Một thẻ tiêu đề 16:9 được tạo với dòng chữ 'Qwen4-Max tạo ra các trò chơi có thể chơi được', phụ đề 'Unity, Unreal Engine và Godot - ba bản demo và bộ khung đằng sau chúng', cùng bốn chip bo tròn ghi '3 game engine', 'ngữ cảnh 1.000.000 token', '$1,50 vào / $4,50 ra mỗi 1M' và 'Live Delivery, Apache-2.0'. Logo OrcaRouter ở góc dưới bên phải.
Guides & Insights

Qwen4-Max tạo ra các trò chơi có thể chơi được trong Unreal, Unity và Godot: Ba bản demo và bộ khung đằng sau chúng

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Dòng thú vị nhất trong bài đăng ra mắt Qwen4-Max của Alibaba không phải là một điểm số benchmark. Mà là danh sách các game engine. Qwen4-Max, phát hành ngày 16 tháng 11 năm 2026, được chính đội ngũ của mình ghi nhận là hoạt động "trơn tru" với Unity, Unreal Engine và Godot, và bài đăng kèm ba video về các trò chơi mà họ nói rằng mô hình đã tự xây dựng từ đầu đến cuối: một game phòng thủ theo đợt với pháp sư mèo trong Unreal Engine, một cuộc phiêu lưu bay bằng kiếm trong Unreal Engine, và một game đua xe Hồ Tây trong Unity 6, được cung cấp dưới dạng bản dựng Android có thể cài đặt.

Đó là một kiểu tuyên bố khác với “đạt 48,5% trên Terminal-Bench 4.0”. Một con số benchmark là một phép đo mà người ta có thể chạy lại. Một bản demo game là một sản phẩm bàn giao, và sản phẩm bàn giao chính là bằng chứng: nếu bản build cài được và chơi được, mô hình đã làm được điều gì đó có thật, còn nếu không, thì không lượng văn từ nào sửa được điều đó. Phần khó xử là ba bản build không ở ngay trước mắt bạn. Thứ ở ngay trước mắt bạn là khoảng hai phút video đã biên tập, nên việc làm trung thực ở đây là tách những gì nhà cung cấp đã cho xem khỏi những gì người đọc có thể kiểm chứng, rồi sau đó xem xét cơ chế — vì phần đó đã được ghi lại trong tài liệu, và chính phần đó sẽ quyết định liệu điều này có tổng quát hóa được vượt ra ngoài ba màn trình diễn mẫu hay không.

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.

Ba bản demo, ba engine, một vòng lặp dùng chung

Ba bản demo được nêu tên và ghi rõ thời lượng trong thông báo, điều mà hầu hết bài đăng ra mắt không làm được. "Meow of Magic" dài 52 giây: một cuộc phiêu lưu của mèo pháp sư trên Unreal Engine với niệm phép, lựa chọn nâng cấp và từng đợt kẻ địch lẫn trùm. "Yun Guan Xing" dài 39 giây: một màn bay lượn giả tưởng trên thanh kiếm xuyên qua mây và những vòng tròn, kết thúc bằng một trận trùm. "Flying Racer" dài 20 giây: một game đua xe di động Unity 6 quanh Hồ Tây, có drift, tăng tốc nitro và cánh có thể triển khai, được phát hành dưới dạng trò chơi Android cài được thay vì nguyên mẫu chỉ có video.

Đó là ba API engine khác nhau và ba target build khác nhau, và mô tả của nhà cung cấp về quy trình là giống hệt nhau ở cả ba. Từ một bản mô tả yêu cầu duy nhất bằng ngôn ngữ tự nhiên, Qwen4-Max xử lý việc dựng cảnh, logic gameplay, tích hợp tài nguyên bên ngoài, thiết lập material, thiết kế HUD và hiệu ứng hình ảnh, sau đó chạy game và dùng phản hồi thị giác và tương tác để chỉnh sửa theo dõi camera, hoạt ảnh nhân vật, phản hồi khi trúng đòn, ánh sáng và nhịp độ. Hãy đọc lại danh sách đó, vì thứ tự chính là luận điểm: mô hình không được yêu cầu viết một game rồi hy vọng. Nó được yêu cầu tạo ra một bản build, chơi nó, và sửa những gì nó thấy.

