AlibabaのQwenチームは2026年11月16日にQwen4-Maxをリリースしました。まず注目すべきは価格です。QwenCloudで入力100万トークンあたり$1.50、出力100万トークンあたり$4.50です。
同週に出回ったまとめでは、比較対象としてGPT-6 Astraが入力$10/出力$50、Claude Fable 5.2が$8/$40と記載されています。
Qwen4-Maxは新しいQwen4アーキテクチャ上に構築された初のモデルで、2.4兆パラメータのバックボーン、トークンあたり71Bのアクティブパラメータ、さらに328BのN-gram埋め込みパラメータ、ネイティブ視覚、そして100万トークンのコンテキストウィンドウを備えます。
Alibabaは本モデルをチャットモデルではなく長期視点のエージェントモデルとして位置づけており、ローンチ資料の多くはエンジニアリング、金融、法務、ドラッグディスカバリーにおける数時間の自律実行に割かれています。
本記事では、Qwen4-Maxの新要素をアーキテクチャ、主要機能、ベンチマーク(Alibabaの公表値と独立検証で食い違う箇所も含む)、エフォートモード、価格、アクセス方法の観点から整理します。
競合の位置づけを把握するには、GPT-6 AstraとClaude Opus 5.5の比較 や、Harness²で自己改善エージェントを構築するチュートリアル も参照してください。
要点
Qwen4-MaxはAlibabaの新たなフラッグシップ。刷新されたQwen4アーキテクチャ上に構築され、ネイティブ視覚と100万トークンのコンテキストウィンドウを備えます。
強みは長期的なエージェント作業とプロフェッショナルな成果物の生成。Alibabaの報告する複数の実行でClaude Opus 5.5を上回っています。
弱点はターミナルでのコーディング。Kimi K3.1、Opus 5.5、GPT-6の両モデルに大差で遅れます。チャートや動画の理解も米国の3モデルに及びません。
最大の訴求点は価格。現行の価格比較において、入力・出力ともに主要な西側フラッグシップを下回ります。ただしトークン単価が低くてもタスクあたりのコストが低くなるとは限りません。
数値は慎重に扱ってください。ローンチ時の図表はベンダー集計です。独立検証はより混在しており、Artificial Analysisでは9位、Valsでは11位。遅く冗長との声もあります。ValsのTerminal-Bench実行はAlibabaの数値と一致しました。
Maxのオープンウェイトはなし。より小型のQwen4モデルは後日オープンソース化予定です。
Qwen4-Maxとは?
Qwen4-MaxはAlibabaのクローズドウェイトのフラッグシップで、Qwen4シリーズの初リリースです。前世代のQwen3.8-Max の後継となります。
これはスパースなMixture-of-Expertsモデル で、任意のトークンに対して稼働するパラメータは一部のみです。2.4兆のバックボーンパラメータのうち、トークンあたり71Bがアクティブで、加えてN-gram埋め込みが328B。埋め込みは計算コストの小さいルックアップテーブルです。入力はテキスト・画像・動画に対応し、出力はテキストです。
Qwen4の最大の変更点はアーキテクチャで、後述のコスト構造の説明にも関わります。3つのコンポーネントが変わりました。
ハイブリッドアテンション(GDN + QSA): 各スパースアテンション層に対して、3つのGated DeltaNet層が過去のコンテキストを固定長メモリに圧縮。スパース層は関連箇所のみを抽出するため、100万トークンのウィンドウでも現実的なコストに収まります。
Gated Residual: 各層に4つの並列経路があり、ゲートで相互の流れを制御。これが学習の安定性に寄与したとAlibabaは述べています。
N-gram埋め込み: 一般的なローカルなトークンパターンをルックアップで扱い、計算コストをほとんど増やさずに容量を追加します。
Alibabaは、2.4Tの学習実行で損失スパイク(不安定学習の兆候となる急激な跳ね上がり)が発生しなかったと報告しています。
ベースモデルのQwen4-Max-Baseは、知識・コード・QA・STEMの5つのチェックポイント評価の中で最も低いbits per byteを記録。bits per byteはテキスト予測の巧拙を示し、低いほど優秀です。
結果はQwen3.8-Max-Base比で5〜13%低下しつつ、アクティブパラメータは25%少ない構成でした。社内テストであり、比較したチェックポイントのうち2つは追加学習を受けているため、厳密な同条件比較ではない点は注意です。
見出しの能力値はAlibaba独自のWork360(721の専門分野を網羅)で、Qwen4-Maxは52.69、Qwen3.8-Maxは47.74でした。
Qwen4-Maxの主な機能
ローンチは「1ターンの発話」ではなく「長時間の実行の末に何を出せるか」を軸に整理されています。以下の機能も、主に持続性、ツール群、出力形式に関わるものです。
ネイティブ視覚付きの100万トークン・コンテキストウィンドウ
Qwen4-Maxはテキスト・画像・動画を100万トークンのコンテキストで受け付けます。最大入力は991Kトークン(思考オン時は983K)です。
思考はデフォルトでオン。最大262Kトークンの推論が出力バジェットに計上されます。
出力上限の記述は一貫していません。
