
Qwen4-Max 在 Unreal、Unity 和 Godot 中构建可玩游戏:三个演示及其背后的评测框架
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0717 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 87 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 133 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百万 tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 219 tok/s
阿里巴巴为 Qwen4-Max 发布的博文中最有意思的一行并不是基准测试分数,而是一串游戏引擎名单。Qwen4-Max 于 2026 年 11 月 16 日发布,其团队自己的文档称它可与 Unity、Unreal Engine 和 Godot“流畅”配合工作;该博文还附有三段视频,展示其称由该模型端到端构建的游戏:一款在 Unreal Engine 中制作的猫法师波次防御游戏、一款在 Unreal Engine 中制作的御剑飞行冒险游戏,以及一款在 Unity 6 中制作的西湖赛车游戏,并以可安装的 Android 构建版本交付。
这与“在 Terminal-Bench 4.0 上得分 48.5%”是不同类型的主张。基准测试分数是一种别人可以重新运行的测量结果。游戏演示则是一项交付成果,而交付成果本身就是证据:如果构建版本能安装并游玩,模型就确实做出了真实的东西;如果不能,再多的文字说明也无法弥补。棘手之处在于,这三个构建版本并不在你面前。摆在你面前的只是大约两分钟经过剪辑的视频,因此这里要做的诚实工作,是区分厂商展示了什么与读者能验证什么,然后再看机制——因为这部分是有文档记录的,而正是这部分将决定它能否推广到三个展示关卡之外。

三个演示,三个引擎,一个共享循环
公告中公布了三款演示的名称和时长,这比大多数发布帖提供的信息更多。“Meow of Magic”时长52秒:一款Unreal Engine猫法师冒险游戏,包含法术施放、升级选择以及一波波敌人与Boss。“Yun Guan Xing”时长39秒:一段御剑穿越云层和圆环的奇幻飞行片段,最后以Boss战收尾。“Flying Racer”时长20秒:一款围绕西湖的Unity 6移动端赛车游戏,包含漂移、氮气加速和可展开机翼,以可安装的Android游戏形式发布,而非仅视频原型。
那是三种不同的引擎 API 和三个不同的构建目标,而供应商对工作流的描述在三者上完全相同。仅凭一份自然语言简报,Qwen4-Max 便处理场景构建、玩法逻辑、外部资源集成、材质设置、HUD 设计与视觉效果,然后运行游戏,并利用视觉与交互反馈来修正镜头跟踪、角色动画、打击反馈、光照与节奏。再读一遍那份清单,因为顺序本身就是主张:模型不是被要求写一个游戏然后碰运气。它被要求产出一个构建、试玩它,并纠正它所看到的问题。
目前,阿里巴巴之外还没有任何人复现过其中的任何一项,而且这三个项目也没有可供查阅的公开代码仓库。可以不加保留地说出口的结论范围更窄,但仍然有一定价值:文档记载该模型是在三个真实引擎内部运行的,而不是输出一段与引擎无关的场景描述;并且这三个目标之一是可安装的 Android 包,而这一构建步骤往往会大声报错、且经常失败。

真正新颖的部分是反馈循环,而不是代码。
一个前沿模型写 Unity 脚本算不上新闻。模型写引擎代码已经写了两年,而失效模式一直很稳定:代码能编译,场景能加载,但结果却以一种只有人类才会注意到的方式变得不可玩——摄像机会穿墙,命中没有可见反馈,跳跃弧线感觉像在坐电梯。因此,关于 Qwen4-Max 游戏开发能力主张的有趣问题不是“它能不能写 C# 或 GDScript”,而是“它能不能自己闭环”。
公告称确实如此,而它描述的机制是一个执行框架,而非模型能力:智能体运行构建,读取视觉和交互反馈,并围绕相机、动画、命中反馈、光照和节奏进行迭代。如果这个循环是真实的,那么对它所能构建内容的限制,就从模型的编码能力转移到了它所获得的反馈信号的质量——与人类试玩员相比,一帧渲染画面和一份输入日志对“这感觉不对”的描述要单薄得多,而且这些演示都是简短、自包含的场景,反馈循环有可能在一次会话内收敛。
这是该厂商在文中另一处不同标题下提出的同一论点,这两种说法应结合起来读。在长时程智能体一节中,Alibaba 描述了一种它称为 Live Delivery 的方法:智能体尽早产出一个可用的初版,然后通过连续发布逐步扩展,并根据执行结果和用户需求更新计划,这样人们可以在整个运行结束前的任何时刻介入,纠正方向或撤销错误。对于游戏而言,这意味着交付节奏是可玩构建,而不是一个最终归档包。对于任何其他具有长工具使用轨迹的任务,道理也是如此。
