
Qwen4-Max สร้างเกมที่เล่นได้ใน Unreal, Unity และ Godot: สามเดโมและฮาร์เนสที่อยู่เบื้องหลัง
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 219 tok/s
บรรทัดที่น่าสนใจที่สุดในโพสต์เปิดตัว Qwen4-Max ของ Alibaba ไม่ใช่คะแนน benchmark แต่เป็นรายชื่อ game engine Qwen4-Max ซึ่งเปิดตัวเมื่อวันที่ 16 พฤศจิกายน 2026 มีเอกสารจากทีมของตัวเองระบุว่าทำงานร่วมกับ Unity, Unreal Engine และ Godot ได้ “อย่างลื่นไหล” และโพสต์ดังกล่าวแนบวิดีโอเกมสามวิดีโอที่ระบุว่าโมเดลสร้างขึ้นตั้งแต่ต้นจนจบ ได้แก่ เกมแนวป้องกันคลื่นศัตรูของแม่มดแมวใน Unreal Engine, เกมผจญภัยบินด้วยดาบใน Unreal Engine และเกมแข่งรถทะเลสาบตะวันตกใน Unity 6 ซึ่งส่งมอบเป็นบิลด์ Android ที่ติดตั้งได้
นี่เป็นคำกล่าวอ้างอีกประเภทหนึ่งที่ต่างจาก “ทำคะแนนได้ 48.5% บน Terminal-Bench 4.0” ตัวเลขจาก benchmark คือการวัดที่ใครบางคนสามารถรันซ้ำได้ ส่วนเดโมเกมคือสิ่งที่ส่งมอบได้ และสิ่งที่ส่งมอบได้นั้นคือหลักฐาน: ถ้าบิลด์ติดตั้งและเล่นได้ โมเดลก็ได้ทำอะไรจริง ๆ และถ้าเล่นไม่ได้ ข้อความบรรยายมากแค่ไหนก็แก้ไม่ได้ ส่วนที่กระอักกระอ่วนคือบิลด์ทั้งสามไม่ได้อยู่ตรงหน้าคุณ สิ่งที่อยู่ตรงหน้าคุณคือวิดีโอที่ตัดต่อแล้วประมาณสองนาที ดังนั้นงานที่ซื่อตรงตรงนี้คือการแยกสิ่งที่ผู้ขายแสดงให้เห็นออกจากสิ่งที่ผู้อ่านสามารถตรวจสอบได้ แล้วจากนั้นจึงดูที่กลไก — เพราะส่วนนั้นมีเอกสารกำกับไว้ และเป็นส่วนที่จะตัดสินว่าสิ่งนี้จะใช้ได้ทั่วไปเกินกว่าสามระดับโชว์เคสหรือไม่

สามเดโม สามเอนจิน หนึ่งลูปที่ใช้ร่วมกัน
เดโมทั้งสามมีชื่อและระบุเวลาไว้ในประกาศ ซึ่งมากกว่าที่โพสต์เปิดตัวส่วนใหญ่มีให้ "Meow of Magic" มีความยาว 52 วินาที: การผจญภัยของแมวจอมเวทใน Unreal Engine ที่มีการร่ายเวท เลือกอัปเกรด และคลื่นของศัตรูกับบอส "Yun Guan Xing" มีความยาว 39 วินาที: ฉากบินแฟนตาซีบนดาบผ่านเมฆและวงแหวน จบด้วยบอส "Flying Racer" มีความยาว 20 วินาที: เกมแข่งรถมือถือ Unity 6 รอบ West Lake พร้อมการดริฟต์ บูสต์ไนโตร และปีกที่กางออกได้ วางจำหน่ายเป็นเกม Android ที่ติดตั้งได้ ไม่ใช่แค่ต้นแบบวิดีโอ
