阿里巴巴 Qwen 团队于 2026 年 11 月 16 日发布 Qwen4-Max,最先值得关注的是价格:在 QwenCloud 上,输入每 100 万 tokens 收费 $1.50,输出每 100 万 tokens 收费 $4.50。
对比来看,同周流传的汇总显示,GPT-6 Astra 定价为输入 $10、输出 $50,Claude Fable 5.2 为 $8 和 $40。
Qwen4-Max 是基于全新 Qwen4 架构构建的首个模型,采用 2.4 万亿参数主干,每个 token 激活 710 亿参数,另有 3280 亿 N-gram 嵌入参数,具备原生视觉能力,并提供 100 万 token 的上下文窗口。
阿里将其定位为长周期 Agent 模型而非聊天模型,发布材料的重点多放在工程、金融、法律与药物研发等多小时自治运行的案例。
本文将全面梳理 Qwen4-Max 的新变化,包括架构、关键功能、基准测试数据(含与阿里自报数据有分歧的独立结果)、努力级别、定价与接入方式。
关于其竞品背景,请参见我们的对比文章 GPT-6 Astra 与 Claude Opus 5.5 ,以及我们的教程 用 Harness² 构建自我改进的 Agent 。
要点速览
Qwen4-Max 是阿里巴巴的新旗舰,基于全新的 Qwen4 架构,具备原生视觉与 100 万 token 上下文窗口。
其优势体现在长周期的 Agent 工作与专业交付,按阿里自报多项跑分可胜过 Claude Opus 5.5。
终端编码是弱项:明显落后于 Kimi K3.1、Opus 5.5 和两款 GPT-6 模型。对图表和视频的理解也落后于三款美国模型。
价格是最有力的卖点。目前的价格汇总中,它在输入与输出两端都低于所有西方旗舰,但更低的单 token 价格并不保证更低的单任务成本。
对数字需谨慎:发布图表为厂商汇编。已有独立跑分,结果更为复杂:Artificial Analysis 排第九、Vals 排第 11,测试者形容其偏慢且冗长。Vals 的 Terminal-Bench 跑分与阿里数字一致。
Max 不开放权重。较小的 Qwen4 模型承诺后续开源。
Qwen4-Max 是什么?
Qwen4-Max 是阿里巴巴的旗舰闭源权重模型,也是 Qwen4 系列首发,承接 Qwen3.8-Max 。
它是一种稀疏的专家混合(MoE)模型 ,即每个 token 只会用到部分参数。在 2.4 万亿主干参数中,每个 token 激活 710 亿参数,并增配 3280 亿 N-gram 嵌入(查表,计算开销小)。它可接受文本、图像与视频输入,并生成文本输出。
Qwen4 相比上一代变化最大的在于架构,这也有助于解释后文的成本。三处核心组件更新:
混合注意力(GDN + QSA): 对每个稀疏注意力层,三层 Gated DeltaNet 将早期上下文压缩为固定大小的记忆;稀疏层随后只挑选相关上下文,从而让 100 万 token 窗口仍具成本可承受性。
门控残差: 每层包含四条并行路径,门控用于控制其间的信息流。阿里称这带来稳定训练。
N-gram 嵌入: 针对常见的局部 token 模式进行查表,以很小的额外计算增加容量。
阿里报告 2.4T 训练过程中未出现 loss 峰值,即未出现指示训练不稳定的突增。
其基座模型 Qwen4-Max-Base 还在知识、代码、问答与理工科五个检查点中给出了最低的 bits per byte。该指标衡量模型的文本预测能力,越低越好。
结果较 Qwen3.8-Max-Base 低 5% 至 13%,同时激活参数少 25%。这些为内部测试,且披露称对比中的两个检查点接受过额外训练,因此并非严格同类对比。
最醒目的能力指标是阿里自研的 Work360,覆盖 721 个专业领域,Qwen4-Max 得分 52.69,对比 Qwen3.8-Max 的 47.74。
Qwen4-Max 关键特性
此次发布强调的是长时运行结束时能交付什么,而非单轮回复能说什么,因此下列特性更多围绕时长、工具与输出格式。
100 万 token 上下文窗口与原生视觉
Qwen4-Max 在 100 万 token 的上下文窗口中接受文本、图像与视频输入,最大输入为 99.1 万 tokens;若开启思考(thinking),上限为 98.3 万。
思考默认开启,至多 26.2 万 tokens 的推理会计入输出预算。
输出上限的文档表述并不一致。
QwenCloud 模型页面在两种模式下均列出 39.3 万的最大输出,而 API 文档给出的是:关闭思考为 131,072 tokens,开启思考后思考+最终答案合计为 262,144。请在设置 max_tokens 之前确认您的端点适用哪一组数字。
视觉路径是原生而非外挂,这使临床演示成为可能:阿里描述模型在一次对话中审阅包含数十份检验报告、逾万字中文病程记录、以及 1,433 张原始医学影像的病历,将其整理成 6 个影像序列,再派出子代理读取数百张切片。
阿里称影像结论与主治医生诊断一致,四条管理建议也与当日医嘱逐条对应。
交付长跑任务并在中途纠偏
我认为 Live Delivery 最有意思,因为它直面了让长时 Agent 跑不通的现实痛点。
与其在数小时后才发现代理在第 3 分钟就误读了任务,不如先尽快交付一个可用的初版,再在后续迭代中一边改进一边按您的指令校正方向。
阿里已将 Qwen-Live-Delivery-Plugin 以 Apache-2.0 开源,便于直接安装而非自研。首发为 0.1.0 版,仅支持 Codex CLI,需在 Linux 或 macOS 上配合 Node.js 22+。
对其他 Agent 框架的支持在其待办列表中。
诚然,持续交付部分成果更多是一种框架范式,而非模型本体能力,这也是为何插件开源比营销名词更重要。
可审计的交付物,而不只是答案
金融演示生成可编辑的 Excel 工作簿与 PowerPoint 文稿,并提供两种可溯源机制:单元格内的超链接可回到原始数据源;PowerPoint 图表与底层工作簿一一对应。
