Um cartão de título 16:9 gerado com o texto "Qwen4-Max Builds Playable Games", subtítulo "Unity, Unreal Engine e Godot — três demos e a estrutura por trás deles", com quatro chips arredondados com os textos "3 motores de jogo", "contexto de 1.000.000 de tokens", "$1,50 de entrada / $4,50 de saída por 1M" e "Entrega ao Vivo, Apache-2.0". Logotipo da OrcaRouter no canto inferior direito.
Guides & Insights

Qwen4-Max cria jogos jogáveis em Unreal, Unity e Godot: três demos e a estrutura por trás deles

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

A linha mais interessante no post de lançamento da Alibaba para o Qwen4-Max não é uma pontuação de benchmark. É uma lista de engines de jogos. O Qwen4-Max, lançado em 16 de novembro de 2026, é documentado pela própria equipe como funcionando "fluentemente" com Unity, Unreal Engine e Godot, e o post inclui três vídeos de jogos que, segundo ele, o modelo criou de ponta a ponta: uma defesa contra ondas com uma maga-gata na Unreal Engine, uma aventura de voo com espada na Unreal Engine e um jogo de corrida no Lago Oeste na Unity 6, entregue como uma build Android instalável.

Isso é um tipo diferente de afirmação em relação a "tirar 48,5% no Terminal-Bench 4.0". Um número de benchmark é uma medição que alguém pode refazer. Uma demo de jogo é um entregável, e o entregável é a evidência: se a build instala e roda, o modelo fez algo real, e se não instala, nenhuma quantidade de prosa conserta isso. A parte incômoda é que as três builds não estão diante de você. O que está diante de você são cerca de dois minutos de vídeo editado, então o trabalho honesto aqui é separar o que o fornecedor mostrou do que um leitor pode verificar, e então olhar para o mecanismo — porque essa parte está documentada, e é a parte que vai decidir se isso se generaliza para além de três níveis de demonstração.

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.

Três demos, três motores, um loop compartilhado

As três demos são nomeadas e cronometradas no anúncio, o que é mais do que a maioria dos posts de lançamento oferece. "Meow of Magic" dura 52 segundos: uma aventura de gato-mago em Unreal Engine com lançamento de feitiços, escolhas de melhorias e ondas de inimigos e chefes. "Yun Guan Xing" dura 39 segundos: uma sequência de voo fantástico em uma espada através de nuvens e anéis, terminando em um chefe. "Flying Racer" dura 20 segundos: um jogo de corrida móvel em Unity 6 ao redor do Lago Oeste, com drift, impulsionamentos de nitro e asas desdobráveis, lançado como um jogo Android instalável em vez de um protótipo apenas em vídeo.

Essas são três APIs de engine diferentes e três alvos de build diferentes, e a descrição do fornecedor sobre o fluxo de trabalho é idêntica nos três. A partir de um único briefing em linguagem natural, o Qwen4-Max cuida da construção de cenas, da lógica de jogabilidade, da integração de ativos externos, da configuração de materiais, do design de HUD e dos efeitos visuais, depois executa o jogo e usa o feedback visual e de interação para revisar o rastreamento de câmera, a animação dos personagens, o feedback de acerto, a iluminação e o ritmo. Leia essa lista de novo, porque a ordem é a afirmação: não se pede ao modelo que escreva um jogo e torça. Pede-se que ele produza uma build, jogue-a e corrija o que vê.

Ninguém fora da Alibaba reproduziu nada disso ainda, e não há repositório público dos três projetos para inspecionar. O que pode ser dito sem ressalvas é mais restrito e ainda assim relevante: o modelo está documentado como operando dentro de três motores reais, em vez de emitir uma descrição de cena agnóstica a motor, e um dos três alvos é um pacote Android instalável, o que é uma etapa de build que falha de forma ruidosa e com frequência.

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.'

A parte que é genuinamente nova é o ciclo de feedback, não o código

Um modelo de ponta escrevendo um script de Unity não é novidade. Modelos escrevem código de engine há dois anos, e o modo de falha tem permanecido estável o tempo todo: o código compila, a cena carrega, e o resultado é injogável de um jeito que só um humano percebe — uma câmera que atravessa paredes, um golpe que não produz resposta visível, um arco de salto que parece um elevador. A pergunta interessante sobre a alegação de desenvolvimento de jogos do Qwen4-Max, portanto, não é "ele consegue escrever C# ou GDScript", mas "ele consegue fechar esse ciclo sozinho".

