返回探索
资讯VibeFix 内容整理更新于 2026年11月20日

Qwen4-Max 来了:2.4 万亿参数、100 万上下文,价格比上一代便宜四分之一

阿里 2026 年 11 月 16 日发布 Qwen4-Max:2.4 万亿参数旗舰,100 万 token 上下文,API 价格比上一代便宜四分之一,长任务能力明显更强。代价是:上一代开权重,这一代暂时不开源。

一名开发者深夜在桌前工作,笔记本和外接显示器上都是代码

一句话:阿里发布了 Qwen4 的第一款旗舰模型,便宜了,但权重不开源

2026 年 11 月 16 日,阿里 Qwen 团队在官方博客上发布了 Qwen4-Max,Qwen4 这一代模型的第一个成员,定位是“为工作、创意与发现而生的新 AI 队友”。它是一个 2.4 万亿参数的混合专家模型,单次能读 100 万 token,API 价格比上一代 Qwen3.8-Max 低了四分之一,缓存输入更是便宜了七成。但有一个变化值得先说在前面:上一代的 Max 模型是开权重的,这一代的 Max 暂时不是——你只能通过阿里的云服务用它,下载不到权重。Qwen 只承诺这一代里“更小的模型”会开源,没说 Max 会不会跟进。

先把两个容易混淆的日期分开。11 月 11 日上线的是 Qwen4-Max-Preview,一个预览版,只能通过 Token Plan 订阅用,而且阿里在文档里写明了它会在 11 月 25 日 24 点(北京时间)之后退役。11 月 16 日新的是正式版,模型名 qwen4-max,按量付费的公开 API 当天上线。本文说的价格、跑分和功能,都是正式版的。已经在用预览版的人,25 号之前要切到正式版,别等到退役那天才发现调用失败。

关于日期要老实交代一句:Qwen 官方博客这篇文章本身没有显示发布日期戳。11 月 16 日这个日期,是三方交叉确认的——Model Studio 的文档在 11 月 16 日更新了 Qwen4-Max 的价目与参数,当天多家独立写作者(包括逐条核对过官方博客与价目表的 System Design Academy)都标注 11 月 16 日发布,路透社也在当天发了报道。证据链足够结实,但博客页本身无日期戳这一点,写在 evidence 里备查。

先看账本:输入输出各便宜 25%,缓存便宜 70%

对大多数开发者来说,Qwen4-Max 最实在的变化不在参数表上,而在账单上。新加坡区的按量价格是:输入每百万 token 1.50 美元,输出每百万 token 4.50 美元,隐式缓存输入每百万 token 0.075 美元。上一代 Qwen3.8-Max 同区是 2 美元、6 美元和 0.25 美元。也就是说输入输出各便宜 25%,缓存输入便宜了 70%。按阿里官方价目表算,一个发 10 万 token、收 1 万 token 的请求,不算缓存大约是 0.195 美元。Model Studio 还给了 100 万 token 的免费额度,自激活、模型发布或申请获批中较晚的那个时间起 90 天内有效。

但光降价还不是全部。Qwen 说新模型干同样的活用的 token 更少:在自家的 Work360 行业任务评测里,最高推理强度下 token 用量降了约 24%,高强度下则降了约 35%;在 Terminal-Bench 4.0 上,降幅大约是 48% 到 49%。两个因素叠加,Work360 上每个任务的平均成本从 4.43 美元降到了 1.67 美元,降了 62%。对跑 Agent 的人来说,第二个数字比第一个更重要:Agent 的账单大头不是单次调用贵,而是同一段长提示词、同一份文档在每一步里被反复发送。缓存输入便宜七成,恰好打在这个痛点上。

不过要提醒一句:Work360 是 Qwen 自家的评测,任务成本也是 Qwen 自己算的。厂商自家评测的数字一向要打折听,真正可信的验证是你自己的任务跑出来的成本。独立评测机构 Artificial Analysis 在发布当天就给了 Qwen4-Max 43 分的智能指数(最高推理档),比 Qwen3.8-Max 的 34 分高 9 分,低于 Kimi K3.1 Pro 的 46 分和 Claude Opus 5.5 的 59 分;按他们的口径,跑一个指数任务的成本是 3.27 美元,而 Qwen3.8-Max 是 10.02 美元。独立分数和厂商分数的方向一致,但绝对值差距很大——这正是“别只看一家数字”的原因。