阿里称在其投研场景下,Qwen4 调用了 90 个 MCP 工具,获取 A 股、港美股、债券、基金及衍生品的行情、财务、利率、分红等数据,并与公开披露进行交叉校验。
上述工具数量描述的是整体投研搭建。阿里另演示了一个沪深 300 衍生品案例的完整流程。
法律案例更为亮眼。
在收到分批次、命名不一致的 198 份工作底稿后,Qwen4-Max 依据内容将其重命名并归入 14 个文件夹,建立工作底稿目录,将公开工商与司法记录与底稿交叉核对,并生成一份 86 页的报告,覆盖 12 个审阅领域与 14 个具体法律问题,所有结论均回引至对应底稿。
端到端操控专业工具
Qwen4-Max 可直接操作 Blender、Unity、Unreal Engine 与 Godot,处理几何建模、材质设置、光照、玩法逻辑与 HUD 设计,随后运行结果并基于视觉反馈调整镜头跟踪与命中响应。
演示之一是基于 Unity 6 构建的可安装安卓赛车游戏。
制造业案例给出了量化数字,但属于企业展示而非独立测量。
在胜凡与太平鸟,模型基于 2D 布局构建 3D 产线模型,模拟节拍时间,进行 PLC 虚拟调试与机加工刀路规划,将单件工件的人工编程时间由约 475 分钟降至 24 分钟。
运筹优化与云调度
阿里将 Qwen4-Max 用于阿里云内部的调度问题,让模型生成候选算法、用 MindOpt(阿里求解器)检验可行性与目标值,再迭代代码。
报告显示,数据标注的模型调用调度成本较基准下降 10.42%,在线 GPU 分配的整机空闲时长提升 4.62%,离线 CPU 重调度达到最优目标的速度提升超过 14.61 倍。
这些都是针对内部工作负载的自报数字,更适合作为使用运筹学工具的示范,而非可迁移的基准。
可达成物理结果的自治科研闭环
在 Deep Principle 的 Mira 平台上连续 48 小时的 Agent 运行中,Qwen4 构建了 270 万分子的候选空间并进行筛选,执行第一性原理计算与逆合成分析,然后指挥自动化湿法实验室完成合成、纯化与测试。
在历经四轮设计—合成—主动学习后,产出了新的制冷剂分子的实体样品。
在达摩院合作方 DP Technology 的 PharmMaster 平台上,以 NLRP3 炎性小体为靶点,模型发起了 454 次工具调用,进行了 3,239 次计算性指标评估,并设计了 24 个候选分子。
相对结合自由能计算显示最终候选的名义亲和力约为专利参考的 3.6 倍,DP Technology 的专家认为值得进行湿实验验证。
标准 API 配套:函数调用、网页搜索与结构化输出
在 QwenCloud 上,Qwen4-Max 支持函数调用、结构化 JSON 输出、通过 Partial Mode 的前缀补全、隐式与显式上下文缓存、批量调用、网页搜索与微调。限速为每分钟 5,000,000 tokens。
Qwen4-Max 在基准测试中的表现如何?
Qwen4-Max 在长周期 Agent 工作上最强,在终端编码与视觉理解上最弱,强弱差距足以影响您是否采用它。
阿里的对比对象包括 Qwen3.8-Max-0902、Claude Opus 5.5 、GPT-6.1 Sol 、GPT-6 Astra ,以及 Kimi K3.1(Moonshot 的 Kimi-K3.1-Pro )。
长周期与 Agent 工作
最抢眼的是 Agents' Last Exam v1.1,Qwen4-Max 得分 46.7,对比 Claude Opus 5.5 的 43.4、GPT-6.1 Sol 的 42.6,以及其前代 Qwen3.8-Max 的 27.9。
在长周期任务基准上单代提升 18.8 分,是此次发布中我最会拿出来说的一个结果。
下表所有分数均来自阿里的发布图表,属于厂商汇编,因此即便部分行标注了第三方榜单,也应按厂商自报阅读。每行最佳结果以加粗显示。
Benchmark What it measures Qwen4-Max Qwen3.8-Max-0902 Opus 5.5 GPT-6.1 Sol GPT-6 Astra Kimi K3.1 Agents' Last Exam v1.1 Long-horizon valuable tasks 46.7 27.9 43.4 42.6 43.4 n/a AA-Briefcase v1.1 (Elo) Agentic knowledge work 1686 1605 1801 1555 1569 1674 APEX-Agents v1.1 Professional services tasks 72.1 63.3 73.5 60.0 64.7 65.5 AutomationBench-AA Agentic SaaS workflows 72.5 56.2 69.5 64.9 68.5 73.3 HLAB-Vals-1.1 Legal agent work 21.3 15.4 9.2 6.3 7.1 11.7 JobBench Professional job tasks 68.5 65.3 75.4 66.2 66.1 61.2 AgentArena (net improvement) Real-world agent tasks 7.5 n/a 18.2 11.8 13.9 3.9
模式并不均衡。Qwen4-Max 在法律 Agent 基准上大幅领先,几乎是第二名的两倍(21.3 对 Kimi K3.1 的 11.7),在 AA-Briefcase、APEX-Agents、AutomationBench-AA 与 JobBench 上位列第二,而在 AgentArena 上接近末尾,Opus 5.5 的 18.2 是其 7.5 的两倍多。
若您的 Agent 以文档密集的专业工作为主,这看起来不错;若要在开放环境下直接操控工具,则不太占优。
编码与终端任务
编码方面我会更谨慎。Qwen4-Max 在 Terminal-Bench 4.0 得分 48.5,落后于 Kimi K3.1 的 67.2、Opus 5.5 的 59.6、GPT-6 Astra 的 59.1 与 GPT-6.1 Sol 的 56.1,在六款模型中排第五,尽管它已较 Qwen3.8-Max 的 38.9 提升近 10 分。
