
Qwen4-Max crea juegos jugables en Unreal, Unity y Godot: tres demos y el harness que hay detrás
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 219 tok/s
La línea más interesante en la publicación de lanzamiento de Alibaba para Qwen4-Max no es una puntuación de benchmark. Es una lista de motores de juego. Qwen4-Max, lanzado el 16 de noviembre de 2026, está documentado por su propio equipo como capaz de funcionar «con fluidez» con Unity, Unreal Engine y Godot, y la publicación incluye tres vídeos de juegos que, según afirma, el modelo creó de principio a fin: una defensa de oleadas con un gato mago en Unreal Engine, una aventura de vuelo con espada en Unreal Engine y un juego de carreras del Lago del Oeste en Unity 6, entregado como una compilación instalable para Android.
Eso es un tipo de afirmación distinto de «puntúa 48,5 % en Terminal-Bench 4.0». Un número de benchmark es una medición que cualquiera puede volver a ejecutar. Una demo de juego es un entregable, y el entregable es la evidencia: si la compilación se instala y se puede jugar, el modelo hizo algo real; y si no, por mucha prosa que se escriba, no se arregla. La parte incómoda es que las tres compilaciones no están delante de ti. Lo que tienes delante son aproximadamente dos minutos de vídeo editado, así que el trabajo honesto aquí consiste en separar lo que el proveedor mostró de lo que un lector puede verificar, y luego examinar el mecanismo, porque esa parte está documentada y es la parte que decidirá si esto se generaliza más allá de tres niveles de escaparate.

Tres demos, tres motores, un bucle compartido
Los tres demos reciben nombre y duración en el anuncio, lo que es más de lo que ofrecen la mayoría de las publicaciones de lanzamiento. «Meow of Magic» dura 52 segundos: una aventura de gato-mago en Unreal Engine con lanzamiento de hechizos, opciones de mejora y oleadas de enemigos y jefes. «Yun Guan Xing» dura 39 segundos: una secuencia de vuelo fantástico sobre una espada entre nubes y anillos, que termina con un jefe. «Flying Racer» dura 20 segundos: un juego de carreras móvil en Unity 6 alrededor del lago del Oeste, con derrapes, impulsos de nitro y alas desplegables, distribuido como un juego de Android instalable en lugar de un prototipo únicamente en vídeo.
Esas son tres API de motor diferentes y tres objetivos de compilación distintos, y la descripción del flujo de trabajo del proveedor es idéntica en los tres casos. A partir de un único brief en lenguaje natural, Qwen4-Max se encarga de la construcción de la escena, la lógica de juego, la integración de recursos externos, la configuración de materiales, el diseño del HUD y los efectos visuales; después ejecuta el juego y utiliza la retroalimentación visual y de interacción para corregir el seguimiento de cámara, la animación de los personajes, la respuesta a los impactos, la iluminación y el ritmo. Vuelve a leer esa lista, porque el orden es lo que se afirma: no se le pide al modelo que escriba un juego y cruce los dedos. Se le pide que genere una compilación, la juegue y corrija lo que ve.
Nadie fuera de Alibaba ha reproducido nada de esto todavía, y no hay ningún repositorio público de los tres proyectos que se pueda inspeccionar. Lo que se puede afirmar sin ambages es más limitado y aun así vale algo: el modelo está documentado como si operara dentro de tres motores reales en lugar de emitir una descripción de escena independiente del motor, y uno de los tres objetivos es un paquete Android instalable, que es un paso de compilación que falla de forma ruidosa y a menudo.

La parte que es genuinamente nueva es el bucle de retroalimentación, no el código.
Que un modelo de frontera escriba un script de Unity no es noticia. Los modelos llevan dos años escribiendo código para motores, y el modo de fallo ha sido estable todo el tiempo: el código compila, la escena carga y el resultado es injugable de una forma que solo un humano nota: una cámara que atraviesa paredes, un golpe que no produce respuesta visible, un arco de salto que se siente como un ascensor. Por lo tanto, la pregunta interesante sobre la afirmación de Qwen4-Max en desarrollo de videojuegos no es «¿puede escribir C# o GDScript?», sino «¿puede cerrar ese bucle por sí mismo?».
