
Qwen4-Max bouwt speelbare games in Unreal, Unity en Godot: drie demo's en de harness erachter
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 90 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 97 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNIEUWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 87 tok/s
- OrcaNIEUWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 133 tok/s
- OrcaNIEUWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 mln tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 mln tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligentie
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligentie
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 mln tokens · 219 tok/s
De interessantste regel in Alibaba's lanceringspost voor Qwen4-Max is geen benchmarkscore. Het is een lijst met game-engines. Qwen4-Max, uitgebracht op 16 november 2026, wordt door zijn eigen team gedocumenteerd als "vloeiend" werkend met Unity, Unreal Engine en Godot, en de post bevat drie video's van games die volgens de post end-to-end door het model zijn gebouwd: een wave-defence-spel met een kattenmagiër in Unreal Engine, een avontuur met zwaardvluchten in Unreal Engine, en een West Lake-racer in Unity 6, geleverd als een installeerbare Android-build.
Dat is een andere soort bewering dan "scoort 48.5% op Terminal-Bench 4.0". Een benchmarkgetal is een meting die iemand opnieuw kan uitvoeren. Een gamedemo is een oplevering, en die oplevering is het bewijs: als de build te installeren en te spelen is, heeft het model iets werkelijks gedaan, en als dat niet zo is, maakt geen enkele hoeveelheid proza dat goed. Het lastige is dat de drie builds niet voor je liggen. Wat voor je ligt, is ongeveer twee minuten bewerkte video, dus het eerlijke werk hier is onderscheiden wat de leverancier heeft laten zien van wat een lezer kan verifiëren, en dan naar het mechanisme te kijken — want dat deel is gedocumenteerd, en dat is het deel dat zal bepalen of dit voorbij drie showcaselevels generaliseert.

Drie demo's, drie engines, één gedeelde loop
De drie demo's worden in de aankondiging bij naam genoemd en getimed, wat meer is dan de meeste lanceringsberichten bieden. "Meow of Magic" duurt 52 seconden: een Unreal Engine-avontuur met een kattenmagiër, met spreuken casten, upgradekeuzes en golven vijanden en bosses. "Yun Guan Xing" duurt 39 seconden: een fantasyvluchtsequentie op een zwaard door wolken en ringen, eindigend met een boss. "Flying Racer" duurt 20 seconden: een mobiele racer in Unity 6 rond West Lake, met driften, nitroboosts en uitklapbare vleugels, geleverd als een installeerbaar Android-spel in plaats van een prototype dat alleen video is.
Dat zijn drie verschillende engine-API's en drie verschillende buildtargets, en de beschrijving van de workflow door de leverancier is voor alle drie identiek. Vanuit één briefing in natuurlijke taal verzorgt Qwen4-Max de scèneopbouw, gameplay-logica, integratie van externe assets, materiaalinstelling, HUD-ontwerp en visuele effecten, start vervolgens de game en gebruikt de visuele en interactieve feedback om cameravolging, karakteranimatie, hitfeedback, belichting en pacing bij te sturen. Lees die lijst nog eens, want de volgorde is de claim: van het model wordt niet gevraagd een game te schrijven en er maar op te hopen. Er wordt van het model gevraagd een build te produceren, die te spelen en te corrigeren wat het ziet.
Niemand buiten Alibaba heeft hier nog iets van gereproduceerd, en er is geen openbare repository van de drie projecten om te inspecteren. Wat zonder voorbehoud gezegd kan worden, is beperkter en nog steeds de moeite waard: het model is gedocumenteerd als werkend binnen drie echte engines in plaats van een engine-agnostische scènebeschrijving te genereren, en een van de drie doelen is een installeerbaar Android-pakket, een buildstap die luid en vaak faalt.

Het deel dat echt nieuw is, is de feedbackloop, niet de code
Een frontiermodel dat een Unity-script schrijft, is geen nieuws. Modellen schrijven al twee jaar enginecode, en de faalmodus is al die tijd stabiel gebleven: de code compileert, de scène laadt, en het resultaat is onspeelbaar op een manier die alleen een mens opmerkt — een camera die door muren clip't, een hit die geen zichtbare reactie oplevert, een sprongboog die aanvoelt als een lift. De interessante vraag over de claim van Qwen4-Max op het gebied van gameontwikkeling is daarom niet "kan het C# of GDScript schrijven", maar "kan het die lus zelf sluiten".
