一张生成的标题卡,文字为“Qwen4-Max 被称为 Opus 5.5 的击败者”,副标题为“该指数显示其落后 16 分”,另有三张数据卡,分别写着“指数上 43 对 59”“每项任务 $3.27 对 $1.27”和“每项任务耗时:未公布”。页脚写着“指数、每项任务成本与每项任务耗时依据 Artificial Analysis Intelligence Index v5.0.1,查阅于 2026 年 11 月 16 日。”白色背景上的扁平矢量风格,配有蓝青色渐变点缀,OrcaRouter 标志合成在右下角。
Guides & Insights

Qwen4-Max 曾被称为 Opus 5.5 的击败者:该指数却显示它落后 16 分

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

发布当天的结论是:Qwen4-Max 击败了 Claude Opus 5.5、GPT-6.1 Sol 和 GPT-6 Astra,仅落后于 Claude Fable 5.2。但在唯一一个让全部五个模型跑完同样九项评测的榜单上,这四个比较中有三个结果正好相反。于 2026 年 11 月 16 日——Qwen4-Max 开售当天——读取的 Artificial Analysis Intelligence Index v5.0.1 显示:Qwen4-Max 为 43 分,Claude Opus 5.5 为 59 分,GPT-6 Astra 为 57 分,GPT-6.1 Sol 为 55 分,Claude Fable 5.2 为 65 分。它比据称被自己击败的那款模型低 16 分,比三者中第二便宜的那款低 14 分,比第三款低 12 分。第四个比较——也就是 Fable 5.2 领先的那个——是这一说法中唯一经得起该评测框架检验的部分。

这个差距值得拆开审视,而不是置之不理,因为这个说法并非凭空编造。它来自这样一种情况:比较是用彼此不匹配的推理投入设置拼凑出来的,而且这种错配每次都恰好朝同一个方向偏。下面列出:阿里巴巴实际发布了什么,记分板在每一把梯子的每一级上显示什么,哪一种解读能让该说法字面成立,以及追踪器对 Qwen4-Max 完全没有的那个数字。

阿里巴巴公布了什么,以及没有公布什么

首先要区分的是厂商的发布材料与围绕它的评论。Alibaba 自己的 Qwen4-Max 博客文章发布于 2026 年 11 月 16 日,在其 3,100 词中没有任何地方点名提及任何竞争模型。其中所有比较都是针对公司自己上一代旗舰 Qwen3.8-Max。这对发布文章来说是正常做法,并非批评——但这意味着竞争性框架并非来自厂商,而任何流传中的“超越 Opus”说法都是别人推断出来的。

供应商确实声称的内容,全部由供应商自行报告且未经复现:

• 架构——基于全新 Qwen4 架构的 2.4 万亿参数骨干,原生支持视觉,并具备一百万 token 的上下文窗口。

• 与 Qwen3.8-Max 相比的 token 效率——在阿里巴巴的 Work360 基准测试中,Xhigh 努力级别下 token 数减少 24%,High 级别下减少 35%;在 Terminal-Bench 4.0 上分别减少 48% 和 49%。

• 相较于 Qwen3.8-Max,每项任务成本平均从 $4.43 降至 $1.67,降幅达 62%,其中缓存输入定价的降幅最大。

• Work360 得分 — 52.69,对比 Qwen3.8-Max 的 47.74。

这些都不是跨实验室比较,也无法对照竞争对手公布的数据进行核验,因为它们是在厂商自行评分的基准上测得的。独立数值则在同一天从另一个方向出现。

独立测试框架读取的内容

Artificial Analysis v5.0.1 是一个由九项评估组成的复合指标——AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 Hard Subset 和 Terminal-Bench-Science 0.1——由追踪器而非实验室运行。在该指标上,Qwen4-Max 的 43 分在 81 个模型中位列第 38 名,略高于 41 的领域中位数。对于第一代架构而言,这是一个相当不错的首次亮相。它并非领先者,而排在它前面的四个模型都领先于它:

• Claude Opus 5.5 — Max 档 59,Xhigh 档 57,High 档 52,Medium 档 48,Low 档 35。发布于 2026 年 9 月 22 日。

• GPT-6 Astra — Max 档 57,Xhigh 档 55,High 档 55,Medium 档 52,Low 档 43。2026 年 9 月 3 日发布,知识截止日期为 2026 年 4 月。

• GPT-6.1 Sol — Max 档 55,Xhigh 档 52,High 档 50,Medium 档 46,Low 档 35。发布于 2026 年 9 月 29 日。

• Claude Fable 5.2 — Max 档 65 分,Xhigh 档 62 分,High 档 62 分,Medium 档 56 分,Low 档 54 分。发布于 2026 年 11 月 9 日。

• Qwen4-Max — 43,以单一数值发布,未提供按投入力度划分的分级阶梯。发布于2026年11月16日。

最后那处不对称才是关键所在。Qwen4-Max 是一个推理模型,而该追踪器在五个不同的推理设置下给它的竞争对手打分,却只在一个设置下给 Qwen4-Max 打分。产生 43 的那个设置,正被拿来与 Opus 5.5、Astra 和 Sol 的最强设置相比,而追踪器并未告诉你它下方还有多少余量。因此,“43 对 59”并不是对两个模型上限的同类比较——它是 Qwen4-Max 唯一被测量的设置对阵 Opus 5.5 的最佳设置。