QwenCloudのモデルページでは両モードとも最大出力393Kと記載。一方APIドキュメントでは思考オフで131,072トークン、思考オンでは推論+最終回答の合計で262,144トークンとあります。エンドポイントごとにどの数値が適用されるか確認のうえ、max_tokensを設定してください。
視覚経路は後付けではなくネイティブ実装です。これにより臨床デモが可能になっています。Alibabaは、数十の検査報告、1万字超の経過記録、1,433枚の原画像を1つの会話でレビューし、6つのシリーズに仕分けしたうえでサブエージェントを派遣し、数百枚のスライスを読影する流れを説明しています。
画像所見は担当医の診断と整合し、管理に関する4つの推奨は当日の指示と一点の違いもなかったとしています。
長時間ジョブを任せ、途中で軌道修正
Live Deliveryは、長時間のエージェント実行を実用に耐えないものにしてきた問題に正面から取り組む機能で、個人的に最も興味深いと感じます。
数時間待ってから「3分目で要件を誤解していた」と判明するのではなく、エージェントは使える初版を早期に出荷し、その後のリリースで改良を重ねる間、利用者が方向修正できます。
AlibabaはQwen-Live-Delivery-Plugin をApache-2.0でオープンソース化。自作せず導入可能です。ただし現時点のバージョンは0.1.0で、対応はLinux/macOS上のNode.js 22+を要件とし、Codex CLIのみに限定されています。
他のエージェントハーネス対応は今後の予定です。
もっとも、継続的に部分成果を配信するのはモデル機能というよりハーネスの設計パターンです。ゆえにプラグインが公開されていること自体に価値があります。
答えだけでなく、監査できる成果物
金融デモでは、Excelワークブックと編集可能なPowerPointデッキを出力し、2つのトレーサビリティ機構を備えています。セル内ハイパーリンクで元データに遡れること、そしてPowerPointの各チャートが背後のワークブックと一対一で対応していることです。
Alibabaによれば、金融投資リサーチ環境では90個のMCP ツールを呼び出し、A株・香港・米国の株式、債券、ファンド、デリバティブにわたる相場、財務、金利、配当データを取得し、公開開示とクロスチェックしています。
このツール数は環境全体の記述で、別途、CSI 300のデリバティブ事例でワークフローを実演しています。
法務の例はさらに見応えがあります。
バッチで渡された名称が不揃いな198件の作業書類を、Qwen4-Maxが内容に基づいて14フォルダにリネーム・整理し、作業書類インデックスを構築。公開の商業・司法記録と突合し、12のレビュー領域と14の個別論点をカバーする86ページの報告書を作成し、各結論を対応する作業書類に引用で紐づけました。
プロ向けツールをエンドツーエンドで操作
Qwen4-MaxはBlender、Unity、Unreal Engine、Godotを直接操作し、形状モデリング、マテリアル設定、照明、ゲームロジック、HUD設計を行い、実行結果を視覚フィードバックとして取り込み、カメラトラッキングやヒット反応を調整します。
デモの1つはUnity 6で構築したAndroid向けレーシングゲーム(インストール可能)です。
製造の事例は数値が付されていますが、独立評価というより企業ショーケースです。
SANFおよびPacific Unionでは、2Dレイアウトから3Dの生産ラインモデルを作成し、サイクルタイムをシミュレート、PLCのバーチャルコミッショニングを実行し、加工ツールパスを計画。1つのワークでの手動プログラミング工数を約475分から24分へ短縮しました。
オペレーションズリサーチとクラウドスケジューリング
Alibabaは自社のAlibaba Cloudのスケジューリング課題にQwen4-Maxを適用。モデルが候補アルゴリズムを生成し、MindOpt(Alibabaのソルバー)で実現可能性と目的値を検証し、コードを反復改善しました。
報告結果では、データアノテーションのモデル呼び出しスケジューリングコストがベースライン比10.42%低下、オンラインGPU割当ではマシン丸ごとのアイドル継続時間が4.62%増加、オフラインCPUの再スケジューリングは最適目的値の到達が14.61倍超高速化したとしています。
いずれも社内ワークロードに関する自社報告値なので、汎用ベンチマークというよりORツール活用のデモと見なしてください。
物理結果に到達する自律研究ループ
Deep PrincipleのMiraプラットフォーム上で48時間連続のエージェント実行を行い、Qwen4は270万分子の候補空間を構築・スクリーニングし、第一原理計算とレトロシンセ分析を実施。さらに自動化ウェットラボに合成・精製・試験を指示しました。
設計・合成・アクティブラーニングの4反復後、新しい冷媒分子の物理サンプルを得ました。
DP TechnologyのPharmMasterプラットフォームでは、NLRP3インフラマソームを標的に、454回のツール呼び出し、3,239件の計算評価、24個の候補分子設計を実施。
相対結合自由エネルギー計算では、最終候補の名目上の親和性が特許由来の参照比で約3.6倍と算出され、DP Technologyの専門家はウェットラボ検証に値すると判断しました。
標準的なAPI機構:関数呼び出し、ウェブ検索、構造化出力
QwenCloud上のQwen4-Maxは、関数呼び出し、構造化JSON出力、Partial Modeによるプレフィックス補完、暗黙・明示のコンテキストキャッシュ、バッチ呼び出し、ウェブ検索、ファインチューニングをサポート。レート制限は1分あたり5,000,000トークンです。
ベンチマークでの性能は?