还有一个价格上的不确定因素要写清楚。有报道称这组价格是限时价,12 月 1 日起可能上调,但这个说法来自二手报道,阿里官方价目表上目前没有任何相关表述。在官方确认之前,它只能算传闻,不能当作事实来做预算。稳妥的做法是:按当前价目表做短期预算,长期用量先别锁死单一供应商。

架构改了三处:更少的激活参数,更多的查找表

Qwen4-Max 的总参数量和上一代一样,都是 2.4 万亿,但每个 token 实际激活的参数从 950 亿降到了 710 亿,少了约 25%。与此同时多了一个 3280 亿参数的 N-gram Embedding 查找表。换句话说,模型没有变大,而是把算力花得更省了:更少的参数干活,更多的容量放在“查表”这种便宜操作上。这是它能降价的技术底气——推理成本下来了,售价才有下降空间。

官方博客讲了三处具体的架构改动。第一处是注意力:每个 Qwen 稀疏注意力层配三个 Gated DeltaNet 层,把历史压缩成固定大小的状态,再用一个轻量索引器按微块粒度挑出长文本里相关的部分来看。这是为了让 100 万 token 的长输入在算力上负担得起。第二处是 Gated Residual:四条并行的残差分支,用动态读写门控制层与层之间的信息流动,Qwen 说这让 2.4 万亿参数规模的训练更稳定,整个预训练过程没有出现 loss 尖峰。第三处就是前面说的 N-gram Embedding:在第二层放一个基于上下文的查找表,存附近 token 组合的模式,用很少的计算换取额外的容量。

基础模型的内测结果是:在知识、代码、问答和 STEM 四个领域,Qwen4-Max-Base 的每字节比特数(BPB,越低越好)都比 Qwen3.8-Max-Base 低 5% 到 13%,而且激活参数还少了 25%。BPB 是个偏底层的指标,它说明的是“模型预测文本的能力变强了”,不等于“它在你的任务上更好用”。但它至少说明,这一代的改进不是靠堆参数堆出来的,而是架构本身更有效率了。

需要提醒的是:Qwen 至今没有发布 Qwen4-Max 的技术报告,架构部分的描述只有博客里的三段话。上面的内容就是目前全部的公开信息,没有论文可以交叉核对。想深入研究架构细节的人,只能等后续的技术报告或者开源的小模型。

跑分怎么读:全面超过上一代,对别人则有赢有输

Qwen 的博客放了一张 16 项测试的对照图,把 Qwen4-Max、Qwen3.8-Max 和另外四个模型放在一起比。先看对上一代的提升:DeepSWE(Agent 编程)75.7 分对 69.3 分,Terminal-Bench 4.0(终端里写代码)48.5 分对 38.9 分,Agents' Last Exam(长流程高价值任务)46.7 分对 27.9 分,Work360(行业任务)52.69 分对 47.74 分。八项抽查的测试里,Qwen4-Max 每一项都高于上一代,提升幅度最大的是 Agents' Last Exam,接近 19 分。这说明新模型最明显的进步在“长任务”上——能把一件复杂的事从头干到尾,而不是只在单轮问答里答得好。

但横向对比就没那么一边倒了。同一张图里,Qwen4-Max 在 DeepSWE 和 Agents' Last Exam 上领先所有对手,但在 Terminal-Bench 4.0 上 48.5 分对 Kimi K3.1 的 67.2 分,差距接近 19 分;在 Humanity's Last Exam(跨学科难题)上 51.7 分对 Claude Opus 5.5 的 59.8 分;在读图表的 Chartography 上 54.2 分对 GPT-6 Astra 的 71.1 分。也就是说,它在 Agent 长任务和行业任务上是第一梯队,在终端编码和硬核推理上仍然落后。选模型之前先看自己的任务类型:跑长流程、做行业活,Qwen4-Max 值得试;纯拼终端编码能力,它还不是最强的。

