
Qwen4-Max erstellt spielbare Spiele in Unreal, Unity und Godot: Drei Demos und das dahinterstehende Harness
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 90 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 87 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 133 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 pro 1 Mio. Tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 219 tok/s
Die interessanteste Zeile in Alibabas Launch-Post für Qwen4-Max ist kein Benchmark-Ergebnis. Es ist eine Liste von Game-Engines. Qwen4-Max, veröffentlicht am 16. November 2026, wird laut Dokumentation des eigenen Teams als „fließend“ mit Unity, Unreal Engine und Godot funktionierend beschrieben, und der Beitrag enthält drei Videos von Spielen, die das Modell laut eigenen Angaben von Anfang bis Ende entwickelt hat: eine Katzenmagier-Wellenverteidigung in Unreal Engine, ein Schwertflug-Abenteuer in Unreal Engine und ein West-Lake-Rennspiel in Unity 6, das als installierbarer Android-Build bereitgestellt wird.
Das ist eine andere Art von Behauptung als „erreicht 48,5 % bei Terminal-Bench 4.0“. Eine Benchmark-Zahl ist eine Messung, die jemand erneut ausführen kann. Eine Spiel-Demo ist ein Lieferergebnis, und das Lieferergebnis ist der Beweis: Wenn der Build sich installieren und spielen lässt, hat das Modell etwas Echtes getan; wenn nicht, behebt keine noch so wohlformulierte Prosa das. Der unangenehme Teil ist, dass die drei Builds nicht vor Ihnen liegen. Was vor Ihnen liegt, sind ungefähr zwei Minuten geschnittenes Video; die ehrliche Arbeit besteht hier also darin, zu trennen, was der Anbieter gezeigt hat, von dem, was ein Leser überprüfen kann, und dann den Mechanismus anzusehen — denn dieser Teil ist dokumentiert, und er ist der Teil, der entscheiden wird, ob sich das über drei Showcase-Level hinaus verallgemeinert.

Drei Demos, drei Engines, ein gemeinsamer Loop
Die drei Demos werden in der Ankündigung mit Namen und Laufzeiten genannt, was mehr ist, als die meisten Launch-Beiträge bieten. „Meow of Magic“ läuft 52 Sekunden: ein Katzenmagier-Abenteuer in der Unreal Engine mit Zaubersprüchen, Upgrade-Auswahlen und Wellen von Gegnern und Bossen. „Yun Guan Xing“ läuft 39 Sekunden: eine Fantasy-Flugsequenz auf einem Schwert durch Wolken und Ringe, die mit einem Boss endet. „Flying Racer“ läuft 20 Sekunden: ein Unity-6-Mobilrenner rund um den West Lake mit Driften, Nitro-Boosts und ausfahrbaren Flügeln, veröffentlicht als installierbares Android-Spiel statt als reiner Video-Prototyp.
Das sind drei verschiedene Engine-APIs und drei verschiedene Build-Ziele, und die Beschreibung des Workflows durch den Anbieter ist bei allen drei identisch. Aus einem einzigen natürlichsprachlichen Briefing heraus übernimmt Qwen4-Max den Szenenaufbau, die Gameplay-Logik, die Integration externer Assets, die Materialeinrichtung, das HUD-Design und die visuellen Effekte, führt dann das Spiel aus und nutzt das visuelle und interaktive Feedback, um Kameraführung, Charakteranimation, Trefferfeedback, Beleuchtung und Pacing zu überarbeiten. Lesen Sie diese Liste noch einmal, denn die Reihenfolge ist die Behauptung: Das Modell wird nicht gebeten, ein Spiel zu schreiben und zu hoffen. Es wird gebeten, einen Build zu erzeugen, ihn zu spielen und das zu korrigieren, was es sieht.
Bislang hat niemand außerhalb von Alibaba irgendeinen Teil davon reproduziert, und es gibt kein öffentliches Repository der drei Projekte, das man einsehen könnte. Was sich ohne Vorbehalt sagen lässt, ist weniger weitreichend und trotzdem von Wert: Das Modell ist so dokumentiert, dass es in drei echten Engines arbeitet, statt eine engine-agnostische Szenenbeschreibung auszugeben, und eines der drei Ziele ist ein installierbares Android-Paket – ein Build-Schritt, der laut und häufig fehlschlägt.