De aankondiging zegt van wel, en het mechanisme dat ze beschrijft is eerder een testharnas dan een modelcapaciteit: de agent voert de build uit, leest visuele en interactiefeedback terug en itereert op camera, animatie, hitfeedback, belichting en tempo. Als die lus echt is, verschuift de beperking op wat hij kan bouwen van de codeervaardigheid van het model naar de kwaliteit van het feedbacksignaal dat hem wordt gegeven — een gerenderd frame en een inputlog vormen een veel beperktere beschrijving van 'dit voelt verkeerd' dan een menselijke playtester, en de demo's zijn allemaal korte, op zichzelf staande scènes waar een feedbacklus binnen één sessie plausibel naar kan convergeren.
Dit is hetzelfde argument dat de leverancier elders in de post onder een andere kop aanvoert, en de twee beweringen moeten samen worden gelezen. In de sectie over agents met een lange horizon beschrijft Alibaba een aanpak die het Live Delivery noemt: de agent produceert vroeg een bruikbare eerste versie en breidt die vervolgens uit via opeenvolgende releases, waarbij hij zijn plan bijwerkt op basis van uitvoeringsresultaten en gebruikersvereisten, zodat een persoon op elk moment kan ingrijpen om de richting te corrigeren of een fout ongedaan te maken voordat de hele run is voltooid. Voor een game betekent dat dat de opleveringscadans speelbare builds is in plaats van één definitief archief. Voor al het andere met een langdurig traject waarin tools worden gebruikt, betekent het hetzelfde.
Blender, en de pipeline die voorbij de viewport begint
Het 3D-modelleringsgedeelte is de rustigere helft van hetzelfde verhaal. Van Qwen4-Max is gedocumenteerd dat het Blender gebruikt voor geometrisch modelleren, scène-opbouw, materiaalinstelling, belichting en rendering, in architectuur, interieurs, natuurlijke landschappen en sciencefictionscènes — werk dat eerder ruimtelijke indeling en objectstructuur op de proef stelt dan beeldesthetiek. De framing van de leverancier is dat deze assets "in de praktijk worden gebruikt in games" en via 3D-printen in fysieke objecten worden omgezet, wat een claim is over compatibiliteit verderop in de keten: een asset die kan worden geprint, heeft consistente geometrie, waterdichte meshes en een echte schaal, en een asset die zonder problemen in een game-engine valt, heeft correcte pivots en materiaaltoewijzingen.
Beschouw dat als een intentieverklaring in plaats van een geverifieerde pipeline. Er is geen gepubliceerd assetpack, geen polycount-budget, geen topologierapport en geen uitspraak over wat er gebeurt wanneer een gegenereerd mesh een retopologie-pass of een UV-unwrap door een menselijke artiest moet doorstaan. Wat de sectie wel vaststelt, is dat de workflow zich op bestands- en toolniveau afspeelt: het model bestuurt een echte DCC-applicatie en produceert iets wat een game-engine importeert, en genereert niet een afbeelding van een 3D-object. Dat onderscheid is hetgene dat ertoe doet voor iedereen die dit in een productie-artpipeline hoopt te gebruiken, en het is ook hetgene dat het moeilijkst te faken is in een video.
Live Delivery heeft een repository, waardoor het het controleerbare gedeelte is.
Twee dagen voor de algemene beschikbaarheid van het model maakte Alibaba de harness die het hiervoor had gebouwd open source. De Qwen Live Delivery-plugin staat op GitHub onder Apache-2.0, werd aangemaakt op 14 november 2026 en werd voor het laatst gepusht op de dag voor de lancering. Hij biedt vier MCP-tools — ld_begin, ld_publish, ld_status en ld_done — plus lifecycle-hooks, en installeert zich in een workspace met een shellscript. Bij de lancering is het uitsluitend voor Codex CLI, draait het op Linux en macOS, en vereist het Node.js 22 of nieuwer. Er is een opt-in-omgevingsvariabele om de sandbox volledige toegang tot het bestandssysteem te geven, en een browser-workbench voor het beoordelen van releases.
Dit is het nuttigste artefact in de hele release voor iedereen die de bewering over gameontwikkeling beoordeelt, omdat het het onderdeel is dat je daadwerkelijk kunt uitvoeren. Een framework dat opeenvolgende releases van een langlopende taak publiceert, heeft precies de vorm die een agent voor gameontwikkeling nodig heeft: elke speelbare build is een checkpoint dat een mens kan inspecteren, en een verkeerde afslag in leveldesign kost één release in plaats van één run. Het betekent ook dat de interessante vergelijking niet is "welk model schrijft betere Unreal-code" maar "de harness van welk model je in staat stelt toezicht te houden op het werk", wat een veel praktischere vraag is, en een die beslecht zal worden door het in de praktijk te gebruiken, niet door een scorebord te lezen.