Qwen4-Max 与 Qwen3.8-Max 的四项跑分对照:DeepSWE 75.7 对 69.3、Terminal-Bench 4.0 48.5 对 38.9、Agents' Last Exam 46.7 对 27.9、Work360 52.69 对 47.74;API 输入价 1.50 美元对 2 美元,输出价 4.50 美元对 6 美元

读这张图还要留个心眼:这是 Qwen 自己画的图,分数是 Qwen 自己测的。博客脚注里写明了,部分分数引用自公开排行榜——Agents' Last Exam 来自该测试自己的榜单,AutomationBench-AA 来自 Artificial Analysis——但大部分还是厂商自测。厂商自测不是造假,但测试条件、提示词、推理强度的选择都会影响结果。Artificial Analysis 当天给的 43 分独立分数,是目前唯一的第三方锚点:它确认了“比上一代强”这个方向,但没有确认厂商图里每一项领先的幅度。

博客花大篇幅讲的四个长活:游戏、法律、医疗和造新材料

这篇博客最有意思的地方,不是参数表,而是它花了大半篇幅讲模型“干长活”的四个例子。Qwen 显然想传递一个信号:Qwen4-Max 的卖点不是聊天,而是能独立把一件复杂的事干完。四个例子各有不同的可信度,值得分开看。

第一个是游戏和 3D 建模:模型用 Unreal Engine 做了一个猫法师冒险游戏《Meow of Magic》,用 Unity 6 做了一个杭州西湖边的竞速手游,还用 Blender 做建筑、室内和科幻场景的 3D 建模。博客说模型会在开发过程中自己运行游戏,根据画面和交互反馈调整镜头、动画和节奏。这些是“一次演示”的成果,不是“每次都能复现”的能力。游戏能不能玩、代码质量如何、调了多少次才成功,博客都没说。当作“能力上限的展示”来看是合适的,当作“开箱即用的游戏开发工具”就过头了。

第二个是法律尽调,数字给得最具体:198 份格式、命名都不统一的工作底稿,模型先过滤噪音、按实质内容分进 14 个文件夹、自动编了索引,又去公开渠道查工商、知识产权、司法和信用记录做交叉核对,最后交出一份 86 页、6 万多字的报告,覆盖 12 个审查领域和 14 个具体法律问题,每个结论都有底稿引用。数字具体,可信度相对高——但也要注意,这是一次由 Qwen 团队自己挑选和呈现的案例,底稿质量、人工复核比例都没有披露。把它理解成“长文档处理能力的上限演示”比较稳妥。

第三个是医疗重症:一个颈动脉支架术后出现室颤、抢救成功、拔管后又胸痛再插管的复杂病例,模型在一次对话里读完了几十份化验单、上万字病程记录、多套医嘱和 1433 张原始影像,把六天的复杂病程整理成连贯的时间线,最后给出的四条处理建议和主治医生当天的实际医嘱逐条对应。这个例子最打动人,也最需要冷静:医疗是高风险场景,博客自己也在伦理声明里写了,模型是辅助工作、不能替代专业判断。演示里“和医生逐条对应”是一次个案,不是临床验证。

第四个最出圈:48 小时连续运行,模型在 Deep Principle 的 Mira 平台上自主设计并合成了一种新型冷却剂分子。从 270 万个候选分子出发,经过结构筛选、性质预测、第一性原理计算、逆合成分析和实验规划,再指挥自动化湿实验室完成合成、分离纯化和测试,最后拿到了真实的物理样品。药物发现的例子也类似:针对 NLRP3 靶点,454 次工具调用、3239 次计算评估、优化 24 个候选分子,最终分子的结合亲和力按计算估计是参照分子的约 3.6 倍,得到了合作方专家的背书。冷却剂拿到了实物样品,这是实打实的;药物分子还停留在计算层面,合作方说“值得进一步湿实验室验证”,也就是还没验证。两者不能混为一谈。

还有一个工业数字值得单独提:在汽车制造场景里,模型帮真实产线做规划和零件加工,一个工件的编程人工从约 475 分钟降到了 24 分钟,减少了约 95%。这个数字来自阿里云的真实业务场景,但同样是单次展示,不是统计平均。四个例子加在一起,指向同一个判断:Qwen4-Max 的长任务能力是真实存在的,但目前的证据都是厂商挑选的个案,不是独立复现。