Der wirklich neue Teil ist die Feedbackschleife, nicht der Code.
Dass ein Frontier-Modell ein Unity-Skript schreibt, ist keine Neuigkeit. Modelle schreiben seit zwei Jahren Engine-Code, und der Fehlermodus ist die ganze Zeit über stabil geblieben: Der Code kompiliert, die Szene lädt, und das Ergebnis ist auf eine Weise unspielbar, die nur ein Mensch bemerkt – eine Kamera, die durch Wände schneidet, ein Treffer, der keine sichtbare Reaktion auslöst, ein Sprungbogen, der sich wie ein Aufzug anfühlt. Die interessante Frage hinter der Spieleentwicklungs-Behauptung von Qwen4-Max ist daher nicht „Kann es C# oder GDScript schreiben?“, sondern „Kann es diesen Kreis selbst schließen?“
Die Ankündigung besagt, dass es das tut, und der beschriebene Mechanismus ist ein Harness und keine Modellfähigkeit: Der Agent führt den Build aus, liest visuelles und Interaktionsfeedback zurück und iteriert an Kamera, Animation, Trefferfeedback, Beleuchtung und Pacing. Wenn diese Rückkopplungsschleife real ist, verschiebt sich die Einschränkung dessen, was er bauen kann, von der Programmierfähigkeit des Modells auf die Qualität des Feedback-Signals, das ihm gegeben wird — ein gerendertes Bild und ein Eingabeprotokoll sind eine viel dünnere Beschreibung von „das fühlt sich falsch an“ als ein menschlicher Playtester, und die Demos sind alle kurze, in sich geschlossene Szenen, auf die eine Rückkopplungsschleife innerhalb einer Sitzung plausibel konvergieren kann.
Das ist dasselbe Argument, das der Anbieter an anderer Stelle im Beitrag unter einer anderen Überschrift vorbringt, und die beiden Aussagen sollten zusammen gelesen werden. Im Abschnitt über Langhorizont-Agenten beschreibt Alibaba einen Ansatz, den es Live Delivery nennt: Der Agent erstellt früh eine nutzbare erste Version und erweitert sie dann über aufeinanderfolgende Releases, wobei er seinen Plan anhand von Ausführungsergebnissen und Nutzeranforderungen aktualisiert, sodass eine Person jederzeit eingreifen kann, um die Richtung zu korrigieren oder einen Fehler rückgängig zu machen, bevor der gesamte Lauf abgeschlossen ist. Bei einem Spiel bedeutet das, dass die Lieferkadenz in spielbaren Builds statt in einem einzigen finalen Archiv besteht. Für alle anderen Fälle mit einer langen Trajektorie der Werkzeugnutzung gilt dasselbe.
Blender und die Pipeline, die hinter dem Viewport beginnt
Der Abschnitt zur 3D-Modellierung ist die leisere Hälfte derselben Geschichte. Qwen4-Max wird dokumentiert, wie es Blender für Geometriemodellierung, Szenenzusammenstellung, Materialeinrichtung, Beleuchtung und Rendering nutzt – in Architektur, Innenräumen, natürlichen Landschaften und Science-Fiction-Szenen; Arbeiten, die räumliches Layout und Objektstruktur statt Bildästhetik trainieren. Die Darstellung des Anbieters ist, dass diese Assets „praktisch in Spielen verwendet“ und durch 3D-Druck in physische Objekte überführt werden, was eine Aussage über nachgelagerte Kompatibilität ist: Ein Asset, das gedruckt werden kann, hat konsistente Geometrie, wasserdichte Meshes und einen realen Maßstab, und ein Asset, das in eine Spiel-Engine übernommen wird, hat sinnvolle Pivots und Materialzuweisungen.
Betrachten Sie das als Absichtserklärung und nicht als verifizierte Pipeline. Es gibt kein veröffentlichtes Asset-Pack, kein Polycount-Budget, keinen Topologiebericht und keine Aussage dazu, was passiert, wenn ein generiertes Mesh einen Retopologie-Durchlauf oder ein UV-Unwrap durch einen menschlichen Künstler überstehen muss. Was der Abschnitt jedoch belegt, ist, dass der Workflow auf Datei- und Werkzeugebene angesiedelt ist: Das Modell steuert eine echte DCC-Anwendung und erzeugt etwas, das eine Game-Engine importiert, statt ein Bild eines 3D-Objekts zu generieren. Diese Unterscheidung ist die entscheidende für alle, die hoffen, dies in eine Produktions-Art-Pipeline einzubinden, und sie ist zugleich die, die in einem Video am schwersten zu fälschen ist.