Qwen4-Maxは長期視点のエージェント作業で最も強く、ターミナルでのコーディングと視覚理解は弱めです。このギャップは採用判断を左右するほど大きいでしょう。
Alibabaは比較対象として、Qwen3.8-Max-0902、Claude Opus 5.5 、GPT-6.1 Sol 、GPT-6 Astra 、およびKimi K3.1(MoonshotのKimi-K3.1-Pro )を挙げています。
長期視点・エージェント作業
目を引くのはAgents' Last Exam v1.1。Qwen4-Maxは46.7で、Claude Opus 5.5の43.4、GPT-6.1 Solの42.6、自身の前世代Qwen3.8-Maxの27.9を上回りました。
長期タスク系ベンチマークで1世代で18.8ポイント伸ばしたのは、本リリースで最も注目すべき単独結果でしょう。
以下のスコアはすべてAlibabaのローンチ図表からの引用で、ベンダー集計です。第三者のリーダーボードを出典とする行もありますが、数値はベンダー報告として読むべきです。各行の最良値は太字です。
Benchmark 測定内容 Qwen4-Max Qwen3.8-Max-0902 Opus 5.5 GPT-6.1 Sol GPT-6 Astra Kimi K3.1 Agents' Last Exam v1.1 長期的に価値あるタスク 46.7 27.9 43.4 42.6 43.4 n/a AA-Briefcase v1.1 (Elo) エージェント型の知的労働 1686 1605 1801 1555 1569 1674 APEX-Agents v1.1 プロフェッショナルサービスのタスク 72.1 63.3 73.5 60.0 64.7 65.5 AutomationBench-AA エージェント型のSaaSワークフロー 72.5 56.2 69.5 64.9 68.5 73.3 HLAB-Vals-1.1 法務エージェント業務 21.3 15.4 9.2 6.3 7.1 11.7 JobBench 専門職タスク 68.5 65.3 75.4 66.2 66.1 61.2 AgentArena (net improvement) 実環境のエージェントタスク 7.5 n/a 18.2 11.8 13.9 3.9
パターンは不均一です。Qwen4-Maxは法務エージェント系ベンチマークで次点の約2倍を記録(21.3、Kimi K3.1は11.7)。AA-Briefcase、APEX-Agents、AutomationBench-AA、JobBenchでは2位に入りつつ、AgentArenaでは下位寄りで、Opus 5.5の18.2に対して7.5と半分以下です。
文書主体の専門業務なら有望ですが、オープン環境でライブツールを操作する用途には相対的に不向きです。
コーディングとターミナルタスク
コーディングは慎重に。Qwen4-MaxのTerminal-Bench 4.0は48.5で、Kimi K3.1の67.2、Opus 5.5の59.6、GPT-6 Astraの59.1、GPT-6.1 Solの56.1に劣り、6モデル中5位。とはいえQwen3.8-Maxの38.9からは約10ポイント改善しています。
Benchmark 測定内容 Qwen4-Max Qwen3.8-Max-0902 Opus 5.5 GPT-6.1 Sol GPT-6 Astra Kimi K3.1 DeepSWE v1.1 エージェント型コーディング 75.7 69.3 74.2 75.2 74.1 75.5 CodeArena (Elo) ウェブ開発 1750 1676 1816 1742 1763 1686 Terminal-Bench 4.0 エージェント型のターミナルコーディング 48.5 38.9 59.6 56.1 59.1 67.2 ProgramBench ブラックボックスなソフトウェア複製 31.5 28.0 65.0 52.5 55.0 25.0
ProgramBenchは厳しく、31.5に対しOpus 5.5は65.0と倍以上。DeepSWEは5モデルが1.6ポイント以内に収まり、名目上はQwen4-Maxがトップでも統計ノイズと見たほうが自然でしょう。
Terminal-Benchには留意点があります。
GPT-6 AstraとClaude Opus 5.5を比較 した際の公表値は、Opus 5.5が66.4%、Astraが57.9%でした。Alibabaの図表では59.6と59.1です。
同ベンチでもハーネスで数値が変わるため、5ポイント差での序列付けは早計です。もっともQwen4-Maxの自前数値は堅そうで、Valsの独立測定は48.48%でした。
推論・科学・マルチモーダル
Humanity's Last Examは51.7で、Opus 5.5の59.8、GPT-6.1 Solの54.0に次ぎ、Kimi K3.1の51.1は上回ります。BioMysteryBench-1.1では85.0で首位。HealthBench Professionalでは39.6から60.0へ大幅改善しましたが、GPT-6の2モデルは依然上位です。
Benchmark 測定内容 Qwen4-Max Qwen3.8-Max-0902 Opus 5.5 GPT-6.1 Sol GPT-6 Astra Kimi K3.1 Humanity's Last Exam 学際的推論 51.7 43.9 59.8 54.0 53.6 51.1 BioMysteryBench-1.1 バイオインフォマティクス研究 85.0 84.1 81.9 84.4 78.9 80.6 HealthBench Professional 臨床推論 60.0 39.6 59.9 65.1 66.0 57.2 Chartography 可視化チャート理解 54.2 42.0 66.3 67.8 71.1 50.0 Video-Index 動画理解 68.1 63.2 74.8 73.8 76.7 63.2
視覚系は見劣りします。
Chartographyでは54.2(Qwen3.8-Maxは42.0)ながら、Opus 5.5、GPT-6.1 Sol、GPT-6 Astraに12〜17ポイント差を付けられ、Kimi K3.1にのみ勝利。Video-Indexも同様で、68.1に対し米国の3モデルは73.8〜76.7。ネイティブ視覚は機能するものの、リードではありません。
トークン効率とタスク単価
これはプロダクション予算に最も影響します。
Work360では、Qwen4-MaxはXhighで約24%、Highで約35%トークンを削減。Terminal-Bench 4.0では約48%と49%の削減でした。