使该主张成立的那一种解读

向下读这些阶梯,这个说法就不再是错的,而开始变得有误导性了,这是一种更有趣的失败。Qwen4-Max 的 43 分并非被每个对手的每一级击败。它在四者中的三个里超过或追平了最低一级:

• 对阵 Claude Opus 5.5 时——43 分以八分优势胜过 Low 设置的 35 分,却以五分差距不敌 Medium 的 48 分。交叉点落在 Low 与 Medium 之间。

• 对阵 GPT-6 Astra——43 与 Astra 的 Low 设置 43 完全持平,并以 9 分之差负于 Medium 的 52。

• 对阵 GPT-6.1 Sol——43 分以八分优势击败 Sol 的 Low 设置 35 分,但以三分之差输给 Medium 的 46 分。这是整个榜单上最难分胜负的一项。

• 对阵 Claude Fable 5.2——43 分不敌其每一档,包括低档设置的 54 分,落后十一分。Qwen4-Max 达不到 Fable 5.2 的任何设置。

因此,如果让 Qwen4-Max 与以 Low effort 运行的竞争对手进行比较,就会恰好得出报告中 Opus 5.5 和 Sol 的排序、与 Astra 持平或更优的结果,以及输给 Fable 5.2 的结果。这是一组连贯且自洽的结果,而且在这个评测框架上,它是唯一能产生当前流传排序的结果组合。无论有人是刻意拼凑出这一结果,还是通过将默认配置与最低设置进行比较而得到它,算术结果都落在那里。

实际影响才是关键所在——对任何阅读发布讨论帖、而不是盯着排行榜的人来说:在同等推理投入下,Qwen4-Max 大致落后 GPT-6.1 Sol 一档,落后 Claude Opus 5.5 两档。这是一次真正有竞争力的首次亮相。它并未领先,也远谈不上“超越”的表述。

A generated two-column scoreboard titled 'Qwen4-Max vs Claude Opus 5.5 — the scoreboard'. The Qwen4-Max column reads 'Index at Max effort: 43', 'Lowest published effort: 43, single score', 'Blended price: $0.80 per million', 'Cost per index task: $3.27', 'Time per task: not published', 'Context window: 984k'. The Claude Opus 5.5 column reads 'Index at Max effort: 59', 'Lowest published effort: 35 at Low', 'Blended price: $2.94 per million', 'Cost per index task: $10.04', 'Time per task: 24.9 minutes', 'Context window: 1M'. A footer reads 'Index, per-task cost and time per task per Artificial Analysis v5.0.1, read 16 November 2026; prices per vendor cards.'

每任务成本将两项主张与一项主张区分开来

能力只达到发布时宣传所称的一半,而在成本方面,形势对 Qwen4-Max 更有利——三款模型中有两款如此,第三款则不然。

• 标价——Qwen4-Max 为每百万输入 $1.50、每百万输出 $4.50,享有 95% 缓存折扣,混合费率为每百万 $0.80。该混合费率是这里全部五款模型中最低的:GPT-6.1 Sol 为 $1.47,Claude Opus 5.5 为 $2.94,Claude Fable 5.2 为 $5.74,GPT-6 Astra 为 $7.70。

• 每项已完成任务的成本 — Claude Fable 5.2 26.54 美元,Claude Opus 5.5 10.04 美元,GPT-6 Astra 6.24 美元,Qwen4-Max 3.27 美元,GPT-6.1 Sol 1.27 美元。均为各模型的 Max 设置。

• 反转——Qwen4-Max 拥有榜单上最低的混合费率,任务成本也位列第三低。其每任务成本仅为 Claude Opus 5.5 的三分之一,约为 GPT-6 Astra 的二分之一,但却是 GPT-6.1 Sol 的 2.6 倍。

机制就是冗长性,而追踪器会直接衡量它:Qwen4-Max 在完成该索引时生成了 1.27 亿个输出 token,而同类中位数为 7860 万,因此它被归类为非常冗长。一个比中位数多写 60% 的模型,会把它的费率优势花在这上面。阿里巴巴自己给出的 24% 到 35% 的 token 削减数字,是相对于 Qwen3.8-Max 的真实改进,但并不能说明该模型在绝对意义上有多冗长,而账单上体现的正是这个数字。

因此,该说法中关于成本的那一半可以清晰地拆分开来。“比 Opus 5.5 和 Astra 运行成本更低”按任务计算是成立的,而且优势很大,也是本文中对 Qwen4-Max 最有力的论点。“比 GPT-6.1 Sol 更便宜”按任务计算并不成立,差距达 2.6 倍,尽管 Qwen4-Max 的混合费率低 46%。任何依据价目表做预算、却在账单上得到相反结果的人,都发现了同一个差距。