Live Delivery hat ein Repository, was es zum überprüfbaren Teil macht.
Zwei Tage vor der allgemeinen Verfügbarkeit des Modells hat Alibaba das dafür entwickelte Harness als Open Source veröffentlicht. Das Qwen Live Delivery Plugin liegt auf GitHub unter Apache-2.0, wurde am 14. November 2026 erstellt und zuletzt am Tag vor dem Launch gepusht. Es stellt vier MCP-Tools bereit — ld_begin, ld_publish, ld_status und ld_done — plus Lifecycle-Hooks — und lässt sich mit einem Shell-Skript in einen Workspace installieren. Zum Launch ist es nur für Codex CLI verfügbar, läuft unter Linux und macOS und benötigt Node.js 22 oder neuer. Es gibt eine Opt-in-Umgebungsvariable, die der Sandbox vollen Dateisystemzugriff gewährt, sowie eine Browser-Workbench zum Überprüfen von Releases.
Dies ist das nützlichste Artefakt der gesamten Veröffentlichung für alle, die die Aussage zur Spieleentwicklung bewerten wollen, denn es ist der Teil, den man tatsächlich ausführen kann. Ein Framework, das aufeinanderfolgende Releases eines lang laufenden Jobs veröffentlicht, hat genau die Form, die ein Spieleentwicklungs-Agent braucht: Jeder spielbare Build ist ein Checkpoint, den ein Mensch inspizieren kann, und eine falsche Weiche im Leveldesign kostet ein Release statt eines Durchlaufs. Das bedeutet zugleich, dass der interessante Vergleich nicht lautet „Welches Modell schreibt besseren Unreal-Code“, sondern „Bei welchem Modell erlaubt einem die Harness, die Arbeit zu beaufsichtigen“ – eine viel praktischere Frage, die sich durch ihre Nutzung entscheiden wird und nicht durch das Lesen einer Bestenliste.
Was die unabhängigen Zahlen Ihnen sagen können – und was nicht
Artificial Analysis führt Qwen4-Max mit einem Intelligence Index von 42,89 auf v5.0.1 bei maximalem Reasoning-Aufwand auf, gegenüber 33,65 für Qwen3.8-Max auf derselben Version — ein Zugewinn von rund neun Punkten, der einen echten Generationssprung und nicht bloß einen Rundungsunterschied darstellt. Die Teilwerte sind gemischter als der Gesamtwert: Terminal-Bench 4.0 bei 48,5 % gegenüber 38,9 %, FrontierCode-AA 2.0 bei 26,5 % gegenüber 23,4 %, Terminal-Bench-Science bei 23,3 % gegenüber 11,9 % und HLE-Diamond bei 44,9 %. Bei agentischen Aufgaben hält das Muster — APEX-Agents 59,1 %, AutomationBench 72,6 % teilweise, EnterpriseOps-Gym 48,5 %, AnalystAgent 46,3 %.
Keines davon misst die Spieleentwicklung. Keine öffentliche Bestenliste führt einen Unreal-Build aus, prüft, ob eine Unity-Szene lädt, oder bewertet ein Godot-Projekt danach, ob sich der Sprung richtig anfühlt. Die engsten Stellvertreter sind die agentischen und Terminal-Benchmarks, die messen, ob ein Modell eine mehrstufige, werkzeugnutzende Trajektorie zusammenhält, ohne den Faden zu verlieren – und das sind die Werte, bei denen Qwen4-Max die größten Zuwächse erzielt. Die korrekte Interpretation der unabhängigen Daten ist also indirekt: Sie macht die Harness-Story plausibel, ohne auch nur ein einziges Frame der Demos zu bestätigen. Artificial Analysis verzeichnet außerdem keine offenen Gewichte für das Modell, was mit der Herstellerdokumentation übereinstimmt, die Fine-Tuning und Modell-Deployment als nicht unterstützt kennzeichnet.