Chưa ai bên ngoài Alibaba tái tạo được bất kỳ phần nào trong số này, và không có kho lưu trữ công khai nào của ba dự án để kiểm tra. Điều có thể nói mà không úp mở thì hẹp hơn nhưng vẫn đáng giá: mô hình được ghi nhận là vận hành bên trong ba engine thực tế thay vì phát ra một mô tả cảnh không phụ thuộc engine, và một trong ba mục tiêu là gói Android có thể cài đặt được, một bước build thất bại ầm ĩ và thường xuyên.

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.'

Phần thực sự mới chính là vòng phản hồi, chứ không phải đoạn mã.

Một mô hình tiên phong viết script Unity thì không còn là tin mới. Các mô hình đã viết mã engine được hai năm rồi, và kiểu thất bại vẫn ổn định suốt thời gian đó: mã biên dịch được, cảnh tải được, và kết quả không thể chơi được theo cách chỉ con người mới nhận ra — camera xuyên qua tường, một cú đánh không tạo ra phản hồi nhìn thấy được, một quỹ đạo nhảy có cảm giác như đi thang máy. Vậy nên câu hỏi thú vị về tuyên bố phát triển game của Qwen4-Max không phải là "liệu nó có viết được C# hay GDScript không" mà là "liệu nó có thể tự mình khép kín vòng lặp đó không".

Thông báo nói rằng nó làm được, và cơ chế mà nó mô tả là một harness chứ không phải năng lực của mô hình: agent chạy bản build, đọc lại phản hồi hình ảnh và tương tác, rồi lặp đi lặp lại trên camera, hoạt ảnh, phản hồi khi trúng đòn, ánh sáng và nhịp độ. Nếu vòng lặp đó là thật, ràng buộc về những gì nó có thể xây dựng chuyển từ khả năng lập trình của mô hình sang chất lượng tín hiệu phản hồi mà nó được cấp — một khung hình đã render và một nhật ký đầu vào là mô tả về "cảm giác này sai" mỏng manh hơn nhiều so với một người chơi thử là người, và tất cả các bản demo đều là những cảnh ngắn, khép kín mà một vòng lặp phản hồi có thể hội tụ một cách hợp lý trong một phiên.

Đây là lập luận tương tự mà nhà cung cấp đưa ra ở chỗ khác trong bài viết dưới một tiêu đề khác, và hai khẳng định nên được đọc cùng nhau. Trong phần tác nhân tầm xa, Alibaba mô tả một cách tiếp cận mà họ gọi là Live Delivery: tác nhân tạo ra một phiên bản đầu tiên dùng được từ sớm, rồi mở rộng nó qua các bản phát hành liên tiếp, cập nhật kế hoạch của mình từ kết quả thực thi và yêu cầu của người dùng, để một người có thể can thiệp vào bất kỳ thời điểm nào nhằm chỉnh hướng đi hoặc hoàn tác sai lầm trước khi toàn bộ quá trình chạy kết thúc. Đối với một trò chơi, điều đó có nghĩa là nhịp bàn giao sản phẩm là các bản dựng có thể chơi được thay vì một bản lưu trữ cuối cùng. Đối với bất kỳ thứ gì khác có quỹ đạo sử dụng công cụ dài, điều đó cũng có nghĩa như vậy.

Blender, và quy trình bắt đầu vượt ra ngoài khung nhìn

Phần mô hình hóa 3D là nửa lặng lẽ hơn của cùng một câu chuyện. Qwen4-Max được ghi nhận là dùng Blender để mô hình hóa hình học, lắp ráp cảnh, thiết lập vật liệu, chiếu sáng và kết xuất, trong các lĩnh vực kiến trúc, nội thất, phong cảnh tự nhiên và cảnh khoa học viễn tưởng — công việc rèn luyện bố cục không gian và cấu trúc đối tượng thay vì thẩm mỹ hình ảnh. Cách nhà cung cấp đặt vấn đề là những tài nguyên này "in practical used in games" và được đưa vào vật thể vật lý thông qua in 3D, đây là một tuyên bố về khả năng tương thích ở hạ nguồn: một tài nguyên có thể in được có hình học nhất quán, lưới kín nước và tỷ lệ thực, còn một tài nguyên thả vào engine trò chơi có pivot và gán vật liệu hợp lý.