Wat de onafhankelijke cijfers je wel en niet kunnen vertellen
Artificial Analysis vermeldt Qwen4-Max met een Intelligence Index van 42,89 op v5.0.1 bij maximale redeneerinspanning, tegenover 33,65 voor Qwen3.8-Max uit dezelfde versie — een winst van ongeveer negen punten, wat een echte generatiestap is en geen afrondingsverschil. De deelscores zijn gemengder dan het hoofdcijfer: Terminal-Bench 4.0 op 48,5% tegenover 38,9%, FrontierCode-AA 2.0 op 26,5% tegenover 23,4%, Terminal-Bench-Science op 23,3% tegenover 11,9%, en HLE-Diamond op 44,9%. Bij agentisch werk blijft het patroon gelden — APEX-Agents 59,1%, AutomationBench 72,6% gedeeltelijk, EnterpriseOps-Gym 48,5%, AnalystAgent 46,3%.
Geen van die dingen meet gameontwikkeling. Geen enkele openbare ranglijst voert een Unreal-build uit, controleert of een Unity-scène laadt, of beoordeelt een Godot-project op de vraag of de sprong goed aanvoelt. De dichtstbijzijnde proxies zijn de agentische en terminal-benchmarks, die meten of een model een meerstaps traject met toolgebruik bij elkaar kan houden zonder de draad kwijt te raken — en dat zijn de scores waarop Qwen4-Max het meest wint. De juiste lezing van de onafhankelijke data is dus indirect: het maakt het harness-verhaal aannemelijk zonder één frame van de demo's te bevestigen. Artificial Analysis registreert ook geen open weights voor het model, wat overeenkomt met de leveranciersdocumentatie die fine-tuning en modeldeployment als niet-ondersteund markeert.

Het specificatieblad, zoals gepubliceerd
Alibaba's eigen documentatie en het lanceringsbericht, voor de cijfers die een koper nodig heeft voordat hij een project aangaat:
• Backbone — 2,4 biljoen parameters, waarvan 71 miljard per token worden geactiveerd, plus 328 miljard N-gram-embeddingparameters, in een sparse mixture-of-experts-ontwerp met Gated DeltaNet hybride attention en een N-gram-embeddinglaag
• Context — 1.000.000 tokens geadverteerd; de documentatie beperkt de maximale invoer tot 991.808 tokens in niet-denkmodus en 983.616 in denkmodus
• Uitvoer — maximaal 131.072 tokens in niet-denkmodus; in denkmodus delen de redeneertrace en het antwoord een gecombineerd maximum van 262.144
• Modaliteit — tekst, afbeelding en video als invoer, tekst als uitvoer; geen generatie van afbeeldingen of video
• Prijs — $1,50 input en $4,50 output per miljoen tokens in Singapore, $1,413 en $4,24 in de andere regio's, tegenover Qwen3.8-Max aan $2,00 en $6,00
• Cache — $0.075 per miljoen tokens bij een cache-read in Singapore, een korting van 95%, met expliciete en impliciete caching bij TTL's van vijf minuten en één uur
Beperkingen — batch-inferentie, fine-tuning en modelimplementatie worden allemaal als niet-ondersteund vermeld, dus er is geen goedkope asynchrone route en geen toegang tot de gewichten.
• Snelheidslimieten — wereldwijd 30.000 verzoeken en 5.000.000 tokens per minuut, met regionale tokenplafonds per minuut tussen 5 en 20 miljoen
Het outputplafond is de regel die je twee keer moet lezen. Een speelbare build is niet één reactie; het zijn tientallen tool-aanroepen, die elk bestandsinhoud en buildlogs retourneren, en elk van die beurten wordt begrensd door dezelfde context. Langdurig werk met een venster van een miljoen tokens is precies de workload waarbij een kleiner outputbudget zich vertaalt in meer round trips.
Wat een lange buildloop daadwerkelijk kost
De kostencijfers van de leverancier zelf worden per taak vermeld in plaats van per token, wat de juiste eenheid is voor dit soort werk. Op Work360, Alibaba's interne benchmark van professionele taken across 26 eerstelijnsdomeinen, scoort Qwen4-Max 52,69 tegenover 47,74 voor Qwen3.8-Max, en de gemiddelde kosten per taak dalen van $4,43 naar $1,67 — een reductie van 62%, deels bereikt door prijsverlagingen en deels door minder tokens te gebruiken: ongeveer 24% en 35% minder op Work360 bij extra-hoge en hoge redeneerinspanning, en 48% en 49% minder op Terminal-Bench 4.0. Deze cijfers zijn door de leverancier opgegeven en niet gereproduceerd.
