Ett genererat 16:9-titelkort med texten 'Qwen4-Max bygger spelbara spel', med undertexten 'Unity, Unreal Engine och Godot – tre demos och ramverket bakom dem', med fyra rundade brickor med texten '3 spelmotorer', 'kontext på 1 000 000 token', '$1,50 in / $4,50 ut per 1M' och 'Liveleverans, Apache-2.0'. OrcaRouter-logotyp längst ner till höger.
Guides & Insights

Qwen4-Max bygger spelbara spel i Unreal, Unity och Godot: tre demos och ramverket bakom dem

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Den mest intressanta raden i Alibabas lanseringsinlägg för Qwen4-Max är inte en benchmarkpoäng. Det är en lista över spelmotorer. Qwen4-Max, som släpptes den 16 november 2026, dokumenteras av sitt eget team som att det fungerar "flytande" med Unity, Unreal Engine och Godot, och inlägget innehåller tre videor av spel som modellen enligt uppgift har byggt från början till slut: ett vågförsvar med en kattmagiker i Unreal Engine, ett svärdflygningsäventyr i Unreal Engine och ett West Lake-racerlopp i Unity 6, levererat som en installerbar Android-version.

Det är ett annat slags påstående än "får 48,5 % på Terminal-Bench 4.0". Ett benchmarkvärde är en mätning som någon kan köra om. Ett speldemo är en leverabel, och leverabeln är beviset: om bygget går att installera och spela har modellen gjort något verkligt, och om det inte gör det räddar ingen mängd prosa det. Det besvärliga är att de tre byggena inte ligger framför dig. Det du har framför dig är ungefär två minuter redigerad video, så det ärliga arbetet här består i att separera vad leverantören visade från vad en läsare kan verifiera, och sedan titta på mekanismen – för den delen är dokumenterad, och det är den delen som avgör om detta generaliserar bortom tre uppvisningsnivåer.

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.

Tre demos, tre motorer, en gemensam loop

De tre demona namnges och tidsangivs i tillkännagivandet, vilket är mer än vad de flesta lanseringsinlägg erbjuder. "Meow of Magic" varar 52 sekunder: ett kattmagikeräventyr i Unreal Engine med besvärjelser, uppgraderingsval och vågor av fiender och bossar. "Yun Guan Xing" varar 39 sekunder: en fantasyflygsekvens på ett svärd genom moln och ringar, som slutar med en boss. "Flying Racer" varar 20 sekunder: ett Unity 6-mobilracer runt West Lake, med drifting, nitrobOost och utfällbara vingar, levererat som ett installerBart Android-spel i stället för en prototyp som bara finns som video.

De är tre olika motor-API:er och tre olika byggmål, och leverantörens beskrivning av arbetsflödet är identisk för alla tre. Utifrån en enda kort beskrivning i naturligt språk hanterar {{1}}Qwen4-Max{{/1}} scenuppbyggnad, spelmekaniklogik, integrering av externa tillgångar, materialinställning, HUD-design och visuella effekter, kör sedan spelet och använder den visuella återkopplingen och interaktionsåterkopplingen för att revidera kameraspårning, karaktärsanimation, träffåterkoppling, ljussättning och tempo. Läs listan igen, för ordningen är själva {{2}}påståendet{{/2}}: modellen ombeds inte att skriva ett spel och hoppas. Den ombeds att ta fram en {{3}}byggversion{{/3}}, spela den och {{4}}rätta{{/4}} det den ser.

Ingen utanför Alibaba har ännu återskapat något av detta, och det finns inget offentligt arkiv över de tre projekten att granska. Det som kan sägas utan förbehåll är mer begränsat men fortfarande värt något: modellen dokumenteras som att den arbetar inuti tre riktiga motorer i stället för att skicka ut en motoroberoende scenbeskrivning, och ett av de tre målen är ett installerbart Android-paket, vilket är ett byggsteg som misslyckas högljutt och ofta.

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.'

Det som verkligen är nytt är återkopplingsslingan, inte koden

Att en frontiermodell skriver ett Unity-skript är ingen nyhet. Modeller har skrivit spelmotorskod i två år, och felmönstret har varit stabilt hela tiden: koden kompileras, scenen laddas och resultatet är ospelbart på ett sätt som bara en människa lägger märke till – en kamera som klipper genom väggar, en träff som inte ger någon synlig reaktion, en hoppbåge som känns som en hiss. Den intressanta frågan om Qwen4-Maxs påstående om spelutveckling är därför inte "kan den skriva C# eller GDScript" utan "kan den sluta den loopen själv".

