Wygenerowana plansza tytułowa 16:9 z napisem „Qwen4-Max tworzy grywalne gry”, podtytułem „Unity, Unreal Engine i Godot – trzy dema i stojące za nimi zaplecze testowe” oraz czterema zaokrąglonymi etykietami: „3 silniki gier”, „kontekst 1 000 000 tokenów”, „$1.50 wej. / $4.50 wyj. za 1 mln” i „Live Delivery, Apache-2.0”. Logo OrcaRouter w prawym dolnym rogu.
Guides & Insights

Qwen4-Max tworzy grywalne gry w Unreal, Unity i Godot: trzy dema i stojące za nimi środowisko testowe

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Najciekawszym zdaniem w poście Alibaby ogłaszającym premierę Qwen4-Max nie jest wynik benchmarku. To lista silników gier. Qwen4-Max, wydany 16 listopada 2026 r., jest udokumentowany przez własny zespół jako działający „płynnie” z Unity, Unreal Engine i Godot, a post zawiera trzy filmy gier, które według niego model zbudował od początku do końca: grę wave defence z kotem-magiem w Unreal Engine, przygodę z lataniem na mieczu w Unreal Engine oraz wyścigówkę po West Lake w Unity 6, dostarczoną jako instalowalną wersję na Androida.

To zupełnie inny rodzaj twierdzenia niż „uzyskuje 48,5% w Terminal-Bench 4.0”. Liczba z benchmarku to pomiar, który ktoś może powtórzyć. Demo gry to dostarczany rezultat i to ten rezultat jest dowodem: jeśli build da się zainstalować i uruchomić, model zrobił coś rzeczywistego, a jeśli nie, żadna ilość tekstu tego nie naprawi. Kłopotliwe jest to, że nie masz przed sobą tych trzech buildów. Masz przed sobą około dwóch minut zmontowanego wideo, więc rzetelna praca polega tu na oddzieleniu tego, co pokazał dostawca, od tego, co czytelnik może zweryfikować, a następnie przyjrzeniu się mechanizmowi — ponieważ ta część jest udokumentowana i to ona zdecyduje, czy to uogólnia się poza trzy poziomy pokazowe.

A generated single-column scoreboard titled 'Qwen4-Max - the scoreboard' with six rows reading AA Intelligence Index 42.89, Terminal-Bench 4.0 48.5%, FrontierCode-AA 2.0 26.5%, Terminal-Bench-Science 23.3%, price per 1M tokens $1.50 in and $4.50 out, and cost per AA task $3.27, with a footer reading 'All figures per Artificial Analysis v5.0.1 at maximum reasoning effort.' OrcaRouter logo bottom-right.

Trzy dema, trzy silniki, jedna wspólna pętla

Trzy dema są nazwane i mają podany czas w ogłoszeniu, co oferuje więcej niż większość postów premierowych. „Meow of Magic” trwa 52 sekundy: to przygoda kociego maga z Unreal Engine z rzucaniem zaklęć, wyborem ulepszeń oraz falami wrogów i bossów. „Yun Guan Xing” trwa 39 sekund: fantastyczna sekwencja lotu na mieczu przez chmury i pierścienie, kończąca się walką z bossem. „Flying Racer” trwa 20 sekund: mobilna gra wyścigowa w Unity 6 wokół Jeziora Zachodniego, z driftem, doładowaniami nitro i rozkładanymi skrzydłami, wydana jako instalowalna gra na Androida, a nie prototyp tylko wideo.

To trzy różne API silników i trzy różne cele kompilacji, a opis tego workflow od dostawcy jest identyczny we wszystkich trzech przypadkach. Na podstawie jednego opisu w języku naturalnym Qwen4-Max zajmuje się budową sceny, logiką rozgrywki, integracją zewnętrznych zasobów, konfiguracją materiałów, projektowaniem HUD i efektami wizualnymi, a następnie uruchamia grę i wykorzystuje informacje zwrotne wizualne oraz z interakcji, aby poprawić śledzenie kamery, animację postaci, informacje zwrotne o trafieniach, oświetlenie i tempo. Przeczytaj tę listę jeszcze raz, ponieważ kolejność jest tu tezą: model nie ma napisać gry i liczyć na szczęście. Ma wygenerować build, zagrać w niego i poprawić to, co widzi.