API単価の低下と併せ、Alibabaの報告ではWork360のタスク平均コストが$4.43から$1.67へ、62%低下。
スコアを上げつつタスク当たり支出が約38%になるのは単発ベンチ勝利より有用な主張ですが、注意が2点。Work360はAlibaba独自ベンチであり、削減幅がトークン削減と価格低下の単純合算より大きい点です。おおむねトークン35%減×価格25%減なら約51%減のはずで、Alibabaの人民元ベースでも58%。この差は未説明です。
独立系のタスク単価は競合1社に対しては明快ではありません。Artificial Analysisの指数では、Qwen4-Maxは$3.27、Opus 5.5は$10.04ですが、GPT-6.1 Solは$1.27です。
Valsではテスト1件あたりQwen4-Maxが$9.33、Opus 5.5が$24.77、Solが$3.61で、スコアもSolがわずかに上(63.94%対63.20%)。
オープンエコシステムの代替として多くの読者に近い比較対象はKimi K3.1でしょう。Terminal-Bench 4.0(67.2対48.5)とAutomationBench-AA(73.3対72.5)はKimiが上回り、Qwen4-MaxはAPEX-Agents v1.1(72.1対65.5)、HLAB-Vals-1.1(21.3対11.7)、JobBench(68.5対61.2)で優位。ターミナル作業はKimi、文書主体のプロ業務はQwen4-Maxが適します。
独立検証が示すもの
ローンチの図表はベンダー集計です。
一部の行は第三者リーダーボードを引用しています。たとえばLM Arena(CodeArena、AgentArena)、Artificial Analysis(AA-Briefcase、AutomationBench-AA)、Mercor(APEX-Agents v1.1)、Vals Index(HLAB-Vals-1.1)、Agents' Last Examは著者公表の引用です。
JobBenchはAlibabaによる実行。エージェント系の結果については独立再現を確認できておらず、現時点では留保付きで捉えるのが妥当です。
独立リーダーボードが出揃いつつあり、ローンチ資料よりは厳しい評価です。
Artificial Analysisは総合インテリジェンス指数でQwen4-Maxを43点、全体9位。Claude Fable 5.2、Gemini 4 Carbon、Opus 5.5、GPT-6 Astra、GPT-6.1 Sol、Kimi K3.1の後塵を拝します。
Valsは指数で38中11位(63.20%)。中国モデルとしては最高位で、Terminal-Benchの独立実行はAlibaba値と一致。
Code Arena WebDevでは6位(投票少数で暫定)。
金融は独立評価でも健闘し、Valsの金融指数とFinance Agentで41中8位。法務は弱く、Vals Legal Indexで39中17位で、HLAB-Valsの首位と齟齬が見られます。
一貫した指摘は「遅い」「冗長」。Valsはテストあたり約1時間4分で、上位11モデル中、Opus 5.5とSonnet 5.5を除き最も遅い水準。Artificial Analysisは出力トークンが1億2700万で、中央値7860万を大きく上回ったと記録しています。
体験談は割れており、単純課題での考え過ぎ、長文プロンプトでの完了遅延の声がある一方、Qwen3.8-Maxより下とする評価もあれば、別のテスターはMiniMax M3.1 Flashの約70分に対し約30分でエージェントタスクを終えたと報告しています。
どのQwen4-Maxの設定を使うべきか?
Qwen4-Maxは思考トグルと命名済みエフォートレベルを備えた単一モデルとして提供されます。つまり選択は呼び出すチェックポイントではなく、支払う推論量です。デフォルトは思考オン、エフォートはHighです。
したがって「標準モード」はenable_thinkingをfalseに設定することを意味します。思考オン時は入力許容量がわずかに減少(991K→983K)し、推論(最大262Kトークン)は出力バジェットを消費します。
思考トークンも出力バジェットに含まれるため、可視の返信だけを想定したmax_tokensでは回答が途中で切れることがあります。プレビュー時点ではmax_tokensが思考と回答を合わせて上限化していたので、検証までは同様と見なしてください。
出力上限は前述のとおり、APIドキュメント(思考オフ131,072、思考オン262,144)とモデルページ(両モード393K)で差異があります。
2つ目のダイヤルがエフォートです。
AlibabaはWork360とTerminal-Bench 4.0の結果をXhighとHighの両方で提示し、Qwen3.8-Max比のトークン削減はWork360でHighのほうが大きく(35% vs 24%)、Terminal-Benchではほぼ同等でした。推論トークンは出力単価$4.50/100万で課金されるため、エフォート設定は請求額に最も効くレバーです。
Qwen4-MaxのデフォルトはHighで、Qwen3.8-Maxはxhighがデフォルトでした。よってデフォルト同士の比較はモデル差とエフォート差が混在します。A/Bテストでは明示的にエフォートを揃えてください。
ユースケース 設定 理由 ツール呼び出しを伴う長時間エージェント実行 思考オン、High Work360で前世代比のトークン効率改善が最大 100ファイル超の長文ドキュメントレビュー 思考オン、Xhigh 100万コンテキスト+262Kの推論バジェット JSONへの構造化抽出 思考オフ 構造化出力に対応。思考を切って推論オーバーヘッドを回避 大量バッチ分類 思考オフ+バッチ呼び出し キャッシュで入力が$0.075/100万まで低下 難易度の高いターミナルコーディング 他モデルを検討 Terminal-Bench 4.0の48.5はKimi K3.1、Opus 5.5、GPT-6系に劣後
Qwen4-Maxの価格と提供状況
QwenCloudの国際価格は、入力100万トークンあたり$1.50、出力100万トークンあたり$4.50、キャッシュ済み入力と明示キャッシュ読み出しは$0.075/100万。明示キャッシュ作成は5分窓が$1.875/100万、1時間窓が$3.00/100万です。