Tillkännagivandet säger att det gör det, och mekanismen det beskriver är en testrigg snarare än en modellförmåga: agenten kör bygget, läser tillbaka visuell återkoppling och interaktionsåterkoppling och itererar kring kamera, animation, träffåterkoppling, ljussättning och tempo. Om den loopen är verklig förskjuts begränsningen för vad den kan bygga från modellens kodningsförmåga till kvaliteten på den återkopplingssignal den får — en renderad bildruta och en inmatningslogg är en mycket tunnare beskrivning av ”det här känns fel” än en mänsklig speltestare, och demonstrationerna är alla korta, fristående scener som en återkopplingsloop rimligen kan konvergera mot inom en session.

Det här är samma argument som leverantören framför på annat håll i inlägget under en annan rubrik, och de två påståendena bör läsas tillsammans. I avsnittet om agenter med lång horisont beskriver Alibaba ett tillvägagångssätt som det kallar Live Delivery: agenten tar fram en användbar första version tidigt och utökar den sedan genom successiva utgåvor, medan den uppdaterar sin plan utifrån exekveringsresultat och användarkrav, så att en person kan gripa in när som helst för att korrigera riktningen eller ångra ett misstag innan hela körningen är klar. För ett spel innebär det att leveranskadensen är spelbara byggen i stället för ett enda slutligt arkiv. För allt annat med ett långt verktygsanvändande förlopp betyder det samma sak.

Blender, och pipelinen som börjar bortom viewporten

Avsnittet om 3D-modellering är den tystare hälften av samma historia. Qwen4-Max dokumenteras använda Blender för geometrimodellering, scenuppbyggnad, materialinställning, ljussättning och rendering, inom arkitektur, interiörer, naturlandskap och science fiction-scener – arbete som tränar rumslig layout och objektstruktur snarare än bildestetik. Leverantörens formulering är att dessa tillgångar ”används i praktiken i spel” och tas in i fysiska objekt genom 3D-printing, vilket är ett påstående om kompatibilitet nedströms: en tillgång som kan skrivas ut har konsekvent geometri, vattentäta nät och en verklig skala, och en tillgång som kan stoppas in i en spelmotor har vettiga pivotpunkter och materialtilldelningar.

Betrakta det som en avsiktsförklaring snarare än en verifierad pipeline. Det finns inget publicerat asset-paket, ingen polygonbudget, ingen topologirapport och inget uttalande om vad som händer när ett genererat mesh måste klara ett retopologiseringspass eller en UV-unwrap av en mänsklig artist. Vad avsnittet däremot fastställer är att arbetsflödet sker på fil- och verktygsnivå: modellen driver ett riktigt DCC-program och producerar något som en spelmotor importerar, inte genererar en bild av ett 3D-objekt. Den distinktionen är den som spelar roll för alla som hoppas kunna sätta detta i en produktionspipeline för spelgrafik, och det är också den som är svårast att fejka i en video.

Live Delivery har ett repository, vilket gör det till den kontrollerbara delen.

Två dagar före modellens allmänna tillgänglighet gjorde Alibaba det ramverk som företaget byggt för detta till öppen källkod. Qwen Live Delivery-pluginen finns på GitHub under Apache-2.0, skapades den 14 november 2026 och pushades senast dagen före lanseringen. Den exponerar fyra MCP-verktyg – ld_begin, ld_publish, ld_status och ld_done – samt livscykelkrokar, och installeras i en arbetsyta med ett skalskript. Vid lanseringen är den endast tillgänglig för Codex CLI, körs på Linux och macOS och kräver Node.js 22 eller nyare. Det finns en miljövariabel som man aktivt måste slå på för att ge sandlådan full filsystemåtkomst, och en webbläsarbaserad arbetsbänk för att granska releaser.

Detta är den mest användbara artefakten i hela utgåvan för den som utvärderar spelutvecklingspåståendet, eftersom det är den del du faktiskt kan köra. Ett ramverk som publicerar successiva releaser av ett långkörande jobb har exakt den form en spelutvecklingsagent behöver: varje spelbar build är en kontrollpunkt som en människa kan inspektera, och ett felsteg i leveldesign kostar en release i stället för en körning. Det innebär också att den intressanta jämförelsen inte är "vilken modell som skriver bättre Unreal-kod" utan "vilken modells harness som låter dig övervaka arbetet", vilket är en mycket mer praktisk fråga och en som kommer att avgöras genom att använda det, inte genom att läsa en resultattavla.

