Qwen4-Max: Tính năng, điểm chuẩn, giá và cách truy cập
Flagship mới của Alibaba có backbone 2,4 nghìn tỷ tham số, thị giác gốc và cửa sổ ngữ cảnh 1M token với giá $1,50 mỗi triệu token đầu vào, rẻ hơn mọi flagship phương Tây về giá.
Đội Qwen của Alibaba ra mắt Qwen4-Max vào ngày 16 tháng 11 năm 2026, và mức giá là điều đầu tiên đáng chú ý: $1,50 cho mỗi 1 triệu token đầu vào và $4,50 cho mỗi 1 triệu token đầu ra trên QwenCloud.
Để so sánh, các bảng tổng hợp trong cùng tuần liệt kê GPT-6 Astra ở mức $10 đầu vào và $50 đầu ra, còn Claude Fable 5.2 là $8 và $40.
Qwen4-Max là mẫu đầu tiên xây dựng trên kiến trúc Qwen4 mới, với backbone 2,4 nghìn tỷ tham số, 71B tham số được kích hoạt mỗi token, thêm 328B tham số nhúng N-gram, thị giác gốc, và cửa sổ ngữ cảnh 1 triệu token.
Alibaba định vị nó là một mô hình tác tử tầm nhìn dài hạn hơn là mô hình chat, với phần lớn tài liệu ra mắt dành cho các phiên chạy tự động kéo dài nhiều giờ trong kỹ thuật, tài chính, pháp lý và khám phá thuốc.
Trong bài viết này, tôi sẽ điểm qua tất cả những điểm mới của Qwen4-Max, từ kiến trúc, các tính năng chính, các con số điểm chuẩn (bao gồm cả nơi kết quả độc lập lệch với số liệu của Alibaba), các chế độ nỗ lực, giá và cách truy cập.
Qwen4-Max là flagship mới của Alibaba, xây dựng trên kiến trúc Qwen4 hoàn toàn mới với thị giác gốc và cửa sổ ngữ cảnh 1M token.
Lợi thế nằm ở công việc tác tử tầm nhìn dài và các sản phẩm đầu ra chuyên nghiệp, nơi nó vượt Claude Opus 5.5 trong một số phiên chạy mà Alibaba báo cáo.
Lập trình trong terminal là điểm yếu: kém xa Kimi K3.1, Opus 5.5, và cả hai mẫu GPT-6. Khả năng hiểu biểu đồ và video cũng thua ba mẫu của Mỹ.
Giá là lập luận mạnh nhất. Nó rẻ hơn mọi flagship phương Tây trong các bảng giá hiện tại cả ở đầu vào lẫn đầu ra, dù giá theo token thấp hơn không đảm bảo chi phí mỗi tác vụ thấp hơn.
Cần thận trọng với các con số: biểu đồ ra mắt do nhà cung cấp tổng hợp. Các phiên chạy độc lập hiện đã có và kết quả đa dạng hơn, với Artificial Analysis xếp hạng thứ 9 và Vals thứ 11, và người thử nghiệm nhận xét là chậm và dài dòng. Riêng phép đo Terminal-Bench của Vals khớp số liệu Alibaba.
Không có trọng số mở cho bản Max. Các mẫu Qwen4 nhỏ hơn được hứa hẹn sẽ mở nguồn sau.
Qwen4-Max là gì?
Qwen4-Max là mô hình flagship đóng trọng số của Alibaba và là bản phát hành đầu tiên trong dòng Qwen4, kế nhiệm Qwen3.8-Max.
Đây là một mô hình mixture-of-experts thưa, nghĩa là chỉ một phần tham số hoạt động trên mỗi token. Trong 2,4 nghìn tỷ tham số backbone, có 71B tham số hoạt động mỗi token, và nó bổ sung 328B tham số nhúng N-gram, là các bảng tra cứu tiêu tốn ít tính toán. Nó nhận đầu vào văn bản, hình ảnh và video, và tạo đầu ra văn bản.
Kiến trúc là nơi Qwen4 khác biệt nhất với thế hệ trước, và điều này giúp giải thích câu chuyện chi phí ở phần sau. Ba thành phần đã thay đổi:
Chú ý lai (GDN + QSA): với mỗi lớp chú ý thưa, ba lớp Gated DeltaNet nén ngữ cảnh trước đó vào một bộ nhớ kích thước cố định. Lớp thưa sau đó chỉ chọn các phần liên quan của ngữ cảnh, giúp giữ cửa sổ 1M token ở mức chi phí hợp lý.
Gated Residual: mỗi lớp có bốn nhánh song song, với các cổng kiểm soát dữ liệu chảy giữa chúng. Alibaba cho rằng điều này giúp huấn luyện ổn định.
Nhúng N-gram: tra cứu cho các mẫu token cục bộ phổ biến, tăng dung lượng với ít chi phí tính toán.
Alibaba báo cáo rằng lần huấn luyện 2,4T không có đột biến loss, tức các cú nhảy đột ngột báo hiệu huấn luyện không ổn định.
Mẫu nền của nó, Qwen4-Max-Base, cũng ghi nhận bits per byte thấp nhất trong năm checkpoint được đánh giá trên kiến thức, mã, hỏi đáp và STEM. Bits per byte đo mức độ dự đoán văn bản của mô hình, và thấp hơn là tốt hơn.
Kết quả thấp hơn 5 đến 13% so với Qwen3.8-Max-Base, trong khi kích hoạt ít hơn 25% tham số. Đây là thử nghiệm nội bộ, và lưu ý rằng hai trong số các checkpoint so sánh đã được huấn luyện bổ sung, nên phép so sánh không hoàn toàn tương đương.
Con số năng lực tiêu đề là Work360, điểm chuẩn riêng của Alibaba bao phủ 721 lĩnh vực chuyên môn, nơi Qwen4-Max đạt 52,69 so với 47,74 của Qwen3.8-Max.
Tính năng chính của Qwen4-Max
Đợt ra mắt xoay quanh những gì mô hình bàn giao sau một phiên chạy dài thay vì những gì nó nói trong một lượt, nên các tính năng dưới đây chủ yếu liên quan đến thời lượng, công cụ và định dạng đầu ra.
Cửa sổ ngữ cảnh 1 triệu token với thị giác gốc
Qwen4-Max nhận văn bản, hình ảnh và video trong cửa sổ ngữ cảnh 1M token, với đầu vào tối đa 991K token, hoặc 983K khi bật chế độ thinking.
Thinking được bật mặc định, và tối đa 262K token lý luận được tính vào ngân sách đầu ra.
Giới hạn đầu ra được ghi chép không nhất quán.
Trang mô hình trên QwenCloud liệt kê tối đa 393K đầu ra ở cả hai chế độ, trong khi tài liệu API đưa ra 131.072 token khi tắt thinking và 262.144 cho thinking cộng câu trả lời cuối. Hãy kiểm tra con số nào áp dụng cho endpoint của bạn trước khi đặt max_tokens.
Đường dẫn thị giác là gốc thay vì gắn thêm, điều này giúp bản demo lâm sàng khả thi: Alibaba mô tả mô hình rà soát một hồ sơ gồm hàng chục báo cáo xét nghiệm, hơn 10.000 ký tự tiếng Trung của ghi chú diễn tiến, và 1.433 ảnh y khoa gốc trong một cuộc hội thoại, phân loại chúng thành sáu chuỗi ảnh trước khi phân công các tác tử phụ đọc hàng trăm lát cắt.
Alibaba nói rằng phát hiện hình ảnh phù hợp với chẩn đoán của bác sĩ điều trị và bốn khuyến nghị xử trí trùng khớp từng điểm với y lệnh trong ngày.
Bàn giao một công việc chạy dài và điều hướng giữa chừng
Live Delivery là tính năng tôi thấy thú vị nhất, vì nó giải quyết điều khiến các phiên chạy tác tử kéo dài khó dùng trong thực tế.
Thay vì chờ một tác vụ nhiều giờ kết thúc rồi mới phát hiện tác tử hiểu sai yêu cầu ở phút thứ ba, tác tử sẽ gửi sớm một phiên bản đầu tiên có thể dùng, sau đó cải thiện qua các bản phát hành liên tiếp trong khi bạn điều hướng lại.