安全与开源:两处收紧,一处留了口子

安全是这篇博客里仅次于性能的重点,也是路透社当天报道的切入点。Qwen 说,在软件工程训练任务里增加了代码安全检查:在 Last Secure Code Bench 上,功能与安全同时通过的函数级通过率从上一代的 22.0% 提高到了 31.8%;在函数、文件、仓库三个粒度上同时安全生成代码的比例从 8% 提高到了 14.7%,接近翻倍。模型在注入、内存安全和访问控制这几类核心风险上表现尤其好。数字的绝对值仍然不高——31.8% 意味着近七成情况下代码还是不能同时满足功能与安全——但方向是对的,而且 Qwen 敢把“默认生成的代码有多少漏洞”这个指标公开,本身就值得肯定。

在网络安全和 CBRN(化学、生物、放射性、核)方面,博客的表述要谨慎得多:数据按任务目的过滤,保留防御性任务、去掉进攻性任务;内部安全专家审阅了长任务轨迹后认为,防御能力明显提升、进攻性用途的安全性也有加强,没有发现会带来大规模网络安全风险的能力;CBRN 方面模型能识别更多高风险请求并给出安全回答,专家审阅后认为它给出的方案“没有真正的创新性、无法端到端完成任务”。这些都是内部评估,没有独立第三方背书,措辞也留了余地。把它当作“厂商的安全自述”来读,别当作“独立安全审计结论”。

开源问题上,Qwen 的口径很明确:Max 本身不开源,权重只能通过云服务用;同一代里“更小的模型”会开源,用同样的技术路线、针对小模型的特点调优,但没有给时间表。这和上一代形成了反差:Qwen3.8-Max 的权重 Qwen3.8-2.4T-A95B 在 2026 年 8 月上了 Hugging Face,是 Qwen 第一次开放 Max 级别的权重。这一代收回去了。原因博客没说,但从商业角度不难理解:旗舰模型是云服务的引流入口,开源小模型、收费大模型,是目前各家通行的做法。对开发者来说,实际影响是:想本地部署、想微调、想离线用,Qwen4-Max 这条路走不通;等小模型开源,或者继续用上一代的开权重版本。

还有一个容易被忽略的开源动作:Qwen 把 Live Delivery 插件开源了。Live Delivery 是博客里讲的长任务机制——任务不用等全部做完才交付,而是分阶段给可用版本,用户随时可以介入纠正方向。插件开源意味着这个机制不只限于 Qwen 自己的产品,别的 Agent 也可以接。对做 Agent 产品的开发者来说,这个插件可能比模型本身更值得看一眼。

怎么试、值不值得换:先算自己的账,别急着切生产

用起来不复杂。API 走 QwenCloud,模型名 qwen4-max,兼容 OpenAI 和 Anthropic 的 API 格式,已有代码改个地址和模型名就能接;也可以走 Token Plan 订阅,或者直接在 QwenWork、Qoder、QwenStudio 里用。上下文 100 万 token,QwenCloud 标的最大输入约 99.1 万 token(开思考模式约 98.3 万),最大输出约 13.1 万 token(思考模式下思考加答案合计约 26.2 万)。推理默认开启,强度可以从 low 调到 xhigh,输入支持文本、图片和视频,支持函数调用、结构化 JSON 输出、联网搜索和批量请求。

值不值得换,取决于你的账单结构。如果你的 Agent 每天在同一个长提示词、同一份大文档上反复花钱,缓存输入便宜七成加上 token 用量下降,省钱的幅度会很明显;如果你的调用以短提示词为主,降价 25% 就是实打实的 25%,没有更多惊喜。如果你的任务是终端里的 Agent 编程,跑分显示它还落后于 Kimi K3.1,换之前先在自己的仓库里跑一组对照。如果你在意本地部署和微调,它现在根本不在考虑范围内,等小模型开源再说。