นั่นคือ API ของเอนจินสามแบบที่แตกต่างกันและเป้าหมายการบิลด์สามแบบที่แตกต่างกัน และคำอธิบายกระบวนการทำงานของผู้ขายก็เหมือนกันทั้งสามแบบ จากบรีฟภาษาธรรมชาติเพียงชุดเดียว Qwen4-Max จัดการการสร้างฉาก ตรรกะเกมเพลย์ การรวมแอสเซ็ตภายนอก การตั้งค่าวัสดุ การออกแบบ HUD และเอฟเฟกต์ภาพ จากนั้นรันเกมและใช้ฟีดแบ็กด้านภาพและการโต้ตอบเพื่อปรับการติดตามกล้อง แอนิเมชันตัวละคร ฟีดแบ็กการโจมตี แสง และจังหวะการเล่น อ่านรายการนั้นอีกครั้ง เพราะลำดับคือข้ออ้าง: โมเดลไม่ได้ถูกขอให้เขียนเกมแล้วหวังผล แต่ถูกขอให้สร้างบิลด์ เล่นมัน และแก้ไขสิ่งที่มันเห็น
ยังไม่มีใครนอก Alibaba ที่ทำซ้ำสิ่งใดในนี้ได้ และยังไม่มีที่เก็บโค้ดสาธารณะของทั้งสามโปรเจกต์ให้ตรวจดู สิ่งที่พูดได้โดยไม่ต้องลังเลนั้นแคบกว่าและยังมีคุณค่าอยู่: โมเดลนี้มีเอกสารระบุว่าทำงานอยู่ภายในเอนจินจริงสามตัว แทนที่จะส่งคำอธิบายฉากที่ไม่ขึ้นกับเอนจิน และหนึ่งในสามเป้าหมายคือแพ็กเกจ Android ที่ติดตั้งได้ ซึ่งเป็นขั้นตอนการบิลด์ที่ล้มเหลวอย่างชัดเจนและบ่อยครั้ง

ส่วนที่ใหม่จริง ๆ คือลูปป้อนกลับ ไม่ใช่โค้ด
การที่โมเดลระดับแนวหน้าเขียนสคริปต์ Unity ไม่ใช่เรื่องใหม่ โมเดลเขียนโค้ดเอนจินมาเป็นเวลาสองปีแล้ว และรูปแบบความล้มเหลวก็คงที่มาตลอด: โค้ดคอมไพล์ผ่าน ฉากโหลดได้ และผลลัพธ์เล่นไม่ได้ในแบบที่มนุษย์เท่านั้นจะสังเกตเห็น — กล้องที่ทะลุผ่านกำแพง การโจมตีที่ไม่มีปฏิกิริยาให้เห็น วิถีการกระโดดที่รู้สึกเหมือนลิฟต์ คำถามที่น่าสนใจเกี่ยวกับข้อกล่าวอ้างด้านการพัฒนาเกมของ {{1}}Qwen4-Max{{/1}} จึงไม่ใช่ "มันเขียน {{2}}C#{{/2}} หรือ {{3}}GDScript{{/3}} ได้ไหม" แต่เป็น "มันปิดลูปนั้นได้ด้วยตัวเองหรือไม่"
ประกาศบอกว่ามันทำได้ และกลไกที่อธิบายไว้คือฮาร์เนสมากกว่าความสามารถของโมเดล: เอเจนต์รันบิลด์ อ่านผลตอบรับด้านภาพและการโต้ตอบ แล้ววนปรับกล้อง แอนิเมชัน ฟีดแบ็กตอนโจมตีโดน แสง และจังหวะ หากลูปนั้นมีจริง ข้อจำกัดของสิ่งที่มันสร้างได้จะเปลี่ยนจากความสามารถในการเขียนโค้ดของโมเดลไปเป็นคุณภาพของสัญญาณฟีดแบ็กที่มันได้รับ — เฟรมที่เรนเดอร์แล้วและบันทึกอินพุตเป็นคำอธิบายของ “นี่มันรู้สึกไม่ถูก” ที่บางกว่ามากเมื่อเทียบกับผู้เล่นทดสอบที่เป็นมนุษย์ และเดโมทั้งหมดเป็นฉากสั้น ๆ ที่ครบในตัวเอง ซึ่งลูปฟีดแบ็กมีแนวโน้มจะลู่เข้าหาได้ภายในหนึ่งเซสชัน
