
Qwen4-Max Membuat Game yang Dapat Dimainkan di Unreal, Unity, dan Godot: Tiga Demo dan Harness di Baliknya
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 90 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 87 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 133 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 juta token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 juta token · 219 tok/s
Baris paling menarik dalam postingan peluncuran Alibaba untuk Qwen4-Max bukanlah skor benchmark. Melainkan daftar game engine. Qwen4-Max, yang dirilis pada 16 November 2026, didokumentasikan oleh timnya sendiri sebagai bekerja "secara lancar" dengan Unity, Unreal Engine, dan Godot, dan postingan itu menyertakan tiga video game yang menurut mereka dibangun model tersebut dari awal hingga akhir: pertahanan gelombang penyihir kucing di Unreal Engine, petualangan terbang dengan pedang di Unreal Engine, dan balapan West Lake di Unity 6, yang diserahkan sebagai build Android yang dapat diinstal.
Itu adalah jenis klaim yang berbeda dari "mencetak 48,5% pada Terminal-Bench 4.0". Angka benchmark adalah pengukuran yang bisa diulang oleh siapa pun. Demo game adalah deliverable, dan deliverable itulah buktinya: jika build-nya bisa dipasang dan dimainkan, model melakukan sesuatu yang nyata, dan jika tidak, sebanyak apa pun prosa tidak akan memperbaikinya. Bagian yang canggung adalah tiga build itu tidak ada di depan Anda. Yang ada di depan Anda adalah sekitar dua menit video hasil editing, jadi pekerjaan yang jujur di sini adalah memisahkan apa yang ditunjukkan vendor dari apa yang bisa diverifikasi pembaca, lalu melihat mekanismenya — karena bagian itu terdokumentasi, dan itulah bagian yang akan menentukan apakah hal ini bisa digeneralisasi melampaui tiga level showcase.

Tiga demo, tiga mesin, satu loop bersama
Ketiga demo tersebut disebutkan namanya dan durasinya dalam pengumuman, yang lebih dari yang ditawarkan sebagian besar postingan peluncuran. "Meow of Magic" berdurasi 52 detik: petualangan kucing-penyihir Unreal Engine dengan merapal sihir, pilihan peningkatan, serta gelombang musuh dan bos. "Yun Guan Xing" berdurasi 39 detik: rangkaian penerbangan fantasi di atas pedang menembus awan dan cincin, berakhir dengan bos. "Flying Racer" berdurasi 20 detik: pembalap mobile Unity 6 di sekitar Danau Barat, dengan drifting, boost nitro, dan sayap yang dapat dikerahkan, dirilis sebagai game Android yang dapat dipasang alih-alih prototipe hanya-video.
Itu adalah tiga API mesin yang berbeda dan tiga target build yang berbeda, dan deskripsi alur kerja dari vendor identik di ketiganya. Dari satu brief berbahasa alami, Qwen4-Max menangani konstruksi scene, logika gameplay, integrasi aset eksternal, penyiapan material, desain HUD, dan efek visual, lalu menjalankan game dan menggunakan umpan balik visual serta interaksi untuk merevisi pelacakan kamera, animasi karakter, umpan balik hit, pencahayaan, dan pacing. Baca lagi daftar itu, karena urutannya itulah klaimnya: model tidak diminta menulis game lalu berharap. Model diminta menghasilkan build, memainkannya, dan mengoreksi apa yang dilihatnya.
Belum ada pihak di luar Alibaba yang mereproduksi apa pun dari ini, dan tidak ada repositori publik untuk ketiga proyek tersebut yang dapat diperiksa. Yang dapat dikatakan tanpa ragu-ragu lebih sempit, tetapi tetap bernilai: model ini didokumentasikan beroperasi di dalam tiga mesin nyata alih-alih menghasilkan deskripsi adegan yang agnostik terhadap mesin, dan salah satu dari tiga target tersebut adalah paket Android yang dapat dipasang, yang merupakan langkah build yang gagal secara mencolok dan sering terjadi.

