見出しが「エージェント型コーディング向けに承認済み、79件中74位で測定」の生成タイトルカード。チップには毎秒54トークン、インデックスタスクあたり32.2分、最初の回答トークンまで179.79秒、Intelligence Indexで43と表示され、フッターには「速度数値はArtificial Analysis、2026年11月17日閲覧」と表示されている。
Guides & Insights

Qwen4-Maxは現在、エージェント型コーディング向けとして売り込まれている。独立系スピードランキングでは79件中74位とされている。

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

2026年11月17日09:31 UTC、X上のQwen4-Max公式アカウントは5語とひとつの誘いを投稿した。モデルは今やサードパーティのプラットフォーム上で稼働しており、エージェント型コーディングを試してみてほしい、という内容だ。それはそのプラットフォーム自身の発表を引用したツイートであり、Alibabaがモデルをプレビューから従量制の一般提供へと移行させてから1日後のことだった。この投稿は小さく、スクロールして通り過ぎるのはたやすい。またこれは、ベンダーが自社のフォロワーをフラッグシップのための特定の外部ルートへと誘導した初めての事例であり、しかも選ばれたのは、Qwen4-Maxが現在ボード上で最も弱い独立系の測定値を有するワークロード——長期的なエージェント型コーディング——であった。

これこそが報じる価値のある緊張関係のすべてであり、告発ではない。ベンダーがエージェント構築者向けにモデルを宣伝するのは普通のことだ。明確にすべきなのは、売り込み文句と読者が検証できる数値との間の隔たりである。なぜなら、チームが行動する根拠になるのは売り込み文句であり、請求書と実際の経過時間が突きつけるのは数値だからだ。

その投稿が実際に何を立証しているのか

三つ、それ以上ではない。残りはニュースを装った推測にすぎない。

• この推薦は本物であり、日付も明記されている。投稿には11月17日09:31 UTCのタイムスタンプがあり、ベンダー自身のアカウントから発信され、単独で存在するのではなく、プラットフォームの以前の発表を引用投稿している。ベンダーがパートナーの発表をリポストするのは意図的な行為であり、そのアカウントがたまたま言及しただけではない。

• このプラットフォームは第二のデプロイメントではない。そのモデルページでは、qwen/qwen4-maxを「自社ラボが提供するルーティングモデル」という見出しの表に掲載している——自社の公開エディションの中には含めていない。この区別は、それを取り巻くマーケティング文言よりも重要だ。ルーティングモデルとは、他社の玄関口を通じて到達するAlibabaのデプロイメントであり、これがクローズドな2.4兆パラメータ級モデルがそもそもどこかに登場できる唯一の方法なのである。

• それはキャパシティではなくベータ版です。サイトの常設バナーにはプライベートベータ版であると記載され、招待コードを求めています。モデル自身のアカウントによる推薦は意図に関するシグナルであり、スループット、クォータ、サービスレベル契約に関するものではありません。また、招待コードは調達経路ではありません。

そしてこの投稿が何も示していないのは、性能に関する主張がただの一つもないということです。1秒あたりのトークン数の数値も、タスク完了率も、タスクあたりのコストも、このルートが同時に保持できるエージェントセッション数についての記述もありません。「これでこのモデルにここから到達できるようになった」と読むべきであり、それがこの投稿の言っていることのすべてです。

推薦文の下にあるカードは、ベンダー自身のカードより安いです。

ルーティングされた一覧には独自の数値が示されており、注目すべきは価格です。入力100万トークンあたり$1.40、出力100万トークンあたり$4.20で、977Kトークンのコンテキストウィンドウとオンラインというステータスを備えています。

• 入力 — ルーティングされたカードでは$1.40、Alibaba自身のGlobal-scopeカード(北京、香港、フランクフルト、米国バージニア、東京)では$1.413、シンガポールでは$1.50でした。

• アウトプット — $4.20(グローバル $4.24、シンガポール $4.50 に対して)