Alibaba đã mở nguồn Qwen-Live-Delivery-Plugin theo Apache-2.0 để bạn có thể cài đặt thay vì tự xây, dù khi ra mắt mới ở phiên bản 0.1.0 và chỉ hỗ trợ Codex CLI, trên Linux và macOS với Node.js 22+.
Hỗ trợ cho các bộ khung tác tử khác nằm trong danh sách việc cần làm.
Thừa nhận rằng, phân phối liên tục các phần công việc là một mẫu thiết kế ở tầng harness hơn là năng lực mô hình, đó là lý do plugin mở nguồn quan trọng hơn tên gọi tiếp thị.
Sản phẩm bàn giao có thể kiểm chứng, không chỉ câu trả lời
Bản demo tài chính tạo workbook Excel và deck PowerPoint có thể chỉnh sửa với hai cơ chế truy xuất nguồn: siêu liên kết trong ô dẫn về nguồn dữ liệu gốc, và ánh xạ một-một giữa biểu đồ PowerPoint và workbook nền.
Alibaba cho biết Qwen4 gọi 90 công cụ MCP trong bộ thiết lập nghiên cứu đầu tư tài chính, lấy báo giá thị trường, số liệu tài chính, lãi suất và dữ liệu cổ tức trên cổ phiếu A, cổ phiếu Hong Kong và Mỹ, trái phiếu, quỹ và phái sinh, và đối chiếu với công bố công khai.
Con số công cụ mô tả bộ thiết lập nghiên cứu nói chung. Riêng Alibaba trình diễn quy trình trên một ca phái sinh CSI 300.
Ví dụ pháp lý ấn tượng hơn.
Với 198 tài liệu làm việc đặt tên không nhất quán được chuyển giao theo lô, Qwen4-Max đã đổi tên và sắp xếp theo nội dung vào 14 thư mục, xây dựng mục lục tài liệu làm việc, đối chiếu hồ sơ kinh doanh và tư pháp công khai với các tài liệu, và tạo một báo cáo 86 trang bao quát 12 mảng rà soát và 14 vấn đề pháp lý cụ thể, với mọi kết luận đều trích dẫn lại một tài liệu làm việc.
Vận hành trọn vẹn các công cụ chuyên nghiệp
Qwen4-Max vận hành trực tiếp Blender, Unity, Unreal Engine và Godot, xử lý mô hình hình học, thiết lập vật liệu, ánh sáng, logic gameplay và thiết kế HUD, sau đó chạy kết quả và dùng phản hồi thị giác để chỉnh theo dõi camera và phản hồi va chạm.
Một trong các bản demo là game đua xe Android có thể cài đặt xây dựng bằng Unity 6.
Trường hợp sản xuất là ví dụ có con số đi kèm, dù đây là màn trình diễn của công ty chứ không phải phép đo độc lập.
Tại SANF và Pacific Union, mô hình dựng các mô hình dây chuyền sản xuất 3D từ sơ đồ 2D, mô phỏng thời gian chu kỳ, chạy chạy thử ảo PLC, và lập kế hoạch đường chạy dao gia công, cắt giảm công sức lập trình thủ công cho một phôi từ khoảng 475 phút xuống còn 24 phút.
Nghiên cứu tác nghiệp và lập lịch đám mây
Alibaba triển khai Qwen4-Max cho các bài toán lập lịch của chính Alibaba Cloud, để mô hình tạo thuật toán ứng viên, kiểm tra tính khả thi và giá trị mục tiêu với MindOpt (bộ giải của Alibaba), sau đó lặp cải thiện mã.
Kết quả báo cáo cho thấy chi phí lập lịch gọi mô hình gán nhãn dữ liệu giảm 10,42% so với đường cơ sở tham chiếu, phân bổ GPU trực tuyến tăng 4,62% thời lượng nhàn rỗi cấp nguyên máy, và lập lịch lại CPU ngoại tuyến đạt mục tiêu tối ưu nhanh hơn hơn 14,61 lần.
Đây là số liệu nội bộ tự báo cáo trên khối lượng công việc nội bộ, nên hãy coi như màn trình diễn sử dụng công cụ nghiên cứu tác nghiệp hơn là một điểm chuẩn có thể chuyển giao.
Vòng lặp nghiên cứu tự động đạt kết quả vật lý
Trong một phiên chạy tác tử liên tục 48 giờ trên nền tảng Mira của Deep Principle, Qwen4 xây dựng không gian ứng viên 2,7 triệu phân tử, sàng lọc, chạy tính toán nguyên lý đầu tiên và phân tích tổng hợp ngược, rồi chỉ đạo một phòng thí nghiệm ướt tự động qua tổng hợp, tinh sạch và kiểm tra.
Sau bốn vòng lặp thiết kế, tổng hợp và học chủ động, nó tạo ra mẫu vật lý của một phân tử chất làm mát mới.
Trên nền tảng PharmMaster của DP Technology, nhắm mục tiêu inflammasome NLRP3, nó thực hiện 454 lần gọi công cụ, chạy 3.239 đánh giá chỉ số tính toán, và thiết kế 24 phân tử ứng viên.
Tính toán năng lượng tự do liên kết tương đối đặt ái lực danh định của ứng viên cuối cùng khoảng gấp 3,6 lần so với tham chiếu dẫn xuất từ bằng sáng chế, mà các chuyên gia DP Technology đánh giá đáng để xác thực trong phòng thí nghiệm ướt.
Kết nối API tiêu chuẩn: gọi hàm, tìm kiếm web và đầu ra có cấu trúc
Trên QwenCloud, Qwen4-Max hỗ trợ gọi hàm, đầu ra JSON có cấu trúc, hoàn thành tiền tố qua Partial Mode, bộ nhớ đệm ngầm và tường minh, gọi theo lô, tìm kiếm web và tinh chỉnh. Hạn mức tốc độ được đặt ở 5.000.000 token mỗi phút.
Qwen4-Max hoạt động thế nào trên các điểm chuẩn?
Qwen4-Max mạnh nhất ở công việc tác tử tầm nhìn dài và yếu nhất ở lập trình terminal và hiểu thị giác, và khoảng cách đủ lớn để quyết định việc bạn có nên áp dụng hay không.
Nổi bật là Agents' Last Exam v1.1, nơi Qwen4-Max đạt 46,7 so với 43,4 của Claude Opus 5.5, 42,6 của GPT-6.1 Sol, và 27,9 của tiền nhiệm Qwen3.8-Max.
Một bước nhảy 18,8 điểm trong một thế hệ trên thang điểm nhiệm vụ tầm nhìn dài là kết quả đơn lẻ đáng chú ý nhất từ bản phát hành này.
Tất cả điểm số dưới đây đến từ biểu đồ ra mắt của Alibaba, do nhà cung cấp tổng hợp, nên hãy coi như số liệu nhà cung cấp báo cáo dù một số dòng trích bảng xếp hạng bên thứ ba. Kết quả tốt nhất mỗi dòng được in đậm.
Điểm chuẩn
Đo lường gì
Qwen4-Max
Qwen3.8-Max-0902
Opus 5.5
GPT-6.1 Sol
GPT-6 Astra
Kimi K3.1
Agents' Last Exam v1.1
Nhiệm vụ giá trị tầm nhìn dài
46,7
27,9
43,4
42,6
43,4
n/a
AA-Briefcase v1.1 (Elo)
Công việc tri thức theo kiểu tác tử
1686
1605
1801
1555
1569
1674
APEX-Agents v1.1
Nhiệm vụ dịch vụ chuyên nghiệp
72,1
63,3
73,5
60,0
64,7
65,5
AutomationBench-AA
Quy trình SaaS theo kiểu tác tử
72,5
56,2
69,5
64,9
68,5
73,3
HLAB-Vals-1.1
Công việc pháp lý theo kiểu tác tử
21,3
15,4
9,2
6,3
7,1
11,7
JobBench
Nhiệm vụ công việc chuyên môn
68,5
65,3
75,4
66,2
66,1
61,2
AgentArena (cải thiện ròng)
Nhiệm vụ tác tử thế giới thực
7,5
n/a
18,2
11,8
13,9
3,9
Mẫu hình không đồng đều. Qwen4-Max dẫn rộng ở điểm chuẩn tác tử pháp lý, gần gấp đôi mẫu kế tiếp (21,3 so với 11,7 của Kimi K3.1), về nhì ở AA-Briefcase, APEX-Agents, AutomationBench-AA và JobBench, và gần cuối ở AgentArena, nơi 18,2 của Opus 5.5 hơn gấp đôi 7,5 của nó.