Nikt poza Alibabą jeszcze tego nie odtworzył i nie ma publicznego repozytorium tych trzech projektów, które można by sprawdzić. To, co można powiedzieć bez zastrzeżeń, jest węższe, ale wciąż ma pewną wartość: model jest udokumentowany jako działający wewnątrz trzech rzeczywistych silników, a nie jako generujący niezależny od silnika opis sceny, a jednym z trzech celów jest instalowalny pakiet na Androida, co jest etapem budowania, który głośno i często zawodzi.

A screenshot of Alibaba's Qwen4-Max announcement showing the section headed 'GameDev: Create Games with Real Engines', its paragraph naming Unity, Unreal Engine and Godot and describing scene construction, gameplay logic, asset integration, material setup, HUD design and visual effects from a single natural-language brief, and below it a dark still from the demo video captioned 'Meow of Magic - Qwen4-Max built a cat-mage adventure in Unreal Engine.'

Tym, co jest naprawdę nowe, jest pętla sprzężenia zwrotnego, a nie kod.

To, że czołowy model pisze skrypt do Unity, nie jest nowiną. Modele od dwóch lat piszą kod silnika, a sposób, w jaki zawodzą, przez cały ten czas pozostaje ten sam: kod się kompiluje, scena się ładuje, a wynik jest niegrywalny w sposób, który zauważa tylko człowiek — kamera przenikająca przez ściany, trafienie, które nie daje widocznej reakcji, łuk skoku sprawiający wrażenie jazdy windą. Ciekawym pytaniem w związku z deklaracją Qwen4-Max dotyczącą tworzenia gier nie jest więc to, czy potrafi pisać w C# lub GDScript, lecz to, czy samo potrafi domknąć tę pętlę.

Ogłoszenie mówi, że tak jest, a opisany mechanizm to raczej harness niż zdolność modelu: agent uruchamia build, odczytuje informacje zwrotne wizualne i dotyczące interakcji oraz iteruje nad kamerą, animacją, informacją zwrotną o trafieniach, oświetleniem i tempem. Jeśli ta pętla jest prawdziwa, ograniczenie tego, co może zbudować, przesuwa się z umiejętności kodowania modelu na jakość dostarczanego sygnału zwrotnego — wyrenderowana klatka i log wejścia są znacznie uboższym opisem „to wydaje się nie tak” niż ludzki tester gry, a wszystkie dema to krótkie, samodzielne sceny, do których pętla sprzężenia zwrotnego może z powodzeniem zbiec w ramach jednej sesji.

To ten sam argument, który dostawca przedstawia w innym miejscu wpisu pod innym nagłówkiem, i oba twierdzenia należy czytać łącznie. W sekcji poświęconej agentowi o długim horyzoncie Alibaba opisuje podejście nazywane Live Delivery: agent wcześnie tworzy użyteczną pierwszą wersję, a następnie rozwija ją w kolejnych wydaniach, aktualizując swój plan na podstawie wyników wykonania i wymagań użytkownika, tak aby człowiek mógł w dowolnym momencie wkroczyć, skorygować kierunek lub cofnąć błąd, zanim cały przebieg się zakończy. W przypadku gry oznacza to, że rytm dostarczania wyznaczają grywalne buildy, a nie jedno końcowe archiwum. W przypadku wszystkiego innego o długiej trajektorii korzystania z narzędzi oznacza to dokładnie to samo.

Blender i pipeline, który zaczyna się poza viewportem

Sekcja modelowania 3D to spokojniejsza połowa tej samej historii. W dokumentacji Qwen4-Max używa Blendera do modelowania geometrii, składania scen, przygotowywania materiałów, oświetlenia i renderowania — w architekturze, wnętrzach, krajobrazach naturalnych i scenach science fiction; to praca ćwicząca układ przestrzenny i strukturę obiektów, a nie estetykę obrazu. Dostawca ujmuje to tak, że te zasoby są „praktycznie używane w grach” i przenoszone do fizycznych obiektów poprzez druk 3D, co jest twierdzeniem o kompatybilności na dalszych etapach: zasób, który można wydrukować, ma spójną geometrię, wodoszczelne siatki i rzeczywistą skalę, a zasób, który trafia do silnika gry, ma sensowne punkty obrotu i przypisania materiałów.