最后给一个具体的试用建议:别直接切生产。先拿一个真实的长任务——比如一份几十页的文档处理,或者一个需要多步工具调用的 Agent 流程——在 Qwen4-Max 和你现在的模型上各跑三到五次,记下 token 用量、花费、成功率和人工返工次数。厂商的 62% 成本下降是在 Work360 上测出来的,你的任务不是 Work360。跑完自己的对照再决定,这比任何跑分都管用。预览版用户记得在 11 月 25 日之前切到正式版,模型名从 qwen4-max-preview 换成 qwen4-max,别等到退役那天才发现调用失败。

放在竞争格局里看:它不是来争“最强”的,是来争“最划算的长活搭档”

把 Qwen4-Max 放到 11 月的模型格局里看,它的定位很清晰:不争“最强模型”的头衔,争的是“干长活最划算”的位置。同一张对照图里,Claude Opus 5.5 在 Humanity's Last Exam 上 59.8 分,Kimi K3.1 在 Terminal-Bench 上 67.2 分,GPT-6 Astra 在读图上 71.1 分——每个单项都有人比它强。但 Qwen4-Max 的打法是另一套:100 万上下文、长任务不掉链子、价格比上一代低四分之一、缓存便宜七成。对每天要跑几十个 Agent 任务的团队来说,“每项都够用、账单最便宜”比“某一项第一”更有吸引力。

这个定位也解释了博客为什么花那么多篇幅讲法律、医疗、造材料这些“长活”:Qwen 想让市场记住的不是跑分,而是“它能把一件大事从头干到尾”。这和 Claude 强调编程、Kimi 强调终端编码的打法形成了差异化。但差异化能不能成立,最终要看独立复现:目前所有长任务案例都是 Qwen 自己挑的,Artificial Analysis 的 43 分只覆盖了标准评测,没有覆盖“48 小时造冷却剂”这种长流程。等第三方在真实任务上跑出对照数据,这个定位才算站稳。

总的来看,Qwen4-Max 是一次“务实”的发布:没有参数竞赛,没有“最强模型”的口号,核心信息就三条——更便宜、更能干长活、暂时不开源。对阿里来说,它是 Qwen4 这一代的开场,也是云服务的一次引流;对开发者来说,它的价值不在发布会式的惊喜里,而在你自己的账单和任务记录里。跑分和演示只能告诉你“它可能行”,只有你自己的对照能告诉你“它对你行不行”。

阅读 4评论 0

评论 (0)

ME
0/1000
评论加载中...

原始来源

浏览项目广场发布你的项目

相关文章

一名戴眼镜的开发者深夜坐在木桌前敲笔记本电脑,身后大显示器上是彩色代码,窗外是模糊的城市夜景灯光
资讯
把中间层多跑三遍,小模型也能打大模型:Inkling 2 Mini 让 26B 的模型住进笔记本

2026 年 11 月 20 日,Thinking Machines Lab 发布 Inkling 2 Mini:26.4B 参数的循环 Transformer,中间 12 层每 token 跑三遍,整机只有约 20GB,能在笔记本上离线跑。DeepSWE 48.2%、SWE-bench Verified 79.2%,在同体量开源模型里领跑——但知识短板和监控问题也写在官方博客里。

产品发布模型动态AI 编程实践
一名戴眼镜的开发者坐在木桌前敲笔记本电脑,左边外接显示器上是深色背景的 C 语言代码,桌上有绿植
资讯
微软的编程模型终于不当配角了:MAI Code 2 拿 96% 的分数、只收 5% 的钱,但先看清三处“但是”

2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。

开发工作流产品发布模型动态
黑色背景上,一名指挥家背对镜头高举指挥棒,脚下环绕着旋转的光轨,像一支乐队正在被指挥
资讯
一个接口接 45 个模型,坏了自动换一家接着跑:Perplexity 的 Orchestrator 想当模型界的‘总机’

2026 年 11 月 17 日,Perplexity 推出 Orchestrator API:一个接口接通 OpenAI、Anthropic、Google、xAI 与 GLM、Kimi、DeepSeek 等开源权重模型,按回答模型的公开价计费、不收平台费。同一模型挂了就换一家部署接着跑,路由功能还能按任务把请求分给不同的模型。

开发工作流产品发布模型动态