Nếu tác tử của bạn làm công việc chuyên môn nặng tài liệu, đây là tín hiệu tốt; nếu chúng vận hành công cụ trực tiếp trong môi trường mở, thì kém hơn.
Lập trình và tác vụ terminal
Lập trình là nơi tôi sẽ dè dặt. Qwen4-Max đạt 48,5 trên Terminal-Bench 4.0, sau Kimi K3.1 ở 67,2, Opus 5.5 ở 59,6, GPT-6 Astra ở 59,1, và GPT-6.1 Sol ở 56,1, xếp thứ năm trong sáu mẫu trên biểu đồ, dù đã tăng gần 10 điểm so với 38,9 của Qwen3.8-Max.
Điểm chuẩn
Đo lường gì
Qwen4-Max
Qwen3.8-Max-0902
Opus 5.5
GPT-6.1 Sol
GPT-6 Astra
Kimi K3.1
DeepSWE v1.1
Lập trình theo kiểu tác tử
75,7
69,3
74,2
75,2
74,1
75,5
CodeArena (Elo)
Phát triển web
1750
1676
1816
1742
1763
1686
Terminal-Bench 4.0
Lập trình terminal theo kiểu tác tử
48,5
38,9
59,6
56,1
59,1
67,2
ProgramBench
Tái tạo phần mềm hộp đen
31,5
28,0
65,0
52,5
55,0
25,0
ProgramBench là dòng tệ nhất: 31,5 so với 65,0 của Opus 5.5, chưa đến một nửa. Trên DeepSWE, năm mẫu nằm trong khoảng 1,6 điểm của nhau, nên tôi xem dòng đó là nhiễu hơn là một chiến thắng, dù Qwen4-Max đứng đầu trên danh nghĩa.
Một lưu ý ở dòng Terminal-Bench.
Khi chúng tôi so sánh GPT-6 Astra và Claude Opus 5.5, các con số công bố là 66,4% cho Opus 5.5 và 57,9% cho Astra trên Terminal-Bench 4.0, so với 59,6 và 59,1 trong biểu đồ của Alibaba.
Các bộ khung khác nhau cho ra số khác nhau trên cùng điểm chuẩn, đó là lý do không nên đọc chênh 5 điểm như thứ hạng. Riêng con số của Qwen4-Max có vẻ chắc: Vals đo độc lập 48,48%.
Lý luận, khoa học và đa phương tiện
Qwen4-Max đạt 51,7 trên Humanity's Last Exam, sau Opus 5.5 ở 59,8 và GPT-6.1 Sol ở 54,0, và trên Kimi K3.1 ở 51,1. Nó dẫn đầu BioMysteryBench-1.1 với 85,0 và cải thiện mạnh trên HealthBench Professional, từ 39,6 lên 60,0, dù cả hai mẫu GPT-6 vẫn cao hơn.
Điểm chuẩn
Đo lường gì
Qwen4-Max
Qwen3.8-Max-0902
Opus 5.5
GPT-6.1 Sol
GPT-6 Astra
Kimi K3.1
Humanity's Last Exam
Lý luận liên ngành
51,7
43,9
59,8
54,0
53,6
51,1
BioMysteryBench-1.1
Nghiên cứu tin sinh học
85,0
84,1
81,9
84,4
78,9
80,6
HealthBench Professional
Lý luận lâm sàng
60,0
39,6
59,9
65,1
66,0
57,2
Chartography
Hiểu biểu đồ trực quan
54,2
42,0
66,3
67,8
71,1
50,0
Video-Index
Hiểu video
68,1
63,2
74,8
73,8
76,7
63,2
Các dòng thị giác là phần kém nhất của biểu đồ.
Trên Chartography, Qwen4-Max đạt 54,2, tăng từ 42,0 của Qwen3.8-Max, nhưng kém Opus 5.5, GPT-6.1 Sol và GPT-6 Astra từ 12 đến 17 điểm và chỉ vượt Kimi K3.1. Video-Index kể câu chuyện tương tự, với 68,1 so với 73,8 đến 76,7 của ba mẫu Mỹ. Thị giác gốc hoạt động, nhưng không dẫn đầu.
Hiệu quả token và chi phí mỗi tác vụ
Đây là kết quả ảnh hưởng nhiều nhất đến ngân sách vận hành.
Trên Work360, Qwen4-Max dùng ít hơn khoảng 24% token ở mức nỗ lực Xhigh và khoảng 35% ở mức High so với Qwen3.8-Max, và trên Terminal-Bench 4.0, mức giảm là khoảng 48% và 49%.
Kết hợp với mức API thấp hơn, Alibaba báo cáo chi phí trung bình cho mỗi tác vụ Work360 giảm từ $4,43 xuống $1,67, tức 62%.
Ghi điểm cao hơn trong khi chi ra khoảng 38% chi phí mỗi tác vụ là tuyên bố hữu ích hơn đa số chiến thắng điểm chuẩn đơn lẻ, nhưng có hai lưu ý. Work360 là điểm chuẩn riêng của Alibaba, và mức giảm lớn hơn điều cắt giảm token và giá ngụ ý: khoảng 35% token ít hơn ở mức giá thấp hơn 25% gợi ý khoảng 51%, và số liệu nhân dân tệ của Alibaba cho 58%. Alibaba chưa giải thích khoảng chênh.
Chi phí mỗi tác vụ độc lập ít rõ ràng hơn khi so một đối thủ. Trên chỉ số của Artificial Analysis, một tác vụ trung bình $3,27 cho Qwen4-Max so với $10,04 cho Opus 5.5, nhưng chỉ $1,27 cho GPT-6.1 Sol.
Trên Vals, một bài kiểm tra tốn $9,33 cho Qwen4-Max so với $24,77 cho Opus 5.5 và $3,61 cho Sol, và Sol ghi điểm nhỉnh hơn (63,94% so với 63,20%).
Kimi K3.1 là so sánh gần hơn cho đa số độc giả cân nhắc một lựa chọn hệ sinh thái mở. Nó vượt Qwen4-Max trên Terminal-Bench 4.0 (67,2 so với 48,5) và AutomationBench-AA (73,3 so với 72,5), trong khi Qwen4-Max dẫn trên APEX-Agents v1.1 (72,1 so với 65,5), HLAB-Vals-1.1 (21,3 so với 11,7), và JobBench (68,5 so với 61,2). Chọn Kimi cho công việc terminal, Qwen4-Max cho quy trình tài liệu chuyên nghiệp.
Các thử nghiệm độc lập cho thấy gì
Biểu đồ ra mắt do nhà cung cấp tổng hợp.
Một số dòng trích bảng xếp hạng bên thứ ba, gồm LM Arena cho CodeArena và AgentArena, Artificial Analysis cho AA-Briefcase và AutomationBench-AA, bảng Mercor cho APEX-Agents v1.1, và Vals Index cho HLAB-Vals-1.1, với Agents' Last Exam trích từ tác giả.
Alibaba tự chạy JobBench. Tôi chưa thấy tái lập độc lập các kết quả tác tử, nên vẫn xem các chiến thắng đó là tạm thời.
Các bảng xếp hạng độc lập đang dần hoàn chỉnh bức tranh tổng thể, và chúng kém hào nhoáng hơn tài liệu ra mắt.
Artificial Analysis chấm Qwen4-Max 43 trên Intelligence Index, hạng chín chung cuộc, sau Claude Fable 5.2, Gemini 4 Carbon, Opus 5.5, GPT-6 Astra, GPT-6.1 Sol và Kimi K3.1.
Vals xếp thứ 11/38 trên Index với 63,20%, cao nhất trong các mẫu Trung Quốc họ đã thử, và phép đo Terminal-Bench độc lập khớp số Alibaba.
Trên Code Arena WebDev nó đứng thứ sáu, dù vẫn gắn cờ sơ bộ vì số phiếu còn ít.
