Сгенерированная титульная карточка 16:9 с текстом «Qwen4-Max создаёт играбельные игры», подзаголовком «Unity, Unreal Engine и Godot — три демо и инфраструктура за ними» и четырьмя скруглёнными плашками: «3 игровых движка», «контекст на 1 000 000 токенов», «$1.50 за вход / $4.50 за выход за 1 млн» и «Доставка в реальном времени, Apache-2.0». Логотип OrcaRouter в правом нижнем углу.
Guides & Insights

Qwen4-Max создаёт играбельные игры в Unreal, Unity и Godot: три демо и испытательный стенд, стоящий за ними

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Самая интересная строка в анонсе Alibaba о запуске Qwen4-Max — не результат бенчмарка. Это список игровых движков. Qwen4-Max, выпущенная 16 ноября 2026 года, по документации собственной команды, «бегло» работает с Unity, Unreal Engine и Godot, а к посту приложены три видео игр, которые, как утверждается, модель создала полностью: волновая оборона с котом-магом на Unreal Engine, приключение с полётом на мечах на Unreal Engine и гонка по Западному озеру на Unity 6, выпущенная в виде устанавливаемой Android-сборки.

Это утверждение иного рода, чем «набирает 48,5% на Terminal-Bench 4.0». Число в бенчмарке — это измерение, которое кто-то может воспроизвести. Игровая демоверсия — это поставляемый результат, и сам этот результат является доказательством: если сборка устанавливается и в неё можно играть, модель сделала что-то реальное, а если нет, никакие словесные описания это не исправят. Неудобная часть в том, что трёх сборок перед вами нет. Перед вами примерно две минуты смонтированного видео, поэтому честная работа здесь — отделить то, что показал вендор, от того, что может проверить читатель, а затем посмотреть на механизм — потому что эта часть задокументирована, и именно она решит, обобщается ли это за пределы трёх демонстрационных уровней.

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.

Три демо, три движка, один общий цикл

Три демо названы, и указана их длительность в анонсе — это больше, чем предлагают большинство постов о запуске. «Meow of Magic» длится 52 секунды: приключение кота-мага на Unreal Engine с применением заклинаний, выбором улучшений и волнами врагов и боссов. «Yun Guan Xing» длится 39 секунд: фэнтезийная сцена полёта на мече сквозь облака и кольца, заканчивающаяся боссом. «Flying Racer» длится 20 секунд: мобильная гонка на Unity 6 вокруг Западного озера с дрифтом, нитро-ускорениями и раскладывающимися крыльями, выпущенная как устанавливаемая Android-игра, а не как прототип только в видео.

Это три разных API движков и три разные цели сборки, и описание рабочего процесса от поставщика одинаково для всех трёх. Исходя из одного задания на естественном языке, Qwen4-Max выполняет построение сцены, игровую логику, интеграцию внешних ресурсов, настройку материалов, проектирование HUD и визуальные эффекты, а затем запускает игру и использует визуальную и интерактивную обратную связь, чтобы скорректировать отслеживание камеры, анимацию персонажей, отклик на попадания, освещение и темп. Перечитайте этот список, потому что порядок и есть утверждение: модель не просят написать игру и надеяться. Её просят создать сборку, поиграть в неё и исправить то, что она видит.

Пока никто за пределами Alibaba не воспроизвёл ничего из этого, и нет публичного репозитория трёх проектов, который можно было бы изучить. То, что можно утверждать без оговорок, звучит уже, но всё же имеет ценность: согласно документации, модель работает внутри трёх реальных движков, а не выдаёт не зависящее от движка описание сцены, и одна из трёх целевых платформ — устанавливаемый пакет Android, а это этап сборки, который громко и часто проваливается.

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.'

По-настоящему новым является петля обратной связи, а не код.

То, что передовая модель пишет скрипт для Unity, — не новость. Модели уже два года пишут код для движков, и режим отказа всё это время остаётся неизменным: код компилируется, сцена загружается, а результат неиграбелен так, что это замечает только человек — камера проходит сквозь стены, удар не даёт видимой реакции, дуга прыжка ощущается как лифт. Поэтому интересный вопрос о заявлении Qwen4-Max в разработке игр — не «умеет ли она писать на C# или GDScript», а «может ли она сама замкнуть этот цикл».