นี่เป็นข้อโต้แย้งเดียวกันกับที่ผู้ขายกล่าวไว้ที่อื่นในโพสต์ภายใต้หัวข้ออื่น และควรอ่านข้อกล่าวอ้างทั้งสองนี้ร่วมกัน ในส่วนเอเจนต์ระยะยาว Alibaba อธิบายแนวทางที่เรียกว่า Live Delivery: เอเจนต์สร้างเวอร์ชันแรกที่ใช้งานได้ตั้งแต่เนิ่น ๆ จากนั้นขยายผ่านการออกรีลีสต่อเนื่องกัน โดยอัปเดตแผนจากผลการดำเนินการและความต้องการของผู้ใช้ เพื่อให้บุคคลสามารถเข้ามาแทรกแซงได้ทุกจุดเพื่อแก้ทิศทางหรือย้อนกลับข้อผิดพลาดก่อนที่การทำงานทั้งหมดจะเสร็จสิ้น สำหรับเกม หมายความว่าจังหวะการส่งมอบคือบิลด์ที่เล่นได้ ไม่ใช่ไฟล์เก็บถาวรสุดท้ายเพียงชุดเดียว สำหรับสิ่งอื่นใดที่มีเส้นทางการใช้เครื่องมือระยะยาว ก็หมายความเช่นเดียวกัน
Blender และไปป์ไลน์ที่เริ่มต้นถัดจากวิวพอร์ต
ส่วนการสร้างโมเดล 3D เป็นอีกครึ่งที่เงียบกว่าของเรื่องเดียวกัน มีการบันทึกว่า Qwen4-Max ใช้ Blender สำหรับการสร้างโมเดลเรขาคณิต การประกอบฉาก การตั้งค่าวัสดุ การจัดแสง และการเรนเดอร์ ครอบคลุมงานสถาปัตยกรรม ภายในอาคาร ภูมิทัศน์ธรรมชาติ และฉากนิยายวิทยาศาสตร์ — งานที่ฝึกใช้การจัดวางเชิงพื้นที่และโครงสร้างของวัตถุ มากกว่าความสวยงามของภาพ กรอบการนำเสนอของผู้ขายคือสินทรัพย์เหล่านี้ "ถูกใช้จริงในเกม" และถูกนำไปทำเป็นวัตถุจริงผ่านการพิมพ์ 3D ซึ่งเป็นข้อกล่าวอ้างเกี่ยวกับความเข้ากันได้ในปลายทาง: สินทรัพย์ที่พิมพ์ได้ย่อมมีเรขาคณิตที่สอดคล้องกัน เมชที่ปิดสนิท และมาตราส่วนจริง และสินทรัพย์ที่หยอดลงในเอนจินเกมได้ย่อมมีพิวอตและการกำหนดวัสดุที่สมเหตุสมผล
ควรมองสิ่งนั้นเป็นแถลงการณ์เจตนามากกว่ากระบวนการที่ผ่านการตรวจสอบแล้ว ไม่มีชุดแอสเซ็ตที่เผยแพร่ ไม่มีงบโพลีกอน ไม่มีรายงานโทโพโลยี และไม่มีคำอธิบายว่าเกิดอะไรขึ้นเมื่อเมชที่สร้างขึ้นต้องผ่านขั้นตอนรีโทโพโลยีหรือการคลี่ UV โดยศิลปินที่เป็นมนุษย์ สิ่งที่ส่วนนี้ยืนยันได้คือเวิร์กโฟลว์นี้อยู่ในระดับไฟล์และระดับเครื่องมือ กล่าวคือโมเดลกำลังขับเคลื่อนแอปพลิเคชัน DCC จริงและสร้างสิ่งที่เกมเอนจินนำเข้าได้ ไม่ใช่การสร้างภาพของวัตถุ 3D ความแตกต่างนี้คือสิ่งที่สำคัญสำหรับใครก็ตามที่หวังจะนำไปใช้ในไปป์ไลน์ศิลปะเพื่อการผลิต และยังเป็นสิ่งที่ปลอมแปลงได้ยากที่สุดในวิดีโอ
Live Delivery มี repository ซึ่งทำให้มันเป็นส่วนที่ตรวจสอบได้
สองวันก่อนที่โมเดลจะเปิดให้ใช้งานทั่วไป Alibaba ได้เปิดซอร์สฮาร์เนสที่สร้างขึ้นสำหรับงานนี้ ปลั๊กอิน Qwen Live Delivery อยู่บน GitHub ภายใต้ Apache-2.0 ถูกสร้างเมื่อวันที่ 14 พฤศจิกายน 2026 และมีการพุชครั้งล่าสุดในวันก่อนเปิดตัว มันเปิดเผยเครื่องมือ MCP สี่ตัว — ld_begin, ld_publish, ld_status และ ld_done — พร้อมฮุกวงจรชีวิต และติดตั้งเข้าสู่เวิร์กสเปซด้วยสคริปต์เชลล์ ในตอนเปิดตัวรองรับเฉพาะ Codex CLI ทำงานบน Linux และ macOS และต้องใช้ Node.js 22 หรือใหม่กว่า มีตัวแปรสภาพแวดล้อมแบบเลือกเปิดใช้เพื่อให้แซนด์บ็อกซ์เข้าถึงระบบไฟล์ได้เต็มรูปแบบ และมีเวิร์กเบนช์บนเบราว์เซอร์สำหรับตรวจสอบรีลีส