Tài chính là màn thể hiện độc lập tốt nhất, hạng tám/41 trên cả chỉ số tài chính của Vals và điểm chuẩn Finance Agent; pháp lý yếu hơn, hạng 17/39 trên Vals Legal Index, khá lệch với vị trí dẫn đầu HLAB-Vals.
Chậm và dài dòng là phàn nàn nhất quán. Vals đo khoảng 1 giờ 4 phút mỗi bài kiểm tra, chậm hơn tất cả trừ Opus 5.5 và Sonnet 5.5 trong top 11, và Artificial Analysis ghi nhận 127 triệu token đầu ra trên chỉ số của họ so với trung vị 78,6 triệu.
Báo cáo trải nghiệm thực tế mang tính giai thoại thì lẫn lộn và thường mâu thuẫn nhau, với mô tả là suy nghĩ quá mức ở tác vụ đơn giản và thời gian hoàn thành dài ở prompt dài; một người thử chấm thấp hơn cả Qwen3.8-Max, trong khi người khác báo nó hoàn tất một tác vụ tác tử trong khoảng 30 phút so với khoảng 70 phút của MiniMax M3.1 Flash.
Nên dùng phân hạng Qwen4-Max nào?
Qwen4-Max phát hành dưới dạng một mô hình với công tắc thinking và các mức nỗ lực đặt tên, nên lựa chọn là bạn trả cho bao nhiêu lý luận hơn là gọi checkpoint nào. Thinking bật mặc định, ở mức nỗ lực cao.
"Chế độ tiêu chuẩn" vì vậy nghĩa là đặt enable_thinking thành false. Dung lượng đầu vào giảm nhẹ khi bật thinking, từ 991K xuống 983K, và lý luận (tối đa 262K token) tính vào ngân sách đầu ra.
Bởi vì token thinking tính vào ngân sách đó, một max_tokens được đặt theo phần trả lời hiển thị có thể cắt cụt câu trả lời; trong bản preview, max_tokens giới hạn thinking và trả lời cùng nhau, nên hãy giả định như vậy cho tới khi bạn thử nghiệm.
Giới hạn đầu ra được ghi chép khác nhau giữa tài liệu API (131.072 khi tắt thinking, 262.144 khi bật) và trang mô hình (393K ở cả hai chế độ), như đã nêu ở trên.
Nỗ lực là núm xoay thứ hai.
Alibaba báo cáo kết quả Work360 và Terminal-Bench 4.0 ở cả Xhigh và High, và mức tiết kiệm token so với Qwen3.8-Max lớn hơn ở High trên Work360 (35% so với 24%) và xấp xỉ nhau trên Terminal-Bench. Vì token lý luận bị tính giá đầu ra $4,50 mỗi triệu, thiết lập mức nỗ lực là đòn bẩy lớn nhất trên hóa đơn của bạn.
High cũng là mặc định của Qwen4-Max, trong khi Qwen3.8-Max mặc định xhigh, nên so sánh mặc định giữa hai thế hệ sẽ trộn thay đổi mô hình với thay đổi mức nỗ lực. Hãy đặt mức nỗ lực rõ ràng khi bạn A/B test.
Trường hợp sử dụng
Thiết lập
Lý do
Chạy tác tử nhiều giờ với gọi công cụ
Thinking, nỗ lực High
Hiệu quả token tốt nhất so với thế hệ trước trên Work360
Rà soát tài liệu dài trên 100+ tệp
Thinking, nỗ lực Xhigh
Ngân sách lý luận 262K cộng cửa sổ ngữ cảnh 1M
Trích xuất có cấu trúc ra JSON
Tắt thinking
Hỗ trợ đầu ra có cấu trúc, và tắt thinking tránh chi phí lý luận
Phân loại theo lô khối lượng lớn
Tắt thinking cộng gọi theo lô
Bộ nhớ đệm hạ giá đầu vào xuống $0,075 mỗi triệu token
Lập trình terminal khó
Cân nhắc mô hình khác
48,5 trên Terminal-Bench 4.0 kém Kimi K3.1, Opus 5.5 và cả hai mẫu GPT-6
Giá và khả dụng của Qwen4-Max
QwenCloud niêm yết Qwen4-Max ở $1,50 mỗi 1 triệu token đầu vào và $4,50 mỗi 1 triệu token đầu ra trên bảng quốc tế, với đầu vào cache ở $0,075 mỗi triệu. Tạo cache tường minh tốn $1,875 mỗi triệu cho cửa sổ 5 phút và $3,00 mỗi triệu cho cửa sổ 1 giờ, và đọc cache tường minh là $0,075 mỗi triệu.
Những mức này rẻ hơn mọi flagship phương Tây trong các bảng giá hiện tại: GPT-6 Astra ở $10 đầu vào và $50 đầu ra (cho prompt đến 272K token), Claude Fable 5.2 ở $8 và $40, Gemini 4 Carbon ở $2 và $10 đến hết 30/11 (tăng lên $4 và $20 sau đó), và Grok 4.7 ở $2 và $6 (ngữ cảnh dưới 200K).
Tuy nhiên đó là các phân hạng giá đỉnh, và các mẫu Alibaba dùng để so sánh thì rẻ hơn: Claude Opus 5.5 ở $4 và $20, còn GPT-6.1 Sol và Kimi K3.1 ở $2 và $10. So với Astra, mức đầu ra của Qwen4-Max khoảng một phần mười; so với Opus 5.5 khoảng 22%, và so với Sol và Kimi khoảng 45%.
Có hạn mức miễn phí 1 triệu token trên QwenCloud, sẵn có ở khu vực Singapore trong khoảng 90 ngày, và hạn mức tốc độ công bố là 5.000.000 token mỗi phút.
Alibaba cũng bán quyền truy cập theo Token Plan thay vì chỉ trả theo sử dụng, với báo cáo bên thứ ba liệt kê các gói cá nhân: Lite $6/tháng cho 20.000 credit, Essential $10/tháng cho 45.000, Standard $18/tháng cho 80.000, và Pro $43/tháng cho 200.000, cùng giá ưu đãi người dùng mới $3 và $5 cho hai gói rẻ nhất, được báo chạy đến 30/11.
Gói cá nhân là ưu đãi tại Singapore, và trong giai đoạn preview Alibaba giới hạn nó cho công cụ lập trình tương tác và tác tử thay vì backend sản xuất, nên hãy kiểm tra điều khoản hiện tại trước khi xây dựng dựa trên đó.
Một lưu ý về mốc thời gian, vì tin bài sớm có sự khác nhau về việc đã có giá theo token công khai hay chưa.
Alibaba mở qwen4-max-preview vào ngày 11/11, chỉ theo Token Plan, không có giá theo token và có ngày ngừng 25/11. Giá trả theo sử dụng đến cùng đợt phát hành chung vào ngày 16/11 với ID mô hình qwen4-max, và mức $1,50 và $4,50 ở trên là bảng giá quốc tế tính đến ngày đó.
Chưa công bố trọng số mở cho Max; Alibaba nói các mẫu Qwen4 nhỏ hơn sẽ được mở nguồn sau.
Cách truy cập Qwen4-Max?
ID mô hình API là qwen4-max, phục vụ qua QwenCloud theo Token Plan hoặc API chuẩn, với endpoint tương thích OpenAI và Anthropic. Ngoài API, mô hình có trong QwenStudio (giao diện Qwen Chat), QwenWork, và sản phẩm lập trình Qoder, mà Alibaba đồng thiết kế song song với mô hình.
Dưới đây là lời gọi tối thiểu dùng client Python của OpenAI tới endpoint Chat Completions chế độ tương thích. Thinking bật mặc định, nên cờ enable_thinking chỉ hiện để minh họa; đặt False để tắt thinking.
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},# on by default; False turns thinking off)print(response.choices[0].message.content)Được hỗ trợ bởi
Nếu bạn muốn thử Live Delivery, plugin có trên GitHub với tên Qwen-Live-Delivery-Plugin. Vì hiện tại nó nhắm tới Codex CLI, dùng nó trong một harness khác nghĩa là bạn phải tự nối các công cụ và hook MCP giao hàng của nó. Về các mẫu chung đằng sau gọi hàm và harness tác tử, hướng dẫn Harness² của chúng tôi đi qua cách nối một mô hình vào OpenCode và chấm điểm kết quả.