El anuncio afirma que sí lo hace, y el mecanismo que describe es un arnés de pruebas más que una capacidad del modelo: el agente ejecuta la compilación, lee la retroalimentación visual y de interacción, e itera sobre cámara, animación, respuesta a los impactos, iluminación y ritmo. Si ese bucle es real, la restricción sobre lo que puede construir pasa de la capacidad de codificación del modelo a la calidad de la señal de retroalimentación que recibe: un fotograma renderizado y un registro de entrada son una descripción mucho más pobre de «esto se siente mal» que un probador humano, y las demos son todas escenas cortas y autocontenidas sobre las que un bucle de retroalimentación puede converger de forma plausible dentro de una sesión.
Este es el mismo argumento que el proveedor presenta en otros lugares de la publicación bajo un encabezado diferente, y ambas afirmaciones deberían leerse juntas. En la sección sobre agentes de horizonte largo, Alibaba describe un enfoque al que llama Live Delivery: el agente produce una primera versión utilizable pronto y luego la amplía mediante entregas sucesivas, actualizando su plan a partir de los resultados de ejecución y los requisitos del usuario, de modo que una persona pueda intervenir en cualquier momento para corregir el rumbo o deshacer un error antes de que finalice toda la ejecución. En el caso de un juego, eso significa que la cadencia de entregables son builds jugables en lugar de un único archivo final. Para cualquier otra cosa con una trayectoria larga de uso de herramientas, significa lo mismo.
Blender, y el pipeline que comienza más allá del viewport
La sección de modelado 3D es la mitad más tranquila de la misma historia. Se documenta que Qwen4-Max utiliza Blender para el modelado de geometría, el montaje de escenas, la configuración de materiales, la iluminación y el renderizado, en arquitectura, interiores, paisajes naturales y escenas de ciencia ficción: un trabajo que pone a prueba la disposición espacial y la estructura de los objetos más que la estética de la imagen. El planteamiento del proveedor es que estos recursos se «utilizan en la práctica en juegos» y se convierten en objetos físicos mediante impresión 3D, lo cual es una afirmación sobre la compatibilidad posterior: un recurso que se puede imprimir tiene una geometría coherente, mallas estancas y una escala real, y un recurso que se integra en un motor de juego tiene pivotes y asignaciones de material coherentes.
Tómalo como una declaración de intenciones y no como un pipeline verificado. No hay ningún paquete de recursos publicado, ni un presupuesto de polígonos, ni un informe de topología, ni una declaración sobre qué ocurre cuando una malla generada tiene que sobrevivir a una pasada de retopología o a un desplegado de UV por parte de un artista humano. Lo que sí establece la sección es que el flujo de trabajo es a nivel de archivo y de herramienta: el modelo está controlando una aplicación DCC real y produciendo algo que un motor de juego importa, no generando una imagen de un objeto 3D. Esa distinción es la que importa para cualquiera que espere incorporar esto a un pipeline de arte de producción, y también es la más difícil de falsear en un vídeo.
Live Delivery tiene un repositorio, lo que lo convierte en la parte verificable
Dos días antes de la disponibilidad general del modelo, Alibaba liberó como código abierto el arnés que construyó para esto. El plugin Qwen Live Delivery está en GitHub bajo Apache-2.0, se creó el 14 de noviembre de 2026 y su último push fue el día antes del lanzamiento. Expone cuatro herramientas MCP — ld_begin, ld_publish, ld_status y ld_done — además de hooks de ciclo de vida, y se instala en un espacio de trabajo con un script de shell. En el lanzamiento es solo para Codex CLI, se ejecuta en Linux y macOS, y requiere Node.js 22 o superior. Hay una variable de entorno opcional para dar al sandbox acceso completo al sistema de archivos, y un banco de trabajo en el navegador para revisar las versiones.
Este es el artefacto más útil de toda la publicación para cualquiera que evalúe la afirmación sobre el desarrollo de videojuegos, porque es la parte que realmente se puede ejecutar. Un framework que publica entregas sucesivas de un trabajo de larga duración tiene exactamente la forma que necesita un agente de desarrollo de videojuegos: cada compilación jugable es un punto de control que una persona puede inspeccionar, y un error de rumbo en el diseño de niveles cuesta una entrega en lugar de una ejecución. También implica que la comparación interesante no es "qué modelo escribe mejor código de Unreal", sino "el harness de qué modelo permite supervisar el trabajo", que es una pregunta mucho más práctica y que se resolverá usándolo, no leyendo un marcador.