追踪器没有的数字

Qwen4-Max 页面上有一列是空的,这种情况值得特别指出。Artificial Analysis 为它在此列出的每个模型都报告了每个任务的耗时——Claude Opus 5.5 在 Max 上为 24.9 分钟,GPT-6 Astra 为 20.9,GPT-6.1 Sol 为 22.9,Claude Fable 5.2 为 41.8——但对 Qwen4-Max 报告为 N/A,并在计时图表上标注“No publicly available API”。

在根据那条注释下结论之前,请仔细阅读它,因为它并不是在说该模型无法被调用。阿里巴巴公布了 Qwen4-Max 的按 token 计价价格,其发布帖称 API 价格相对 Qwen3.8-Max 有所下调,而该追踪器本身将阿里云列为该模型的提供商,并给出每任务 3.27 美元的成本。一个有价目表、有提供商且有实测每任务成本的模型就有 API。更可能的解读是,通过追踪器所使用的某种路径无法获得计时测量结果,而页面并未说明是哪条路径。同一页面上追踪器自己的 FAQ 说该模型“可通过 1 家提供商经 API 使用”,这也与图表注释不一致。

在这种模糊性中仍然成立的部分更窄,但仍然有用:Qwen4-Max 发布当天没有独立的延迟数据,而与之比较的每个模型都有。如果你的工作负载对延迟敏感,你就是在根据一个尚未有人公布的数字做选择,而诚实的做法是在将生产路径投入之前自行测量它。

A headless-browser screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026 in English, showing the Alibaba proprietary-model header with 'Released November 2026', the rank badges Intelligence #38/81, Performance Cost #44/80 and Verbosity #65/80, the price block reading In $1.50, Out $4.50 and Cache 95%, the $3.27 per intelligence index task figure, the 127M output-token count, the summary prose noting a score of 43 against a median of 41, and a technical specification block reading Reasoning Yes, Input modality Text+Image, Output modality Text and Context window 984k.

发布声明中哪些说法站得住脚

流传中的三项事实性断言经核实属实,值得直截了当地说明,因为只做减法的断言核查不算核查:

• 上下文窗口——宣称达到 100 万 token,而追踪器实测为 984,000。这是一款真正的百万 token 模型,而非四舍五入夸大的 200K。

• 原生视觉——该追踪器记录文本和图像输入并输出文本,这与供应商所说的“原生视觉”描述相符,而不是在文本模型上外挂一个附加编码器。

• 降价——每百万分别为 1.50 美元和 4.50 美元,相较 Qwen3.8-Max 更高的价目表,并且在此比较的五款模型中混合费率最低。定价故事的走向没有争议。

经不起推敲的是排名,而排名正是被重复得最多的部分。

发布当天该怎么处理这个

面对这样的模型,有用的做法不是在这场争论中选边站,而是让这个选项保持低代价。Qwen4-Max 是第一代架构,单位价格确实很低,独立评分处于中游,且没有延迟数据——这样的特征适合先试用,而不适合迁移。

这正是路由的用途。Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 和 Claude Fable 5.2 全部在 OrcaRouter 上按各厂商标价、以 0% 加价路由,因此厂商费率变动当天即生效,上文的按任务计算也无需第二份合同或更改 SDK 就能保持最新。Qwen4-Max 并未在 OrcaRouter 上路由——它可通过阿里巴巴自家的 Model Studio API 以及若干第三方平台访问,本文不会假装不是这样。在这种情况下,路由带来的是对比上的便利:作为其对比基准的四个模型都位于一个密钥覆盖 200 多个模型之后,因此将 Qwen4-Max 与它们做基准测试,只是围栏一侧的配置变更,而不是双方都需采购。

而如果 Qwen4-Max 确实赢得一席之地,自动故障转移正是让未经测量的模型能够安全投入实时路径的关键——请求会回退到你有延迟数据的模型,而不是在新模型如缺失的时序数据所暗示的那样变慢或不可用时失败。

A headless-browser screenshot of the OrcaRouter model page for anthropic/claude-opus-5.5, captured 16 November 2026 in English, showing the FLAGSHIP and ZDR badges, the Claude Opus 5.5 heading with its identifier, the Anthropic attribution and 'Public benchmarks by Anthropic · 2026-09-22' line, Vision, Tools, JSON and Reasoning capability badges, a p50 time to first token of 7.98 s, a zero-data-retention availability note, the description placing it as Anthropic's flagship for reasoning, coding and long-horizon agentic work with a 1M-token context, the /v1/chat/completions and /v1/messages endpoints, and the price block reading $4.00 input and $20.00 output per million tokens.

发布当天的说法是,一个廉价的中国模型已经超越了 compatto美国的两款旗舰。评测框架实际显示的却是一个定价合理的模型,比它们中最便宜的低一档,比最好的低两档;它具备真实的视觉能力、真实的百万 token 窗口,却没有公布速度。这个产品比那种说法听起来更好,排名却更差,而这两者之间的差距,恰恰就是一条讨论帖和一块记分牌之间的距离。

本文中的对比2

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新