Benchmark What it measures Qwen4-Max Qwen3.8-Max-0902 Opus 5.5 GPT-6.1 Sol GPT-6 Astra Kimi K3.1 DeepSWE v1.1 Agentic coding 75.7 69.3 74.2 75.2 74.1 75.5 CodeArena (Elo) Web development 1750 1676 1816 1742 1763 1686 Terminal-Bench 4.0 Agentic terminal coding 48.5 38.9 59.6 56.1 59.1 67.2 ProgramBench Black-box software replication 31.5 28.0 65.0 52.5 55.0 25.0
ProgramBench 尤为不利:31.5 对比 Opus 5.5 的 65.0,不到其一半。DeepSWE 上有五款模型相隔不超过 1.6 分,因此我更倾向将该行视为噪音而非胜出,尽管名义上 Qwen4-Max 排第一。
关于 Terminal-Bench 需一条保留意见。
我们在对比 GPT-6 Astra 与 Claude Opus 5.5 时,公开数据为 Opus 5.5 的 66.4%、Astra 的 57.9%,而阿里图表是 59.6 与 59.1。
不同框架在同一基准上会产出不同数值,因此不宜将 5 分左右的差距视为稳定排名。不过 Qwen4-Max 自身的数字看起来可靠:Vals 独立测得 48.48%。
推理、科学与多模态
Qwen4-Max 在 Humanity's Last Exam 得分 51.7,落后于 Opus 5.5 的 59.8 与 GPT-6.1 Sol 的 54.0,略高于 Kimi K3.1 的 51.1。它在 BioMysteryBench-1.1 以 85.0 领先,并在 HealthBench Professional 上大幅提升,由 39.6 升至 60.0,但两款 GPT-6 仍更高。
Benchmark What it measures Qwen4-Max Qwen3.8-Max-0902 Opus 5.5 GPT-6.1 Sol GPT-6 Astra Kimi K3.1 Humanity's Last Exam Multidisciplinary reasoning 51.7 43.9 59.8 54.0 53.6 51.1 BioMysteryBench-1.1 Bioinformatics research 85.0 84.1 81.9 84.4 78.9 80.6 HealthBench Professional Clinical reasoning 60.0 39.6 59.9 65.1 66.0 57.2 Chartography Visual chart understanding 54.2 42.0 66.3 67.8 71.1 50.0 Video-Index Video understanding 68.1 63.2 74.8 73.8 76.7 63.2
视觉相关是图表中最不讨喜的部分。
在 Chartography 上,Qwen4-Max 得分 54.2,较 Qwen3.8-Max 的 42.0 有提升,但落后 Opus 5.5、GPT-6.1 Sol 与 GPT-6 Astra 12 至 17 分,仅领先 Kimi K3.1。Video-Index 也是类似情形,68.1 对三款美国模型的 73.8 至 76.7。原生视觉可用,但并非领先。
Token 效率与单任务成本
这项最影响生产预算。
在 Work360 上,Qwen4-Max 相比 Qwen3.8-Max,在超高(Xhigh)努力下约少用 24% 的 tokens,在高(High)努力下约少用 35%;在 Terminal-Bench 4.0 上,降幅约为 48% 与 49%。
叠加更低的 API 费率,阿里报告平均单个 Work360 任务成本由 $4.43 降至 $1.67,降幅 62%。
在用更少花费拿到更高分的同时,单任务约花原先 38% 的钱,这比单一基准的胜出更有参考价值,但有两点保留。Work360 是阿里自研基准;且降幅大于 token 与单价下降的简单合成:大约 35% 的 token 减少叠加 25% 的价格降低,推算约 51%,阿里的人民币口径给出 58%。阿里尚未解释差额。
独立的单任务成本对手方面不那么一边倒。在 Artificial Analysis 的指数上,Qwen4-Max 平均每个任务 $3.27,对比 Opus 5.5 的 $10.04,但 GPT-6.1 Sol 仅 $1.27。
在 Vals 上,一次测试 Qwen4-Max 为 $9.33,Opus 5.5 为 $24.77,Sol 为 $3.61,且 Sol 得分略高(63.94% 对 63.20%)。
对多数希望在开放生态中选型的读者而言,Kimi K3.1 是更贴近的对照。它在 Terminal-Bench 4.0(67.2 对 48.5)与 AutomationBench-AA(73.3 对 72.5)上领先;Qwen4-Max 则在 APEX-Agents v1.1(72.1 对 65.5)、HLAB-Vals-1.1(21.3 对 11.7)与 JobBench(68.5 对 61.2)领先。终端工作选 Kimi,专业文档流程选 Qwen4-Max。
独立测试显示了什么
发布图表为厂商汇编。
部分行引用第三方榜单,包括 LM Arena(CodeArena 与 AgentArena)、Artificial Analysis(AA-Briefcase 与 AutomationBench-AA)、Mercor 榜单(APEX-Agents v1.1)、以及 Vals 指数(HLAB-Vals-1.1),Agents' Last Exam 引用自论文作者。
JobBench 为阿里自跑。我尚未找到 Agent 类结果的独立复现,因此仍将这些胜出视为暂时性的。