Kết luận
Qwen4-Max là Alibaba đưa ra lập luận về giá hơn là năng lực.
Nó thắng ở các dòng cần đọc nhiều tài liệu và tạo sản phẩm bàn giao, thua ở các dòng liên quan đến terminal, biểu đồ hoặc video, và làm tất cả với mức giá đầu ra chỉ khoảng một phần mười GPT-6 Astra.
Tôi có chuyển sang dùng không? Với các pipeline tác tử nặng tài liệu nơi chi phí mỗi tác vụ là ràng buộc, đáng để thử nghiệm nghiêm túc, nhưng không nên di cư mù quáng.
Mức giảm từ $4,43 xuống $1,67 mỗi tác vụ Work360 là con số của Alibaba, còn các phiên chạy độc lập đa dạng hơn: GPT-6.1 Sol rẻ hơn mỗi tác vụ và điểm nhỉnh hơn một chút trên Vals, và Qwen4-Max chậm và dài dòng. Với công việc lập trình khó, tôi sẽ ở lại với Opus 5.5 hoặc Kimi K3.1, và phép đo Terminal-Bench độc lập của Vals xác nhận điểm yếu đó.
Nếu bạn muốn thực sự thoải mái khi xây dựng với các mô hình như thế này, hãy bắt đầu với lộ trình kỹ năng AI Fundamentals của chúng tôi.
FAQs
Qwen4-Max khác gì so với Qwen3.8-Max?⌄
Qwen4-Max là mẫu đầu tiên trên kiến trúc Qwen4 mới, với backbone 2,4 nghìn tỷ tham số, 71B tham số kích hoạt mỗi token và thị giác gốc. Nó đạt 52,69 trên điểm chuẩn Work360 của Alibaba so với 47,74 của Qwen3.8-Max, và nhảy từ 27,9 lên 46,7 trên Agents' Last Exam v1.1. Nó cũng dùng ít hơn khoảng 24% đến 49% token cho cùng tác vụ, cắt chi phí Work360 trung bình mỗi tác vụ từ $4,43 xuống $1,67.
Qwen4-Max có giá bao nhiêu mỗi triệu token?⌄
QwenCloud niêm yết Qwen4-Max ở $1,50 mỗi 1 triệu token đầu vào và $4,50 mỗi 1 triệu token đầu ra, với đầu vào cache và đọc cache tường minh ở $0,075 mỗi triệu. Tạo cache tường minh tốn $1,875 mỗi triệu cho cửa sổ 5 phút và $3,00 mỗi triệu cho cửa sổ 1 giờ. Có hạn mức miễn phí 1 triệu token, và Alibaba cũng bán gói Token Plan bắt đầu khoảng $6 mỗi tháng.
Tôi có thể truy cập Qwen4-Max ở đâu?⌄
Qwen4-Max có trên QwenCloud qua Token Plan hoặc API, dùng ID mô hình qwen4-max với endpoint tương thích OpenAI. Nó cũng chạy trong QwenStudio (Qwen Chat), QwenWork và sản phẩm lập trình Qoder. Một số tài liệu bên thứ ba đề cập ID preview qwen4-max-preview.
Qwen4-Max có mã nguồn mở không?⌄
Không. Qwen4-Max là mô hình đóng trọng số, và Alibaba chưa công bố trọng số mở hay model card công khai. Alibaba cho biết các mô hình nhỏ hơn trong họ Qwen4 sẽ được mở nguồn sau, xây dựng trên cùng dòng dõi và kỹ thuật huấn luyện.
Qwen4-Max có tốt cho lập trình không?⌄
Nó cạnh tranh ở lập trình theo kiểu tác tử và yếu ở công việc terminal. Qwen4-Max đạt 75,7 trên DeepSWE v1.1, xấp xỉ Claude Opus 5.5 (74,2) và GPT-6.1 Sol (75,2), nhưng chỉ 48,5 trên Terminal-Bench 4.0 so với 67,2 của Kimi K3.1, và 31,5 trên ProgramBench so với 65,0 của Opus 5.5. Với các tác vụ terminal khó và tái tạo phần mềm, các mô hình khác vẫn mạnh hơn.
Live Delivery trong Qwen4-Max là gì?⌄
Live Delivery là cách tiếp cận của Qwen4-Max cho tác vụ tác tử chạy dài: thay vì chỉ trả kết quả khi hoàn tất, tác tử gửi sớm một phiên bản có thể dùng và cải thiện qua các bản phát hành liên tiếp trong khi bạn điều hướng giữa chừng. Alibaba đã mở nguồn Qwen-Live-Delivery-Plugin trên GitHub để bạn cài đặt thay vì tự xây mẫu này.
Nâng cao kỹ năng lập trình của bạn với trí tuệ nhân tạo — hướng dẫn trợ lý lập trình của bạn để viết, kiểm thử và tài liệu hóa mã nguồn một cách hiệu quả.
Đội Qwen của Alibaba ra mắt Qwen4-Max vào ngày 16 tháng 11 năm 2026, và mức giá là điều đầu tiên đáng chú ý: $1,50 cho mỗi 1 triệu token đầu vào và $4,50 cho mỗi 1 triệu token đầu ra trên QwenCloud.
Để so sánh, các bảng tổng hợp trong cùng tuần liệt kê GPT-6 Astra ở mức $10 đầu vào và $50 đầu ra, còn Claude Fable 5.2 là $8 và $40.
Qwen4-Max là mẫu đầu tiên xây dựng trên kiến trúc Qwen4 mới, với backbone 2,4 nghìn tỷ tham số, 71B tham số được kích hoạt mỗi token, thêm 328B tham số nhúng N-gram, thị giác gốc, và cửa sổ ngữ cảnh 1 triệu token.
Alibaba định vị nó là một mô hình tác tử tầm nhìn dài hạn hơn là mô hình chat, với phần lớn tài liệu ra mắt dành cho các phiên chạy tự động kéo dài nhiều giờ trong kỹ thuật, tài chính, pháp lý và khám phá thuốc.
Trong bài viết này, tôi sẽ điểm qua tất cả những điểm mới của Qwen4-Max, từ kiến trúc, các tính năng chính, các con số điểm chuẩn (bao gồm cả nơi kết quả độc lập lệch với số liệu của Alibaba), các chế độ nỗ lực, giá và cách truy cập.
Để biết đối thủ cạnh tranh là gì, hãy xem bài so sánh của chúng tôi về GPT-6 Astra và Claude Opus 5.5 và hướng dẫn về xây dựng tác tử tự cải thiện với Harness².
TL;DR
Qwen4-Max là gì?
Qwen4-Max là mô hình flagship đóng trọng số của Alibaba và là bản phát hành đầu tiên trong dòng Qwen4, kế nhiệm Qwen3.8-Max.
Đây là một mô hình mixture-of-experts thưa, nghĩa là chỉ một phần tham số hoạt động trên mỗi token. Trong 2,4 nghìn tỷ tham số backbone, có 71B tham số hoạt động mỗi token, và nó bổ sung 328B tham số nhúng N-gram, là các bảng tra cứu tiêu tốn ít tính toán. Nó nhận đầu vào văn bản, hình ảnh và video, và tạo đầu ra văn bản.
Kiến trúc là nơi Qwen4 khác biệt nhất với thế hệ trước, và điều này giúp giải thích câu chuyện chi phí ở phần sau. Ba thành phần đã thay đổi:
Alibaba báo cáo rằng lần huấn luyện 2,4T không có đột biến loss, tức các cú nhảy đột ngột báo hiệu huấn luyện không ổn định.
Mẫu nền của nó, Qwen4-Max-Base, cũng ghi nhận bits per byte thấp nhất trong năm checkpoint được đánh giá trên kiến thức, mã, hỏi đáp và STEM. Bits per byte đo mức độ dự đoán văn bản của mô hình, và thấp hơn là tốt hơn.
Kết quả thấp hơn 5 đến 13% so với Qwen3.8-Max-Base, trong khi kích hoạt ít hơn 25% tham số. Đây là thử nghiệm nội bộ, và lưu ý rằng hai trong số các checkpoint so sánh đã được huấn luyện bổ sung, nên phép so sánh không hoàn toàn tương đương.