นี่คือสิ่งประดิษฐ์ที่มีประโยชน์ที่สุดในรุ่นวางจำหน่ายทั้งหมดสำหรับใครก็ตามที่กำลังประเมินข้อกล่าวอ้างเรื่องการพัฒนาเกม เพราะมันเป็นส่วนที่คุณรันได้จริง เฟรมเวิร์กที่เผยแพร่รุ่นวางจำหน่ายต่อเนื่องของงานที่ดำเนินยาวนานมีรูปร่างตรงกับสิ่งที่เอเจนต์พัฒนาเกมต้องการพอดี: บิลด์ที่เล่นได้แต่ละชิ้นคือจุดตรวจสอบที่มนุษย์ตรวจดูได้ และการตัดสินใจผิดพลาดในการออกแบบด่านมีต้นทุนเป็นหนึ่งรุ่นวางจำหน่ายแทนที่จะเป็นหนึ่งการรัน นอกจากนี้ยังหมายความว่าการเปรียบเทียบที่น่าสนใจไม่ใช่ "โมเดลไหนเขียนโค้ด Unreal ได้ดีกว่า" แต่เป็น "ฮาร์เนสของโมเดลไหนให้คุณกำกับดูแลงานได้" ซึ่งเป็นคำถามที่Practicalกว่ามากและจะเป็นคำถามที่ตัดสินได้ด้วยการใช้งานมัน ไม่ใช่ด้วยการอ่านกระดานคะแนน
ตัวเลขอิสระบอกอะไรคุณได้และบอกอะไรคุณไม่ได้
Artificial Analysis ระบุว่า Qwen4-Max มี Intelligence Index อยู่ที่ 42.89 บน v5.0.1 ที่ความพยายามในการใช้เหตุผลสูงสุด เทียบกับ 33.65 ของ Qwen3.8-Max ในรุ่นเดียวกัน ซึ่งเพิ่มขึ้นราวเก้าคะแนน ถือเป็นก้าวกระโดดเชิงรุ่นจริง ๆ ไม่ใช่ความต่างจากการปัดเศษ คะแนนย่อยมีความคละกันมากกว่าตัวเลขพาดหัว: Terminal-Bench 4.0 อยู่ที่ 48.5% เทียบกับ 38.9%, FrontierCode-AA 2.0 อยู่ที่ 26.5% เทียบกับ 23.4%, Terminal-Bench-Science อยู่ที่ 23.3% เทียบกับ 11.9% และ HLE-Diamond อยู่ที่ 44.9% ในงานเชิงเอเจนต์รูปแบบยังคงเดิม — APEX-Agents 59.1%, AutomationBench 72.6% แบบบางส่วน, EnterpriseOps-Gym 48.5%, AnalystAgent 46.3%
ไม่มีสิ่งใดในนั้นวัดการพัฒนาเกมได้ ไม่มีลีดเดอร์บอร์ดสาธารณะใดรันบิลด์ Unreal ตรวจสอบว่าฉาก Unity โหลดได้หรือไม่ หรือให้คะแนนโปรเจกต์ Godot ว่าการกระโดดรู้สึกถูกต้องหรือไม่ ตัวแทนที่ใกล้เคียงที่สุดคือเบนช์มาร์กแบบเอเจนต์และแบบเทอร์มินัล ซึ่งวัดว่าโมเดลสามารถประคองเส้นทางการใช้เครื่องมือหลายขั้นตอนไว้ได้โดยไม่หลุดบริบทหรือไม่ — และนั่นคือคะแนนที่ Qwen4-Max ได้เพิ่มมากที่สุด ดังนั้นการอ่านข้อมูลอิสระอย่างถูกต้องจึงเป็นแบบทางอ้อม: มันทำให้เรื่องราวเกี่ยวกับฮาร์เนสดูเป็นไปได้โดยไม่ยืนยันแม้แต่เฟรมเดียวของเดโม Artificial Analysis ยังไม่บันทึกว่ามี open weights สำหรับโมเดลนี้ ซึ่งสอดคล้องกับเอกสารของผู้จำหน่ายที่ระบุว่าการ fine-tuning และการ deploy โมเดลไม่ได้รับการสนับสนุน