De onafhankelijke schatting is minder flatteus en nuttiger als budgetinput. Artificial Analysis stelt de kosten voor het uitvoeren van zijn eigen Intelligence Index op $3,27 per taak voor Qwen4-Max, tegenover $10,02 voor Qwen3.8-Max op dezelfde harness — een reductie van 67% die in dezelfde richting wijst als de claim van Alibaba, maar op een ander absoluut getal uitkomt, omdat de twee metingen verschillende taken bij verschillende redeneerinspanning uitvoeren. Als je een game-ontwikkelcyclus plant, is $3,27 per geëvalueerde taak het getal om mee te vermenigvuldigen, niet de $1,67, en de vermenigvuldiger is het aantal beurten in je build-and-play-cyclus, niet het aantal prompts dat je typt.
Er is nog een kostennoot die voor deze workload belangrijker is dan de tariefkaart. Gecachte input kost $0,075 per miljoen tokens, en een buildloop is de ideale cache-workload: dezelfde engine-documentatie, dezelfde projectbestanden, hetzelfde foutenlogboek, keer op keer gelezen. Een loop die een projectcontext van 200.000 tokens twintig keer opnieuw leest, betaalt $0,30 aan gecachte input in plaats van $6,00 tegen het niet-gecachte tarief; dat is het verschil tussen een experiment dat je laat doorlopen en een dat je na drie pogingen stopzet.
Het uitproberen zonder er een pipeline op in te zetten
Qwen4-Max is beschikbaar via Alibaba's eigen API in zes regio's en via een aantal platforms van derden; het staat vandaag niet in de catalogus van OrcaRouter, waarvan de 215 modellen Qwen3.8-Max, Qwen3.7-Max en Qwen3-Max omvatten, maar niet de Qwen4-generatie. In de praktijk betekent dit dat de eerste evaluatiemaand plaatsvindt op het eigen endpoint van de leverancier, met een key met een bestedingslimiet, en dat een harness die je tegen één OpenAI-compatibel endpoint bouwt, zonder codewijzigingen meeverhuist als het model wel verschijnt.
Twee dingen maken die proef goedkoper. Het eerste is failover: een model dat zo nieuw is en zulke langdurige taken uitvoert, zal tegen rate limits en time-outs aanlopen, en automatische failover naar een tweede endpoint maakt van een dode buildloop een tragere. Het tweede is de pass-through-prijsregel — OrcaRouter factureert tegen de lijstprijs van de provider zonder opslag, dus wanneer een leverancier een tarief verlaagt, is die verlaging dezelfde dag aan onze kant actief in plaats van bij de volgende contractverlenging. Geen van beide beweringen hangt af van het hosten van het model in kwestie, en het is niet de moeite waard om te doen alsof dat wel zo is.
Een praktische vorm voor de evaluatie: geef het model één klein, afgerond ding — één speelbare scène met één spelmechanisme, een camera en een winvoorwaarde — en kijk wat het doet over drie opeenvolgende speelbare releases in plaats van één. De bewering die wordt getest is niet of het een game kan produceren. Het is of de tweede en derde release beter zijn dan de eerste, want dat is het enige deel van de lus dat een benchmark niet kan meten en een demovideo niet kan laten zien.
De open vraag
Alibaba positioneert Qwen4-Max als een model dat blijft werken terwijl je niet meekijkt, en de demo's voor gameontwikkeling zijn het meest leesbare bewijs voor dat idee dat het had kunnen kiezen: games zijn visueel, interactief en falen op manieren die iedereen kan zien. Drie korte scènes in drie engines vormen een sterk openingsargument en een zwakke demonstratie van duurzaamheid — de levels zijn klein, de runs duren enkele minuten en de acceptatiecriteria zijn opgesteld door het team dat ze heeft gemaakt.
Wat de doorslag zou geven, is weinig glamoureus. Een project met een bestaande codebase, een artistieke richting die het niet zelf heeft gekozen, een physicsbug die alleen op een low-end apparaat opduikt, en een menselijke reviewer die de build twee keer afkeurt. Als de loop dat overleeft, verandert de enginelijst van een marketingregel in een workflow. Tot die tijd is het eerlijke standpunt dat Qwen4-Max de eerste geloofwaardige demonstratie heeft geleverd dat een frontier-model een game-engine kan aansturen en zijn eigen werk kan terugspelen — en dat de Live Delivery-plugin, twee dagen te vroeg uitgebracht onder Apache-2.0, het deel van het verhaal is dat je vandaag zelf kunt controleren.