O anúncio diz que sim, e o mecanismo que descreve é um harness e não uma capacidade do modelo: o agente executa o build, lê o feedback visual e de interação e itera em câmera, animação, feedback de impacto, iluminação e ritmo. Se esse loop for real, a restrição sobre o que ele pode construir muda da capacidade de programação do modelo para a qualidade do sinal de feedback que recebe — um quadro renderizado e um log de entrada são uma descrição muito mais pobre de "isto parece errado" do que um testador humano de jogos, e as demos são todas cenas curtas e autocontidas nas quais um loop de feedback pode plausivelmente convergir dentro de uma sessão.

Este é o mesmo argumento que o fornecedor apresenta em outra parte da publicação, sob um título diferente, e as duas afirmações devem ser lidas em conjunto. Na seção sobre agentes de horizonte longo, a Alibaba descreve uma abordagem que chama de Live Delivery: o agente produz cedo uma primeira versão utilizável e depois a expande por meio de versões sucessivas, atualizando seu plano com base nos resultados de execução e nos requisitos do usuário, para que uma pessoa possa intervir a qualquer momento para corrigir o rumo ou desfazer um erro antes que toda a execução termine. Para um jogo, isso significa que a cadência de entregas é de builds jogáveis, e não de um único arquivo final. Para qualquer outra coisa com uma trajetória longa de uso de ferramentas, significa a mesma coisa.

Blender, e o pipeline que começa além da viewport

A seção de modelagem 3D é a metade mais discreta da mesma história. O Qwen4-Max está documentado usando o Blender para modelagem de geometria, montagem de cena, configuração de materiais, iluminação e renderização, em arquitetura, interiores, paisagens naturais e cenas de ficção científica — um trabalho que exercita o layout espacial e a estrutura de objetos, e não a estética da imagem. A formulação do fornecedor é que esses ativos são "usados na prática em jogos" e transformados em objetos físicos por meio de impressão 3D, o que é uma afirmação sobre compatibilidade downstream: um ativo que pode ser impresso tem geometria consistente, malhas estanques e escala real, e um ativo que se integra a um motor de jogo tem pivôs e atribuições de material coerentes.

Trate isso como uma declaração de intenção, e não como um pipeline verificado. Não há pacote de assets publicado, nem orçamento de contagem de polígonos, nem relatório de topologia, nem qualquer declaração sobre o que acontece quando uma malha gerada precisa sobreviver a uma etapa de retopologia ou a um desdobramento de UV feito por um artista humano. O que a seção estabelece é que o fluxo de trabalho é em nível de arquivo e de ferramenta: o modelo está operando um aplicativo DCC real e produzindo algo que uma engine de jogos importa, não gerando uma imagem de um objeto 3D. Essa distinção é a que importa para quem espera colocar isso em um pipeline de arte de produção, e também é a mais difícil de falsificar em um vídeo.

O Live Delivery tem um repositório, o que faz dele a parte verificável.

Dois dias antes da disponibilidade geral do modelo, a Alibaba tornou open source o harness que criou para isso. O plugin Qwen Live Delivery está no GitHub sob Apache-2.0, foi criado em 14 de novembro de 2026 e recebeu o último push no dia anterior ao lançamento. Ele expõe quatro ferramentas MCP — ld_begin, ld_publish, ld_status e ld_done — além de hooks de ciclo de vida, e é instalado em um workspace com um script de shell. No lançamento, é apenas para Codex CLI, roda em Linux e macOS e requer Node.js 22 ou mais recente. Há uma variável de ambiente opcional para dar ao sandbox acesso total ao sistema de arquivos, e um workbench de navegador para revisar versões.

Este é o artefato mais útil de todo o lançamento para qualquer pessoa que avalie a alegação de desenvolvimento de jogos, porque é a parte que você pode de fato executar. Um framework que publica lançamentos sucessivos de um trabalho de longa duração tem exatamente o formato de que um agente de desenvolvimento de jogos precisa: cada build jogável é um ponto de verificação que uma pessoa pode inspecionar, e um erro de percurso no design de níveis custa um lançamento em vez de uma execução. Isso também significa que a comparação interessante não é “qual modelo escreve melhor código Unreal”, mas “qual harness de modelo permite supervisionar o trabalho”, que é uma pergunta muito mais prática e que será resolvida usando-a, não lendo um placar.