Blender,以及始于视口之外的管线
3D建模部分是同一故事中更安静的那一半。Qwen4-Max 被记录为使用 Blender 进行几何建模、场景组装、材质设置、灯光和渲染,涵盖建筑、室内、自然景观和科幻场景——这些工作锻炼的是空间布局和对象结构,而非图像美学。厂商的表述是,这些资产“实际上已用于游戏”,并通过3D打印转化为实体物件,这关乎下游兼容性:能够打印的资产具有一致的几何结构、水密网格和真实比例,而能够直接放入游戏引擎的资产则具有合理的枢轴点和材质分配。
请把这当作一种意图声明,而不是一条已经验证过的流程。没有公开的资产包,没有面数预算,没有拓扑报告,也没有说明当生成的网格必须经受人工美术师的重拓扑处理或 UV 展开时会发生什么。这一节确实确立的是,该工作流处在文件层面和工具层面:模型是在驱动一个真实的 DCC 应用程序,并产出游戏引擎可以导入的东西,而不是生成一张 3D 物体的图片。对于任何希望把它纳入生产美术管线的人来说,这一区别才是关键,而且它也是在视频中最难伪造的一点。
Live Delivery 有一个存储库,这使它成为可核查的部分。
在该模型正式发布前两天,阿里巴巴开源了为此构建的测试框架。Qwen Live Delivery 插件以 Apache-2.0 许可托管在 GitHub 上,创建于 2026 年 11 月 14 日,最后一次推送是在发布前一天。它对外提供四个 MCP 工具——ld_begin、ld_publish、ld_status 和 ld_done——以及生命周期钩子,并可通过 shell 脚本安装到工作区中。发布时它仅支持 Codex CLI,运行于 Linux 和 macOS,且需要 Node.js 22 或更高版本。有一个可选择启用的环境变量,用于为沙箱授予完整的文件系统访问权限;还有一个用于审阅发布的浏览器工作台。
在整个发布内容里,对任何想评估"游戏开发"这一说法的人来说,这是最有用的一件产物,因为它是你真正能跑起来的那部分。一个把长时运行的任务以一次次发布的形式产出成品的框架,正是游戏开发智能体所需要的形态:每个可玩的构建都是一个可供人检查的检查点,关卡设计上走错一步,代价是一次发布,而不是一整轮运行。这也意味着,真正值得比较的不是"哪个模型写的虚幻引擎代码更好",而是"哪个模型的执行框架能让你监督这项工作"——这是个实际得多的问题,而且要靠实际用起来才能定论,而不是靠读排行榜。
独立数字能告诉你什么、不能告诉你什么
Artificial Analysis 列出 Qwen4-Max 在 v5.0.1 上以最大推理强度运行时,Intelligence Index 为 42.89;而同一版本的 Qwen3.8-Max 为 33.65。这意味着大约九分的提升,是真正的代际跨越,而不是四舍五入造成的差异。各子项得分比总体得分更参差:Terminal-Bench 4.0 为 48.5% 对 38.9%,FrontierCode-AA 2.0 为 26.5% 对 23.4%,Terminal-Bench-Science 为 23.3% 对 11.9%,HLE-Diamond 为 44.9%。在智能体任务上,这一模式依然成立:APEX-Agents 59.1%,AutomationBench 72.6%(部分),EnterpriseOps-Gym 48.5%,AnalystAgent 46.3%。
这些都没有衡量游戏开发。没有任何公开排行榜会执行 Unreal 构建、检查 Unity 场景能否加载,或根据跳跃手感是否合适来给 Godot 项目评分。最接近的替代指标是智能体基准和终端基准,它们衡量的是模型能否在不偏离主线的情况下,维持一条多步骤、使用工具的轨迹——而 Qwen4-Max 提升最大的正是这些分数。因此,对独立数据的正确解读是间接的:它让关于测试框架的说法显得可信,却没有证实演示中的任何一帧。Artificial Analysis 也没有记录该模型的开放权重,这与供应商文档将微调和模型部署标记为不支持相符。

已发布的规格表
阿里巴巴自己的文档和发布文章,旨在提供买家在投入项目之前所需的数字:
• Backbone — 2.4 万亿参数,每个 token 激活 710 亿参数,另有 3280 亿 N-gram 嵌入参数,采用稀疏混合专家设计,结合 Gated DeltaNet 混合注意力与 N-gram 嵌入层
• 上下文 — 宣称支持 1,000,000 个 token;文档规定非思考模式下的最大输入上限为 991,808 个 token,思考模式下为 983,616 个 token
• 输出 — 非思考模式下最多 131,072 个 token;思考模式下,推理轨迹与答案合计共享 262,144 个 token
• 模态 — 输入文本、图像和视频,输出文本;不生成图像或视频
• 价格 — 在新加坡,输入每百万 token 为 $1.50、输出为 $4.50,其他地区则为 $1.413 和 $4.24,而 Qwen3.8-Max 为 $2.00 和 $6.00