Bagian yang benar-benar baru adalah loop umpan balik, bukan kodenya.
Model frontier yang menulis skrip Unity bukanlah berita. Model sudah menulis kode engine selama dua tahun, dan mode kegagalannya tetap stabil sepanjang waktu: kode berhasil dikompilasi, scene dimuat, dan hasilnya tidak dapat dimainkan dengan cara yang hanya disadari manusia — kamera menembus dinding, serangan yang tidak menghasilkan respons terlihat, lengkung lompatan yang terasa seperti lift. Pertanyaan menarik tentang klaim pengembangan game Qwen4-Max karena itu bukanlah "dapatkah ia menulis C# atau GDScript" melainkan "dapatkah ia menutup lingkaran itu sendiri".
Menurut pengumuman, hal itu memang terjadi, dan mekanisme yang diuraikannya adalah harness, bukan kemampuan model: agen menjalankan build, membaca kembali umpan balik visual dan interaksi, lalu melakukan iterasi pada kamera, animasi, umpan balik hit, pencahayaan, dan pacing. Jika loop itu nyata, batasan atas apa yang dapat dibangunnya bergeser dari kemampuan coding model ke kualitas sinyal umpan balik yang diterimanya — frame yang dirender dan log input adalah deskripsi yang jauh lebih tipis tentang "ini terasa salah" daripada seorang penguji permainan manusia, dan semua demo merupakan adegan pendek yang mandiri yang secara masuk akal dapat dicapai oleh loop umpan balik dalam satu sesi.
Ini adalah argumen yang sama yang diajukan vendor di tempat lain dalam tulisan tersebut dengan judul berbeda, dan kedua klaim itu harus dibaca bersama. Di bagian agen berhorizon panjang, Alibaba menjelaskan pendekatan yang disebutnya Live Delivery: agen menghasilkan versi pertama yang dapat digunakan lebih awal, lalu memperluasnya melalui rilis berturut-turut, memperbarui rencananya berdasarkan hasil eksekusi dan kebutuhan pengguna, sehingga seseorang dapat turun tangan pada titik mana pun untuk mengoreksi arah atau membatalkan kesalahan sebelum seluruh proses selesai. Untuk sebuah game, itu berarti irama hasil yang diserahkan adalah build yang dapat dimainkan, bukan satu arsip final. Untuk hal lain apa pun dengan trajektori penggunaan alat yang panjang, maknanya sama.
Blender, dan pipeline yang dimulai di luar viewport
Bagian pemodelan 3D adalah paruh yang lebih tenang dari cerita yang sama. Qwen4-Max didokumentasikan menggunakan Blender untuk pemodelan geometri, perakitan scene, penyiapan material, pencahayaan, dan rendering, di seluruh arsitektur, interior, lanskap alam, dan adegan fiksi ilmiah — pekerjaan yang melatih tata letak spasial dan struktur objek alih-alih estetika gambar. Kerangka dari vendor adalah bahwa aset-aset ini "secara praktis digunakan dalam game" dan diwujudkan menjadi objek fisik melalui pencetakan 3D, yang merupakan klaim tentang kompatibilitas hilir: aset yang dapat dicetak memiliki geometri yang konsisten, mesh yang kedap air, dan skala yang nyata, dan aset yang dapat dimasukkan ke mesin game memiliki pivot dan penetapan material yang wajar.
Anggaplah itu sebagai pernyataan niat, bukan pipeline yang sudah terverifikasi. Tidak ada paket aset yang diterbitkan, tidak ada anggaran polycount, tidak ada laporan topologi, dan tidak ada pernyataan tentang apa yang terjadi ketika mesh hasil generasi harus melewati proses retopologi atau UV unwrap oleh artis manusia. Yang justru ditetapkan oleh bagian tersebut adalah bahwa alur kerjanya berada pada level file dan level alat: model tersebut menjalankan aplikasi DCC sungguhan dan menghasilkan sesuatu yang diimpor oleh mesin game, bukan menghasilkan gambar dari objek 3D. Perbedaan itulah yang penting bagi siapa pun yang berharap memasukkan ini ke pipeline seni produksi, dan itu juga yang paling sulit dipalsukan dalam sebuah video.