これらの単価は、現行の価格比較で西側の主要フラッグシップをすべて下回ります。GPT-6 Astraは入力$10/出力$50(プロンプト最大272Kトークン)、Claude Fable 5.2は$8/$40、Gemini 4 Carbonは11月30日まで$2/$10(その後$4/$20)、Grok 4.7は$2/$6(20万トークン未満のコンテキスト)。
ただしAlibabaの比較対象モデルは上記の最上位価格帯より安価です。Claude Opus 5.5は$4/$20、GPT-6.1 SolとKimi K3.1は$2/$10。Astra比でQwen4-Maxの出力単価は約1/10、Opus 5.5比で約22%、Sol/Kimi比で約45%です。
QwenCloudには100万トークンの無料枠があり、シンガポール地域で約90日間利用可能。レート制限は1分あたり5,000,000トークンが公開されています。
Alibabaは従量課金だけでなくToken Planも提供。第三者報告では個人向けティアとして、Lite(月$6/20,000クレジット)、Essential($10/45,000)、Standard($18/80,000)、Pro($43/200,000)など。新規割引で下位2ティアは$3と$5(11月30日まで)という報もあります。
個人プランはシンガポール向けで、プレビュー期間中はプロダクション向けバックエンドではなく対話的なコーディング・エージェントツールに限定されていたため、構築前に最新の利用条件を確認してください。
タイムラインについて注記します。初期報道では従量価格の公開有無に齟齬がありました。
Alibabaは11月11日にqwen4-max-previewをToken Plan限定で開放し、従量価格なし・11月25日終了予定としていました。一般提供に合わせて11月16日にqwen4-maxとして従量価格が公開され、上記$1.50/$4.50がその時点の国際価格です。
Maxのオープンウェイトは未発表。Qwen4シリーズの小型モデルは後日オープンソース化予定とされています。
Qwen4-Maxへのアクセス方法
APIのモデルIDはqwen4-max。QwenCloud上でToken Planまたは標準API経由で提供され、OpenAI互換・Anthropic互換のエンドポイントがあります。API以外では、QwenStudio(Qwen Chat)、QwenWork、モデルと併走設計されたコーディング製品Qoderで利用できます。
以下はOpenAI Pythonクライアントを使った互換モード(Chat Completions)の最小呼び出し例です。思考はデフォルトでオンのため、enable_thinkingは明示用に示しています。思考をオフにするにはFalseを設定してください。
import os
from openai import OpenAI
client = OpenAI(
api_key= os. getenv( "DASHSCOPE_API_KEY" ) ,
base_url= "https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1" ,
)
response = client. chat. completions. create(
model= "qwen4-max" ,
messages= [
{ "role" : "user" , "content" : "Summarize the revenue drivers in this quarterly report." }
] ,
extra_body= { "enable_thinking" : True } ,
)
print ( response. choices[ 0 ] . message. content) 提供:
Live Deliveryを試すなら、プラグインはGitHubのQwen-Live-Delivery-Plugin にあります。現状はCodex CLI向けのため、他ハーネスで使うにはMCPの配信ツールとフックを自分で接続する必要があります。関数呼び出しとエージェントハーネスの一般パターンは、Harness²のチュートリアル で、モデルをOpenCodeに接続し結果を採点する流れを解説しています。
まとめ
Qwen4-Maxは、能力よりも価格で攻めるAlibabaの提案です。
大量の文書を読んで成果物を出す行では勝ち、ターミナル・チャート・動画が絡む行では負け、それらをGPT-6 Astraの出力単価の約1/10でこなします。
乗り換えるべきか? タスク単価が制約のドキュメント中心エージェントパイプラインなら本格検証の価値あり。ただし性急な一括移行は避けます。
$4.43から$1.67へのWork360タスク単価の低下はAlibabaの自社数値で、独立検証はより混在。ValsではGPT-6.1 Solのほうがタスク単価が安く、スコアもわずかに上。Qwen4-Maxは遅く冗長という指摘もあります。ハードなコーディング用途は引き続きOpus 5.5かKimi K3.1が無難で、ValsのTerminal-Bench独立実行もその弱点を裏づけています。
この手のモデルに本格的に慣れるなら、まずはAI Fundamentalsスキルトラック から始めてください。
AlibabaのQwenチームは2026年11月16日にQwen4-Maxをリリースしました。まず注目すべきは価格です。QwenCloudで入力100万トークンあたり$1.50、出力100万トークンあたり$4.50です。
同週に出回ったまとめでは、比較対象としてGPT-6 Astraが入力$10/出力$50、Claude Fable 5.2が$8/$40と記載されています。
Qwen4-Maxは新しいQwen4アーキテクチャ上に構築された初のモデルで、2.4兆パラメータのバックボーン、トークンあたり71Bのアクティブパラメータ、さらに328BのN-gram埋め込みパラメータ、ネイティブ視覚、そして100万トークンのコンテキストウィンドウを備えます。
Alibabaは本モデルをチャットモデルではなく長期視点のエージェントモデルとして位置づけており、ローンチ資料の多くはエンジニアリング、金融、法務、ドラッグディスカバリーにおける数時間の自律実行に割かれています。
本記事では、Qwen4-Maxの新要素をアーキテクチャ、主要機能、ベンチマーク(Alibabaの公表値と独立検証で食い違う箇所も含む)、エフォートモード、価格、アクセス方法の観点から整理します。
競合の位置づけを把握するには、GPT-6 AstraとClaude Opus 5.5の比較や、Harness²で自己改善エージェントを構築するチュートリアルも参照してください。
要点
Qwen4-Maxとは?