Con số năng lực tiêu đề là Work360, điểm chuẩn riêng của Alibaba bao phủ 721 lĩnh vực chuyên môn, nơi Qwen4-Max đạt 52,69 so với 47,74 của Qwen3.8-Max.
Tính năng chính của Qwen4-Max
Đợt ra mắt xoay quanh những gì mô hình bàn giao sau một phiên chạy dài thay vì những gì nó nói trong một lượt, nên các tính năng dưới đây chủ yếu liên quan đến thời lượng, công cụ và định dạng đầu ra.
Cửa sổ ngữ cảnh 1 triệu token với thị giác gốc
Qwen4-Max nhận văn bản, hình ảnh và video trong cửa sổ ngữ cảnh 1M token, với đầu vào tối đa 991K token, hoặc 983K khi bật chế độ thinking.
Thinking được bật mặc định, và tối đa 262K token lý luận được tính vào ngân sách đầu ra.
Giới hạn đầu ra được ghi chép không nhất quán.
Trang mô hình trên QwenCloud liệt kê tối đa 393K đầu ra ở cả hai chế độ, trong khi tài liệu API đưa ra 131.072 token khi tắt thinking và 262.144 cho thinking cộng câu trả lời cuối. Hãy kiểm tra con số nào áp dụng cho endpoint của bạn trước khi đặt
max_tokens.Đường dẫn thị giác là gốc thay vì gắn thêm, điều này giúp bản demo lâm sàng khả thi: Alibaba mô tả mô hình rà soát một hồ sơ gồm hàng chục báo cáo xét nghiệm, hơn 10.000 ký tự tiếng Trung của ghi chú diễn tiến, và 1.433 ảnh y khoa gốc trong một cuộc hội thoại, phân loại chúng thành sáu chuỗi ảnh trước khi phân công các tác tử phụ đọc hàng trăm lát cắt.
Alibaba nói rằng phát hiện hình ảnh phù hợp với chẩn đoán của bác sĩ điều trị và bốn khuyến nghị xử trí trùng khớp từng điểm với y lệnh trong ngày.
Bàn giao một công việc chạy dài và điều hướng giữa chừng
Live Delivery là tính năng tôi thấy thú vị nhất, vì nó giải quyết điều khiến các phiên chạy tác tử kéo dài khó dùng trong thực tế.
Thay vì chờ một tác vụ nhiều giờ kết thúc rồi mới phát hiện tác tử hiểu sai yêu cầu ở phút thứ ba, tác tử sẽ gửi sớm một phiên bản đầu tiên có thể dùng, sau đó cải thiện qua các bản phát hành liên tiếp trong khi bạn điều hướng lại.
Alibaba đã mở nguồn Qwen-Live-Delivery-Plugin theo Apache-2.0 để bạn có thể cài đặt thay vì tự xây, dù khi ra mắt mới ở phiên bản 0.1.0 và chỉ hỗ trợ Codex CLI, trên Linux và macOS với Node.js 22+.
Hỗ trợ cho các bộ khung tác tử khác nằm trong danh sách việc cần làm.
Thừa nhận rằng, phân phối liên tục các phần công việc là một mẫu thiết kế ở tầng harness hơn là năng lực mô hình, đó là lý do plugin mở nguồn quan trọng hơn tên gọi tiếp thị.
Sản phẩm bàn giao có thể kiểm chứng, không chỉ câu trả lời
Bản demo tài chính tạo workbook Excel và deck PowerPoint có thể chỉnh sửa với hai cơ chế truy xuất nguồn: siêu liên kết trong ô dẫn về nguồn dữ liệu gốc, và ánh xạ một-một giữa biểu đồ PowerPoint và workbook nền.
Alibaba cho biết Qwen4 gọi 90 công cụ MCP trong bộ thiết lập nghiên cứu đầu tư tài chính, lấy báo giá thị trường, số liệu tài chính, lãi suất và dữ liệu cổ tức trên cổ phiếu A, cổ phiếu Hong Kong và Mỹ, trái phiếu, quỹ và phái sinh, và đối chiếu với công bố công khai.
Con số công cụ mô tả bộ thiết lập nghiên cứu nói chung. Riêng Alibaba trình diễn quy trình trên một ca phái sinh CSI 300.
Ví dụ pháp lý ấn tượng hơn.
Với 198 tài liệu làm việc đặt tên không nhất quán được chuyển giao theo lô, Qwen4-Max đã đổi tên và sắp xếp theo nội dung vào 14 thư mục, xây dựng mục lục tài liệu làm việc, đối chiếu hồ sơ kinh doanh và tư pháp công khai với các tài liệu, và tạo một báo cáo 86 trang bao quát 12 mảng rà soát và 14 vấn đề pháp lý cụ thể, với mọi kết luận đều trích dẫn lại một tài liệu làm việc.
Vận hành trọn vẹn các công cụ chuyên nghiệp
Qwen4-Max vận hành trực tiếp Blender, Unity, Unreal Engine và Godot, xử lý mô hình hình học, thiết lập vật liệu, ánh sáng, logic gameplay và thiết kế HUD, sau đó chạy kết quả và dùng phản hồi thị giác để chỉnh theo dõi camera và phản hồi va chạm.
Một trong các bản demo là game đua xe Android có thể cài đặt xây dựng bằng Unity 6.
Trường hợp sản xuất là ví dụ có con số đi kèm, dù đây là màn trình diễn của công ty chứ không phải phép đo độc lập.
Tại SANF và Pacific Union, mô hình dựng các mô hình dây chuyền sản xuất 3D từ sơ đồ 2D, mô phỏng thời gian chu kỳ, chạy chạy thử ảo PLC, và lập kế hoạch đường chạy dao gia công, cắt giảm công sức lập trình thủ công cho một phôi từ khoảng 475 phút xuống còn 24 phút.
Nghiên cứu tác nghiệp và lập lịch đám mây
Alibaba triển khai Qwen4-Max cho các bài toán lập lịch của chính Alibaba Cloud, để mô hình tạo thuật toán ứng viên, kiểm tra tính khả thi và giá trị mục tiêu với MindOpt (bộ giải của Alibaba), sau đó lặp cải thiện mã.
Kết quả báo cáo cho thấy chi phí lập lịch gọi mô hình gán nhãn dữ liệu giảm 10,42% so với đường cơ sở tham chiếu, phân bổ GPU trực tuyến tăng 4,62% thời lượng nhàn rỗi cấp nguyên máy, và lập lịch lại CPU ngoại tuyến đạt mục tiêu tối ưu nhanh hơn hơn 14,61 lần.
Đây là số liệu nội bộ tự báo cáo trên khối lượng công việc nội bộ, nên hãy coi như màn trình diễn sử dụng công cụ nghiên cứu tác nghiệp hơn là một điểm chuẩn có thể chuyển giao.
Vòng lặp nghiên cứu tự động đạt kết quả vật lý
Trong một phiên chạy tác tử liên tục 48 giờ trên nền tảng Mira của Deep Principle, Qwen4 xây dựng không gian ứng viên 2,7 triệu phân tử, sàng lọc, chạy tính toán nguyên lý đầu tiên và phân tích tổng hợp ngược, rồi chỉ đạo một phòng thí nghiệm ướt tự động qua tổng hợp, tinh sạch và kiểm tra.
Sau bốn vòng lặp thiết kế, tổng hợp và học chủ động, nó tạo ra mẫu vật lý của một phân tử chất làm mát mới.
Trên nền tảng PharmMaster của DP Technology, nhắm mục tiêu inflammasome NLRP3, nó thực hiện 454 lần gọi công cụ, chạy 3.239 đánh giá chỉ số tính toán, và thiết kế 24 phân tử ứng viên.
Tính toán năng lượng tự do liên kết tương đối đặt ái lực danh định của ứng viên cuối cùng khoảng gấp 3,6 lần so với tham chiếu dẫn xuất từ bằng sáng chế, mà các chuyên gia DP Technology đánh giá đáng để xác thực trong phòng thí nghiệm ướt.