独立榜单正在补全全貌,且较发布材料不那么客气。
Artificial Analysis 在其 Intelligence Index 上给 Qwen4-Max 打分 43,整体第九,落后于 Claude Fable 5.2、Gemini 4 Carbon、Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 与 Kimi K3.1。
Vals 在其 Index 上以 63.20% 排第 11/38,为其测试过的中文模型中最高,且其独立 Terminal-Bench 跑分与阿里一致。
在 Code Arena WebDev 上排第六,但仍标注为样本量较小的初步结果。
金融是其最好的独立表现:在 Vals 的金融指数与 Finance Agent 基准上均排第 8/41;法律较弱:在 Vals Legal Index 上排第 17/39,这与其在 HLAB-Vals 的领先略显矛盾。
“偏慢与冗长”是稳定的抱怨。Vals 统计每次测试约 1 小时 4 分钟,仅快于前 11 名中的 Opus 5.5 与 Sonnet 5.5;Artificial Analysis 记录其指数上的输出 tokens 为 1.27 亿,中位数为 7860 万。
体验类口碑喜忧参半,且时常相互矛盾:有测试者称其对简单任务过度思考、长提示下完成时间长;有人直接评价不如 Qwen3.8-Max;也有人报告其完成某个 Agent 任务约 30 分钟,而 MiniMax M3.1 Flash 约 70 分钟。
应选择哪一档 Qwen4-Max?
Qwen4-Max 作为单一模型提供“思考”开关与命名努力级别,选择的核心在于您愿为多少推理付费,而非调用哪一检查点。思考默认开启,且努力默认为高(High)。
因此,“标准模式”意味着将 enable_thinking 设为 false。开启思考后输入容量从 99.1 万小幅降至 98.3 万,推理(最多 26.2 万 tokens)占用输出预算。
由于思考 tokens 计入该预算,若 max_tokens 仅按可见回复估算,可能会截断答案;在预览阶段,max_tokens 同时限制思考与答案总量,实际使用前可先按此假设。
如上所述,文档中 API(关闭思考 131,072、开启 262,144)与模型页面(两种模式均为 39.3 万)的输出上限并不一致。
努力级别是第二个调节项。
阿里在 Work360 与 Terminal-Bench 4.0 上均报告了 Xhigh 与 High 两档的结果,相比 Qwen3.8-Max,Work360 在 High 档的 token 节省更大(35% 对 24%),Terminal-Bench 上大致相当。由于推理 tokens 按 $4.50/百万 的输出价计费,努力级别是账单上最大的杠杆。
另外,Qwen4-Max 默认 High,而 Qwen3.8-Max 默认 Xhigh,因此若直接比对默认设置,会将代际差与努力差混在一起。A/B 测试时请显式设定努力档。
Use case Setting Why 带工具调用的多小时 Agent 运行 开启思考,High 努力 在 Work360 上相对上一代拥有最佳的 token 效率收益 跨 100+ 文件的长文档审阅 开启思考,Xhigh 努力 26.2 万推理预算叠加 100 万上下文窗口 抽取结构化 JSON 关闭思考 支持结构化输出,关闭思考可避免推理开销 高批量分类 关闭思考并使用批量调用 缓存将输入降至 $0.075/百万 tokens 高难度终端编码 考虑其他模型 Terminal-Bench 4.0 的 48.5 落后于 Kimi K3.1、Opus 5.5 与两款 GPT-6
Qwen4-Max 定价与可用性
QwenCloud 的国际价目上,Qwen4-Max 输入每 100 万 tokens $1.50,输出每 100 万 tokens $4.50,缓存命中与显式缓存读取为 $0.075/百万。显式创建缓存按 5 分钟窗口 $1.875/百万、1 小时窗口 $3.00/百万计费,显式读取为 $0.075/百万。
这些费率在当前价格汇总中低于所有西方旗舰:GPT-6 Astra 输入 $10、输出 $50(提示最长 27.2 万 tokens),Claude Fable 5.2 为 $8 和 $40,Gemini 4 Carbon 在 11 月 30 日前为 $2 和 $10(之后升至 $4 和 $20),Grok 4.7 为 $2 和 $6(上下文低于 20 万)。
不过阿里对标的并非这些最高档:Claude Opus 5.5 为 $4 和 $20,GPT-6.1 Sol 与 Kimi K3.1 为 $2 和 $10。对比 Astra,Qwen4-Max 的输出价约为其十分之一;对比 Opus 5.5 约为 22%;对比 Sol 与 Kimi 约为 45%。
QwenCloud 提供 100 万 tokens 的免费额度,在新加坡区域可用约 90 天,且限速为每分钟 5,000,000 tokens。
阿里也提供 Token Plan,而非纯按量计费。第三方信息显示个人档分为 Lite $6/月(20,000 点数)、Essential $10/月(45,000)、Standard $18/月(80,000)、Pro $43/月(200,000),并有新用户折扣 $3 与 $5 的两档,报道至 11 月 30 日。
该个人计划在新加坡提供,预览期阿里限制其用于交互式编码与 Agent 工具,而非生产后端,构建前请检查最新条款。
关于时间线的一点说明,因为早期报道对是否有公开的按量定价存在矛盾。
阿里于 11 月 11 日开放 qwen4-max-preview,仅限 Token Plan,未设按量价格,并标注 11 月 25 日下线。按量定价随 11 月 16 日的正式发布一同上线,模型 ID 为 qwen4-max,上述 $1.50 与 $4.50 为当日的国际标价。
Max 的开放权重未发布;阿里称后续将开源更小的 Qwen4 模型。
如何获取 Qwen4-Max?