เอกสารข้อมูลจำเพาะ ตามที่เผยแพร่
เอกสารของ Alibaba เองและโพสต์เปิดตัว สำหรับตัวเลขที่ผู้ซื้อจำเป็นต้องรู้ก่อนตัดสินใจเริ่มโครงการ:
• Backbone — พารามิเตอร์ 2.4 ล้านล้านตัว โดยเปิดใช้งาน 71 พันล้านตัวต่อโทเค็น พร้อมพารามิเตอร์การฝัง N-gram 328 พันล้านตัว ในดีไซน์ sparse mixture-of-experts ที่มีกลไกความสนใจแบบไฮบริด Gated DeltaNet และเลเยอร์การฝัง N-gram
• บริบท — โฆษณาไว้ที่ 1,000,000 โทเค็น; เอกสารระบุขีดจำกัดอินพุตสูงสุดไว้ที่ 991,808 โทเค็นในโหมดไม่คิด และ 983,616 โทเค็นในโหมดคิด
• เอาต์พุต — สูงสุด 131,072 โทเค็นในโหมดไม่คิด; ในโหมดคิด แทรซการให้เหตุผลและคำตอบจะใช้ร่วมกันรวม 262,144
• รูปแบบข้อมูล — อินพุตข้อความ รูปภาพ และวิดีโอ เอาต์พุตเป็นข้อความ; ไม่มีการสร้างรูปภาพหรือวิดีโอ
• ราคา — $1.50 สำหรับอินพุต และ $4.50 สำหรับเอาต์พุตต่อหนึ่งล้านโทเค็นในสิงคโปร์, $1.413 และ $4.24 ในภูมิภาคอื่น ๆ เมื่อเทียบกับ Qwen3.8-Max ที่ $2.00 และ $6.00
• แคช — $0.075 ต่อหนึ่งล้านโทเค็นสำหรับการอ่านแคชในสิงคโปร์ ซึ่งเป็นส่วนลด 95% พร้อมการแคชแบบระบุชัดเจนและแบบโดยนัยที่ TTL ห้านาทีและหนึ่งชั่วโมง
• ข้อจำกัด — การอนุมานแบบแบตช์ การปรับแต่งละเอียด และการปรับใช้โมเดล ถูกระบุว่าไม่รองรับทั้งหมด ดังนั้นจึงไม่มีเส้นทางแบบอะซิงโครนัสที่มีต้นทุนต่ำ และไม่มีการเข้าถึงค่าน้ำหนัก
• ขีดจำกัดอัตรา — 30,000 คำขอ และ 5,000,000 โทเค็นต่อนาทีทั่วโลก โดยมีเพดานโทเค็นต่อนาทีในแต่ละภูมิภาคระหว่าง 5 ถึง 20 ล้าน
เพดานเอาต์พุตคือบรรทัดที่ต้องอ่านสองครั้ง บิลด์ที่เล่นได้ไม่ใช่การตอบกลับเพียงครั้งเดียว แต่คือการเรียกใช้เครื่องมือหลายสิบครั้ง โดยแต่ละครั้งส่งคืนเนื้อหาไฟล์และบันทึกการบิลด์ และทุก ๆ เทิร์นนั้นถูกจำกัดด้วยบริบทเดียวกัน งานระยะยาวที่ใช้หน้าต่างบริบทหนึ่งล้านโทเคนคือภาระงานประเภทที่งบเอาต์พุตที่เล็กลงจะกลายเป็นจำนวนรอบไปกลับที่มากขึ้นพอดี
ต้นทุนที่แท้จริงของลูปการ build ที่ยาวนาน