Lo que los números independientes pueden y no pueden decirte
Artificial Analysis enumera Qwen4-Max con un Índice de Inteligencia de 42.89 en v5.0.1 con el máximo esfuerzo de razonamiento, frente a 33.65 de Qwen3.8-Max en la misma versión —una ganancia de aproximadamente nueve puntos, lo que constituye un verdadero salto generacional y no una diferencia de redondeo. Las subpuntuaciones son más dispares que el dato principal: Terminal-Bench 4.0 con 48.5% frente a 38.9%, FrontierCode-AA 2.0 con 26.5% frente a 23.4%, Terminal-Bench-Science con 23.3% frente a 11.9%, y HLE-Diamond con 44.9%. En el trabajo agéntico se mantiene el patrón: APEX-Agents 59.1%, AutomationBench 72.6% parcial, EnterpriseOps-Gym 48.5%, AnalystAgent 46.3%.
Nada de eso mide el desarrollo de videojuegos. Ninguna clasificación pública ejecuta una compilación de Unreal, comprueba si carga una escena de Unity ni puntúa un proyecto de Godot según si el salto se siente bien. Los proxies más cercanos son los benchmarks agénticos y de terminal, que miden si un modelo puede mantener cohesionada una trayectoria de uso de herramientas de varios pasos sin perder el hilo — y esas son las puntuaciones en las que Qwen4-Max más gana. Así que la lectura correcta de los datos independientes es indirecta: hace que la historia del arnés sea plausible sin confirmar ni un solo fotograma de las demos. Artificial Analysis tampoco registra pesos abiertos para el modelo, lo que concuerda con la documentación del proveedor, que marca el ajuste fino y el despliegue del modelo como no compatibles.

La ficha técnica, tal como se publicó
La propia documentación de Alibaba y la publicación de lanzamiento, para obtener las cifras que un comprador necesita antes de comprometerse con un proyecto:
• {{1}}Red troncal{{/1}} — 2,4 billones de parámetros con 71 mil millones activados por token, más 328 mil millones de parámetros de embedding de N-gramas, en un diseño disperso de mezcla de expertos con atención híbrida Gated DeltaNet y una capa de embedding de N-gramas
• Contexto — 1,000,000 de tokens anunciados; la documentación limita la entrada máxima a 991,808 tokens en modo sin pensamiento y 983,616 en modo de pensamiento
• Salida — máximo de 131.072 tokens en modo sin pensamiento; en modo de pensamiento, la traza de razonamiento y la respuesta comparten un total combinado de 262.144
• Modalidad — texto, imagen y vídeo como entrada; texto como salida; sin generación de imágenes ni vídeos
• Precio — 1,50 USD de entrada y 4,50 USD de salida por millón de tokens en Singapur, 1,413 y 4,24 USD en las demás regiones, frente a Qwen3.8-Max a 2,00 y 6,00 USD
• Caché — $0.075 por millón de tokens en una lectura de caché en Singapur, un descuento del 95 %, con caché explícita e implícita con TTL de cinco minutos y de una hora
• Límites — la inferencia por lotes, el ajuste fino y el despliegue de modelos figuran como no admitidos, por lo que no hay una vía asíncrona económica ni acceso a los pesos
• Límites de velocidad — 30.000 solicitudes y 5.000.000 de tokens por minuto a nivel global, con techos regionales de tokens por minuto de entre 5 y 20 millones
El techo de salida es la línea que hay que leer dos veces. Una compilación jugable no es una sola respuesta; son docenas de llamadas a herramientas, cada una de las cuales devuelve contenido de archivos y registros de compilación, y cada uno de esos turnos está limitado por el mismo contexto. El trabajo de horizonte largo con una ventana de un millón de tokens es exactamente la carga de trabajo en la que un presupuesto de salida menor se traduce en más idas y vueltas.
Lo que realmente cuesta un ciclo de compilación largo
Las cifras de coste del propio proveedor se expresan por tarea en lugar de por token, que es la unidad correcta para este tipo de trabajo. En Work360, el benchmark interno de Alibaba de tareas profesionales en 26 dominios de primer nivel, Qwen4-Max obtiene 52,69 frente a 47,74 de Qwen3.8-Max, y el coste medio por tarea baja de 4,43 $ a 1,67 $ —una reducción del 62%, lograda en parte mediante recortes de precios y en parte mediante el uso de menos tokens: aproximadamente un 24% y un 35% menos en Work360 con esfuerzo de razonamiento extra alto y alto, y un 48% y un 49% menos en Terminal-Bench 4.0. Se trata de datos reportados por el proveedor y no reproducidos.