• 缓存 — 在新加坡进行缓存读取时,每百万个 token 收费 $0.075,即 95% 的折扣,并支持 TTL 为五分钟和一小时的显式缓存与隐式缓存
• 限制 — 批量推理、微调和模型部署均被列为不支持,因此既没有低成本的异步途径,也无法获取权重
• 速率限制——全球每分钟 30,000 次请求和 5,000,000 个 token,区域每分钟 token 上限介于 500 万到 2000 万之间
输出上限是值得读两遍的那句话。一个可玩的构建不是一次响应;而是数十次工具调用,每次返回文件内容和构建日志,而每一个这样的轮次都受同一个上下文限制。在百万 token 的窗口下进行长周期工作,正是较小的输出预算会转化为更多往返轮次的那种工作负载。
漫长的构建循环究竟要付出多大代价
供应商自己的成本数据是按任务而非按 token 给出的,而对这类工作来说,按任务才是正确的计量单位。在 Work360 上——这是阿里巴巴涵盖 26 个一级领域的专业任务内部基准——Qwen4-Max 得分为 52.69,而 Qwen3.8-Max 为 47.74;每任务平均成本从 4.43 美元降至 1.67 美元——降幅达 62%,部分来自降价,部分来自使用更少 token:在 Work360 上,超高和高推理强度下分别减少约 24% 和 35%,在 Terminal-Bench 4.0 上分别减少 48% 和 49%。这些数据由供应商报告,未经复现。
独立估算没那么好看,但作为预算输入更有用。Artificial Analysis 估计,在同一测试框架上,Qwen4-Max 运行其自有 Intelligence Index 的成本为每项任务 3.27 美元,低于 Qwen3.8-Max 的 10.02 美元——67% 的降幅在方向上与阿里巴巴的说法一致,但绝对数字不同,因为这两次测量运行的是不同任务、不同推理强度。如果你在规划一个游戏开发循环,要乘的数字是每项被评估任务的 3.27 美元,而不是 1.67 美元,而且乘数是你构建—试玩循环中的轮数,而不是你输入的提示词数量。
还有一条成本说明,对这类工作负载而言比价目表更重要。缓存输入为每百万 token 0.075 美元,而构建循环正是理想的缓存工作负载:相同的引擎文档、相同的项目文件、相同的错误日志,被一遍又一遍地读取。一个会反复读取 200,000 token 项目上下文 20 次的循环,在缓存输入上只需支付 0.30 美元,而不是按未缓存费率支付 6.00 美元,这正是让一个实验可以一直跑下去,还是试三次就停下来的差别。
在不把整条流水线押上去的情况下试用它
Qwen4-Max 可通过阿里巴巴自有 API 在六个区域使用,也可通过若干第三方平台使用;它目前不在 OrcaRouter 的目录中,该目录的 215 个模型包括 Qwen3.8-Max、Qwen3.7-Max 和 Qwen3-Max,但不包括 Qwen4 代。实际意味着,第一个月的评估会在供应商自己的端点上进行,使用设有支出上限的密钥;而你针对一个 OpenAI 兼容端点构建的评测框架,如果该模型确实出现,将无需更改代码即可迁移。
有两件事能让那次试用更便宜。第一是故障转移:一个如此新的模型、执行如此长时间运行的工作,会遇到速率限制和超时,而自动故障转移到第二个端点,会把停摆的构建循环变成更慢的循环。第二是透传价格规则——OrcaRouter 按提供商的标价计费,不加价,因此当供应商下调费率时,该降价当天就在我们这边生效,而不是等到下一次合同续约。这两项说法都不取决于是否托管相关模型,而且两者都不值得假装并非如此。
一种实用的评估形式是:给模型一个小的、完整的东西——一个可玩场景,包含一个机制、一个相机和一个胜利条件——然后观察它在连续三个可玩版本中而非一个版本中的表现。受检验的命题不是它能否产出一个游戏,而是第二个和第三个版本是否比第一个更好,因为这是循环中唯一基准测试无法衡量、演示视频也无法展示的部分。
悬而未决的问题
阿里巴巴对 Qwen4-Max 的定位是:一个在你无需盯着时仍能持续工作的模型;而游戏开发演示则是它为这一理念所能选出的最清晰有力的证明:游戏是视觉化的、可交互的,而且失败方式任何人都看得见。三个引擎中的三个短场景是有力的开场论证,却是对耐久性的薄弱展示——关卡很小,运行时长只有几分钟,验收标准还是由制作这些演示的团队自己设定的。
真正能定论的,并不怎么光鲜。一个已有代码库的项目,一套并非自己选择的艺术方向,一个只在低端设备上出现的物理 bug,以及一位两次否决构建的人类评审。如果这个循环能扛住这些,引擎清单就不再是一句营销话术,而会变成一套工作流。在此之前,诚实的说法是:Qwen4-Max 已经拿出了第一个可信的演示——前沿模型能够驱动游戏引擎,并回放自己的工作——而提前两天以 Apache-2.0 发布的 Live Delivery 插件,才是这个故事里你今天就能亲自核查的部分。