API 模型 ID 为 qwen4-max,通过 QwenCloud 提供,既可走 Token Plan,也可走标准 API,并提供 OpenAI 兼容与 Anthropic 兼容端点。除 API 外,模型还可在 QwenStudio(Qwen Chat 界面)、QwenWork 与 Qoder 编码产品中使用,这些产品与模型为阿里协同设计。
下面是使用 OpenAI Python 客户端、调用兼容模式 Chat Completions 端点的最小示例。思考默认开启,因此 enable_thinking 标志仅为示意;将其设为 False 可关闭思考。
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) 技术支持
若想试用 Live Delivery,插件位于 GitHub:Qwen-Live-Delivery-Plugin 。由于当前目标是 Codex CLI,若要用于其他框架,需自行接好其 MCP 交付工具与钩子。关于函数调用与 Agent 框架的一般范式,我们的 Harness² 教程 演示了将模型接入 OpenCode 并对结果进行评估。
结语
Qwen4-Max 更像是一场价格战的宣言,而非纯粹能力的宣言。
它在需要大量阅读并产出交付物的项目上赢,在涉及终端、图表或视频的项目上输,并以大约 GPT-6 Astra 输出价的十分之一完成这些。
我会换吗?对于以文档为主、单任务成本受限的 Agent 流水线,值得认真测试,但不建议盲目迁移。
Work360 单任务成本从 $4.43 降至 $1.67 是阿里自报,独立测试更为复杂:在 Vals 上 GPT-6.1 Sol 单任务更便宜且分数略高,而 Qwen4-Max 偏慢偏长。对于高难编码工作,我仍会选择 Opus 5.5 或 Kimi K3.1,Vals 的独立 Terminal-Bench 跑分也印证了其短板。
如果您想系统掌握这类模型的构建方法,可从我们的 AI Fundamentals 技能路径 开始。
阿里巴巴 Qwen 团队于 2026 年 11 月 16 日发布 Qwen4-Max,最先值得关注的是价格:在 QwenCloud 上,输入每 100 万 tokens 收费 $1.50,输出每 100 万 tokens 收费 $4.50。
对比来看,同周流传的汇总显示,GPT-6 Astra 定价为输入 $10、输出 $50,Claude Fable 5.2 为 $8 和 $40。
Qwen4-Max 是基于全新 Qwen4 架构构建的首个模型,采用 2.4 万亿参数主干,每个 token 激活 710 亿参数,另有 3280 亿 N-gram 嵌入参数,具备原生视觉能力,并提供 100 万 token 的上下文窗口。
阿里将其定位为长周期 Agent 模型而非聊天模型,发布材料的重点多放在工程、金融、法律与药物研发等多小时自治运行的案例。
本文将全面梳理 Qwen4-Max 的新变化,包括架构、关键功能、基准测试数据(含与阿里自报数据有分歧的独立结果)、努力级别、定价与接入方式。
关于其竞品背景,请参见我们的对比文章 GPT-6 Astra 与 Claude Opus 5.5,以及我们的教程 用 Harness² 构建自我改进的 Agent。
要点速览
Qwen4-Max 是什么?
Qwen4-Max 是阿里巴巴的旗舰闭源权重模型,也是 Qwen4 系列首发,承接 Qwen3.8-Max。
它是一种稀疏的专家混合(MoE)模型,即每个 token 只会用到部分参数。在 2.4 万亿主干参数中,每个 token 激活 710 亿参数,并增配 3280 亿 N-gram 嵌入(查表,计算开销小)。它可接受文本、图像与视频输入,并生成文本输出。
Qwen4 相比上一代变化最大的在于架构,这也有助于解释后文的成本。三处核心组件更新:
阿里报告 2.4T 训练过程中未出现 loss 峰值,即未出现指示训练不稳定的突增。
其基座模型 Qwen4-Max-Base 还在知识、代码、问答与理工科五个检查点中给出了最低的 bits per byte。该指标衡量模型的文本预测能力,越低越好。
结果较 Qwen3.8-Max-Base 低 5% 至 13%,同时激活参数少 25%。这些为内部测试,且披露称对比中的两个检查点接受过额外训练,因此并非严格同类对比。
最醒目的能力指标是阿里自研的 Work360,覆盖 721 个专业领域,Qwen4-Max 得分 52.69,对比 Qwen3.8-Max 的 47.74。
Qwen4-Max 关键特性
此次发布强调的是长时运行结束时能交付什么,而非单轮回复能说什么,因此下列特性更多围绕时长、工具与输出格式。
100 万 token 上下文窗口与原生视觉