Kết nối API tiêu chuẩn: gọi hàm, tìm kiếm web và đầu ra có cấu trúc
Trên QwenCloud, Qwen4-Max hỗ trợ gọi hàm, đầu ra JSON có cấu trúc, hoàn thành tiền tố qua Partial Mode, bộ nhớ đệm ngầm và tường minh, gọi theo lô, tìm kiếm web và tinh chỉnh. Hạn mức tốc độ được đặt ở 5.000.000 token mỗi phút.
Qwen4-Max hoạt động thế nào trên các điểm chuẩn?
Qwen4-Max mạnh nhất ở công việc tác tử tầm nhìn dài và yếu nhất ở lập trình terminal và hiểu thị giác, và khoảng cách đủ lớn để quyết định việc bạn có nên áp dụng hay không.
Alibaba so sánh nó với Qwen3.8-Max-0902, Claude Opus 5.5, GPT-6.1 Sol, GPT-6 Astra, và Kimi K3.1 (Kimi-K3.1-Pro của Moonshot Kimi-K3.1-Pro).
Công việc tầm nhìn dài và tác tử
Nổi bật là Agents' Last Exam v1.1, nơi Qwen4-Max đạt 46,7 so với 43,4 của Claude Opus 5.5, 42,6 của GPT-6.1 Sol, và 27,9 của tiền nhiệm Qwen3.8-Max.
Một bước nhảy 18,8 điểm trong một thế hệ trên thang điểm nhiệm vụ tầm nhìn dài là kết quả đơn lẻ đáng chú ý nhất từ bản phát hành này.
Tất cả điểm số dưới đây đến từ biểu đồ ra mắt của Alibaba, do nhà cung cấp tổng hợp, nên hãy coi như số liệu nhà cung cấp báo cáo dù một số dòng trích bảng xếp hạng bên thứ ba. Kết quả tốt nhất mỗi dòng được in đậm.
Mẫu hình không đồng đều. Qwen4-Max dẫn rộng ở điểm chuẩn tác tử pháp lý, gần gấp đôi mẫu kế tiếp (21,3 so với 11,7 của Kimi K3.1), về nhì ở AA-Briefcase, APEX-Agents, AutomationBench-AA và JobBench, và gần cuối ở AgentArena, nơi 18,2 của Opus 5.5 hơn gấp đôi 7,5 của nó.
Nếu tác tử của bạn làm công việc chuyên môn nặng tài liệu, đây là tín hiệu tốt; nếu chúng vận hành công cụ trực tiếp trong môi trường mở, thì kém hơn.
Lập trình và tác vụ terminal
Lập trình là nơi tôi sẽ dè dặt. Qwen4-Max đạt 48,5 trên Terminal-Bench 4.0, sau Kimi K3.1 ở 67,2, Opus 5.5 ở 59,6, GPT-6 Astra ở 59,1, và GPT-6.1 Sol ở 56,1, xếp thứ năm trong sáu mẫu trên biểu đồ, dù đã tăng gần 10 điểm so với 38,9 của Qwen3.8-Max.
ProgramBench là dòng tệ nhất: 31,5 so với 65,0 của Opus 5.5, chưa đến một nửa. Trên DeepSWE, năm mẫu nằm trong khoảng 1,6 điểm của nhau, nên tôi xem dòng đó là nhiễu hơn là một chiến thắng, dù Qwen4-Max đứng đầu trên danh nghĩa.
Một lưu ý ở dòng Terminal-Bench.
Khi chúng tôi so sánh GPT-6 Astra và Claude Opus 5.5, các con số công bố là 66,4% cho Opus 5.5 và 57,9% cho Astra trên Terminal-Bench 4.0, so với 59,6 và 59,1 trong biểu đồ của Alibaba.
Các bộ khung khác nhau cho ra số khác nhau trên cùng điểm chuẩn, đó là lý do không nên đọc chênh 5 điểm như thứ hạng. Riêng con số của Qwen4-Max có vẻ chắc: Vals đo độc lập 48,48%.
Lý luận, khoa học và đa phương tiện
Qwen4-Max đạt 51,7 trên Humanity's Last Exam, sau Opus 5.5 ở 59,8 và GPT-6.1 Sol ở 54,0, và trên Kimi K3.1 ở 51,1. Nó dẫn đầu BioMysteryBench-1.1 với 85,0 và cải thiện mạnh trên HealthBench Professional, từ 39,6 lên 60,0, dù cả hai mẫu GPT-6 vẫn cao hơn.
Các dòng thị giác là phần kém nhất của biểu đồ.
Trên Chartography, Qwen4-Max đạt 54,2, tăng từ 42,0 của Qwen3.8-Max, nhưng kém Opus 5.5, GPT-6.1 Sol và GPT-6 Astra từ 12 đến 17 điểm và chỉ vượt Kimi K3.1. Video-Index kể câu chuyện tương tự, với 68,1 so với 73,8 đến 76,7 của ba mẫu Mỹ. Thị giác gốc hoạt động, nhưng không dẫn đầu.
Hiệu quả token và chi phí mỗi tác vụ
Đây là kết quả ảnh hưởng nhiều nhất đến ngân sách vận hành.
Trên Work360, Qwen4-Max dùng ít hơn khoảng 24% token ở mức nỗ lực Xhigh và khoảng 35% ở mức High so với Qwen3.8-Max, và trên Terminal-Bench 4.0, mức giảm là khoảng 48% và 49%.
Kết hợp với mức API thấp hơn, Alibaba báo cáo chi phí trung bình cho mỗi tác vụ Work360 giảm từ $4,43 xuống $1,67, tức 62%.
Ghi điểm cao hơn trong khi chi ra khoảng 38% chi phí mỗi tác vụ là tuyên bố hữu ích hơn đa số chiến thắng điểm chuẩn đơn lẻ, nhưng có hai lưu ý. Work360 là điểm chuẩn riêng của Alibaba, và mức giảm lớn hơn điều cắt giảm token và giá ngụ ý: khoảng 35% token ít hơn ở mức giá thấp hơn 25% gợi ý khoảng 51%, và số liệu nhân dân tệ của Alibaba cho 58%. Alibaba chưa giải thích khoảng chênh.
Chi phí mỗi tác vụ độc lập ít rõ ràng hơn khi so một đối thủ. Trên chỉ số của Artificial Analysis, một tác vụ trung bình $3,27 cho Qwen4-Max so với $10,04 cho Opus 5.5, nhưng chỉ $1,27 cho GPT-6.1 Sol.
Trên Vals, một bài kiểm tra tốn $9,33 cho Qwen4-Max so với $24,77 cho Opus 5.5 và $3,61 cho Sol, và Sol ghi điểm nhỉnh hơn (63,94% so với 63,20%).
Kimi K3.1 là so sánh gần hơn cho đa số độc giả cân nhắc một lựa chọn hệ sinh thái mở. Nó vượt Qwen4-Max trên Terminal-Bench 4.0 (67,2 so với 48,5) và AutomationBench-AA (73,3 so với 72,5), trong khi Qwen4-Max dẫn trên APEX-Agents v1.1 (72,1 so với 65,5), HLAB-Vals-1.1 (21,3 so với 11,7), và JobBench (68,5 so với 61,2). Chọn Kimi cho công việc terminal, Qwen4-Max cho quy trình tài liệu chuyên nghiệp.
Các thử nghiệm độc lập cho thấy gì
Biểu đồ ra mắt do nhà cung cấp tổng hợp.
Một số dòng trích bảng xếp hạng bên thứ ba, gồm LM Arena cho CodeArena và AgentArena, Artificial Analysis cho AA-Briefcase và AutomationBench-AA, bảng Mercor cho APEX-Agents v1.1, và Vals Index cho HLAB-Vals-1.1, với Agents' Last Exam trích từ tác giả.
Alibaba tự chạy JobBench. Tôi chưa thấy tái lập độc lập các kết quả tác tử, nên vẫn xem các chiến thắng đó là tạm thời.
Các bảng xếp hạng độc lập đang dần hoàn chỉnh bức tranh tổng thể, và chúng kém hào nhoáng hơn tài liệu ra mắt.