Live Delivery memiliki repositori, yang menjadikannya bagian yang dapat diperiksa.
Dua hari sebelum ketersediaan umum model tersebut, Alibaba merilis secara open-source harness yang mereka buat untuk ini. Plugin Qwen Live Delivery ada di GitHub dengan lisensi Apache-2.0, dibuat pada 14 November 2026 dan terakhir di-push sehari sebelum peluncuran. Plugin ini mengekspos empat alat MCP — ld_begin, ld_publish, ld_status dan ld_done — plus hook siklus hidup, dan dapat dipasang ke workspace dengan skrip shell. Saat peluncuran, ini hanya untuk Codex CLI, berjalan di Linux dan macOS, dan membutuhkan Node.js 22 atau lebih baru. Ada variabel lingkungan opt-in untuk memberi sandbox akses penuh ke sistem berkas, dan workbench browser untuk meninjau rilis.
Ini adalah artefak paling berguna di seluruh rilis bagi siapa pun yang mengevaluasi klaim pengembangan game, karena inilah bagian yang benar-benar dapat Anda jalankan. Kerangka kerja yang menerbitkan rilis-rilis berurutan dari pekerjaan yang berjalan lama persis seperti bentuk yang dibutuhkan agen pengembangan game: setiap build yang dapat dimainkan adalah checkpoint yang dapat diperiksa manusia, dan kesalahan arah dalam desain level hanya memakan biaya satu rilis, bukan satu kali proses jalan. Ini juga berarti perbandingan yang menarik bukanlah "model mana yang menulis kode Unreal lebih baik" melainkan "harness model mana yang memungkinkan Anda mengawasi pekerjaan", yang merupakan pertanyaan jauh lebih praktis dan yang akan terjawab dengan menggunakannya, bukan dengan membaca papan skor.
Apa yang bisa dan tidak bisa diberitahukan oleh angka-angka independen kepada Anda
Artificial Analysis mencantumkan Qwen4-Max dengan Intelligence Index 42.89 pada v5.0.1 pada upaya penalaran maksimum, dibandingkan 33.65 untuk Qwen3.8-Max pada versi yang sama — kenaikan sekitar sembilan poin, yang merupakan langkah generasional nyata alih-alih perbedaan pembulatan. Subskornya lebih campuran daripada angka utamanya: Terminal-Bench 4.0 sebesar 48.5% versus 38.9%, FrontierCode-AA 2.0 sebesar 26.5% versus 23.4%, Terminal-Bench-Science sebesar 23.3% versus 11.9%, dan HLE-Diamond sebesar 44.9%. Pada pekerjaan agentic, polanya tetap berlaku — APEX-Agents 59.1%, AutomationBench 72.6% parsial, EnterpriseOps-Gym 48.5%, AnalystAgent 46.3%.
Tidak satu pun dari itu mengukur pengembangan game. Tidak ada papan peringkat publik yang menjalankan build Unreal, memeriksa apakah sebuah scene Unity dapat dimuat, atau menilai proyek Godot berdasarkan apakah rasa lompatannya sudah tepat. Proksi terdekatnya adalah benchmark agentic dan terminal, yang mengukur apakah sebuah model dapat menjaga lintasan penggunaan alat multi-langkah tetap koheren tanpa kehilangan alur — dan itulah skor tempat Qwen4-Max memperoleh keunggulan terbesar. Jadi pembacaan yang benar atas data independen bersifat tidak langsung: data itu membuat kisah harness menjadi masuk akal tanpa mengonfirmasi satu frame pun dari demo. Artificial Analysis juga tidak mencatat bobot terbuka untuk model tersebut, yang sejalan dengan dokumentasi vendor yang menandai fine-tuning dan deployment model sebagai tidak didukung.