ตัวเลขต้นทุนของผู้ขายเองระบุเป็นต่อทาสก์มากกว่าต่อโทเค็น ซึ่งเป็นหน่วยที่เหมาะสมสำหรับงานประเภทนี้ บน Work360 ซึ่งเป็นเกณฑ์มาตรฐานภายในของ Alibaba สำหรับงานวิชาชีพครอบคลุม 26 โดเมนระดับแรก Qwen4-Max ได้คะแนน 52.69 เทียบกับ 47.74 ของ Qwen3.8-Max และต้นทุนเฉลี่ยต่อทาสก์ลดลงจาก $4.43 เหลือ $1.67 — ลดลง 62% ซึ่งทำได้บางส่วนจากการลดราคาและบางส่วนจากการใช้โทเค็นน้อยลง: น้อยลงประมาณ 24% และ 35% บน Work360 ที่ระดับความพยายามในการใช้เหตุผลสูงมากและสูง และน้อยลง 48% และ 49% บน Terminal-Bench 4.0 ข้อมูลเหล่านี้เป็นข้อมูลที่ผู้ขายรายงานและยังไม่ได้รับการทำซ้ำ
การประเมินโดยอิสระให้ภาพที่ไม่สวยงามนัก แต่มีประโยชน์กว่าในฐานะข้อมูลตั้งต้นสำหรับงบประมาณ Artificial Analysis ประเมินต้นทุนการรัน Intelligence Index ของตัวเองไว้ที่ $3.27 ต่องานสำหรับ Qwen4-Max ลดลงจาก $10.02 สำหรับ Qwen3.8-Max บนฮาร์เนสเดียวกัน — ซึ่งเป็นการลดลง 67% ที่สอดคล้องในเชิงทิศทางกับข้อกล่าวอ้างของ Alibaba แต่ได้ตัวเลขสัมบูรณ์ที่แตกต่างกัน เพราะการวัดทั้งสองใช้งานต่างกันที่ระดับความพยายามในการใช้เหตุผลต่างกัน หากคุณกำลังวางแผนลูปการพัฒนาเกม $3.27 ต่องานที่ถูกประเมินคือตัวเลขที่ต้องนำไปคูณ ไม่ใช่ $1.67 และตัวคูณคือจำนวนรอบในวงจร build-and-play ของคุณ ไม่ใช่จำนวนพรอมป์ที่คุณพิมพ์
ยังมีบันทึกต้นทุนอีกข้อที่สำคัญกว่าตารางราคาสำหรับภาระงานนี้ อินพุตที่แคชไว้มีราคา $0.075 ต่อหนึ่งล้านโทเคน และลูปการบิลด์คือภาระงานที่เหมาะกับการแคชที่สุด: เอกสารเอนจินเดิม ไฟล์โปรเจกต์เดิม และบันทึกข้อผิดพลาดเดิม ที่ถูกอ่านซ้ำแล้วซ้ำอีก ลูปที่อ่านบริบทโปรเจกต์ขนาด 200,000 โทเคนซ้ำยี่สิบครั้งจะจ่าย $0.30 สำหรับอินพุตที่แคชไว้ แทนที่จะเป็น $6.00 ในอัตราที่ไม่แคช ซึ่งเป็นความต่างระหว่างการทดลองที่คุณปล่อยให้รันต่อไป กับการทดลองที่คุณหยุดหลังลองสามครั้ง
ลองใช้โดยไม่ต้องเดิมพันทั้งไปป์ไลน์กับมัน
Qwen4-Max ใช้งานได้ผ่าน API ของ Alibaba เองในหกภูมิภาค และผ่านแพลตฟอร์มบุคคลที่สามหลายแห่ง ปัจจุบันยังไม่อยู่ในแคตตาล็อกของ OrcaRouter ซึ่งมี 215 โมเดล รวมถึง Qwen3.8-Max, Qwen3.7-Max และ Qwen3-Max แต่ไม่มีรุ่น Qwen4 ในทางปฏิบัติหมายความว่าเดือนแรกของการประเมินจะเกิดขึ้นบน endpoint ของผู้จำหน่ายเอง บนคีย์ที่มีเพดานการใช้จ่าย และ harness ที่คุณสร้างขึ้นสำหรับ endpoint ที่เข้ากันได้กับ OpenAI หนึ่งแห่งจะย้ายไปได้โดยไม่ต้องแก้โค้ด หากโมเดลนั้นปรากฏขึ้นจริง