В анонсе утверждается, что это так, и описанный механизм — это обвязка, а не свойство модели: агент запускает сборку, считывает визуальную и интерактивную обратную связь и итеративно дорабатывает камеру, анимацию, отдачу от попаданий, освещение и темп. Если этот цикл действительно работает, ограничение на то, что он может построить, смещается с навыков модели в программировании на качество сигнала обратной связи, который ей дают — отрендеренный кадр и лог ввода описывают «это ощущается неправильно» гораздо беднее, чем живой тестировщик-игрок, а все демо — это короткие самодостаточные сцены, на которых цикл обратной связи может правдоподобно сойтись за одну сессию.

Это тот же аргумент, который поставщик приводит в другом месте публикации под другим заголовком, и эти два утверждения следует читать вместе. В разделе об агентах с длинным горизонтом Alibaba описывает подход, который называет Live Delivery: агент рано создаёт пригодную к использованию первую версию, а затем расширяет её в ходе последовательных выпусков, обновляя свой план на основе результатов выполнения и требований пользователя, так что человек может вмешаться в любой момент, чтобы скорректировать направление или отменить ошибку до завершения всего прогона. Для игры это означает, что ритм поставки — это играбельные сборки, а не один финальный архив. Для всего остального с длинной траекторией использования инструментов это означает то же самое.

Blender и конвейер, который начинается за пределами вьюпорта

Раздел о 3D-моделировании — более тихая половина той же истории. Согласно документации, Qwen4-Max использует Blender для моделирования геометрии, сборки сцен, настройки материалов, освещения и рендеринга — в архитектуре, интерьерах, природных ландшафтах и научно-фантастических сценах; эта работа задействует пространственную компоновку и структуру объектов, а не эстетику изображения. Формулировка поставщика такова: эти ассеты «на практике используются в играх» и превращаются в физические объекты посредством 3D-печати; это заявление о совместимости на последующих этапах: ассет, который можно напечатать, имеет согласованную геометрию, замкнутые сетки и реальный масштаб, а ассет, который без проблем встраивается в игровой движок, имеет корректные пивоты и назначения материалов.

Считайте это заявлением о намерениях, а не проверенным пайплайном. Нет ни опубликованного пакета ассетов, ни бюджета полигонов, ни отчёта по топологии, ни утверждения о том, что произойдёт, когда сгенерированный меш должен будет пережить этап ретопологии или UV-развёртку, выполненную художником-человеком. Что этот раздел действительно устанавливает, так это то, что рабочий процесс находится на уровне файлов и инструментов: модель управляет реальным DCC-приложением и создаёт нечто, что импортируется игровым движком, а не генерирует изображение 3D-объекта. Именно это различие важно для всех, кто надеется встроить это в производственный художественный пайплайн, и именно его сложнее всего подделать в видео.

У Live Delivery есть репозиторий, что делает этот сервис проверяемой частью.

За два дня до общего выпуска модели Alibaba открыла исходный код harness, который построила для этого. Плагин Qwen Live Delivery размещён на GitHub под лицензией Apache-2.0, был создан 14 ноября 2026 года и последний раз обновлялся за день до запуска. Он предоставляет четыре инструмента MCP — ld_begin, ld_publish, ld_status и ld_done — а также хуки жизненного цикла, и устанавливается в рабочее пространство с помощью shell-скрипта. На момент запуска он поддерживает только Codex CLI, работает на Linux и macOS и требует Node.js 22 или новее. Есть опциональная переменная окружения, чтобы дать песочнице полный доступ к файловой системе, и браузерная рабочая среда для просмотра релизов.

Это самый полезный артефакт во всём релизе для всех, кто оценивает заявление о разработке игр, потому что именно эту часть можно реально запустить. Фреймворк, публикующий последовательные релизы долгоиграющей задачи, — ровно та форма, которая нужна агенту для разработки игр: каждая играбельная сборка — это контрольная точка, которую человек может проверить, а неверный поворот в дизайне уровня стоит одного релиза, а не одного прогона. Это также означает, что интересное сравнение — не «какая модель пишет лучший код для Unreal», а «чей харнесс позволяет вам контролировать работу», что гораздо более практичный вопрос, и он решится при использовании, а не при чтении таблицы результатов.