Qwen4-Max 在 100 万 token 的上下文窗口中接受文本、图像与视频输入,最大输入为 99.1 万 tokens;若开启思考(thinking),上限为 98.3 万。
思考默认开启,至多 26.2 万 tokens 的推理会计入输出预算。
输出上限的文档表述并不一致。
QwenCloud 模型页面在两种模式下均列出 39.3 万的最大输出,而 API 文档给出的是:关闭思考为 131,072 tokens,开启思考后思考+最终答案合计为 262,144。请在设置
max_tokens之前确认您的端点适用哪一组数字。视觉路径是原生而非外挂,这使临床演示成为可能:阿里描述模型在一次对话中审阅包含数十份检验报告、逾万字中文病程记录、以及 1,433 张原始医学影像的病历,将其整理成 6 个影像序列,再派出子代理读取数百张切片。
阿里称影像结论与主治医生诊断一致,四条管理建议也与当日医嘱逐条对应。
交付长跑任务并在中途纠偏
我认为 Live Delivery 最有意思,因为它直面了让长时 Agent 跑不通的现实痛点。
与其在数小时后才发现代理在第 3 分钟就误读了任务,不如先尽快交付一个可用的初版,再在后续迭代中一边改进一边按您的指令校正方向。
阿里已将 Qwen-Live-Delivery-Plugin 以 Apache-2.0 开源,便于直接安装而非自研。首发为 0.1.0 版,仅支持 Codex CLI,需在 Linux 或 macOS 上配合 Node.js 22+。
对其他 Agent 框架的支持在其待办列表中。
诚然,持续交付部分成果更多是一种框架范式,而非模型本体能力,这也是为何插件开源比营销名词更重要。
可审计的交付物,而不只是答案
金融演示生成可编辑的 Excel 工作簿与 PowerPoint 文稿,并提供两种可溯源机制:单元格内的超链接可回到原始数据源;PowerPoint 图表与底层工作簿一一对应。
阿里称在其投研场景下,Qwen4 调用了 90 个 MCP 工具,获取 A 股、港美股、债券、基金及衍生品的行情、财务、利率、分红等数据,并与公开披露进行交叉校验。
上述工具数量描述的是整体投研搭建。阿里另演示了一个沪深 300 衍生品案例的完整流程。
法律案例更为亮眼。
在收到分批次、命名不一致的 198 份工作底稿后,Qwen4-Max 依据内容将其重命名并归入 14 个文件夹,建立工作底稿目录,将公开工商与司法记录与底稿交叉核对,并生成一份 86 页的报告,覆盖 12 个审阅领域与 14 个具体法律问题,所有结论均回引至对应底稿。
端到端操控专业工具
Qwen4-Max 可直接操作 Blender、Unity、Unreal Engine 与 Godot,处理几何建模、材质设置、光照、玩法逻辑与 HUD 设计,随后运行结果并基于视觉反馈调整镜头跟踪与命中响应。
演示之一是基于 Unity 6 构建的可安装安卓赛车游戏。
制造业案例给出了量化数字,但属于企业展示而非独立测量。
在胜凡与太平鸟,模型基于 2D 布局构建 3D 产线模型,模拟节拍时间,进行 PLC 虚拟调试与机加工刀路规划,将单件工件的人工编程时间由约 475 分钟降至 24 分钟。
运筹优化与云调度
阿里将 Qwen4-Max 用于阿里云内部的调度问题,让模型生成候选算法、用 MindOpt(阿里求解器)检验可行性与目标值,再迭代代码。
报告显示,数据标注的模型调用调度成本较基准下降 10.42%,在线 GPU 分配的整机空闲时长提升 4.62%,离线 CPU 重调度达到最优目标的速度提升超过 14.61 倍。
这些都是针对内部工作负载的自报数字,更适合作为使用运筹学工具的示范,而非可迁移的基准。
可达成物理结果的自治科研闭环
在 Deep Principle 的 Mira 平台上连续 48 小时的 Agent 运行中,Qwen4 构建了 270 万分子的候选空间并进行筛选,执行第一性原理计算与逆合成分析,然后指挥自动化湿法实验室完成合成、纯化与测试。
在历经四轮设计—合成—主动学习后,产出了新的制冷剂分子的实体样品。
在达摩院合作方 DP Technology 的 PharmMaster 平台上,以 NLRP3 炎性小体为靶点,模型发起了 454 次工具调用,进行了 3,239 次计算性指标评估,并设计了 24 个候选分子。
相对结合自由能计算显示最终候选的名义亲和力约为专利参考的 3.6 倍,DP Technology 的专家认为值得进行湿实验验证。
标准 API 配套:函数调用、网页搜索与结构化输出
在 QwenCloud 上,Qwen4-Max 支持函数调用、结构化 JSON 输出、通过 Partial Mode 的前缀补全、隐式与显式上下文缓存、批量调用、网页搜索与微调。限速为每分钟 5,000,000 tokens。
Qwen4-Max 在基准测试中的表现如何?
