
Qwen4-MaxがUnreal、Unity、Godotでプレイ可能なゲームを構築:3つのデモとその背後にあるハーネス
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 90 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 87 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 133 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100万トークンあたり · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100万トークンあたり · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955知能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855知能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100万トークンあたり · 219 tok/s
アリババのQwen4-Max発表投稿で最も興味深い一文は、ベンチマークスコアではない。それはゲームエンジンのリストだ。2026年11月16日にリリースされたQwen4-Maxは、自身のチームによってUnity、Unreal Engine、Godotで「流暢に」動作すると記録されており、投稿にはモデルがエンドツーエンドで制作したとされるゲームの動画が3本添えられている。Unreal Engineの猫魔導士ウェーブディフェンス、Unreal Engineのソードフライト・アドベンチャー、そしてインストール可能なAndroidビルドとして提供されるUnity 6の西湖レーサーだ。
それは「{{1}}Terminal-Bench 4.0{{/1}}で48.5%のスコアを出す」とは種類の異なる主張だ。ベンチマークの数値は、誰でも再実行できる測定値である。ゲームのデモは成果物であり、その成果物こそが証拠だ。ビルドがインストールできて遊べるなら、モデルは実際に何かを成し遂げたのであり、そうでなければ、どれだけ文章を重ねても埋め合わせられない。厄介なのは、3つのビルドが手元にないことだ。手元にあるのは約2分の編集済み動画にすぎない。だからここで誠実に行うべき作業は、ベンダーが見せたものと読者が検証できるものを切り分け、その後で仕組みを見ることだ。というのも、その部分は文書化されており、この取り組みが3つのショーケースレベルを超えて一般化するかどうかを決めるのもその部分だからだ。

3つのデモ、3つのエンジン、1つの共有ループ
3つのデモは発表の中で名前と尺が示されており、これはほとんどのローンチ記事が提供する以上のものだ。「Meow of Magic」は52秒:Unreal Engine製の猫魔導士アドベンチャーで、呪文詠唱、アップグレード選択、敵とボスのウェーブを備える。「Yun Guan Xing」は39秒:雲とリングを通って剣で飛ぶファンタジー飛行シーケンスで、ボスで終わる。「Flying Racer」は20秒:西湖周辺を巡るUnity 6のモバイルレーサーで、ドリフト、ニトロブースト、展開可能な翼を備え、動画だけのプロトタイプではなくインストール可能なAndroidゲームとして提供される。
それらは3つの異なるエンジンAPIと3つの異なるビルドターゲットであり、ベンダーによるワークフローの説明はその3つすべてで同一だ。単一の自然言語ブリーフから、Qwen4-Maxはシーン構築、ゲームプレイロジック、外部アセットの統合、マテリアル設定、HUD設計、視覚効果を処理し、その後ゲームを実行して、視覚およびインタラクションのフィードバックを用いてカメラ追従、キャラクターアニメーション、ヒットフィードバック、ライティング、ペーシングを修正する。そのリストをもう一度読んでほしい。順序こそが主張なのだ。モデルはゲームを書いてうまくいくことを願うよう求められているのではない。ビルドを生成し、それをプレイし、見たものを修正するよう求められているのだ。
Alibaba以外の誰も、これをまだ再現していない。また、3つのプロジェクトを確認できる公開リポジトリも存在しない。断言できることはより狭い範囲にとどまるが、それでも意味はある。このモデルは、エンジン非依存のシーン記述を出力するのではなく、3つの実在するエンジン内で動作するものとして文書化されており、3つのターゲットのうち1つはインストール可能なAndroidパッケージであり、これは失敗すると大声で知らせ、しかも頻繁に失敗するビルド手順だ。

本当に新しいのはコードではなく、フィードバックループの部分だ