Traktuj to jako deklarację intencji, a nie zweryfikowany pipeline. Nie ma opublikowanego pakietu assetów, budżetu na liczbę wielokątów, raportu topologii ani żadnego oświadczenia o tym, co się dzieje, gdy wygenerowana siatka musi przetrwać etap retopologii lub rozwinięcie UV wykonane przez ludzkiego artystę. Ta sekcja ustala natomiast, że workflow odbywa się na poziomie plików i narzędzi: model steruje rzeczywistą aplikacją DCC i wytwarza coś, co importuje silnik gry, a nie generuje obrazu obiektu 3D. To rozróżnienie ma znaczenie dla każdego, kto chce wprowadzić to do produkcyjnego pipeline'u artystycznego, a zarazem najtrudniej je podrobić na wideo.

Live Delivery ma repozytorium, dzięki czemu jest częścią, którą można sprawdzić.

Dwa dni przed ogólną dostępnością modelu Alibaba udostępniła na zasadach open source harness, który zbudowała w tym celu. Wtyczka Qwen Live Delivery znajduje się na GitHubie na licencji Apache-2.0, została utworzona 14 listopada 2026 r. i po raz ostatni wypchnięta dzień przed premierą. Udostępnia cztery narzędzia MCP — ld_begin, ld_publish, ld_status i ld_done — oraz hooki cyklu życia, a instaluje się w obszarze roboczym za pomocą skryptu powłoki. W momencie premiery jest dostępna tylko dla Codex CLI, działa na Linuksie i macOS i wymaga Node.js 22 lub nowszego. Dostępna jest opcjonalna zmienna środowiskowa umożliwiająca przyznanie piaskownicy pełnego dostępu do systemu plików oraz przeglądarkowy warsztat do przeglądania wydań.

To najużyteczniejszy artefakt w całym wydaniu dla każdego, kto ocenia tezę o tworzeniu gier, ponieważ to część, którą można faktycznie uruchomić. Framework, który publikuje kolejne wydania długotrwałego zadania, ma dokładnie taki kształt, jakiego potrzebuje agent do tworzenia gier: każda grywalna kompilacja to punkt kontrolny, który człowiek może sprawdzić, a błędny zwrot w projektowaniu poziomów kosztuje jedno wydanie, a nie jedno uruchomienie. Oznacza to też, że interesujące porównanie nie dotyczy tego, „który model pisze lepszy kod do Unreala”, lecz tego, „którego modelu środowisko pozwala nadzorować pracę” — a to znacznie praktyczniejsze pytanie, które rozstrzygnie się przez używanie go, a nie przez czytanie tablicy wyników.

Co niezależne liczby mogą ci powiedzieć, a czego nie mogą

Artificial Analysis wymienia Qwen4-Max ze wskaźnikiem Intelligence Index wynoszącym 42,89 w wersji v5.0.1 przy maksymalnym wysiłku rozumowania, wobec 33,65 dla Qwen3.8-Max w tej samej wersji — wzrost o około dziewięć punktów, co stanowi rzeczywisty skok międzypokoleniowy, a nie różnicę wynikającą z zaokrąglenia. Wyniki cząstkowe są bardziej zróżnicowane niż wynik główny: Terminal-Bench 4.0 na poziomie 48,5% wobec 38,9%, FrontierCode-AA 2.0 na poziomie 26,5% wobec 23,4%, Terminal-Bench-Science na poziomie 23,3% wobec 11,9% oraz HLE-Diamond na poziomie 44,9%. W pracy agentowej wzorzec się utrzymuje — APEX-Agents 59,1%, AutomationBench 72,6% częściowo, EnterpriseOps-Gym 48,5%, AnalystAgent 46,3%.

Żaden publiczny ranking nie uruchamia kompilacji Unreal, nie sprawdza, czy scena Unity się wczytuje, ani nie ocenia projektu Godot pod kątem tego, czy skok sprawia właściwe wrażenie. Najbliższymi substytutami są benchmarki agentowe i terminalowe, które mierzą, czy model potrafi utrzymać wieloetapową trajektorię korzystania z narzędzi bez tracenia wątku — i to właśnie w tych wynikach Qwen4-Max zyskuje najwięcej. Zatem właściwa interpretacja niezależnych danych jest pośrednia: czyni opowieść o harnessie wiarygodną, nie potwierdzając ani jednej klatki demonstracji. Artificial Analysis również nie odnotowuje żadnych otwartych wag dla tego modelu, co jest zgodne z dokumentacją dostawcy, która oznacza dostrajanie i wdrażanie modelu jako nieobsługiwane.