Hãy coi đó là một tuyên bố về ý định chứ không phải một pipeline đã được kiểm chứng. Không có asset pack nào được công bố, không có ngân sách polycount, không có báo cáo topology, và không có tuyên bố nào về việc điều gì xảy ra khi một mesh được tạo phải trải qua một lượt retopology hoặc một lần UV unwrap bởi nghệ sĩ con người. Điều mà phần này thực sự xác lập là quy trình làm việc ở cấp độ tệp và cấp độ công cụ: mô hình đang điều khiển một ứng dụng DCC thực và tạo ra thứ mà một game engine nhập vào, chứ không phải tạo ra một bức ảnh về một vật thể 3D. Sự khác biệt đó là điều quan trọng với bất kỳ ai hy vọng đưa nội dung này vào một pipeline nghệ thuật sản xuất, và nó cũng là điều khó làm giả nhất trong một video.

Live Delivery có một kho lưu trữ, điều này khiến nó trở thành phần có thể kiểm tra được.

Hai ngày trước khi mô hình được phát hành chính thức, Alibaba đã mở mã nguồn bộ khung mà họ xây dựng cho mục đích này. Plugin Qwen Live Delivery có trên GitHub theo giấy phép Apache-2.0, được tạo vào ngày 14 tháng 11 năm 2026 và được push lần cuối vào ngày trước khi ra mắt. Nó cung cấp bốn công cụ MCP — ld_begin, ld_publish, ld_status và ld_done — cùng các hook vòng đời, và được cài vào một không gian làm việc bằng một tập lệnh shell. Khi ra mắt, nó chỉ hỗ trợ Codex CLI, chạy trên Linux và macOS, và cần Node.js 22 trở lên. Có một biến môi trường tùy chọn để cấp cho sandbox quyền truy cập đầy đủ vào hệ thống tệp, và một workbench trên trình duyệt để xem xét các bản phát hành.

Đây là sản phẩm hữu ích nhất trong toàn bộ bản phát hành đối với bất kỳ ai đánh giá tuyên bố về phát triển game, vì đây là phần bạn thực sự có thể chạy. Một framework công bố các bản phát hành kế tiếp của một công việc dài hơi đúng là hình thái mà một agent phát triển game cần: mỗi bản build chơi được là một điểm kiểm tra để con người có thể xem xét, và một bước đi sai trong thiết kế màn chơi chỉ tốn một bản phát hành thay vì một lượt chạy. Điều đó cũng có nghĩa phép so sánh thú vị không phải là "mô hình nào viết mã Unreal tốt hơn" mà là "harness của mô hình nào cho phép bạn giám sát công việc", một câu hỏi thực tiễn hơn nhiều và sẽ được giải đáp bằng cách dùng nó, chứ không phải bằng cách đọc một bảng điểm.

Những con số độc lập có thể và không thể cho bạn biết điều gì

Artificial Analysis xếp Qwen4-Max với Chỉ số Trí tuệ 42,89 trên v5.0.1 ở mức nỗ lực suy luận tối đa, so với 33,65 của Qwen3.8-Max trên cùng phiên bản — mức tăng khoảng chín điểm, một bước tiến thế hệ thực sự chứ không phải chênh lệch do làm tròn. Các điểm thành phần phân hóa hơn so với con số tổng quan: Terminal-Bench 4.0 đạt 48,5% so với 38,9%, FrontierCode-AA 2.0 đạt 26,5% so với 23,4%, Terminal-Bench-Science đạt 23,3% so với 11,9%, và HLE-Diamond đạt 44,9%. Với các tác vụ tác nhân, xu hướng này vẫn giữ nguyên — APEX-Agents 59,1%, AutomationBench 72,6% một phần, EnterpriseOps-Gym 48,5%, AnalystAgent 46,3%.

Không có thứ nào trong số đó đo lường việc phát triển game. Không có bảng xếp hạng công khai nào chạy một bản dựng Unreal, kiểm tra xem một scene Unity có tải được hay không, hay chấm điểm một dự án Godot dựa trên việc cú nhảy có cảm giác đúng hay không. Các đại diện gần nhất là benchmark tác tử và terminal, đo lường liệu một mô hình có thể duy trì một quỹ đạo sử dụng công cụ nhiều bước mà không mất mạch hay không — và đó là những điểm số mà Qwen4-Max đạt được nhiều nhất. Vì vậy, cách đọc đúng dữ liệu độc lập là gián tiếp: nó khiến câu chuyện về harness trở nên hợp lý mà không xác nhận một khung hình nào của các bản demo. Artificial Analysis cũng không ghi nhận trọng số mở nào cho mô hình, điều này khớp với tài liệu của nhà cung cấp đánh dấu fine-tuning và triển khai mô hình là không được hỗ trợ.

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.