Chậm và dài dòng là phàn nàn nhất quán. Vals đo khoảng 1 giờ 4 phút mỗi bài kiểm tra, chậm hơn tất cả trừ Opus 5.5 và Sonnet 5.5 trong top 11, và Artificial Analysis ghi nhận 127 triệu token đầu ra trên chỉ số của họ so với trung vị 78,6 triệu.
Báo cáo trải nghiệm thực tế mang tính giai thoại thì lẫn lộn và thường mâu thuẫn nhau, với mô tả là suy nghĩ quá mức ở tác vụ đơn giản và thời gian hoàn thành dài ở prompt dài; một người thử chấm thấp hơn cả Qwen3.8-Max, trong khi người khác báo nó hoàn tất một tác vụ tác tử trong khoảng 30 phút so với khoảng 70 phút của MiniMax M3.1 Flash.
Nên dùng phân hạng Qwen4-Max nào?
Qwen4-Max phát hành dưới dạng một mô hình với công tắc thinking và các mức nỗ lực đặt tên, nên lựa chọn là bạn trả cho bao nhiêu lý luận hơn là gọi checkpoint nào. Thinking bật mặc định, ở mức nỗ lực cao.
"Chế độ tiêu chuẩn" vì vậy nghĩa là đặt
enable_thinkingthành false. Dung lượng đầu vào giảm nhẹ khi bật thinking, từ 991K xuống 983K, và lý luận (tối đa 262K token) tính vào ngân sách đầu ra.Bởi vì token thinking tính vào ngân sách đó, một
max_tokensđược đặt theo phần trả lời hiển thị có thể cắt cụt câu trả lời; trong bản preview,max_tokensgiới hạn thinking và trả lời cùng nhau, nên hãy giả định như vậy cho tới khi bạn thử nghiệm.Giới hạn đầu ra được ghi chép khác nhau giữa tài liệu API (131.072 khi tắt thinking, 262.144 khi bật) và trang mô hình (393K ở cả hai chế độ), như đã nêu ở trên.
Nỗ lực là núm xoay thứ hai.
Alibaba báo cáo kết quả Work360 và Terminal-Bench 4.0 ở cả Xhigh và High, và mức tiết kiệm token so với Qwen3.8-Max lớn hơn ở High trên Work360 (35% so với 24%) và xấp xỉ nhau trên Terminal-Bench. Vì token lý luận bị tính giá đầu ra $4,50 mỗi triệu, thiết lập mức nỗ lực là đòn bẩy lớn nhất trên hóa đơn của bạn.
High cũng là mặc định của Qwen4-Max, trong khi Qwen3.8-Max mặc định xhigh, nên so sánh mặc định giữa hai thế hệ sẽ trộn thay đổi mô hình với thay đổi mức nỗ lực. Hãy đặt mức nỗ lực rõ ràng khi bạn A/B test.
Giá và khả dụng của Qwen4-Max
QwenCloud niêm yết Qwen4-Max ở $1,50 mỗi 1 triệu token đầu vào và $4,50 mỗi 1 triệu token đầu ra trên bảng quốc tế, với đầu vào cache ở $0,075 mỗi triệu. Tạo cache tường minh tốn $1,875 mỗi triệu cho cửa sổ 5 phút và $3,00 mỗi triệu cho cửa sổ 1 giờ, và đọc cache tường minh là $0,075 mỗi triệu.
Những mức này rẻ hơn mọi flagship phương Tây trong các bảng giá hiện tại: GPT-6 Astra ở $10 đầu vào và $50 đầu ra (cho prompt đến 272K token), Claude Fable 5.2 ở $8 và $40, Gemini 4 Carbon ở $2 và $10 đến hết 30/11 (tăng lên $4 và $20 sau đó), và Grok 4.7 ở $2 và $6 (ngữ cảnh dưới 200K).
Tuy nhiên đó là các phân hạng giá đỉnh, và các mẫu Alibaba dùng để so sánh thì rẻ hơn: Claude Opus 5.5 ở $4 và $20, còn GPT-6.1 Sol và Kimi K3.1 ở $2 và $10. So với Astra, mức đầu ra của Qwen4-Max khoảng một phần mười; so với Opus 5.5 khoảng 22%, và so với Sol và Kimi khoảng 45%.
Có hạn mức miễn phí 1 triệu token trên QwenCloud, sẵn có ở khu vực Singapore trong khoảng 90 ngày, và hạn mức tốc độ công bố là 5.000.000 token mỗi phút.
Alibaba cũng bán quyền truy cập theo Token Plan thay vì chỉ trả theo sử dụng, với báo cáo bên thứ ba liệt kê các gói cá nhân: Lite $6/tháng cho 20.000 credit, Essential $10/tháng cho 45.000, Standard $18/tháng cho 80.000, và Pro $43/tháng cho 200.000, cùng giá ưu đãi người dùng mới $3 và $5 cho hai gói rẻ nhất, được báo chạy đến 30/11.
Gói cá nhân là ưu đãi tại Singapore, và trong giai đoạn preview Alibaba giới hạn nó cho công cụ lập trình tương tác và tác tử thay vì backend sản xuất, nên hãy kiểm tra điều khoản hiện tại trước khi xây dựng dựa trên đó.
Một lưu ý về mốc thời gian, vì tin bài sớm có sự khác nhau về việc đã có giá theo token công khai hay chưa.
Alibaba mở
qwen4-max-previewvào ngày 11/11, chỉ theo Token Plan, không có giá theo token và có ngày ngừng 25/11. Giá trả theo sử dụng đến cùng đợt phát hành chung vào ngày 16/11 với ID mô hìnhqwen4-max, và mức $1,50 và $4,50 ở trên là bảng giá quốc tế tính đến ngày đó.Chưa công bố trọng số mở cho Max; Alibaba nói các mẫu Qwen4 nhỏ hơn sẽ được mở nguồn sau.
Cách truy cập Qwen4-Max?
ID mô hình API là
qwen4-max, phục vụ qua QwenCloud theo Token Plan hoặc API chuẩn, với endpoint tương thích OpenAI và Anthropic. Ngoài API, mô hình có trong QwenStudio (giao diện Qwen Chat), QwenWork, và sản phẩm lập trình Qoder, mà Alibaba đồng thiết kế song song với mô hình.Dưới đây là lời gọi tối thiểu dùng client Python của OpenAI tới endpoint Chat Completions chế độ tương thích. Thinking bật mặc định, nên cờ
enable_thinkingchỉ hiện để minh họa; đặtFalseđể tắt thinking.Nếu bạn muốn thử Live Delivery, plugin có trên GitHub với tên Qwen-Live-Delivery-Plugin. Vì hiện tại nó nhắm tới Codex CLI, dùng nó trong một harness khác nghĩa là bạn phải tự nối các công cụ và hook MCP giao hàng của nó. Về các mẫu chung đằng sau gọi hàm và harness tác tử, hướng dẫn Harness² của chúng tôi đi qua cách nối một mô hình vào OpenCode và chấm điểm kết quả.
Kết luận
Qwen4-Max là Alibaba đưa ra lập luận về giá hơn là năng lực.
Nó thắng ở các dòng cần đọc nhiều tài liệu và tạo sản phẩm bàn giao, thua ở các dòng liên quan đến terminal, biểu đồ hoặc video, và làm tất cả với mức giá đầu ra chỉ khoảng một phần mười GPT-6 Astra.
Tôi có chuyển sang dùng không? Với các pipeline tác tử nặng tài liệu nơi chi phí mỗi tác vụ là ràng buộc, đáng để thử nghiệm nghiêm túc, nhưng không nên di cư mù quáng.
Mức giảm từ $4,43 xuống $1,67 mỗi tác vụ Work360 là con số của Alibaba, còn các phiên chạy độc lập đa dạng hơn: GPT-6.1 Sol rẻ hơn mỗi tác vụ và điểm nhỉnh hơn một chút trên Vals, và Qwen4-Max chậm và dài dòng. Với công việc lập trình khó, tôi sẽ ở lại với Opus 5.5 hoặc Kimi K3.1, và phép đo Terminal-Bench độc lập của Vals xác nhận điểm yếu đó.
Nếu bạn muốn thực sự thoải mái khi xây dựng với các mô hình như thế này, hãy bắt đầu với lộ trình kỹ năng AI Fundamentals của chúng tôi.