A screenshot of the Artificial Analysis page for Qwen4-Max, showing the summary line that Qwen4 Max is above average in intelligence and reasonably priced, an Intelligence Index of 43, pricing of $1.50 per 1M input tokens and $4.50 per 1M output tokens, a cost of $3.27 per task, a context window of 984k and a comparison class of 243 models.

Karta specyfikacji, w opublikowanej wersji

Własna dokumentacja Alibaby i wpis o premierze — z liczbami, których kupujący potrzebuje przed zatwierdzeniem projektu:

• Szkielet — 2,4 biliona parametrów, z czego 71 miliardów aktywowanych na token, plus 328 miliardów parametrów osadzania N-gram, w rzadkiej architekturze mieszaniny ekspertów z hybrydową uwagą Gated DeltaNet i warstwą osadzania N-gram

• Kontekst — deklarowane 1 000 000 tokenów; dokumentacja ogranicza maksymalny rozmiar wejścia do 991 808 tokenów w trybie niemyślącym i 983 616 w trybie myślącym

• Dane wyjściowe — maksymalnie 131 072 tokenów w trybie nie-myślącym; w trybie myślenia ślad rozumowania i odpowiedź mają łącznie 262 144

Modalność — tekst, obraz i wideo na wejściu, tekst na wyjściu; brak generowania obrazów i wideo

• Cena — 1,50 USD za milion tokenów wejściowych i 4,50 USD za milion tokenów wyjściowych w Singapurze, 1,413 USD i 4,24 USD w pozostałych regionach, w porównaniu z Qwen3.8-Max w cenie 2,00 USD i 6,00 USD

Pamięć podręczna — $0.075 za milion tokenów przy odczycie z pamięci podręcznej w Singapurze, 95% zniżki, z jawnym i niejawnym buforowaniem przy TTL wynoszącym pięć minut i jedną godzinę

• Limity — wnioskowanie wsadowe, dostrajanie i wdrażanie modeli są wymienione jako nieobsługiwane, więc nie ma taniej ścieżki asynchronicznej ani dostępu do wag

• Limity szybkości — 30,000 żądań i 5,000,000 tokenów na minutę globalnie, z regionalnymi limitami tokenów na minutę od 5 do 20 milionów

Limit tokenów wyjściowych to zdanie, które trzeba przeczytać dwa razy. Grywalna wersja to nie jedna odpowiedź; to dziesiątki wywołań narzędzi, z których każde zwraca zawartość plików i logi kompilacji, a każda z tych tur jest ograniczona tym samym kontekstem. Praca o długim horyzoncie przy oknie wynoszącym milion tokenów to dokładnie ten rodzaj obciążenia, w którym mniejszy budżet wyjściowy przekłada się na więcej rund.

Ile naprawdę kosztuje długi cykl budowania

Dane kosztowe samego dostawcy są podane w przeliczeniu na zadanie, a nie na token, co jest właściwą jednostką dla tego rodzaju pracy. W Work360, wewnętrznym benchmarku Alibaby obejmującym zadania profesjonalne w 26 dziedzinach pierwszego poziomu, Qwen4-Max uzyskuje wynik 52,69 wobec 47,74 dla Qwen3.8-Max, a średni koszt na zadanie spada z 4,43 USD do 1,67 USD — redukcja o 62%, osiągnięta częściowo dzięki obniżkom cen, a częściowo dzięki użyciu mniejszej liczby tokenów: około 24% i 35% mniej w Work360 przy bardzo wysokim i wysokim nakładzie rozumowania oraz 48% i 49% mniej w Terminal-Bench 4.0. Są to dane zgłoszone przez dostawcę, których nie odtworzono.

Niezależne oszacowanie jest mniej pochlebne i bardziej przydatne jako dane wejściowe do budżetu. Artificial Analysis podaje koszt uruchomienia własnego Intelligence Index na poziomie 3,27 USD za zadanie dla Qwen4-Max, w porównaniu z 10,02 USD dla Qwen3.8-Max w tym samym środowisku testowym — redukcja o 67%, zgodna co do kierunku z twierdzeniem Alibaby, ale dająca inną wartość bezwzględną, ponieważ oba pomiary wykonują różne zadania przy różnym nakładzie rozumowania. Jeśli planujesz pętlę tworzenia gry, 3,27 USD za oceniane zadanie to liczba, przez którą należy mnożyć, a nie 1,67 USD, a mnożnikiem jest liczba tur w twoim cyklu budowania i grania, a nie liczba wpisywanych promptów.