• 方向性 — ルーティングされた番号は、ベンダーが公開している最安地域を約1%下回り、中国本土以外のほとんどの読者が実際に請求先として使用するカードを約6.7%下回ります。

• 明示された仕組み — プラットフォームは自らの課金について「ラボの料率にルート手数料を加えたもの、すべての回答に署名付きのルート領収書」と説明している。

• コンテキストの数値 — 掲載ページでは977K、Alibabaのモデルカードでは1,000,000。実際に適用される上限は、標準モードで入力トークン991,808、思考モードで983,616です。

その2つの事実は、どうにも噛み合わない。ラボの料率に手数料を上乗せするルートは、直接利用するより高くつくはずなのに、このルートは公表されているどのAlibabaリージョンよりも安い。もっともらしい説明は地味なものだ。プロモーション料金、どのAlibabaエンドポイントが呼ばれているかによる地域裁定、あるいはプレビューカード以降更新されていない掲載情報。そして、いずれも外部からは確認できない。読者にできるのは、経由価格をモデル価格として扱うのをやめることだ。Alibaba自身のカードが基準であり、それを下回るものは、誰も公表していない有効期限付きの商業的取り決めにすぎない。タスクあたりコストで判断するのであれば、シンガポールの入力$1.50/出力$4.50、またはGlobal scopeの$1.413/$4.24を基準に試算し、割引は計画ではなく上振れと見なすべきだ。

A screenshot of the Alibaba Cloud Model Studio documentation page for qwen4-max, captured 17 November 2026 in English, showing the model identifier, the 1,000,000-token context window, a 991,808-token maximum input with a 983,616-token thinking-mode figure, a 131,072-token maximum output with 262,144 in thinking mode, a 131,072 default thinking budget, and per-region pricing of $1.5 and $4.5 per million tokens in Singapore against $1.413 and $4.24 in the Global scope.

トラッカーが最も正確に測定できないのは、そのポストの作業負荷だ。

Artificial AnalysisはQwen4-Maxに関する独立した測定値を公開している唯一の組織であり、そのページは公開当日には存在しなかった完全なパフォーマンス行で更新された。その行が示す内容は曖昧ではない。

• Intelligence Index — v5.0.1の9項目評価スイートで43、81モデル中38位、この価格帯におけるトラッカーの中央値41をわずかに上回る。

• 出力速度 — 毎秒54トークン。これは、トラッカーが性能を順位付けしている79モデル中74位です。

• 最初の回答トークンまでの時間 — 179.79秒。モデルは話す前に考えるためで、Alibabaのカードでのデフォルトの推論エフォートは高い。

• Intelligence Indexタスクあたりの時間は32.2分で、同等モデルの中央値13.3分に対してです。トラッカーはこれを「著しく遅い」と呼んでいます。

• 冗長性 — インデックス全体で1億2,700万出力トークン、中央値は7,860万。これは80中65位です。

• インデックスタスクあたりのコスト — $3.27、80件中44位、95%のキャッシュ割引適用済み。

そのリスト内のすべての数値は、Alibaba のものではなく、トラッカーの独自測定です。ベンダーが公表している主張はまったく別の集合であり、登場する箇所ではどこでもベンダー主張としてラベル付けされています。自社の Work360 ベンチマークで Qwen3.8-Max に対して 24%~35% のトークン効率向上、Terminal-Bench 4.0 で 48%~49%、タスクあたり平均コストが $4.43 から $1.67 への低下です。そのいずれも独立に再現されていません。2つのデータセットは互いに矛盾していません — モデルはタスクあたりでは効率的でありながら、トークンあたりでは遅いままでいることができます — しかし、午前2時にエージェントループがどう感じられるかを教えてくれるのは、そのうちの一方だけです。

ベンダー自身の資料には2つ目の欠落があり、エージェント型コーディングを売りにするモデルとしては奇妙なものです。Alibabaのモデルカードはパラメータ数を公開しておらず、発表資料では2.4兆パラメータのスパースMixture-of-Expertsで、トークンあたり710億が活性化されると説明されており、トラッカーは規模を非公開と記録しています。また、Alibaba自身によるこのモデルのTerminal-Bench 4.0スコアも公開されておらず、前世代に対する相対的な効率性の主張があるだけです。エージェント構築者にモデルを採用してほしいベンダーは、通常、エージェント性能の絶対値を前面に出します。これは比率を前面に出しました。