Qwen4-Max 在长周期 Agent 工作上最强,在终端编码与视觉理解上最弱,强弱差距足以影响您是否采用它。
阿里的对比对象包括 Qwen3.8-Max-0902、Claude Opus 5.5、GPT-6.1 Sol、GPT-6 Astra,以及 Kimi K3.1(Moonshot 的 Kimi-K3.1-Pro)。
长周期与 Agent 工作
最抢眼的是 Agents' Last Exam v1.1,Qwen4-Max 得分 46.7,对比 Claude Opus 5.5 的 43.4、GPT-6.1 Sol 的 42.6,以及其前代 Qwen3.8-Max 的 27.9。
在长周期任务基准上单代提升 18.8 分,是此次发布中我最会拿出来说的一个结果。
下表所有分数均来自阿里的发布图表,属于厂商汇编,因此即便部分行标注了第三方榜单,也应按厂商自报阅读。每行最佳结果以加粗显示。
模式并不均衡。Qwen4-Max 在法律 Agent 基准上大幅领先,几乎是第二名的两倍(21.3 对 Kimi K3.1 的 11.7),在 AA-Briefcase、APEX-Agents、AutomationBench-AA 与 JobBench 上位列第二,而在 AgentArena 上接近末尾,Opus 5.5 的 18.2 是其 7.5 的两倍多。
若您的 Agent 以文档密集的专业工作为主,这看起来不错;若要在开放环境下直接操控工具,则不太占优。
编码与终端任务
编码方面我会更谨慎。Qwen4-Max 在 Terminal-Bench 4.0 得分 48.5,落后于 Kimi K3.1 的 67.2、Opus 5.5 的 59.6、GPT-6 Astra 的 59.1 与 GPT-6.1 Sol 的 56.1,在六款模型中排第五,尽管它已较 Qwen3.8-Max 的 38.9 提升近 10 分。
ProgramBench 尤为不利:31.5 对比 Opus 5.5 的 65.0,不到其一半。DeepSWE 上有五款模型相隔不超过 1.6 分,因此我更倾向将该行视为噪音而非胜出,尽管名义上 Qwen4-Max 排第一。
关于 Terminal-Bench 需一条保留意见。
我们在对比 GPT-6 Astra 与 Claude Opus 5.5时,公开数据为 Opus 5.5 的 66.4%、Astra 的 57.9%,而阿里图表是 59.6 与 59.1。
不同框架在同一基准上会产出不同数值,因此不宜将 5 分左右的差距视为稳定排名。不过 Qwen4-Max 自身的数字看起来可靠:Vals 独立测得 48.48%。
推理、科学与多模态
Qwen4-Max 在 Humanity's Last Exam 得分 51.7,落后于 Opus 5.5 的 59.8 与 GPT-6.1 Sol 的 54.0,略高于 Kimi K3.1 的 51.1。它在 BioMysteryBench-1.1 以 85.0 领先,并在 HealthBench Professional 上大幅提升,由 39.6 升至 60.0,但两款 GPT-6 仍更高。
视觉相关是图表中最不讨喜的部分。
在 Chartography 上,Qwen4-Max 得分 54.2,较 Qwen3.8-Max 的 42.0 有提升,但落后 Opus 5.5、GPT-6.1 Sol 与 GPT-6 Astra 12 至 17 分,仅领先 Kimi K3.1。Video-Index 也是类似情形,68.1 对三款美国模型的 73.8 至 76.7。原生视觉可用,但并非领先。
Token 效率与单任务成本
这项最影响生产预算。
在 Work360 上,Qwen4-Max 相比 Qwen3.8-Max,在超高(Xhigh)努力下约少用 24% 的 tokens,在高(High)努力下约少用 35%;在 Terminal-Bench 4.0 上,降幅约为 48% 与 49%。
叠加更低的 API 费率,阿里报告平均单个 Work360 任务成本由 $4.43 降至 $1.67,降幅 62%。
在用更少花费拿到更高分的同时,单任务约花原先 38% 的钱,这比单一基准的胜出更有参考价值,但有两点保留。Work360 是阿里自研基准;且降幅大于 token 与单价下降的简单合成:大约 35% 的 token 减少叠加 25% 的价格降低,推算约 51%,阿里的人民币口径给出 58%。阿里尚未解释差额。
独立的单任务成本对手方面不那么一边倒。在 Artificial Analysis 的指数上,Qwen4-Max 平均每个任务 $3.27,对比 Opus 5.5 的 $10.04,但 GPT-6.1 Sol 仅 $1.27。
在 Vals 上,一次测试 Qwen4-Max 为 $9.33,Opus 5.5 为 $24.77,Sol 为 $3.61,且 Sol 得分略高(63.94% 对 63.20%)。
对多数希望在开放生态中选型的读者而言,Kimi K3.1 是更贴近的对照。它在 Terminal-Bench 4.0(67.2 对 48.5)与 AutomationBench-AA(73.3 对 72.5)上领先;Qwen4-Max 则在 APEX-Agents v1.1(72.1 对 65.5)、HLAB-Vals-1.1(21.3 对 11.7)与 JobBench(68.5 对 61.2)领先。终端工作选 Kimi,专业文档流程选 Qwen4-Max。
独立测试显示了什么
发布图表为厂商汇编。
部分行引用第三方榜单,包括 LM Arena(CodeArena 与 AgentArena)、Artificial Analysis(AA-Briefcase 与 AutomationBench-AA)、Mercor 榜单(APEX-Agents v1.1)、以及 Vals 指数(HLAB-Vals-1.1),Agents' Last Exam 引用自论文作者。
JobBench 为阿里自跑。我尚未找到 Agent 类结果的独立复现,因此仍将这些胜出视为暂时性的。
独立榜单正在补全全貌,且较发布材料不那么客气。
“偏慢与冗长”是稳定的抱怨。Vals 统计每次测试约 1 小时 4 分钟,仅快于前 11 名中的 Opus 5.5 与 Sonnet 5.5;Artificial Analysis 记录其指数上的输出 tokens 为 1.27 亿,中位数为 7860 万。
体验类口碑喜忧参半,且时常相互矛盾:有测试者称其对简单任务过度思考、长提示下完成时间长;有人直接评价不如 Qwen3.8-Max;也有人报告其完成某个 Agent 任务约 30 分钟,而 MiniMax M3.1 Flash 约 70 分钟。
应选择哪一档 Qwen4-Max?