Qwen4-MaxはAlibabaのクローズドウェイトのフラッグシップで、Qwen4シリーズの初リリースです。前世代のQwen3.8-Maxの後継となります。
これはスパースなMixture-of-Expertsモデルで、任意のトークンに対して稼働するパラメータは一部のみです。2.4兆のバックボーンパラメータのうち、トークンあたり71Bがアクティブで、加えてN-gram埋め込みが328B。埋め込みは計算コストの小さいルックアップテーブルです。入力はテキスト・画像・動画に対応し、出力はテキストです。
Qwen4の最大の変更点はアーキテクチャで、後述のコスト構造の説明にも関わります。3つのコンポーネントが変わりました。
Alibabaは、2.4Tの学習実行で損失スパイク(不安定学習の兆候となる急激な跳ね上がり)が発生しなかったと報告しています。
ベースモデルのQwen4-Max-Baseは、知識・コード・QA・STEMの5つのチェックポイント評価の中で最も低いbits per byteを記録。bits per byteはテキスト予測の巧拙を示し、低いほど優秀です。
結果はQwen3.8-Max-Base比で5〜13%低下しつつ、アクティブパラメータは25%少ない構成でした。社内テストであり、比較したチェックポイントのうち2つは追加学習を受けているため、厳密な同条件比較ではない点は注意です。
見出しの能力値はAlibaba独自のWork360(721の専門分野を網羅)で、Qwen4-Maxは52.69、Qwen3.8-Maxは47.74でした。
Qwen4-Maxの主な機能
ローンチは「1ターンの発話」ではなく「長時間の実行の末に何を出せるか」を軸に整理されています。以下の機能も、主に持続性、ツール群、出力形式に関わるものです。
ネイティブ視覚付きの100万トークン・コンテキストウィンドウ
Qwen4-Maxはテキスト・画像・動画を100万トークンのコンテキストで受け付けます。最大入力は991Kトークン(思考オン時は983K)です。
思考はデフォルトでオン。最大262Kトークンの推論が出力バジェットに計上されます。
出力上限の記述は一貫していません。
QwenCloudのモデルページでは両モードとも最大出力393Kと記載。一方APIドキュメントでは思考オフで131,072トークン、思考オンでは推論+最終回答の合計で262,144トークンとあります。エンドポイントごとにどの数値が適用されるか確認のうえ、
max_tokensを設定してください。視覚経路は後付けではなくネイティブ実装です。これにより臨床デモが可能になっています。Alibabaは、数十の検査報告、1万字超の経過記録、1,433枚の原画像を1つの会話でレビューし、6つのシリーズに仕分けしたうえでサブエージェントを派遣し、数百枚のスライスを読影する流れを説明しています。
画像所見は担当医の診断と整合し、管理に関する4つの推奨は当日の指示と一点の違いもなかったとしています。
長時間ジョブを任せ、途中で軌道修正
Live Deliveryは、長時間のエージェント実行を実用に耐えないものにしてきた問題に正面から取り組む機能で、個人的に最も興味深いと感じます。
数時間待ってから「3分目で要件を誤解していた」と判明するのではなく、エージェントは使える初版を早期に出荷し、その後のリリースで改良を重ねる間、利用者が方向修正できます。
AlibabaはQwen-Live-Delivery-PluginをApache-2.0でオープンソース化。自作せず導入可能です。ただし現時点のバージョンは0.1.0で、対応はLinux/macOS上のNode.js 22+を要件とし、Codex CLIのみに限定されています。
他のエージェントハーネス対応は今後の予定です。
もっとも、継続的に部分成果を配信するのはモデル機能というよりハーネスの設計パターンです。ゆえにプラグインが公開されていること自体に価値があります。
答えだけでなく、監査できる成果物
金融デモでは、Excelワークブックと編集可能なPowerPointデッキを出力し、2つのトレーサビリティ機構を備えています。セル内ハイパーリンクで元データに遡れること、そしてPowerPointの各チャートが背後のワークブックと一対一で対応していることです。
Alibabaによれば、金融投資リサーチ環境では90個のMCPツールを呼び出し、A株・香港・米国の株式、債券、ファンド、デリバティブにわたる相場、財務、金利、配当データを取得し、公開開示とクロスチェックしています。
このツール数は環境全体の記述で、別途、CSI 300のデリバティブ事例でワークフローを実演しています。
法務の例はさらに見応えがあります。
バッチで渡された名称が不揃いな198件の作業書類を、Qwen4-Maxが内容に基づいて14フォルダにリネーム・整理し、作業書類インデックスを構築。公開の商業・司法記録と突合し、12のレビュー領域と14の個別論点をカバーする86ページの報告書を作成し、各結論を対応する作業書類に引用で紐づけました。
プロ向けツールをエンドツーエンドで操作
Qwen4-MaxはBlender、Unity、Unreal Engine、Godotを直接操作し、形状モデリング、マテリアル設定、照明、ゲームロジック、HUD設計を行い、実行結果を視覚フィードバックとして取り込み、カメラトラッキングやヒット反応を調整します。
デモの1つはUnity 6で構築したAndroid向けレーシングゲーム(インストール可能)です。
製造の事例は数値が付されていますが、独立評価というより企業ショーケースです。
SANFおよびPacific Unionでは、2Dレイアウトから3Dの生産ラインモデルを作成し、サイクルタイムをシミュレート、PLCのバーチャルコミッショニングを実行し、加工ツールパスを計画。1つのワークでの手動プログラミング工数を約475分から24分へ短縮しました。
オペレーションズリサーチとクラウドスケジューリング
Alibabaは自社のAlibaba Cloudのスケジューリング課題にQwen4-Maxを適用。モデルが候補アルゴリズムを生成し、MindOpt(Alibabaのソルバー)で実現可能性と目的値を検証し、コードを反復改善しました。
報告結果では、データアノテーションのモデル呼び出しスケジューリングコストがベースライン比10.42%低下、オンラインGPU割当ではマシン丸ごとのアイドル継続時間が4.62%増加、オフラインCPUの再スケジューリングは最適目的値の到達が14.61倍超高速化したとしています。
いずれも社内ワークロードに関する自社報告値なので、汎用ベンチマークというよりORツール活用のデモと見なしてください。
物理結果に到達する自律研究ループ
Deep PrincipleのMiraプラットフォーム上で48時間連続のエージェント実行を行い、Qwen4は270万分子の候補空間を構築・スクリーニングし、第一原理計算とレトロシンセ分析を実施。さらに自動化ウェットラボに合成・精製・試験を指示しました。
設計・合成・アクティブラーニングの4反復後、新しい冷媒分子の物理サンプルを得ました。
DP TechnologyのPharmMasterプラットフォームでは、NLRP3インフラマソームを標的に、454回のツール呼び出し、3,239件の計算評価、24個の候補分子設計を実施。
相対結合自由エネルギー計算では、最終候補の名目上の親和性が特許由来の参照比で約3.6倍と算出され、DP Technologyの専門家はウェットラボ検証に値すると判断しました。
標準的なAPI機構:関数呼び出し、ウェブ検索、構造化出力
QwenCloud上のQwen4-Maxは、関数呼び出し、構造化JSON出力、Partial Modeによるプレフィックス補完、暗黙・明示のコンテキストキャッシュ、バッチ呼び出し、ウェブ検索、ファインチューニングをサポート。レート制限は1分あたり5,000,000トークンです。
ベンチマークでの性能は?