タスクあたり32分と毎秒54トークンがループに及ぼす影響

単価ではこれが見えないので、ここに、その投稿が宣伝している形——タスクをターンごとに進めるコーディングエージェント——についての算数を示す。そのすべては、請求書からではなく、公表されている料金と測定された速度から導かれたものだ。

• ターンあたりの生成時間 — 54トークン/秒で3,000トークンのパッチと推論ブロックは約56秒の純粋な出力です。8,000トークンでは約2.5分で、モデルが何も読み込む前の段階です。

• 25ターンのセッション — 25ターン×3,000出力トークンは75,000トークンで、その速度なら生成に約23分かかります。さらに、ハーネスがコンテキストをウォームな状態に保たない場合、初回回答トークンまでの待機が各約3分弱で25回発生します。そのオーバーヘッドだけで生成時間を超えることがあります。

• 同じセッションを金額に換算すると — 出力75,000トークン、100万トークンあたり$4.50で$0.34。計算資源は安いが、時間は安くない。この逆転こそが、このモデルの経済性を理解するうえで最も役立つポイントだ。

• キャッシュは、それが許容できるかどうかを左右するレバーだ — 20万トークンのコンテキストを毎回コールドで読み直すと、100万トークンあたり$1.50として1ターンあたり$0.30かかる。95%の割引でキャッシュされていれば、約$0.015で済む。25ターンにわたれば、これは入力コストの$7.50と$0.38の差となり、出力の請求額を完全に圧倒する。

言い換えると、Qwen4-Max で計測すべきなのは出力長ではなく、キャッシュヒット率と最初のトークンのレイテンシです。コンテキストを温かいまま保ち、3分間の思考を許容するループなら実用的です。毎ターン、冷えた200Kコンテキストを再送するループは、入力レートの20倍を支払い、そのたびに3分待つことになります。32.2分のインデックスタスクはトラッカーの複合指標であってあなたのタスクではありませんが、その方向性こそ計画の基準にすべきものです。

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 17 November 2026 in English, showing an Intelligence Index of 43 at rank 38 of 81, a performance rank of 74 of 79, time to first answer token of 179.79 seconds, output speed of 54 tokens per second, 32.2 minutes per index task, 127 million output tokens, a $3.27 cost per index task, and a 984k context window.

レシートには何が答えたか書かれていません。

これはルーティングされたリスティングの中でも、価格以上に注目されるべき部分です。プラットフォーム自身のドキュメントは異例なほど率直で、ルーティングされたすべての回答には署名付きルート受領書が付属し、その受領書は「どの重みが回答したかを証明するものではない」としています。記録されるのは、リクエストの送信先と最新のプローブが報告した内容です。プラットフォーム自身が公開するモデルには、より強固なチェーンが用意されています。ファイルはSHA-256ダイジェストで保存され、リビジョンはファイルマップハッシュで識別され、固定された発行元キーによる署名付きレコードと、追記専用の透明性ログが存在します。そして、検証ステータスは、qwen/qwen4-maxについて「不明」と表示されています。

クローズドモデルにとって、これはスキャンダルではなく、当社のものも含むすべてのルーターが共有する構造的限界です。重みが公開されていなければ、どの重みがトークンを生成したかを第三者に証明することはできません。以下は批判ではなく実用的なルールです。あなたの作業が、モデルが実際にQwen4-Maxであることに依存している場合——評価、ベンチマーク提出、どのモデルがデータに触れたかに関する契約上の主張など——ルーティングされたエンドポイントは、どれほど立派な受領証に見えても、それだけでは十分な証拠にはなりません。必要なのが能力そのものであれば、ルーティングされたエンドポイントで問題なく、来歴の問いは学術的なものになります。