フロンティアモデルがUnityスクリプトを書くことはニュースではない。モデルは2年前からエンジンコードを書いており、その失敗の仕方はずっと変わっていない。コードはコンパイルされ、シーンは読み込まれ、結果は人間にしか気づけない形でプレイ不能になる——カメラが壁を突き抜ける、ヒットに目に見える反応がない、ジャンプの軌道がエレベーターのように感じられる。したがって、{{1}}Qwen4-Maxのゲーム開発に関する主張{{/1}}についての興味深い問いは、「C#やGDScriptを書けるか」ではなく、「そのループを自力で閉じられるか」である。
発表ではそうだとされており、そこで説明されている仕組みはモデルの能力ではなくハーネスだ。エージェントはビルドを実行し、視覚面およびインタラクション面のフィードバックを読み取り、カメラ、アニメーション、ヒットフィードバック、ライティング、ペーシングについて反復する。このループが実際に機能するなら、構築できるものに対する制約は、モデルのコーディング能力から、与えられるフィードバック信号の品質へと移る。レンダリングされたフレームと入力ログは、「これは何かがおかしい」という感覚を人間のプレイテスターよりもはるかに薄くしか表現しておらず、デモはいずれも、フィードバックループが1セッション内で収束できる見込みのある、短く自己完結したシーンばかりだ。
これは、ベンダーが記事内の別の見出しの下で述べているのと同じ主張であり、2つの主張は併せて読むべきです。長期ホライズンエージェントのセクションで、AlibabaはLive Deliveryと呼ぶアプローチを説明しています。エージェントは早い段階で使用可能な最初のバージョンを作成し、その後、連続するリリースを通じてそれを拡張し、実行結果とユーザー要件に基づいて計画を更新します。これにより、人は全体の実行が完了する前に、いつでも介入して方向を修正したり誤りを取り消したりできます。ゲームの場合、これは成果物の提供周期が最終的な単一のアーカイブではなく、プレイ可能なビルドであることを意味します。長いツール使用の軌跡を持つその他のものにとっても、同じことを意味します。
Blender、そしてビューポートの先から始まるパイプライン
3Dモデリングのセクションは、同じ話の中でも地味な半分にあたる。Qwen4-Maxについては、Blenderを使ってジオメトリモデリング、シーン構築、マテリアル設定、ライティング、レンダリングを行ったことが記録されており、その対象は建築、インテリア、自然景観、SFシーンに及ぶ。これは画像の美しさよりも、空間レイアウトやオブジェクト構造を試す作業だ。ベンダーの位置づけでは、これらのアセットは「実際にゲームで使用され」、3Dプリンティングによって物理的なオブジェクトになるとされている。これは下流での互換性に関する主張だ。印刷できるアセットは一貫したジオメトリ、水密メッシュ、実際のスケールを備えており、ゲームエンジンにそのまま投入できるアセットは適切なピボットとマテリアル割り当てを備えている。
それは検証済みのパイプラインではなく、意図表明として受け取るべきだ。公開されたアセットパックも、ポリゴン数予算も、トポロジーレポートもなく、生成されたメッシュが人間のアーティストによるリトポロジーパスやUV展開を経て生き残る必要があるときに何が起こるかについての記述もない。このセクションが確かに示しているのは、ワークフローがファイルレベルかつツールレベルであるということだ。モデルは実際のDCCアプリケーションを動かし、ゲームエンジンがインポートできるものを生成しているのであって、3Dオブジェクトの画像を生成しているのではない。この区別は、これを制作アートパイプラインに組み込みたいと考える人にとって重要なものであり、また動画で偽装するのが最も難しいものでもある。
Live Delivery にはリポジトリがあり、それがチェック可能な部分になっています。
モデルの一般提供開始の2日前に、Alibabaはこのために構築したハーネスをオープンソース化しました。Qwen Live DeliveryプラグインはApache-2.0の下でGitHub上にあり、2026年11月14日に作成され、ローンチ前日に最後のプッシュが行われました。これは4つのMCPツール——ld_begin、ld_publish、ld_status、ld_done——に加えてライフサイクルフックを公開しており、シェルスクリプトでワークスペースにインストールされます。ローンチ時点ではCodex CLI専用で、LinuxとmacOSで動作し、Node.js 22以降が必要です。サンドボックスに完全なファイルシステムアクセスを与えるためのオプトイン環境変数と、リリースをレビューするためのブラウザワークベンチがあります。