Bảng thông số kỹ thuật, như được công bố

Tài liệu của chính Alibaba và bài đăng ra mắt, để có những con số mà người mua cần trước khi cam kết một dự án:

• Backbone — 2,4 nghìn tỷ tham số với 71 tỷ tham số được kích hoạt trên mỗi token, cộng với 328 tỷ tham số embedding N-gram, trong thiết kế mixture-of-experts thưa với cơ chế attention lai Gated DeltaNet và một lớp embedding N-gram

• Ngữ cảnh — 1,000,000 token được quảng cáo; tài liệu giới hạn đầu vào tối đa ở 991,808 token trong chế độ không suy nghĩ và 983,616 trong chế độ suy nghĩ

• Đầu ra — tối đa 131.072 token ở chế độ không suy nghĩ; ở chế độ suy nghĩ, dấu vết lập luận và câu trả lời dùng chung tổng cộng 262.144

• Phương thức — đầu vào là văn bản, hình ảnh và video, đầu ra là văn bản; không tạo hình ảnh hoặc video

• Giá — 1,50 đô-la cho đầu vào và 4,50 đô-la cho đầu ra trên mỗi triệu token tại Singapore, 1,413 và 4,24 đô-la ở các khu vực khác, so với Qwen3.8-Max ở mức 2,00 và 6,00 đô-la

Cache — $0.075 mỗi triệu token khi đọc cache tại Singapore, giảm giá 95%, với cache tường minh và ngầm định ở TTL năm phút và một giờ

• Hạn chế — suy luận theo lô, tinh chỉnh và triển khai mô hình đều được liệt kê là không được hỗ trợ, vì vậy không có lối bất đồng bộ rẻ và không có quyền truy cập trọng số

• Giới hạn tốc độ — 30,000 yêu cầu và 5,000,000 token mỗi phút trên toàn cầu, với mức trần token mỗi phút theo khu vực từ 5 đến 20 triệu

Giới hạn đầu ra là dòng cần đọc lại hai lần. Một bản build chơi được không phải là một phản hồi duy nhất; đó là hàng chục lệnh gọi công cụ, mỗi lệnh trả về nội dung tệp và nhật ký build, và mỗi lượt như vậy đều bị giới hạn bởi cùng một ngữ cảnh. Công việc dài hạn với cửa sổ một triệu token chính là loại khối lượng công việc mà một hạn mức đầu ra nhỏ hơn sẽ biến thành nhiều vòng trao đổi hơn.

Chi phí thực sự của một vòng lặp build dài

Các con số chi phí của chính nhà cung cấp được nêu theo từng tác vụ thay vì theo token, và đây mới là đơn vị phù hợp cho kiểu công việc này. Trên Work360, bộ đánh giá nội bộ của Alibaba về các tác vụ chuyên môn trải rộng 26 lĩnh vực cấp một, Qwen4-Max đạt 52,69 điểm so với 47,74 của Qwen3.8-Max, và chi phí trung bình mỗi tác vụ giảm từ 4,43 USD xuống 1,67 USD — tức giảm 62%, có được một phần nhờ hạ giá và một phần nhờ dùng ít token hơn: khoảng 24% và 35% ít hơn trên Work360 ở mức nỗ lực suy luận cực cao và cao, cùng 48% và 49% ít hơn trên Terminal-Bench 4.0. Đó đều là những con số do nhà cung cấp tự báo cáo và chưa được tái lập.

Ước tính độc lập này ít tâng bốc hơn và hữu ích hơn khi dùng làm đầu vào ngân sách. Artificial Analysis đặt chi phí chạy Intelligence Index của chính mình ở mức $3.27 mỗi tác vụ đối với Qwen4-Max, giảm từ $10.02 đối với Qwen3.8-Max trên cùng một harness — mức giảm 67% nhất quán về hướng với tuyên bố của Alibaba, đồng thời lại cho ra một con số tuyệt đối khác, vì hai phép đo chạy các tác vụ khác nhau với mức nỗ lực suy luận khác nhau. Nếu bạn đang lập kế hoạch cho một vòng phát triển trò chơi, $3.27 mỗi tác vụ được đánh giá là con số cần nhân, không phải $1.67, và hệ số nhân là số lượt trong chu kỳ build-and-play của bạn chứ không phải số prompt bạn gõ.