Jest jeszcze jedna uwaga dotycząca kosztów, która ma większe znaczenie niż cennik dla tego obciążenia. Wejście z pamięci podręcznej kosztuje 0,075 USD za milion tokenów, a pętla budowania to idealne obciążenie dla pamięci podręcznej: ta sama dokumentacja silnika, te same pliki projektu, ten sam dziennik błędów, czytane w kółko. Pętla, która ponownie odczytuje 200 000 tokenów kontekstu projektu dwadzieścia razy, płaci 0,30 USD za wejście z pamięci podręcznej zamiast 6,00 USD według stawki bez pamięci podręcznej, co jest różnicą między eksperymentem, który zostawiasz uruchomiony, a takim, który zatrzymujesz po trzech próbach.

Wypróbowanie tego bez stawiania na to całego potoku

Qwen4-Max jest dostępny przez własne API Alibaby w sześciu regionach oraz za pośrednictwem wielu platform zewnętrznych; nie ma go dziś w katalogu OrcaRouter, w którego katalogu 215 modeli znajdują się Qwen3.8-Max, Qwen3.7-Max i Qwen3-Max, ale nie ma generacji Qwen4. W praktyce oznacza to, że pierwszy miesiąc oceny odbywa się na własnym endpoincie dostawcy, na kluczu z limitem wydatków, a zbudowany przez Ciebie harness pod jeden endpoint kompatybilny z OpenAI przeniesie się bez zmian w kodzie, jeśli model się pojawi.

Dwie rzeczy sprawiają, że ten test jest tańszy. Pierwszą jest przełączanie awaryjne: tak nowy model, wykonujący tak długotrwałą pracę, napotka limity zapytań i przekroczenia czasu, a automatyczne przełączanie awaryjne na drugi punkt końcowy zamienia martwą pętlę kompilacji w wolniejszą. Drugą jest pass-through — zasada cenowa: OrcaRouter rozlicza według ceny katalogowej dostawcy, bez marży, więc gdy dostawca obniża stawkę, obniżka obowiązuje u nas tego samego dnia, a nie dopiero przy kolejnym odnowieniu umowy. Żadne z tych twierdzeń nie zależy od hostowania tego konkretnego modelu i żadne nie zasługuje na udawanie, że jest inaczej.

Praktyczna forma oceny: daj modelowi jedną małą, ukończoną rzecz — pojedynczą grywalną scenę z jedną mechaniką, kamerą i warunkiem zwycięstwa — i obserwuj, co robi w trzech kolejnych grywalnych wydaniach, a nie w jednym. Testowane twierdzenie nie dotyczy tego, czy potrafi wyprodukować grę. Chodzi o to, czy drugie i trzecie wydanie są lepsze od pierwszego, ponieważ to jedyna część pętli, której benchmark nie jest w stanie zmierzyć, a film demonstracyjny nie jest w stanie pokazać.

Otwarte pytanie

Sposób, w jaki Alibaba przedstawia Qwen4-Max, wskazuje na model, który będzie działać dalej, gdy nie będziesz patrzeć, a demonstracje dotyczące tworzenia gier są najbardziej czytelnym dowodem tej idei, jaki mogła wybrać: gry są wizualne, interaktywne i zawodzą w sposób, który każdy może zobaczyć. Trzy krótkie sceny w trzech silnikach to mocny argument na otwarcie i słaba demonstracja trwałości — poziomy są małe, przebiegi trwają kilka minut, a kryteria akceptacji ustalił zespół, który je stworzył.

To, co by to rozstrzygnęło, jest nieefektowne. Projekt z istniejącą bazą kodu, kierunkiem artystycznym, którego nie wybrano, błędem fizyki, który ujawnia się tylko na słabszym urządzeniu, oraz człowiekiem recenzentem, który dwukrotnie odrzuca kompilację. Jeśli pętla to przetrwa, lista silników przestaje być hasłem marketingowym i staje się workflow. Do tego czasu uczciwe stanowisko jest takie, że Qwen4-Max dostarczył pierwszą wiarygodną demonstrację, że model klasy frontier potrafi sterować silnikiem gry i odtwarzać własną pracę — a wtyczka Live Delivery, wydana dwa dni wcześniej na licencji Apache-2.0, jest tą częścią historii, którą możesz sprawdzić sam już dziś.