Что независимые числа могут вам сказать, а что — нет

Artificial Analysis указывает Qwen4-Max с индексом интеллекта 42.89 в v5.0.1 при максимальном уровне усилий на рассуждение против 33.65 у Qwen3.8-Max того же выпуска — прирост примерно на девять пунктов, что является реальным шагом между поколениями, а не различием из-за округления. Субпоказатели более разнородны, чем общий результат: Terminal-Bench 4.0 — 48.5% против 38.9%, FrontierCode-AA 2.0 — 26.5% против 23.4%, Terminal-Bench-Science — 23.3% против 11.9%, HLE-Diamond — 44.9%. В агентных задачах закономерность сохраняется — APEX-Agents 59.1%, AutomationBench 72.6% частично, EnterpriseOps-Gym 48.5%, AnalystAgent 46.3%.

Ничто из этого не измеряет разработку игр. Ни один публичный лидерборд не запускает сборку Unreal, не проверяет, загружается ли сцена Unity, и не оценивает проект Godot по тому, ощущается ли прыжок правильно. Ближайшие косвенные показатели — это агентные и терминальные бенчмарки, которые измеряют, способна ли модель удерживать многошаговую траекторию с использованием инструментов, не теряя нить, — и именно в этих оценках Qwen4-Max выигрывает больше всего. Таким образом, правильная интерпретация независимых данных является косвенной: они делают историю с тестовым стендом правдоподобной, не подтверждая ни одного кадра из демонстраций. Artificial Analysis также не фиксирует открытых весов для модели, что совпадает с документацией поставщика, где тонкая настройка и развёртывание модели отмечены как неподдерживаемые.

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.

Спецификация, как опубликована

Собственная документация Alibaba и пост о запуске — с цифрами, которые нужны покупателю, прежде чем браться за проект:

• Backbone — 2,4 трлн параметров, из которых 71 млрд активируется на токен, плюс 328 млрд параметров N-gram-эмбеддингов, в разреженной архитектуре смеси экспертов с гибридным вниманием Gated DeltaNet и слоем N-gram-эмбеддингов

• Контекст — заявлено 1 000 000 токенов; документация ограничивает максимальный объём ввода 991 808 токенами в режиме без размышлений и 983 616 — в режиме размышлений.

• Выход — максимум 131 072 токена в режиме без размышлений; в режиме размышлений трассировка рассуждений и ответ совместно используют общий лимит 262 144

• Модальность — вход: текст, изображение и видео; выход: текст; генерация изображений и видео не поддерживается

• Цена — $1.50 за ввод и $4.50 за вывод за миллион токенов в Сингапуре, $1.413 и $4.24 в других регионах, против Qwen3.8-Max с $2.00 и $6.00

• Кэш — $0.075 за миллион токенов при чтении кэша в Сингапуре, скидка 95%, с явным и неявным кэшированием при TTL пять минут и один час.

• Ограничения — пакетный инференс, дообучение и развёртывание моделей указаны как неподдерживаемые, поэтому нет дешёвого асинхронного пути и нет доступа к весам

• Ограничения скорости — 30 000 запросов и 5 000 000 токенов в минуту глобально, при этом региональные предельные значения токенов в минуту составляют от 5 до 20 миллионов.

Потолок вывода — это строка, которую стоит перечитать дважды. Сборка, в которую можно играть, — это не один ответ; это десятки вызовов инструментов, каждый из которых возвращает содержимое файлов и журналы сборки, и каждый из этих ходов ограничен одним и тем же контекстом. Долгосрочная работа при окне в миллион токенов — это именно та нагрузка, где меньший бюджет вывода оборачивается большим числом круговых обменов.

Во что на самом деле обходится длинный цикл сборки

Собственные данные поставщика о стоимости указаны в расчёте на задачу, а не на токен, что является правильной единицей для такой работы. В Work360 — внутреннем бенчмарке Alibaba для профессиональных задач по 26 доменам первого уровня — Qwen4-Max набирает 52,69 против 47,74 у Qwen3.8-Max, а средняя стоимость одной задачи снижается с $4,43 до $1,67 — на 62%, отчасти за счёт снижения цен, отчасти за счёт использования меньшего числа токенов: примерно на 24% и 35% меньше в Work360 при сверхвысоком и высоком уровне усилий на рассуждение и на 48% и 49% меньше в Terminal-Bench 4.0. Это данные, заявленные поставщиком и не воспроизведённые независимо.