O que os números independentes podem e não podem lhe dizer

O Artificial Analysis lista o Qwen4-Max com um Índice de Inteligência de 42,89 na v5.0.1, com esforço máximo de raciocínio, contra 33,65 do Qwen3.8-Max na mesma versão — um ganho de aproximadamente nove pontos, o que é um verdadeiro salto geracional, e não uma diferença de arredondamento. As subpontuações são mais mistas do que o resultado principal: Terminal-Bench 4.0 com 48,5% contra 38,9%, FrontierCode-AA 2.0 com 26,5% contra 23,4%, Terminal-Bench-Science com 23,3% contra 11,9%, e HLE-Diamond com 44,9%. No trabalho agêntico, o padrão se mantém — APEX-Agents 59,1%, AutomationBench 72,6% parcial, EnterpriseOps-Gym 48,5%, AnalystAgent 46,3%.

Nada disso mede o desenvolvimento de jogos. Nenhum leaderboard público executa uma build do Unreal, verifica se uma cena Unity carrega ou pontua um projeto Godot pela sensação do salto. Os proxies mais próximos são os benchmarks agênticos e de terminal, que medem se um modelo consegue manter juntos uma trajetória de uso de ferramentas em várias etapas sem perder o fio da meada — e são nessas pontuações que o Qwen4-Max ganha mais. Portanto, a leitura correta dos dados independentes é indireta: ela torna a história do harness plausível sem confirmar um único frame das demos. O Artificial Analysis também não registra pesos abertos para o modelo, o que coincide com a documentação do fornecedor que marca ajuste fino e implantação do modelo como não suportados.

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.

A ficha técnica, como publicada

A documentação oficial da Alibaba e a publicação de lançamento, com os números de que um comprador precisa antes de se comprometer com um projeto:

• Backbone — 2,4 trilhões de parâmetros com 71 bilhões ativados por token, além de 328 bilhões de parâmetros de embedding N-gram, em um design esparso de mistura de especialistas com atenção híbrida Gated DeltaNet e uma camada de embedding N-gram

• Contexto — 1.000.000 de tokens anunciados; a documentação limita a entrada máxima a 991.808 tokens no modo sem raciocínio e 983.616 no modo de raciocínio

• Saída — máximo de 131.072 tokens no modo sem raciocínio; no modo de raciocínio, o traço de raciocínio e a resposta compartilham um total combinado de 262.144

• Modalidade — entrada de texto, imagem e vídeo; saída de texto; sem geração de imagem ou vídeo

• Preço — US$ 1,50 de entrada e US$ 4,50 de saída por milhão de tokens em Singapura, US$ 1,413 e US$ 4,24 nas outras regiões, contra o Qwen3.8-Max a US$ 2,00 e US$ 6,00

• Cache — $0.075 por milhão de tokens em uma leitura de cache em Singapura, um desconto de 95%, com cache explícito e implícito em TTLs de cinco minutos e de uma hora

• Limitações — inferência em lote, ajuste fino e implantação de modelos estão todos listados como não suportados, portanto não há caminho assíncrono barato nem acesso aos pesos

• Limites de taxa — 30.000 solicitações e 5.000.000 de tokens por minuto globalmente, com tetos regionais de tokens por minuto entre 5 e 20 milhões

O teto de saída é a linha que se deve ler duas vezes. Uma build jogável não é uma resposta; são dezenas de chamadas de ferramentas, cada uma retornando conteúdos de arquivos e logs de build, e cada um desses turnos é limitado pelo mesmo contexto. Trabalho de horizonte longo com uma janela de um milhão de tokens é exatamente a carga de trabalho em que um orçamento de saída menor se transforma em mais idas e vindas.

O que um loop de build longo realmente custa

Os números de custo do próprio fornecedor são declarados por tarefa, e não por token, que é a unidade correta para esse tipo de trabalho. No Work360, o benchmark interno da Alibaba de tarefas profissionais em 26 domínios de primeiro nível, o Qwen4-Max obtém 52,69 contra 47,74 do Qwen3.8-Max, e o custo médio por tarefa cai de US$ 4,43 para US$ 1,67 — uma redução de 62%, alcançada em parte por meio de cortes de preço e em parte pelo uso de menos tokens: cerca de 24% e 35% menos no Work360 com esforço de raciocínio extra-alto e alto, e 48% e 49% menos no Terminal-Bench 4.0. Esses dados são relatados pelo fornecedor e não foram reproduzidos.