Qwen4-Maxは長期視点のエージェント作業で最も強く、ターミナルでのコーディングと視覚理解は弱めです。このギャップは採用判断を左右するほど大きいでしょう。
Alibabaは比較対象として、Qwen3.8-Max-0902、Claude Opus 5.5、GPT-6.1 Sol、GPT-6 Astra、およびKimi K3.1(MoonshotのKimi-K3.1-Pro)を挙げています。
長期視点・エージェント作業
目を引くのはAgents' Last Exam v1.1。Qwen4-Maxは46.7で、Claude Opus 5.5の43.4、GPT-6.1 Solの42.6、自身の前世代Qwen3.8-Maxの27.9を上回りました。
長期タスク系ベンチマークで1世代で18.8ポイント伸ばしたのは、本リリースで最も注目すべき単独結果でしょう。
以下のスコアはすべてAlibabaのローンチ図表からの引用で、ベンダー集計です。第三者のリーダーボードを出典とする行もありますが、数値はベンダー報告として読むべきです。各行の最良値は太字です。
パターンは不均一です。Qwen4-Maxは法務エージェント系ベンチマークで次点の約2倍を記録(21.3、Kimi K3.1は11.7)。AA-Briefcase、APEX-Agents、AutomationBench-AA、JobBenchでは2位に入りつつ、AgentArenaでは下位寄りで、Opus 5.5の18.2に対して7.5と半分以下です。
文書主体の専門業務なら有望ですが、オープン環境でライブツールを操作する用途には相対的に不向きです。
コーディングとターミナルタスク
コーディングは慎重に。Qwen4-MaxのTerminal-Bench 4.0は48.5で、Kimi K3.1の67.2、Opus 5.5の59.6、GPT-6 Astraの59.1、GPT-6.1 Solの56.1に劣り、6モデル中5位。とはいえQwen3.8-Maxの38.9からは約10ポイント改善しています。
ProgramBenchは厳しく、31.5に対しOpus 5.5は65.0と倍以上。DeepSWEは5モデルが1.6ポイント以内に収まり、名目上はQwen4-Maxがトップでも統計ノイズと見たほうが自然でしょう。
Terminal-Benchには留意点があります。
GPT-6 AstraとClaude Opus 5.5を比較した際の公表値は、Opus 5.5が66.4%、Astraが57.9%でした。Alibabaの図表では59.6と59.1です。
同ベンチでもハーネスで数値が変わるため、5ポイント差での序列付けは早計です。もっともQwen4-Maxの自前数値は堅そうで、Valsの独立測定は48.48%でした。
推論・科学・マルチモーダル
Humanity's Last Examは51.7で、Opus 5.5の59.8、GPT-6.1 Solの54.0に次ぎ、Kimi K3.1の51.1は上回ります。BioMysteryBench-1.1では85.0で首位。HealthBench Professionalでは39.6から60.0へ大幅改善しましたが、GPT-6の2モデルは依然上位です。
視覚系は見劣りします。
Chartographyでは54.2(Qwen3.8-Maxは42.0)ながら、Opus 5.5、GPT-6.1 Sol、GPT-6 Astraに12〜17ポイント差を付けられ、Kimi K3.1にのみ勝利。Video-Indexも同様で、68.1に対し米国の3モデルは73.8〜76.7。ネイティブ視覚は機能するものの、リードではありません。
トークン効率とタスク単価
これはプロダクション予算に最も影響します。
Work360では、Qwen4-MaxはXhighで約24%、Highで約35%トークンを削減。Terminal-Bench 4.0では約48%と49%の削減でした。
API単価の低下と併せ、Alibabaの報告ではWork360のタスク平均コストが$4.43から$1.67へ、62%低下。
スコアを上げつつタスク当たり支出が約38%になるのは単発ベンチ勝利より有用な主張ですが、注意が2点。Work360はAlibaba独自ベンチであり、削減幅がトークン削減と価格低下の単純合算より大きい点です。おおむねトークン35%減×価格25%減なら約51%減のはずで、Alibabaの人民元ベースでも58%。この差は未説明です。
独立系のタスク単価は競合1社に対しては明快ではありません。Artificial Analysisの指数では、Qwen4-Maxは$3.27、Opus 5.5は$10.04ですが、GPT-6.1 Solは$1.27です。
Valsではテスト1件あたりQwen4-Maxが$9.33、Opus 5.5が$24.77、Solが$3.61で、スコアもSolがわずかに上(63.94%対63.20%)。
オープンエコシステムの代替として多くの読者に近い比較対象はKimi K3.1でしょう。Terminal-Bench 4.0(67.2対48.5)とAutomationBench-AA(73.3対72.5)はKimiが上回り、Qwen4-MaxはAPEX-Agents v1.1(72.1対65.5)、HLAB-Vals-1.1(21.3対11.7)、JobBench(68.5対61.2)で優位。ターミナル作業はKimi、文書主体のプロ業務はQwen4-Maxが適します。
独立検証が示すもの
ローンチの図表はベンダー集計です。
一部の行は第三者リーダーボードを引用しています。たとえばLM Arena(CodeArena、AgentArena)、Artificial Analysis(AA-Briefcase、AutomationBench-AA)、Mercor(APEX-Agents v1.1)、Vals Index(HLAB-Vals-1.1)、Agents' Last Examは著者公表の引用です。
JobBenchはAlibabaによる実行。エージェント系の結果については独立再現を確認できておらず、現時点では留保付きで捉えるのが妥当です。
独立リーダーボードが出揃いつつあり、ローンチ資料よりは厳しい評価です。
一貫した指摘は「遅い」「冗長」。Valsはテストあたり約1時間4分で、上位11モデル中、Opus 5.5とSonnet 5.5を除き最も遅い水準。Artificial Analysisは出力トークンが1億2700万で、中央値7860万を大きく上回ったと記録しています。
体験談は割れており、単純課題での考え過ぎ、長文プロンプトでの完了遅延の声がある一方、Qwen3.8-Maxより下とする評価もあれば、別のテスターはMiniMax M3.1 Flashの約70分に対し約30分でエージェントタスクを終えたと報告しています。
どのQwen4-Maxの設定を使うべきか?