Независимая оценка выглядит менее лестно, но при этом полезнее как исходные данные для бюджета. Artificial Analysis оценивает стоимость прогона собственного Intelligence Index в $3,27 за задачу для Qwen4-Max против $10,02 для Qwen3.8-Max на том же тестовом стенде — снижение на 67%, которое по направлению изменения согласуется с заявлением Alibaba, но выражается в другой абсолютной цифре, поскольку в этих двух измерениях выполняются разные задачи с разной интенсивностью рассуждений. Если вы планируете цикл разработки игры, умножать следует на $3,27 за оцениваемую задачу, а не на $1,67, и множителем будет количество ходов в вашем цикле сборки и игры, а не количество промптов, которые вы вводите.

Есть ещё одно замечание о стоимости, которое для этой нагрузки важнее тарифной сетки. Кэшированный ввод стоит $0.075 за миллион токенов, а цикл сборки — идеальная нагрузка для кэша: одна и та же документация движка, одни и те же файлы проекта, один и тот же журнал ошибок, читаемые снова и снова. Цикл, который двадцать раз перечитывает контекст проекта объёмом 200 000 токенов, платит $0.30 за кэшированный ввод вместо $6.00 по тарифу без кэширования, — а это разница между экспериментом, который вы оставляете работать, и тем, который прекращаете после трёх попыток.

Пробуем это, не ставя на кон весь пайплайн

Qwen4-Max доступен через собственный API Alibaba в шести регионах и через ряд сторонних платформ; сегодня его нет в каталоге OrcaRouter, 215 моделей которого включают Qwen3.8-Max, Qwen3.7-Max и Qwen3-Max, но не поколение Qwen4. На практике это означает, что первый месяц оценки проходит на собственном эндпоинте вендора, с ключом с лимитом расходов, и что тестовую обвязку, построенную под один OpenAI-совместимый эндпоинт, можно будет перенести без изменений кода, если модель всё же появится.

Две вещи делают это испытание дешевле. Первая — отказоустойчивость: модель настолько новая, выполняющая такую длительную работу, будет упираться в лимиты запросов и тайм-ауты, а автоматическое переключение при сбое на второй эндпоинт превращает мёртвый цикл сборки в более медленный. Вторая — сквозное правило ценообразования: OrcaRouter выставляет счёт по прайс-листу провайдера без наценки, поэтому когда поставщик снижает тариф, снижение действует на нашей стороне в тот же день, а не при следующем продлении контракта. Ни одно из этих утверждений не зависит от того, размещаем ли мы эту модель у себя, и ни одно не заслуживает того, чтобы делать вид обратного.

Практическая форма оценки: дайте модели одну небольшую законченную вещь — одну игровую сцену с одной механикой, камерой и условием победы — и наблюдайте, что она делает на протяжении трёх последовательных играбельных выпусков, а не одного. Проверяемое утверждение — не в том, может ли она создать игру. Оно в том, лучше ли второй и третий выпуски первого, потому что это единственная часть цикла, которую не может измерить бенчмарк и не может показать демонстрационное видео.

Открытый вопрос

То, как Alibaba позиционирует Qwen4-Max, — это модель, которая будет продолжать работать, пока вы за ней не наблюдаете, и демонстрации для разработки игр — самое наглядное доказательство этой идеи, какое только можно было выбрать: игры визуальны, интерактивны и ломаются так, что это видит каждый. Три коротких сцены на трёх движках — сильный вступительный аргумент и слабая демонстрация долговечности: уровни маленькие, прогоны длятся минуты, а критерии приёмки задала команда, которая их создавала.

Окончательно решить вопрос может только что-то совсем не эффектное. Проект с уже существующей кодовой базой, художественным направлением, которое он не выбирал, багом физики, который проявляется только на маломощном устройстве, и живым ревьюером, который дважды отклоняет сборку. Если этот цикл выдержит такое, список движков перестанет быть маркетинговой строкой и станет рабочим процессом. До тех пор честная позиция состоит в том, что Qwen4-Max выпустил первую убедительную демонстрацию того, что фронтирная модель способна управлять игровым движком и воспроизводить собственную работу, — а плагин Live Delivery, выпущенный на два дня раньше под Apache-2.0, — это та часть истории, которую вы можете проверить сами уже сегодня.

© 2026 OrcaRouter