A estimativa independente é menos lisonjeira e mais útil como insumo para o orçamento. A Artificial Analysis calcula o custo de executar seu próprio Intelligence Index em US$ 3,27 por tarefa para o Qwen4-Max, ante US$ 10,02 para o Qwen3.8-Max no mesmo harness — uma redução de 67% que é direcionalmente consistente com a alegação da Alibaba, embora chegue a um número absoluto diferente, porque as duas medições executam tarefas diferentes com esforços de raciocínio diferentes. Se você está planejando um ciclo de desenvolvimento de jogos, US$ 3,27 por tarefa avaliada é o número a multiplicar, não US$ 1,67, e o multiplicador é o número de turnos no seu ciclo de construir e jogar, e não o número de prompts que você digita.

Há mais uma observação sobre custos que é mais importante do que a tabela de preços para esta carga de trabalho. A entrada em cache custa US$ 0,075 por milhão de tokens, e um ciclo de build é a carga de trabalho ideal para cache: a mesma documentação da engine, os mesmos arquivos do projeto, o mesmo log de erros, lidos repetidamente. Um ciclo que relê um contexto de projeto de 200.000 tokens vinte vezes paga US$ 0,30 em entrada em cache, em vez de US$ 6,00 na tarifa sem cache, o que é a diferença entre um experimento que você deixa rodando e um que você interrompe depois de três tentativas.

Testando sem apostar um pipeline nisso

O Qwen4-Max está disponível através da própria API da Alibaba em seis regiões e através de várias plataformas de terceiros; não consta hoje no catálogo do OrcaRouter, cujos 215 modelos incluem o Qwen3.8-Max, o Qwen3.7-Max e o Qwen3-Max, mas não a geração Qwen4. Na prática, isso significa que o primeiro mês de avaliação decorre no endpoint do próprio fornecedor, com uma chave com limite de gastos, e que um harness construído para um endpoint compatível com a OpenAI passará a funcionar sem alterações ao código caso o modelo venha a aparecer.

Duas coisas tornam esse teste mais barato. A primeira é o failover: um modelo tão novo quanto este, executando um trabalho tão longo, vai esbarrar em limites de taxa e timeouts, e failover automático para um segundo endpoint transforma um loop de build morto em um mais lento. A segunda é a regra de preço de repasse — a OrcaRouter cobra o preço de tabela do provedor sem margem, então quando um fornecedor corta uma tarifa, o corte já vale do nosso lado no mesmo dia, em vez de só na próxima renovação de contrato. Nenhuma dessas afirmações depende de hospedar o modelo em questão, e nenhuma delas merece que se finja o contrário.

Uma estrutura prática para a avaliação: dar ao modelo uma coisa pequena e acabada — uma única cena jogável com uma mecânica, uma câmera e uma condição de vitória — e observar o que ele faz ao longo de três versões jogáveis consecutivas, em vez de apenas uma. A afirmação em teste não é se ele consegue produzir um jogo. É se a segunda e a terceira versões são melhores que a primeira, porque essa é a única parte do ciclo que um benchmark não consegue medir e um vídeo de demonstração não consegue mostrar.

A questão em aberto

A forma como a Alibaba apresenta o Qwen4-Max o define como um modelo que continuará funcionando enquanto você não estiver olhando, e as demonstrações de desenvolvimento de jogos são a prova mais legível dessa ideia que ela poderia ter escolhido: jogos são visuais, são interativos e falham de maneiras que qualquer pessoa consegue ver. Três cenas curtas em três engines são um forte argumento de abertura e uma demonstração fraca de durabilidade — os níveis são pequenos, as execuções duram minutos, e os critérios de aceitação foram definidos pela equipe que os criou.

O que resolveria a questão não tem glamour. Um projeto com uma base de código existente, uma direção de arte que não escolheu, um bug de física que só aparece em um dispositivo de baixo desempenho e um revisor humano que rejeita a build duas vezes. Se o ciclo sobreviver a isso, a lista de engines deixa de ser uma frase de marketing e se torna um fluxo de trabalho. Até lá, a posição honesta é que o Qwen4-Max entregou a primeira demonstração crível de que um modelo de fronteira pode conduzir uma engine de jogos e reproduzir o próprio trabalho — e que o plugin Live Delivery, lançado dois dias antes sob Apache-2.0, é a parte da história que você pode verificar por conta própria hoje.