后者以 46 分位居中国模型之首。相比前代,提升最大的项目是 HLE-Diamond(提高 21 分至 45%)、AA-Omniscience(提高 18 分)和 AutomationBench-AA(提高 17 分)。

这张图合并了 Artificial Analysis 的两张图表。Intelligence Index v5.0.1 的柱状图显示 Claude Fable 5.2 以 65 分位居榜首,Qwen4-Max 为 43 分,箭头标出了从 Qwen3.8-Max 的 34 分跃升的幅度。散点图将指数得分与每任务成本进行对比,Qwen4-Max 位于约 3 美元处,远在约 10 美元的 Qwen3.8-Max 左侧。
这张图合并了 Artificial Analysis 的两张图表。Intelligence Index v5.0.1 的柱状图显示 Claude Fable 5.2 以 65 分位居榜首,Qwen4-Max 为 43 分,箭头标出了从 Qwen3.8-Max 的 34 分跃升的幅度。散点图将指数得分与每任务成本进行对比,Qwen4-Max 位于约 3 美元处,远在约 10 美元的 Qwen3.8-Max 左侧。

Artificial Analysis 测算 Qwen4-Max 每项 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%,缓存命中成本降低 70%,而且模型消耗的 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 便宜得多,每任务 1.03 美元,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 将长时运行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构建此次发布。如果用户只在最后看到结果,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。

阿里巴巴列举了若干合作伙伴部署案例。汽车合作伙伴 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 文件交付,每个数字都能追溯到原始来源。

阿里巴巴还在内部使用该模型更高效地运行自己的云基础设施。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分配的成本平均降低 10.42%。在数据中心分发 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剂。它搜索了 270 万个候选分子,控制自动化实验室,并完成了四轮完整的设计、合成和测量循环。

Qwen4-Max 还与 PharmMaster 展开了合作,后者是北京 AI 药物发现初创公司 DP Technology 旗下的平台。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 的专家认为这一结果足够有前景,值得开展进一步的实验室测试。

Qwen4-Max 的目标是仅凭一句提示就构建出可玩的游戏

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。只需一段自然语言描述,该模型就应当能够处理整个开发流程。这涵盖场景搭建、游戏逻辑、匹配外部素材,以及材质、UI 和视觉效果,直至游戏可玩。

游戏《Meow of Magic》中的场景:一只穿着巫师袍、戴着巫师帽的猫,身处一座带有彩色玻璃窗的中世纪大厅中。
游戏《Meow of Magic》中的场景:一只穿着巫师袍、戴着巫师帽的猫,身处一座带有彩色玻璃窗的中世纪大厅中。

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 Unreal Engine 冒险游戏,主角是一只猫巫师,玩家在其中施放法术并抵御一波波敌人。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 近期则让其编程助手 Claude Code 走向了相反的方向。在一波非官方的《Halo》和《GTA: Vice City》克隆作品之后,它禁止该工具复刻现有游戏。

阿里巴巴称该模型能写出更安全的代码,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% 上升到 31.8%。在全部三个测试级别上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、放射性和核)。该公司表示,内部评审人员通读了该模型的完整思维链。他们未发现该模型具备真正的创新能力,能使用户的能力获得显著提升。

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,这是其首个为运行数天的自主任务而打造的 Max 模型。它同样拥有 2.4 万亿参数,但每个 token 有 950 亿参数处于激活状态。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,该模型已使用一个拥有 510 亿参数的 N-gram 嵌入层。该公司已于 8 月中旬发布了 Qwen3.8-Max 的权重。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。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。Zhipu 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。

没有炒作的 AI 新闻——由人工精选

订阅 THE DECODER,即可享受无广告阅读、每周 AI 新闻简报、每年六期的独家「AI Radar」前沿报告、完整档案访问权限,以及评论区访问权限。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by The Decoder
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