これは、ゲーム開発に関する主張を評価したい人にとって、リリース全体で最も有用な成果物です。なぜなら、実際に実行できる部分だからです。長期にわたるジョブのリリースを次々と公開するフレームワークは、まさにゲーム開発エージェントが必要とする形です。プレイ可能な各ビルドは人間が検査できるチェックポイントであり、レベルデザインでの誤った方向転換は、1回の実行ではなく1回のリリースのコストで済みます。また、興味深い比較は「どのモデルがより優れたUnrealコードを書くか」ではなく、「どのモデルのハーネスなら作業を監督できるか」になるということでもあります。これははるかに実用的な問いであり、スコアボードを読むのではなく、実際に使うことで決着する問いです。
独立した数字が教えてくれることと教えてくれないこと
Artificial Analysisは、最大推論エフォートでのv5.0.1において、Qwen4-MaxのIntelligence Indexを42.89として掲載している。同じバージョンでのQwen3.8-Maxは33.65であり、約9ポイントの向上となる。これは単なる丸め誤差ではなく、実際の世代的な進歩だ。サブスコアは総合値よりもばらつきがある。Terminal-Bench 4.0は48.5%対38.9%、FrontierCode-AA 2.0は26.5%対23.4%、Terminal-Bench-Scienceは23.3%対11.9%、HLE-Diamondは44.9%だ。エージェント作業でも傾向は維持されている。APEX-Agentsは59.1%、AutomationBenchは部分達成で72.6%、EnterpriseOps-Gymは48.5%、AnalystAgentは46.3%となっている。
そのどれもゲーム開発を測っているわけではない。公開リーダーボードでUnrealのビルドを実行したり、Unityのシーンが読み込まれるかを確認したり、Godotプロジェクトをジャンプの感触が正しいかで採点したりするものはない。最も近い代理指標はエージェント型およびターミナルのベンチマークで、これらはモデルが多段階のツール利用の軌跡を筋を見失わずにまとめ上げられるかを測る——そしてQwen4-Maxが最も伸びるのはまさにそのスコアだ。したがって、独立系データの正しい読み方は間接的だ。それはデモの1フレームたりとも裏付けることなく、ハーネスに関する説明をもっともらしくする。Artificial Analysisはまた、このモデルについてオープンウェイトを記録しておらず、これはファインチューニングとモデルデプロイを非対応と記すベンダー文書と一致する。

公開された仕様書
Alibaba自身のドキュメントとローンチ投稿で、プロジェクトに着手する前に買い手が必要とする数値を確認できます:
• バックボーン — 2.4兆パラメータ(トークンあたり710億が活性化)に加え、3280億のN-gram埋め込みパラメータを備え、Gated DeltaNetハイブリッドアテンションとN-gram埋め込み層を組み合わせたスパースなMixture-of-Experts設計。
• コンテキスト — 1,000,000トークンと宣伝されているが、ドキュメントでは最大入力が非思考モードで991,808トークン、思考モードで983,616トークンに制限されている
• 出力 — 非思考モードでは最大131,072トークン、思考モードでは推論トレースと回答で合計262,144を共有
• モダリティ — 入力はテキスト・画像・動画、出力はテキスト。画像・動画の生成はなし
• 価格 — シンガポールでは入力100万トークンあたり$1.50、出力$4.50、その他の地域では$1.413と$4.24。これに対し、Qwen3.8-Maxは$2.00と$6.00です。
• キャッシュ — シンガポールでのキャッシュ読み取りは100万トークンあたり$0.075、95%割引。明示的キャッシュと暗黙的キャッシュを5分および1時間のTTLで利用可能
• 制限 — バッチ推論、ファインチューニング、モデルデプロイはすべて非対応とされているため、安価な非同期経路もなく、重みへのアクセスもできません
• レート制限 — グローバル全体で毎分30,000リクエストおよび5,000,000トークン、リージョン別の毎分トークン上限は500万~2,000万
出力上限こそ、二度読むべき行だ。プレイ可能なビルドは1回の応答ではない。数十回のツール呼び出しであり、そのそれぞれがファイル内容とビルドログを返し、そうしたターンのすべてが同じコンテキストによって制約される。100万トークンのウィンドウでの長期作業は、まさに出力予算が小さいほど往復が増えるワークロードだ。
長いビルドループには、実際どれだけのコストがかかるのか
ベンダー自身のコスト数値は、トークン単位ではなくタスク単位で示されており、これはこの種の作業にとって適切な単位だ。Work360(26の第一階層ドメインにわたるプロフェッショナルタスクに関するAlibaba社内ベンチマーク)では、Qwen4-Maxは52.69を記録し、Qwen3.8-Maxの47.74を上回る。また、タスクあたりの平均コストは4.43ドルから1.67ドルに下がり、62%の削減となる。これは一部が値下げ、一部が使用トークン数の削減によるもので、Work360では推論エフォートがextra-highとhighの場合におよそ24%と35%少なく、Terminal-Bench 4.0では48%と49%少ない。これらはベンダー報告によるもので、再現されていない。