Có một lưu ý về chi phí quan trọng hơn bảng giá cho khối lượng công việc này. Đầu vào được cache có giá 0,075 USD mỗi triệu token, và vòng lặp build là dạng tác vụ lý tưởng cho cache: cùng một tài liệu engine, cùng các tệp dự án, cùng nhật ký lỗi, được đọc đi đọc lại. Một vòng lặp đọc lại ngữ cảnh dự án 200.000 token hai mươi lần chỉ trả 0,30 USD cho đầu vào được cache thay vì 6,00 USD theo mức giá không cache — đó là khác biệt giữa một thử nghiệm bạn để chạy tiếp và một thử nghiệm bạn dừng lại sau ba lần thử.

Thử nó mà không đặt cược cả một pipeline vào đó.

Qwen4-Max hiện có sẵn qua API của chính Alibaba tại sáu khu vực và qua một số nền tảng bên thứ ba; hiện nay nó chưa có trong danh mục của OrcaRouter, nơi 215 mô hình bao gồm Qwen3.8-Max, Qwen3.7-Max và Qwen3-Max nhưng không có thế hệ Qwen4. Điều đó trên thực tế có nghĩa là tháng đánh giá đầu tiên diễn ra trên endpoint riêng của nhà cung cấp, với một khóa có hạn mức chi tiêu, và rằng một bộ khung kiểm thử bạn xây dựng dựa trên một endpoint tương thích OpenAI sẽ chuyển được mà không cần thay đổi mã nếu mô hình đó xuất hiện.

Hai điều khiến lần thử nghiệm đó ít tốn kém hơn. Thứ nhất là cơ chế chuyển đổi dự phòng: một mô hình mới đến vậy, đảm nhận công việc chạy dài đến thế, sẽ vấp phải giới hạn tần suất và hết thời gian chờ, và chuyển đổi dự phòng tự động sang endpoint thứ hai biến một vòng lặp build chết thành một vòng lặp chậm hơn. Thứ hai là quy tắc giá chuyển tiếp — OrcaRouter tính theo giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, nên khi nhà cung cấp cắt giảm giá, mức giảm có hiệu lực ở phía chúng ta ngay trong ngày thay vì vào lần gia hạn hợp đồng tiếp theo. Không tuyên bố nào trong hai điều đó phụ thuộc vào việc tự lưu trữ mô hình đang được đề cập, và cũng không điều nào đáng để giả vờ là ngược lại.

Một hình thức thực tế cho việc đánh giá: hãy đưa cho mô hình một thứ nhỏ, hoàn chỉnh — một cảnh chơi được duy nhất với một cơ chế, một camera và một điều kiện thắng — rồi quan sát nó làm gì qua ba bản phát hành chơi được liên tiếp thay vì chỉ một bản. Điều đang được kiểm chứng không phải là liệu nó có thể tạo ra một trò chơi hay không. Mà là liệu bản phát hành thứ hai và thứ ba có tốt hơn bản đầu tiên hay không, vì đó là phần duy nhất của vòng lặp mà một benchmark không thể đo được và một video demo không thể thể hiện được.

Câu hỏi còn bỏ ngỏ

Cách Alibaba định vị Qwen4-Max là một mô hình sẽ tiếp tục hoạt động trong khi bạn không theo dõi, và các bản demo phát triển game là bằng chứng rõ ràng nhất cho ý tưởng đó mà họ có thể chọn: game mang tính thị giác, có tính tương tác và thất bại theo những cách ai cũng nhìn thấy. Ba cảnh ngắn trên ba engine là một lập luận mở đầu mạnh mẽ nhưng lại là minh chứng yếu cho độ bền bỉ — các màn chơi nhỏ, mỗi lượt chạy chỉ kéo dài vài phút, và tiêu chí nghiệm thu do chính nhóm tạo ra chúng đặt.

Điều có thể định đoạt được nó thì chẳng hào nhoáng gì. Một dự án với codebase sẵn có, một hướng nghệ thuật mà nó không tự chọn, một lỗi vật lý chỉ xuất hiện trên thiết bị cấu hình thấp, và một người đánh giá là con người từ chối bản build hai lần. Nếu vòng lặp ấy sống sót qua được điều đó, danh sách engine sẽ thôi là một chiêu marketing và trở thành một quy trình làm việc. Cho đến lúc đó, vị thế trung thực là Qwen4-Max đã tung ra minh chứng đáng tin cậy đầu tiên rằng một mô hình tiên phong có thể điều khiển một game engine và phát lại chính công việc của nó — và plugin Live Delivery, được phát hành sớm hai ngày theo Apache-2.0, là phần của câu chuyện mà bạn có thể tự kiểm chứng ngay hôm nay.