La estimación independiente resulta menos halagadora y más útil como dato para el presupuesto. Artificial Analysis sitúa en 3,27 USD por tarea el coste de ejecutar su propio Intelligence Index con Qwen4-Max, frente a 10,02 USD con Qwen3.8-Max en el mismo entorno de pruebas: una reducción del 67 % que es coherente en dirección con la afirmación de Alibaba, aunque arroja una cifra absoluta distinta, porque las dos mediciones ejecutan tareas diferentes con distinto esfuerzo de razonamiento. Si estás planificando un bucle de desarrollo de juegos, la cifra que hay que multiplicar es 3,27 USD por tarea evaluada, no 1,67 USD, y el multiplicador es el número de turnos de tu ciclo de construcción y juego, no el número de prompts que escribes.
Hay una nota de coste más que importa más que la tabla de tarifas para esta carga de trabajo. La entrada en caché cuesta $0.075 por millón de tokens, y un bucle de compilación es la carga de trabajo ideal para la caché: la misma documentación del motor, los mismos archivos del proyecto, el mismo registro de errores, leídos una y otra vez. Un bucle que vuelve a leer veinte veces un contexto de proyecto de 200,000 tokens paga $0.30 en entrada en caché en lugar de $6.00 a la tarifa sin caché, que es la diferencia entre un experimento que dejas ejecutándose y uno que detienes tras tres intentos.
Probarlo sin apostar un pipeline a ello
Qwen4-Max está disponible a través de la propia API de Alibaba en seis regiones y mediante varias plataformas de terceros; hoy no figura en el catálogo de OrcaRouter, cuyos 215 modelos incluyen Qwen3.8-Max, Qwen3.7-Max y Qwen3-Max, pero no la generación Qwen4. En la práctica, eso significa que el primer mes de evaluación transcurre en el endpoint propio del proveedor, con una clave con un límite de gasto, y que un arnés de pruebas que se cree para un endpoint compatible con OpenAI se podrá trasladar sin cambios en el código si el modelo llega a aparecer.
Dos cosas abaratan esa prueba. La primera es la conmutación por error: un modelo tan nuevo, haciendo un trabajo de duración tan larga, topará con límites de tasa y tiempos de espera agotados, y la conmutación por error automática a un segundo endpoint convierte un bucle de compilación muerto en uno más lento. La segunda es la regla de precios de traspaso — OrcaRouter factura al precio de lista del proveedor sin margen alguno, así que cuando un proveedor recorta una tarifa, el recorte está activo en nuestro lado el mismo día en lugar de en la próxima renovación de contrato. Ninguna de esas afirmaciones depende de alojar el modelo en cuestión, y ninguna merece que se pretenda lo contrario.
Una forma práctica de plantear la evaluación: darle al modelo una cosa pequeña y terminada —una única escena jugable con una mecánica, una cámara y una condición de victoria— y observar qué hace a lo largo de tres entregas jugables consecutivas en lugar de una sola. La afirmación que se pone a prueba no es si puede producir un juego. Es si la segunda y la tercera entrega son mejores que la primera, porque esa es la única parte del ciclo que un benchmark no puede medir y un vídeo de demostración no puede mostrar.
La pregunta abierta
El planteamiento de Alibaba sobre Qwen4-Max es el de un modelo que seguirá funcionando mientras tú no estás mirando, y las demos de desarrollo de videojuegos son la prueba más clara de esa idea que podría haber elegido: los videojuegos son visuales, interactivos y fallan de maneras que cualquiera puede ver. Tres escenas breves en tres motores son un argumento inicial sólido y una demostración débil de durabilidad: los niveles son pequeños, las partidas duran minutos y los criterios de aceptación los fijó el propio equipo que las creó.
Lo que lo resolvería no es nada glamuroso. Un proyecto con una base de código ya existente, una dirección de arte que no eligió, un bug de física que solo aparece en un dispositivo de gama baja y un revisor humano que rechaza la build dos veces. Si el bucle sobrevive a eso, la lista de motores deja de ser una frase de marketing y se convierte en un flujo de trabajo. Hasta entonces, la postura honesta es que Qwen4-Max ha entregado la primera demostración creíble de que un modelo de frontera puede controlar un motor de juego y reproducir su propio trabajo — y que el plugin Live Delivery, publicado dos días antes bajo Apache-2.0, es la parte de la historia que puedes comprobar por ti mismo hoy.