Das Datenblatt, wie veröffentlicht
Alibabas eigene Dokumentation und der Launch-Post, mit den Zahlen, die ein Käufer benötigt, bevor er sich auf ein Projekt festlegt:
• Backbone — 2,4 Billionen Parameter, davon 71 Milliarden pro Token aktiviert, plus 328 Milliarden N-Gramm-Embedding-Parameter, in einem sparse Mixture-of-Experts-Design mit Gated-DeltaNet-Hybrid-Attention und einer N-Gramm-Embedding-Schicht
• Kontext — 1.000.000 Token angegeben; die Dokumentation begrenzt die maximale Eingabe im Nicht-Denkmodus auf 991.808 Token und im Denkmodus auf 983.616 Token
• Ausgabe — maximal 131.072 Tokens im Nicht-Denkmodus; im Denkmodus teilen sich Denkverlauf und Antwort insgesamt 262.144 Tokens.
• Modalität — Text, Bild und Video als Eingabe, Text als Ausgabe; keine Bild- oder Videogenerierung
• Preis — 1,50 $ für Eingabe und 4,50 $ für Ausgabe pro Million Tokens in Singapur, 1,413 $ und 4,24 $ in den anderen Regionen, gegenüber Qwen3.8-Max mit 2,00 $ und 6,00 $
• Cache — 0,075 $ pro Million Tokens bei einem Cache-Lesevorgang in Singapur, ein Rabatt von 95 %, mit explizitem und implizitem Caching bei TTLs von fünf Minuten und einer Stunde
• Grenzen — Batch-Inferenz, Fine-Tuning und Modell-Deployment sind allesamt als nicht unterstützt aufgeführt, daher gibt es keinen günstigen asynchronen Weg und keinen Zugriff auf die Gewichte
• Ratenlimits – 30.000 Anfragen und 5.000.000 Tokens pro Minute global, mit regionalen Token-Obergrenzen pro Minute zwischen 5 und 20 Millionen
Die Ausgabeobergrenze ist die Zeile, die man zweimal lesen sollte. Ein spielbarer Build ist nicht eine Antwort; er besteht aus Dutzenden Tool-Aufrufen, von denen jeder Dateiinhalte und Build-Logs zurückgibt, und jeder dieser Turns ist durch denselben Kontext begrenzt. Long-Horizon-Arbeit bei einem Kontextfenster von einer Million Tokens ist genau die Arbeitslast, bei der ein kleineres Ausgabebudget zu mehr Roundtrips führt.
Was eine lange Build-Schleife tatsächlich kostet
Die eigenen Kostenangaben des Anbieters werden pro Aufgabe statt pro Token gemacht, was für diese Art von Arbeit die richtige Einheit ist. Bei Work360, Alibabas internem Benchmark für professionelle Aufgaben aus 26 Domänen der ersten Ebene, erzielt Qwen4-Max 52,69 gegenüber 47,74 für Qwen3.8-Max, und die durchschnittlichen Kosten pro Aufgabe sinken von 4,43 $ auf 1,67 $ – eine Reduktion um 62 %, erreicht teils durch Preissenkungen und teils durch die Verwendung weniger Tokens: etwa 24 % und 35 % weniger bei Work360 mit extrahohem und hohem Reasoning-Aufwand sowie 48 % und 49 % weniger bei Terminal-Bench 4.0. Diese Angaben stammen vom Anbieter und wurden nicht reproduziert.
Die unabhängige Schätzung ist weniger schmeichelhaft und als Input für die Budgetplanung nützlicher. Artificial Analysis beziffert die Kosten für den Betrieb des eigenen Intelligence Index auf 3,27 US-Dollar pro Aufgabe für Qwen4-Max, gegenüber 10,02 US-Dollar für Qwen3.8-Max auf derselben Testumgebung – eine Reduktion um 67 %, die in der Tendenz mit Alibabas Angaben übereinstimmt, zugleich aber bei einer anderen absoluten Zahl landet, weil die beiden Messungen unterschiedliche Aufgaben mit unterschiedlichem Reasoning-Aufwand ausführen. Wenn Sie eine Schleife für die Spieleentwicklung planen, ist 3,27 US-Dollar pro bewerteter Aufgabe die Zahl, mit der Sie multiplizieren sollten, nicht die 1,67 US-Dollar, und der Multiplikator ist die Anzahl der Runden in Ihrem Build-and-Play-Zyklus und nicht die Anzahl der Prompts, die Sie eingeben.