独立系の見積もりは、魅力的とは言えないまでも、予算策定の入力としてはより有用だ。Artificial Analysisは、独自のIntelligence Indexを実行するコストを、Qwen4-Maxでは1タスクあたり3.27ドルと算出している。同じハーネス上でQwen3.8-Maxの10.02ドルから下がった形であり、67%の削減はアリババの主張と方向性としては一致する。ただし絶対値が異なるのは、2つの測定が異なるタスクを異なる推論エフォートで実行しているためだ。ゲーム開発ループを計画しているなら、掛け算に使うべき数値は1.67ドルではなく、評価対象タスクあたり3.27ドルであり、その乗数は入力するプロンプトの数ではなく、ビルドしてプレイするサイクル内のターン数だ。
このワークロードでは、料金表よりも重要なコスト上の注意点がもう1つあります。キャッシュされた入力は100万トークンあたり$0.075で、ビルドループはキャッシュワークロードの理想的な例です。同じエンジンのドキュメント、同じプロジェクトファイル、同じエラーログを何度も繰り返し読み込みます。200,000トークンのプロジェクトコンテキストを20回再読み込みするループは、非キャッシュ料金なら$6.00かかるところ、キャッシュされた入力では$0.30で済みます。これは、動かし続けておく実験と、3回試しただけで止めてしまう実験の違いです。
パイプラインをそれに賭けずに試してみる
{{1}}Qwen4-Max{{/1}}は、アリババ自身のAPIを通じて6つのリージョンで利用可能で、複数のサードパーティプラットフォーム経由でも利用できます。ただし、現在のOrcaRouterのカタログには含まれていません。同カタログの215モデルにはQwen3.8-Max、Qwen3.7-Max、Qwen3-Maxが含まれていますが、Qwen4世代は含まれていません。実際にはどういうことかというと、評価の最初の1か月はベンダー自身のエンドポイントで、支出上限付きのキーを使って行うことになり、1つのOpenAI互換エンドポイントに対して構築したハーネスは、モデルが実際に登場すればコード変更なしで移行できるということです。
その試行を安くする要素は2つある。1つ目はフェイルオーバーだ。これほど新しいモデルがこれほど長時間実行される作業を行うと、レート制限やタイムアウトに遭遇する。そして自動フェイルオーバーを2つ目のエンドポイントに対して行えば、停止したビルドループがより遅いループに変わる。2つ目はパススルー価格ルールだ。OrcaRouterはプロバイダーの定価でマークアップなしに請求するため、ベンダーが料金を引き下げると、次回の契約更新時ではなく当日に当社側でその引き下げが反映される。これらの主張はどちらも、当該モデルをホストしているかどうかに依存しないし、どちらもそうでないふりをする価値はない。
評価のための実用的な形:モデルに、小さく完成したもの——1つのメカニクス、カメラ、勝利条件を備えた単一のプレイアブルシーン——を1つ与え、1回ではなく3回連続するプレイアブルリリースにわたって何をするかを観察する。検証対象となる主張は、ゲームを作れるかどうかではない。第2回と第3回のリリースが第1回より良くなるかどうかである。なぜなら、それはループのうち、ベンチマークでは測れず、デモ動画では示せない唯一の部分だからだ。
未解決の問題
アリババによるQwen4-Maxの位置づけは、あなたが見ていない間も動き続けるモデルというものであり、ゲーム開発のデモは、そのアイデアを証明するために選びうる最も分かりやすい証拠だった。ゲームは視覚的で双方向的であり、誰にでも分かる形で失敗するからだ。3つのエンジンによる3つの短いシーンは、強い導入の主張ではあるが、耐久性の実証としては弱い。レベルは小さく、実行時間は数分で、合格基準は制作チーム自身が設定したものだからだ。
それを決着させるものは地味だ。既存のコードベースがあり、自分で選んだわけではないアートディレクションがあり、低スペック端末でしか現れない物理バグがあり、ビルドを2回却下する人間のレビュアーがいるプロジェクト。その状況をこのループが生き残れば、エンジンのリストは宣伝文句ではなくなり、ワークフローになる。それまでは、正直に言えば、Qwen4-Max が、フロンティアモデルがゲームエンジンを動かし、自身の作業を再生できることを示す最初の信頼できる実証を出したこと、そして Apache-2.0 の下で予定より2日早くリリースされた Live Delivery プラグインこそ、今日自分で確認できる話の部分だということになる。