Qwen4-Maxは思考トグルと命名済みエフォートレベルを備えた単一モデルとして提供されます。つまり選択は呼び出すチェックポイントではなく、支払う推論量です。デフォルトは思考オン、エフォートはHighです。
したがって「標準モード」は
enable_thinkingをfalseに設定することを意味します。思考オン時は入力許容量がわずかに減少(991K→983K)し、推論(最大262Kトークン)は出力バジェットを消費します。思考トークンも出力バジェットに含まれるため、可視の返信だけを想定した
max_tokensでは回答が途中で切れることがあります。プレビュー時点ではmax_tokensが思考と回答を合わせて上限化していたので、検証までは同様と見なしてください。出力上限は前述のとおり、APIドキュメント(思考オフ131,072、思考オン262,144)とモデルページ(両モード393K)で差異があります。
2つ目のダイヤルがエフォートです。
AlibabaはWork360とTerminal-Bench 4.0の結果をXhighとHighの両方で提示し、Qwen3.8-Max比のトークン削減はWork360でHighのほうが大きく(35% vs 24%)、Terminal-Benchではほぼ同等でした。推論トークンは出力単価$4.50/100万で課金されるため、エフォート設定は請求額に最も効くレバーです。
Qwen4-MaxのデフォルトはHighで、Qwen3.8-Maxはxhighがデフォルトでした。よってデフォルト同士の比較はモデル差とエフォート差が混在します。A/Bテストでは明示的にエフォートを揃えてください。
Qwen4-Maxの価格と提供状況
QwenCloudの国際価格は、入力100万トークンあたり$1.50、出力100万トークンあたり$4.50、キャッシュ済み入力と明示キャッシュ読み出しは$0.075/100万。明示キャッシュ作成は5分窓が$1.875/100万、1時間窓が$3.00/100万です。
これらの単価は、現行の価格比較で西側の主要フラッグシップをすべて下回ります。GPT-6 Astraは入力$10/出力$50(プロンプト最大272Kトークン)、Claude Fable 5.2は$8/$40、Gemini 4 Carbonは11月30日まで$2/$10(その後$4/$20)、Grok 4.7は$2/$6(20万トークン未満のコンテキスト)。
ただしAlibabaの比較対象モデルは上記の最上位価格帯より安価です。Claude Opus 5.5は$4/$20、GPT-6.1 SolとKimi K3.1は$2/$10。Astra比でQwen4-Maxの出力単価は約1/10、Opus 5.5比で約22%、Sol/Kimi比で約45%です。
QwenCloudには100万トークンの無料枠があり、シンガポール地域で約90日間利用可能。レート制限は1分あたり5,000,000トークンが公開されています。
Alibabaは従量課金だけでなくToken Planも提供。第三者報告では個人向けティアとして、Lite(月$6/20,000クレジット)、Essential($10/45,000)、Standard($18/80,000)、Pro($43/200,000)など。新規割引で下位2ティアは$3と$5(11月30日まで)という報もあります。
個人プランはシンガポール向けで、プレビュー期間中はプロダクション向けバックエンドではなく対話的なコーディング・エージェントツールに限定されていたため、構築前に最新の利用条件を確認してください。
タイムラインについて注記します。初期報道では従量価格の公開有無に齟齬がありました。
Alibabaは11月11日に
qwen4-max-previewをToken Plan限定で開放し、従量価格なし・11月25日終了予定としていました。一般提供に合わせて11月16日にqwen4-maxとして従量価格が公開され、上記$1.50/$4.50がその時点の国際価格です。Maxのオープンウェイトは未発表。Qwen4シリーズの小型モデルは後日オープンソース化予定とされています。
Qwen4-Maxへのアクセス方法
APIのモデルIDは
qwen4-max。QwenCloud上でToken Planまたは標準API経由で提供され、OpenAI互換・Anthropic互換のエンドポイントがあります。API以外では、QwenStudio(Qwen Chat)、QwenWork、モデルと併走設計されたコーディング製品Qoderで利用できます。以下はOpenAI Pythonクライアントを使った互換モード(Chat Completions)の最小呼び出し例です。思考はデフォルトでオンのため、
enable_thinkingは明示用に示しています。思考をオフにするにはFalseを設定してください。Live Deliveryを試すなら、プラグインはGitHubのQwen-Live-Delivery-Pluginにあります。現状はCodex CLI向けのため、他ハーネスで使うにはMCPの配信ツールとフックを自分で接続する必要があります。関数呼び出しとエージェントハーネスの一般パターンは、Harness²のチュートリアルで、モデルをOpenCodeに接続し結果を採点する流れを解説しています。
まとめ
Qwen4-Maxは、能力よりも価格で攻めるAlibabaの提案です。
大量の文書を読んで成果物を出す行では勝ち、ターミナル・チャート・動画が絡む行では負け、それらをGPT-6 Astraの出力単価の約1/10でこなします。
乗り換えるべきか? タスク単価が制約のドキュメント中心エージェントパイプラインなら本格検証の価値あり。ただし性急な一括移行は避けます。
$4.43から$1.67へのWork360タスク単価の低下はAlibabaの自社数値で、独立検証はより混在。ValsではGPT-6.1 Solのほうがタスク単価が安く、スコアもわずかに上。Qwen4-Maxは遅く冗長という指摘もあります。ハードなコーディング用途は引き続きOpus 5.5かKimi K3.1が無難で、ValsのTerminal-Bench独立実行もその弱点を裏づけています。
この手のモデルに本格的に慣れるなら、まずはAI Fundamentalsスキルトラックから始めてください。