阿里发布 Qwen4-Max:2.4 万亿参数 MoE 架构,对标 Opus 5.5、GPT-6 与 Kimi K3.1 Pro 且价格更低
Alibaba's Qwen4-Max takes on Opus 5.5, GPT-6, and Kimi K3.1 Pro at much lower prices
阿里巴巴发布旗舰模型 Qwen4-Max,采用 Qwen4 系列新混合注意力架构,2.4 万亿参数中每 token 仅激活 710 亿,原生处理图像并支持一百万 token 上下文窗口。
同一件事,精选收录的是《Qwen 发布 Qwen4-Max:2.4T 参数骨干、百万 token 上下文与长程智能体能力》
Qwen4-Max 是阿里巴巴对标 Opus 5.5、GPT-6 和 Kimi K3.1 Pro 的力作。这款新旗舰采用更高效的架构,价格却大幅降低,主攻工业、科研和金融领域的专业工作。
据 Qwen 团队介绍,这个混合专家模型拥有 2.4 万亿参数,但每个 token 只激活 710 亿参数。它能原生处理图像,并提供 100 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 首次搭载全面革新的 Qwen4 系列架构。阿里巴巴没有只依赖标准注意力层,而是把两种方法结合起来:三层先把前文压缩成精简状态,第四层再从中挑出真正重要的部分。这样一来,模型不必对上下文的每个部分都给予同等关注,长输入的计算成本大幅下降。

该架构还在模型层之间增加了四条并行连接,并配有动态门控来稳定信息流动。一个拥有 3280 亿参数的 N-gram 嵌入层,把常见的 token 序列作为现成的构建模块提供出来。据阿里巴巴称,2.4 万亿参数配置的训练过程运行稳定,训练损失全程平稳下降,没有出现突然飙升。

阿里巴巴的内部评测以每字节比特数衡量模型在知识、代码、问答和 STEM 方面的质量。在测试的五个检查点中,Qwen4-Max-Base 得分最佳。相比 Qwen3.8-Max-Base,它提升了 5% 到 13%,而每个 token 激活的参数还少了 25%。

token 用量更低,每项任务成本降了一半以上
效率提升直接体现在运营成本上。Work360 是阿里巴巴自建的基准,覆盖 721 个专业领域的工业工作任务。在该基准上,Qwen4-Max 解决同样任务所需的 token 比上一代少约四分之一到三分之一。在智能体基准 Terminal-Bench 4.0 上,token 用量下降近一半。
据阿里巴巴称,Work360 每项任务的平均成本从 4.43 美元降到 1.67 美元,降幅 62%;与此同时,基准得分从 47.74 升至 52.69。

外部基准上的结果则好坏参半。在 Agents' Last Exam v1.1 这类长程智能体任务上,Qwen4-Max 得 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,它不及 GPT 系列模型,但略胜 Opus 5.5。

Qwen4-Max 在中国模型中排名第二,成本仅为上一代的三分之一
在最高推理设置下,Qwen4-Max 在当前 Artificial Analysis 智能指数上得 43 分,比 Qwen3.8-Max 高 9 分,比排名第一的中国模型 Kimi K3.1 Pro(46 分)低 3 分。相比上一代提升最大的项目是 HLE-Diamond(提高 21 分,达到 45%)、AA-Omniscience(提高 18 分)和 AutomationBench-AA(提高 17 分)。