Lembar spesifikasi, sebagaimana diterbitkan
Dokumentasi Alibaba sendiri dan postingan peluncuran, untuk angka-angka yang dibutuhkan pembeli sebelum berkomitmen pada proyek:
• Backbone — 2,4 triliun parameter dengan 71 miliar yang diaktifkan per token, plus 328 miliar parameter embedding N-gram, dalam desain mixture-of-experts renggang dengan attention hibrida Gated DeltaNet dan lapisan embedding N-gram
• Konteks — 1.000.000 token yang diiklankan; dokumentasi membatasi input maksimum pada 991.808 token dalam mode non-thinking dan 983.616 dalam mode thinking
• Keluaran — maksimum 131.072 token dalam mode non-thinking; dalam mode thinking, jejak penalaran dan jawaban berbagi kuota gabungan 262.144
• Modalitas — masukan teks, gambar, dan video; keluaran teks; tidak ada pembuatan gambar atau video
• Harga — $1,50 untuk input dan $4,50 untuk output per juta token di Singapura, $1,413 dan $4,24 di wilayah lain, dibandingkan dengan Qwen3.8-Max pada $2,00 dan $6,00
• Cache — $0.075 per juta token untuk pembacaan cache di Singapura, diskon 95%, dengan caching eksplisit dan implisit pada TTL lima menit dan satu jam
• Batas — inferensi batch, fine-tuning, dan deployment model semuanya tercantum sebagai tidak didukung, jadi tidak ada jalur asinkron yang murah dan tidak ada akses bobot
• Batas laju — 30.000 permintaan dan 5.000.000 token per menit secara global, dengan batas maksimum token per menit regional antara 5 hingga 20 juta
Batas output adalah baris yang perlu dibaca dua kali. Build yang dapat dimainkan bukanlah satu respons; itu adalah puluhan panggilan alat, yang masing-masing mengembalikan isi file dan log build, dan setiap giliran tersebut dibatasi oleh konteks yang sama. Pekerjaan berhorizon panjang dengan jendela satu juta token justru merupakan beban kerja yang membuat anggaran output yang lebih kecil berubah menjadi lebih banyak putaran bolak-balik.
Berapa biaya sebenarnya dari siklus build yang panjang
Angka biaya dari vendor sendiri dinyatakan per tugas, bukan per token, yang merupakan satuan yang tepat untuk jenis pekerjaan ini. Pada Work360, tolok ukur internal Alibaba untuk tugas-tugas profesional di 26 domain tingkat pertama, Qwen4-Max mencetak 52,69 berbanding 47,74 untuk Qwen3.8-Max, dan biaya rata-rata per tugas turun dari $4,43 menjadi $1,67 — penurunan 62%, yang dicapai sebagian melalui pemotongan harga dan sebagian lagi melalui penggunaan token yang lebih sedikit: sekitar 24% dan 35% lebih sedikit pada Work360 dengan upaya penalaran sangat tinggi dan tinggi, serta 48% dan 49% lebih sedikit pada Terminal-Bench 4.0. Angka-angka tersebut dilaporkan vendor dan belum direproduksi.
Estimasi independen itu kurang menggembirakan tetapi lebih berguna sebagai masukan anggaran. Artificial Analysis menetapkan biaya menjalankan Intelligence Index miliknya sendiri sebesar $3,27 per tugas untuk Qwen4-Max, turun dari $10,02 untuk Qwen3.8-Max pada harness yang sama — pengurangan 67% yang searah dengan klaim Alibaba meskipun berakhir pada angka absolut yang berbeda, karena kedua pengukuran menjalankan tugas berbeda dengan upaya penalaran yang berbeda. Jika Anda merencanakan loop pengembangan game, $3,27 per tugas yang dievaluasi adalah angka yang harus dikalikan, bukan $1,67, dan pengalinya adalah jumlah giliran dalam siklus build-and-play Anda, bukan jumlah prompt yang Anda ketik.