Vad de oberoende siffrorna kan och inte kan berätta för dig

Artificial Analysis listar Qwen4-Max med ett Intelligence Index på 42,89 på v5.0.1 vid maximal resonemangsansträngning, mot 33,65 för Qwen3.8-Max på samma utgåva — en ökning med ungefär nio punkter, vilket är ett reellt generationskliv snarare än en avrundningsskillnad. Delscoreerna är mer blandade än huvudresultatet: Terminal-Bench 4.0 på 48,5 % mot 38,9 %, FrontierCode-AA 2.0 på 26,5 % mot 23,4 %, Terminal-Bench-Science på 23,3 % mot 11,9 % och HLE-Diamond på 44,9 %. För agentiskt arbete håller mönstret i sig — APEX-Agents 59,1 %, AutomationBench 72,6 % delvis, EnterpriseOps-Gym 48,5 %, AnalystAgent 46,3 %.

Inget av det mäter spelutveckling. Ingen offentlig resultattavla kör en Unreal-build, kontrollerar om en Unity-scen laddas eller poängsätter ett Godot-projekt utifrån huruvida hoppet känns rätt. De närmaste proxymåtten är agentiska benchmarkar och terminalbenchmarkar, som mäter huruvida en modell kan hålla ihop en flerstegsbana av verktygsanvändning utan att tappa tråden – och det är de poäng där Qwen4-Max vinner mest. Så den korrekta tolkningen av de oberoende data är indirekt: den gör harness-historien trolig utan att bekräfta en enda bildruta av demorna. Artificial Analysis registrerar inte heller några öppna vikter för modellen, vilket stämmer med leverantörens dokumentation som anger finjustering och modelldistribution som icke-stödda.

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.

Specifikationsbladet, såsom publicerat

Alibabas egen dokumentation och lanseringsinlägget – för siffrorna en köpare behöver innan den förbinder sig till ett projekt:

• Backbone – 2,4 biljoner parametrar med 71 miljarder aktiverade per token, plus 328 miljarder N-gram-inbäddningsparametrar, i en gles mixture-of-experts-design med Gated DeltaNet hybrid-attention och ett N-gram-inbäddningslager

• Kontext — 1 000 000 token annonserade; dokumentationen begränsar maximal indata till 991 808 token i icke-tänkande läge och 983 616 i tänkande läge

• Utdata – maximalt 131 072 token i icke-tänkande läge; i tänkande läge delar resonemangsspåret och svaret på totalt 262 144

• Modalitet – text, bild och video in, text ut; ingen bild- eller videogenerering

Pris — $1,50 för indata och $4,50 för utdata per miljon tokens i Singapore, $1,413 och $4,24 i övriga regioner, jämfört med Qwen3.8-Max på $2,00 och $6,00

• Cache — $0,075 per miljon tokens vid en cacheläsning i Singapore, 95 % rabatt, med explicit och implicit cachning vid TTL:er på fem minuter och en timme

• Begränsningar – batchinferens, finjustering och modellutplacering anges alla som icke-stödda, så det finns ingen billig asynkron väg och ingen åtkomst till vikter

• Hastighetsgränser – 30 000 förfrågningar och 5 000 000 token per minut globalt, med regionala tokenstak per minut på mellan 5 och 20 miljoner

Utdatataket är raden att läsa två gånger. En spelbar build är inte ett enda svar; det är dussintals verktygsanrop, där var och ett returnerar filinnehåll och byggloggar, och varje sådan tur begränsas av samma kontext. Arbete över lång horisont med ett fönster på en miljon token är precis den arbetsbelastning där en mindre utdatabudget leder till fler rundturer.

Vad en lång byggloop faktiskt kostar

Leverantörens egna kostnadssiffror anges per uppgift snarare än per token, vilket är rätt enhet för den här typen av arbete. På Work360, Alibabas interna benchmark för professionella uppgifter inom 26 domäner på första nivån, får Qwen4-Max 52,69 mot 47,74 för Qwen3.8-Max, och den genomsnittliga kostnaden per uppgift sjunker från 4,43 USD till 1,67 USD – en minskning med 62 %, som uppnåtts delvis genom prissänkningar och delvis genom att använda färre tokens: cirka 24 % respektive 35 % färre på Work360 vid extra hög respektive hög resonemangsansträngning, och 48 % respektive 49 % färre på Terminal-Bench 4.0. Dessa siffror är leverantörsrapporterade och har inte reproducerats.