本番の経路をそれに賭けずに試す方法

率直に言うと、私たちの立ち位置はこうです:OrcaRouterはQwen4-Maxをルーティングしていません。カタログにはqwen/qwen3.8-max、anthropic/claude-fable-5.2およびopenai/gpt-6.1-solが収載されています。qwen4識別子へのリクエストは現時点でnot-foundを返すため、このモデルを当社のキーで使いたい場合は他の皆さんと同じく待つことになります。私たちにできるのは、その評価を低コストで覆せるようにすることです。

気にするべき理由は、このローンチに関するあらゆる点が、これをハードコードすることに反対しているからだ。モデルは登場からまだ1日で、唯一の独立した性能行では速度が79件中74位、ルーティング価格は誰も説明していない理由で自社ベンダーの料金表を下回り、その推薦を載せているプラットフォームは招待コード制のプライベートベータにある。これらのどれも一週間以内に変わりうる——しかも、プレビューからGAへの移行で共有の思考+回答予算を393,216トークンから262,144トークンに削減し、課金をクレジットからトークン単位の従量課金に移したことは、2週目に本番経路を壊すまさにその種の変更だ。

実験をハードコードされたエンドポイントではなく、ルーティングされたエンドポイントの背後に置くべき理由はそこにあります。新しいモデルを一方のルートに、qwen/qwen3.8-maxをフォールバックに、両方合わせて1つのキーと1つの請求。マークアップ0%でプロバイダーの定価をそのまま通すのであれば、Alibabaの料金表と照らし合わせて計算した額がそのまま請求額になります。つまり、ベンダーの値下げは次の契約更新時ではなく、その日のうちに当社側にも反映されるということです。実績のないモデルについては、モデルフュージョンも知っておく価値のあるもう1つの選択肢です。自社のトラフィックのサンプルで既存モデルと並行して動かし、どちらかが本番経路を担う前に出力を比較してください。200以上のモデルを1つのAPIで使うとはどういうことかをただ見てみたい場合は、カタログは公開されています。

A generated two-column scoreboard titled 'Qwen4-Max — the pitch and the meter', with rows comparing what the launch material claims against what Artificial Analysis measured: agentic coding endorsed on 17 November against a performance rank of 74 of 79, a 1,000,000-token context against 984k recorded by the tracker, a vendor token-efficiency ratio against an Intelligence Index of 43 at rank 38 of 81, no published speed figure against 54 tokens per second, no published task time against 32.2 minutes per index task, and average cost per task cut from $4.43 to $1.67 against $3.27 per task measured by the tracker. Footer reads 'Vendor figures unreproduced; speed, cost and index figures per Artificial Analysis, 17 November 2026.'

何がこの読みを変えるだろうか

三つのこと、どれほど重要になるかの順に。

1つ目は、唯一のトラッカー以外の誰かによる速度の数値だ。複合ベンチマーク上での1回だけの毎秒54トークンという測定値は、本番採用の判断には根拠として薄い。しかもベンダーはそのような数値を一切公開していない。2つ目の独立したハーネスがその数値に近い結果を出せば、遅さはモデル固有の性質であり、エージェント開発者はその制約に合わせてループを設計すべきだ。はるかに高い結果が出れば、問題はトラッカーのエンドポイントにあったのであり、この節はひどく色あせる——それこそがこの節の正しい古び方だ。

2つ目は、そのルーティングされたリスティングの検証ステータスが「不明」から移行すること、またはプラットフォームがプライベートベータを終了することです。どちらも、承認済みルートをサポートコミットメントで裏付けられるものに変えるでしょう。

第三点は、Alibabaが前世代との比率ではなく、エージェント型コーディングの絶対スコアを公開することだ。それが実現するまで、この推薦は意図についての主張にすぎず、宣伝されているワークロードについて公開されている唯一の測定値は、1タスク32.2分、毎秒54トークンだ。これはQwen4-Maxを避ける理由ではない。誰かに納品日を約束する前に自分のタスクでベンチマークし、その間は既存モデルをすぐ使える代替経路として残しておく理由である。