Ada satu catatan biaya lagi yang lebih penting daripada daftar tarif untuk beban kerja ini. Input yang di-cache adalah $0,075 per juta token, dan loop build adalah beban kerja cache yang ideal: dokumentasi engine yang sama, file proyek yang sama, log error yang sama, dibaca berulang kali. Sebuah loop yang membaca ulang konteks proyek 200.000 token dua puluh kali membayar $0,30 untuk input yang di-cache alih-alih $6,00 pada tarif tanpa cache, yang merupakan perbedaan antara eksperimen yang Anda biarkan berjalan dan eksperimen yang Anda hentikan setelah tiga kali percobaan.
Mencobanya tanpa mempertaruhkan pipeline pada hal itu
Qwen4-Max tersedia melalui API milik Alibaba sendiri di enam region dan melalui sejumlah platform pihak ketiga; model ini belum ada dalam katalog OrcaRouter saat ini, yang 215 modelnya mencakup Qwen3.8-Max, Qwen3.7-Max, dan Qwen3-Max tetapi bukan generasi Qwen4. Artinya secara praktis, bulan pertama evaluasi berlangsung di endpoint milik vendor sendiri, dengan key yang memiliki batas pengeluaran, dan harness yang Anda bangun terhadap satu endpoint yang kompatibel dengan OpenAI akan tetap berjalan tanpa perubahan kode jika model tersebut benar-benar muncul.
Ada dua hal yang membuat uji coba itu lebih murah. Yang pertama adalah failover: model yang baru ini, yang menjalankan pekerjaan berdurasi panjang, akan terkena batas laju dan timeout, dan failover otomatis ke endpoint kedua mengubah loop build yang mati menjadi lebih lambat. Yang kedua adalah aturan harga pass-through — OrcaRouter menagih dengan harga daftar penyedia tanpa markup, jadi ketika vendor memotong tarif, pemotongan itu langsung berlaku di sisi kami pada hari yang sama, bukan pada perpanjangan kontrak berikutnya. Tidak satu pun dari klaim itu bergantung pada menghosting model yang dimaksud, dan tidak ada yang layak berpura-pura sebaliknya.
Bentuk praktis untuk evaluasi: beri model satu hal kecil yang sudah selesai — satu adegan yang dapat dimainkan dengan satu mekanik, kamera, dan kondisi menang — lalu amati apa yang dilakukannya selama tiga rilis berturut-turut yang dapat dimainkan, bukan satu. Klaim yang diuji bukanlah apakah model dapat menghasilkan sebuah game. Melainkan apakah rilis kedua dan ketiga lebih baik daripada yang pertama, karena hanya bagian itulah dari loop yang tidak dapat diukur oleh benchmark dan tidak dapat ditunjukkan oleh video demo.
Pertanyaan terbuka
Cara Alibaba membingkai Qwen4-Max adalah bahwa model ini akan terus bekerja saat Anda tidak mengawasinya, dan demo pengembangan game adalah bukti paling jelas dari gagasan itu yang bisa dipilihnya: game bersifat visual, interaktif, dan gagal dengan cara yang bisa dilihat siapa saja. Tiga adegan pendek di tiga engine adalah argumen pembuka yang kuat sekaligus demonstrasi ketahanan yang lemah — levelnya kecil, sesi berjalannya hanya beberapa menit, dan kriteria penerimaannya ditetapkan oleh tim yang membuatnya.
Yang akan menyelesaikannya justru tidak glamor. Sebuah proyek dengan basis kode yang sudah ada, arah seni yang tidak ia pilih sendiri, bug fisika yang hanya muncul di perangkat kelas bawah, dan peninjau manusia yang menolak build tersebut dua kali. Jika loop itu bertahan, daftar engine berhenti menjadi kalimat pemasaran dan menjadi alur kerja. Sampai saat itu, posisi jujurnya adalah bahwa Qwen4-Max telah merilis demonstrasi kredibel pertama bahwa model terdepan dapat menggerakkan mesin game dan memutar ulang hasil karyanya sendiri — dan bahwa plugin Live Delivery, yang dirilis dua hari lebih awal di bawah Apache-2.0, adalah bagian dari cerita yang bisa Anda periksa sendiri hari ini.