Qwen4-Max 作为单一模型提供“思考”开关与命名努力级别,选择的核心在于您愿为多少推理付费,而非调用哪一检查点。思考默认开启,且努力默认为高(High)。
因此,“标准模式”意味着将
enable_thinking设为 false。开启思考后输入容量从 99.1 万小幅降至 98.3 万,推理(最多 26.2 万 tokens)占用输出预算。由于思考 tokens 计入该预算,若
max_tokens仅按可见回复估算,可能会截断答案;在预览阶段,max_tokens同时限制思考与答案总量,实际使用前可先按此假设。如上所述,文档中 API(关闭思考 131,072、开启 262,144)与模型页面(两种模式均为 39.3 万)的输出上限并不一致。
努力级别是第二个调节项。
阿里在 Work360 与 Terminal-Bench 4.0 上均报告了 Xhigh 与 High 两档的结果,相比 Qwen3.8-Max,Work360 在 High 档的 token 节省更大(35% 对 24%),Terminal-Bench 上大致相当。由于推理 tokens 按 $4.50/百万 的输出价计费,努力级别是账单上最大的杠杆。
另外,Qwen4-Max 默认 High,而 Qwen3.8-Max 默认 Xhigh,因此若直接比对默认设置,会将代际差与努力差混在一起。A/B 测试时请显式设定努力档。
Qwen4-Max 定价与可用性
QwenCloud 的国际价目上,Qwen4-Max 输入每 100 万 tokens $1.50,输出每 100 万 tokens $4.50,缓存命中与显式缓存读取为 $0.075/百万。显式创建缓存按 5 分钟窗口 $1.875/百万、1 小时窗口 $3.00/百万计费,显式读取为 $0.075/百万。
这些费率在当前价格汇总中低于所有西方旗舰:GPT-6 Astra 输入 $10、输出 $50(提示最长 27.2 万 tokens),Claude Fable 5.2 为 $8 和 $40,Gemini 4 Carbon 在 11 月 30 日前为 $2 和 $10(之后升至 $4 和 $20),Grok 4.7 为 $2 和 $6(上下文低于 20 万)。
不过阿里对标的并非这些最高档:Claude Opus 5.5 为 $4 和 $20,GPT-6.1 Sol 与 Kimi K3.1 为 $2 和 $10。对比 Astra,Qwen4-Max 的输出价约为其十分之一;对比 Opus 5.5 约为 22%;对比 Sol 与 Kimi 约为 45%。
QwenCloud 提供 100 万 tokens 的免费额度,在新加坡区域可用约 90 天,且限速为每分钟 5,000,000 tokens。
阿里也提供 Token Plan,而非纯按量计费。第三方信息显示个人档分为 Lite $6/月(20,000 点数)、Essential $10/月(45,000)、Standard $18/月(80,000)、Pro $43/月(200,000),并有新用户折扣 $3 与 $5 的两档,报道至 11 月 30 日。
该个人计划在新加坡提供,预览期阿里限制其用于交互式编码与 Agent 工具,而非生产后端,构建前请检查最新条款。
关于时间线的一点说明,因为早期报道对是否有公开的按量定价存在矛盾。
阿里于 11 月 11 日开放
qwen4-max-preview,仅限 Token Plan,未设按量价格,并标注 11 月 25 日下线。按量定价随 11 月 16 日的正式发布一同上线,模型 ID 为qwen4-max,上述 $1.50 与 $4.50 为当日的国际标价。Max 的开放权重未发布;阿里称后续将开源更小的 Qwen4 模型。
如何获取 Qwen4-Max?
API 模型 ID 为
qwen4-max,通过 QwenCloud 提供,既可走 Token Plan,也可走标准 API,并提供 OpenAI 兼容与 Anthropic 兼容端点。除 API 外,模型还可在 QwenStudio(Qwen Chat 界面)、QwenWork 与 Qoder 编码产品中使用,这些产品与模型为阿里协同设计。下面是使用 OpenAI Python 客户端、调用兼容模式 Chat Completions 端点的最小示例。思考默认开启,因此
enable_thinking标志仅为示意;将其设为False可关闭思考。若想试用 Live Delivery,插件位于 GitHub:Qwen-Live-Delivery-Plugin。由于当前目标是 Codex CLI,若要用于其他框架,需自行接好其 MCP 交付工具与钩子。关于函数调用与 Agent 框架的一般范式,我们的 Harness² 教程演示了将模型接入 OpenCode 并对结果进行评估。
结语
Qwen4-Max 更像是一场价格战的宣言,而非纯粹能力的宣言。
它在需要大量阅读并产出交付物的项目上赢,在涉及终端、图表或视频的项目上输,并以大约 GPT-6 Astra 输出价的十分之一完成这些。
我会换吗?对于以文档为主、单任务成本受限的 Agent 流水线,值得认真测试,但不建议盲目迁移。
Work360 单任务成本从 $4.43 降至 $1.67 是阿里自报,独立测试更为复杂:在 Vals 上 GPT-6.1 Sol 单任务更便宜且分数略高,而 Qwen4-Max 偏慢偏长。对于高难编码工作,我仍会选择 Opus 5.5 或 Kimi K3.1,Vals 的独立 Terminal-Bench 跑分也印证了其短板。
如果您想系统掌握这类模型的构建方法,可从我们的 AI Fundamentals 技能路径开始。