Artificial Analysis 测算,Qwen4-Max 每完成一项智能指数任务的花费为 3.27 美元,约为 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%。成本下降来自三个方面:token 价格比上一代低 25%,缓存命中费用低 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,Qwen3.8-Max 则需要 171,000 个。
腾讯的 Hy4 便宜得多,每项任务仅 1.03 美元,但指数得分低了八分。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%。
通过自家 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,缓存命中价格为 0.075 美元。
Live Delivery 把长任务智能体的控制权交还给用户
与 AI 行业的许多公司一样,阿里巴巴此次发布围绕能够自主处理长任务的智能体展开。如果用户只在最后才看到结果,几乎没有办法纠正错误。阿里巴巴的解法是“Live Delivery”:模型先尽早交付一个可用的初版,再在后续轮次中逐步完善,用户随时可以介入并改变方向。阿里巴巴还开源了配套的 Qwen-Live-Delivery-Plugin。
阿里巴巴列举了多个合作伙伴的部署案例。汽车行业合作伙伴 SANF 和 Pacific Union 据称用 Qwen4-Max 将单个工件的手动编程时间从约 475 分钟缩短到 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,并以可核验的 Excel 和 PowerPoint 文件交付结果,每个数字都能追溯到原始来源。
阿里巴巴还在内部用该模型更高效地运行自家云基础设施。据公司介绍,Qwen4-Max 与内部求解器 MindOpt 配合,将数据标注计算任务的分配成本平均降低了 10.42%。在数据中心分配 CPU 任务时,它找到最优解的速度比对照方法快 14 倍以上。
阿里巴巴的模型如今能自主做实验室实验
阿里巴巴还展示了 Qwen4 一代在实体实验室中的应用。据阿里巴巴介绍,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液:搜索了 270 万个候选分子,控制自动化实验室,完成了四轮完整的设计、合成与测量循环。
Qwen4-Max 还与北京 AI 药物研发初创公司 DP Technology 的平台 PharmMaster 合作。目标是针对一种与阿尔茨海默病相关的炎症反应寻找化合物。经过多轮文献调研、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约为专利中已知起始化合物的 3.6 倍。DP Technology 的专家认为结果足够有前景,值得进一步开展实验室测试。
Qwen4-Max 的目标是凭一句提示词构建可玩的游戏
阿里还展示了 Qwen4-Max 与 Unity、Unreal Engine、Godot 等主流游戏引擎协同工作。只需一段自然语言描述,模型就应能包办整个开发流程,涵盖场景搭建、游戏逻辑、外部素材匹配,以及材质、UI 和视觉效果,直到游戏可玩。

开发过程中,模型会自己运行游戏,借助视觉和交互反馈来调整镜头、角色动画、受击反应和光照。阿里的示例项目是《Meow of Magic》,这是一款 Unreal Engine 冒险游戏,主角是一只猫巫师,玩家施放法术、迎战一波波敌人。据阿里介绍,Qwen4-Max 还能在 Blender 中构建 3D 模型,这些模型可复用于游戏和 3D 打印。
Anthropic 最近则把自家的编程助手 Claude Code 引向了相反的方向。在一波非官方的《光环》和《GTA:罪恶都市》克隆作品之后,它禁止该工具复刻现有游戏。
阿里称该模型写出的代码更安全,并未带来实质性的 CBRN 能力提升
据阿里介绍,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% 升至 31.8%。在全部三个测试级别上都被评为安全的代码占比几乎翻倍,从 8% 升至 14.7%。阿里还测试了 CBRN 风险(化学、生物、放射性及核风险)。公司称,内部评审人员通读了模型的完整思维链,未发现其具备真正的创新能力,能让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。阿里计划稍后开源更小的 Qwen4 模型。
今年 8 月,阿里发布了 Qwen3.8-Max,这是其首个为持续数天的自主任务打造的 Max 模型。它同样拥有 2.4 万亿参数,但每个 token 激活 95 亿参数。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,阿里通过 Qwen3.8-Flash-Next 预览了 Qwen4 架构,该模型已采用参数量 510 亿的 N-gram 嵌入层。公司此前已在 8 月中旬发布 Qwen3.8-Max 权重。就 Qwen4 而言,目前只有较小的模型会开放权重。
月之暗面 AI 在 10 月跟进,推出了 Kimi K3.1 Pro。它以 2.8 万亿参数规模更大,月之暗面称其在 Terminal-Bench 4.0 上仅次于 Claude Opus 5.5。与阿里一样,DeepSeek 在 V4-Pro 中采用混合注意力设计,以稀疏注意力更低成本地处理长上下文。智谱 AI 则另辟蹊径,GLM-5.3 的提升完全来自额外的后训练。
来源:The Decoder:AI News · the-decoder.com