Den oberoende uppskattningen är mindre smickrande och mer användbar som budgetunderlag. Artificial Analysis uppskattar kostnaden för att köra sitt eget Intelligence Index till $3,27 per uppgift för Qwen4-Max, ned från $10,02 för Qwen3.8-Max i samma testramverk — en minskning med 67 % som riktningsmässigt stämmer överens med Alibabas påstående men landar på ett annat absolut tal, eftersom de två mätningarna kör olika uppgifter med olika resonemangsansträngning. Om du planerar en spelutvecklingsloop är $3,27 per utvärderad uppgift talet du ska multiplicera med, inte $1,67, och multiplikatorn är antalet turer i din bygg-och-spela-cykel snarare än antalet prompter du skriver.

Det finns ytterligare en kostnadsnotering som är viktigare än prislistan för den här arbetsbelastningen. Cachelagrad indata kostar 0,075 USD per miljon token, och en byggloop är den idealiska cache-arbetsbelastningen: samma motordokumentation, samma projektfiler, samma fellogg läses om och om igen. En loop som läser in ett projektkontext på 200 000 token tjugo gånger betalar 0,30 USD i cachelagrad indata i stället för 6,00 USD till det ocachade priset, vilket är skillnaden mellan ett experiment man låter köra och ett man stoppar efter tre försök.

Testar det utan att satsa en pipeline på det

Qwen4-Max är tillgänglig via Alibabas eget API i sex regioner och via ett antal tredjepartsplattformar; den finns inte i OrcaRouters katalog i dag, vars 215 modeller omfattar Qwen3.8-Max, Qwen3.7-Max och Qwen3-Max men inte Qwen4-generationen. I praktiken innebär det att den första utvärderingsmånaden sker på leverantörens egen slutpunkt, med en nyckel med utgiftstak, och att en testrigg som du bygger mot en OpenAI-kompatibel slutpunkt kommer att flyttas utan kodändringar om modellen dyker upp.

Två saker gör den där testkörningen billigare. Det första är redundansväxling: en modell så här ny, som utför arbete som pågår så här länge, kommer att stöta på hastighetsbegränsningar och timeouts, och automatisk redundansväxling till en andra endpoint förvandlar en död byggloop till en långsammare sådan. Det andra är prisregeln för vidarefakturering — OrcaRouter fakturerar till leverantörens listpris utan påslag, så när en leverantör sänker ett pris gäller sänkningen hos oss samma dag i stället för vid nästa avtalsförnyelse. Inget av dessa påståenden förutsätter att vi själva driftar modellen i fråga, och inget av dem förtjänar att man låtsas något annat.

En praktisk form för utvärderingen: ge modellen en liten, färdig sak – en enda spelbar scen med en mekanik, en kamera och ett vinstvillkor – och observera vad den gör över tre på varandra följande spelbara versioner i stället för en. Påståendet som testas är inte om den kan producera ett spel. Det är om den andra och tredje versionen är bättre än den första, eftersom det är den enda delen av loopen som ett benchmark inte kan mäta och en demovideo inte kan visa.

Den öppna frågan

Alibabas beskrivning av Qwen4-Max är en modell som fortsätter att fungera medan du inte tittar, och spelutvecklingsdemonstrationerna är det tydligaste beviset på den idén som den kunde ha valt: spel är visuella, de är interaktiva och de misslyckas på sätt som alla kan se. Tre korta scener i tre motorer är ett starkt inledande argument och en svag demonstration av hållbarhet – nivåerna är små, körningarna är bara några minuter långa, och acceptanskriterierna sattes av teamet som gjorde dem.

Det som skulle avgöra saken är oglamoröst. Ett projekt med en befintlig kodbas, en konstnärlig inriktning som det inte själv valt, en fysikbugg som bara dyker upp på en lågprisenhet och en mänsklig granskare som avvisar bygget två gånger. Om loopen överlever det slutar motorlistan vara en marknadsföringsrad och blir ett arbetsflöde. Fram till dess är den ärliga hållningen att Qwen4-Max har levererat den första trovärdiga demonstrationen av att en frontiermodell kan driva en spelmotor och spela upp sitt eget arbete — och att Live Delivery-pluginprogrammet, som släpptes två dagar i förtid under Apache-2.0, är den del av historien som du själv kan kontrollera i dag.