สองสิ่งทำให้การทดลองนั้นมีต้นทุนต่ำลง สิ่งแรกคือ failover: โมเดลใหม่ขนาดนี้ที่ทำงานยาวนานขนาดนี้จะเจอ rate limit และ timeout และ การสลับไปยังระบบสำรองอัตโนมัติไปยังปลายทางที่สองจะเปลี่ยนลูปการบิลด์ที่หยุดทำงานแล้วให้กลายเป็นลูปที่ช้าลง สิ่งที่สองคือกฎราคาแบบส่งผ่าน — OrcaRouter คิดค่าบริการตามราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม ดังนั้นเมื่อผู้ขายลดอัตราค่าบริการ ส่วนลดนั้นจะมีผลฝั่งเราในวันเดียวกัน แทนที่จะรอถึงการต่อสัญญาครั้งถัดไป ไม่มีคำกล่าวอ้างใดในสองข้อนี้ที่ต้องอาศัยการโฮสต์โมเดลที่พูดถึง และทั้งสองข้อก็ไม่คุ้มค่าที่จะแสร้งว่าเป็นอย่างอื่น
รูปแบบการประเมินที่ใช้ได้จริงคือ ให้โมเดลทำงานชิ้นเล็กที่เสร็จสมบูรณ์หนึ่งชิ้น — ฉากที่เล่นได้หนึ่งฉากซึ่งมีกลไกหนึ่งอย่าง มีกล้อง และมีเงื่อนไขชนะ — แล้วดูว่ามันทำอะไรได้ตลอดสามรุ่นที่เล่นได้ต่อเนื่องกัน แทนที่จะดูเพียงรุ่นเดียว ข้อกล่าวอ้างที่ถูกทดสอบไม่ใช่เรื่องที่มันสร้างเกมได้หรือไม่ แต่คือรุ่นที่สองและสามดีกว่ารุ่นแรกหรือไม่ เพราะนั่นเป็นส่วนเดียวของลูปที่ benchmark วัดไม่ได้และวิดีโอเดโมแสดงให้เห็นไม่ได้
คำถามที่เปิดอยู่
การวางกรอบของ Alibaba ที่มีต่อ Qwen4-Max คือโมเดลที่จะทำงานต่อไปได้แม้คุณไม่ได้เฝ้ามอง และเดโมด้านการพัฒนาเกมเป็นหลักฐานที่เห็นชัดที่สุดของแนวคิดนั้นที่พวกเขาเลือกได้ เกมเป็นภาพ เป็นสิ่งที่โต้ตอบได้ และล้มเหลวในแบบที่ใครก็มองเห็นได้ สามฉากสั้น ๆ ในสามเอนจินเป็นข้อโต้แย้งเปิดตัวที่แข็งแรง แต่เป็นการสาธิตความคงทนที่อ่อนแอ — ด่านต่าง ๆ มีขนาดเล็ก การรันใช้เวลาเพียงไม่กี่นาที และเกณฑ์การยอมรับถูกกำหนดโดยทีมที่สร้างมันขึ้นมา
สิ่งที่ทำให้เรื่องนี้ได้ข้อยุติกลับเป็นเรื่องที่ไม่หรูหราเลย โครงการหนึ่งที่มีฐานโค้ดอยู่แล้ว มีทิศทางศิลปะที่มันไม่ได้เลือกเอง มีบั๊กฟิสิกส์ที่ปรากฏเฉพาะบนอุปกรณ์ระดับล่าง และมีผู้ตรวจทานที่เป็นมนุษย์ซึ่งปฏิเสธบิลด์ถึงสองครั้ง หากลูปนั้นผ่านสิ่งเหล่านี้ไปได้ รายการเอนจินก็จะเลิกเป็นเพียงข้อความทางการตลาดและกลายเป็นเวิร์กโฟลว์ จนถึงตอนนั้น จุดยืนที่ซื่อสัตย์คือ Qwen4-Max ได้ส่งมอบการสาธิตที่น่าเชื่อถือครั้งแรกว่าโมเดลระดับแนวหน้าสามารถขับเคลื่อนเอนจินเกมและเล่นย้อนผลงานของตัวเองได้ — และปลั๊กอิน Live Delivery ที่เผยแพร่ก่อนกำหนดสองวันภายใต้ Apache-2.0 คือส่วนหนึ่งของเรื่องราวที่คุณตรวจสอบได้ด้วยตัวเองวันนี้