Es gibt noch einen Kostenhinweis, der für diese Arbeitslast wichtiger ist als die Preisliste. Zwischengespeicherte Eingaben kosten 0,075 US-Dollar pro Million Tokens, und eine Build-Schleife ist die ideale Cache-Arbeitslast: dieselbe Engine-Dokumentation, dieselben Projektdateien, dasselbe Fehlerprotokoll, immer wieder gelesen. Eine Schleife, die einen Projektkontext von 200.000 Tokens zwanzigmal erneut liest, zahlt 0,30 US-Dollar für zwischengespeicherte Eingaben statt 6,00 US-Dollar zum ungecachten Tarif – das ist der Unterschied zwischen einem Experiment, das man einfach weiterlaufen lässt, und einem, das man nach drei Versuchen abbricht.
Ausprobieren, ohne eine Pipeline darauf zu verwetten
Qwen4-Max ist über Alibabas eigene API in sechs Regionen und über eine Reihe von Drittanbieterplattformen verfügbar; im Katalog von OrcaRouter ist es heute nicht enthalten, dessen 215 Modelle Qwen3.8-Max, Qwen3.7-Max und Qwen3-Max umfassen, nicht aber die Qwen4-Generation. Praktisch bedeutet das, dass der erste Evaluierungsmonat über den eigenen Endpoint des Anbieters läuft, mit einem Key mit Ausgabenobergrenze, und dass sich ein Harness, das du gegen einen OpenAI-kompatiblen Endpoint baust, ohne Codeänderungen umstellen lässt, falls das Modell doch erscheint.
Zwei Dinge machen diesen Test günstiger. Das erste ist Failover: Ein Modell, das so neu ist und so lang laufende Arbeit verrichtet, wird auf Rate Limits und Timeouts stoßen, und automatisches Failover zu einem zweiten Endpunkt verwandelt eine totgelaufene Build-Schleife in eine langsamere. Das zweite ist die Pass-through-Preisregel – OrcaRouter rechnet zum Listenpreis des Anbieters ohne Aufschlag ab, sodass eine Preissenkung eines Anbieters bei uns noch am selben Tag gilt statt erst zur nächsten Vertragsverlängerung. Keine dieser Aussagen hängt davon ab, das betreffende Modell selbst zu hosten, und keine von beiden ist es wert, etwas anderes vorzugeben.
Eine praktische Form für die Evaluation: Gib dem Modell eine kleine, fertige Sache — eine einzelne spielbare Szene mit einer Mechanik, einer Kamera und einer Gewinnbedingung — und beobachte, was es über drei aufeinanderfolgende spielbare Releases hinweg tut, statt nur über einen. Die These, die getestet wird, ist nicht, ob es ein Spiel produzieren kann. Sie lautet, ob das zweite und dritte Release besser sind als das erste, denn das ist der einzige Teil der Schleife, den ein Benchmark nicht messen und ein Demo-Video nicht zeigen kann.
Die offene Frage
Alibabas Darstellung von Qwen4-Max beschreibt ein Modell, das weiterarbeitet, während man nicht hinsieht, und die Spieleentwicklungs-Demos sind der am besten nachvollziehbare Beweis für diese Idee, den man hätte wählen können: Spiele sind visuell, interaktiv und scheitern auf eine Weise, die jeder sehen kann. Drei kurze Szenen in drei Engines sind ein starkes Eröffnungsargument und eine schwache Demonstration von Dauerhaftigkeit – die Level sind klein, die Läufe dauern nur Minuten, und die Abnahmekriterien wurden von dem Team festgelegt, das sie erstellt hat.
Woran es sich entscheiden würde, ist unspektakulär. Ein Projekt mit einer bestehenden Codebasis, einer künstlerischen Richtung, die es sich nicht ausgesucht hat, einem Physik-Bug, der nur auf einem Low-End-Gerät auftritt, und einem menschlichen Reviewer, der den Build zweimal ablehnt. Wenn der Loop das übersteht, hört die Engine-Liste auf, eine Marketingzeile zu sein, und wird zu einem Workflow. Bis dahin ist die ehrliche Position, dass Qwen4-Max die erste glaubwürdige Demonstration geliefert hat, dass ein Frontier-Modell eine Game-Engine steuern und seine eigene Arbeit abspielen kann – und dass das Live-Delivery-Plugin, das zwei Tage früher unter Apache-2.0 veröffentlicht wurde, der Teil der Geschichte ist, den Sie heute selbst überprüfen können.
