一张标题卡上写着 Qwen4-Max,专为真实世界的工作打造,并配有这样一行文字:在 Intelligence Index 任务上每题耗时 32.3 分钟,而该领域的中位数为 12.4 分钟。
Guides & Insights

Qwen4-Max 专为现实工作打造。现实世界的计时显示:每项任务耗时 32 分钟。

作者

Gideon Frost

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

Qwen4-Max 本周正以“为真实工作而生”为卖点进行宣传,宣传发生在一家第三方平台上;该平台于 11 月 18 日上架了这款模型,也就是在 A​libaba 将其全面开售两天后。Qwen4-Max 于 2026 年 11 月 16 日发布,而该平台的上架信息没有带来任何新权重、任何新的上下文数值,也没有任何新价格——只有一个口号和一个按钮。这个口号恰好是人们对这款模型提出的所有说法中最容易被检验的一个,因为真实工作不是基准分数。它是一项必须在预算内、在有人等着它的时候完成的任务。在唯一一个恰好对这件事计时的公开榜单上,Qwen4-Max 完成一项 Intelligence Index 任务需要 32.3 分钟。该领域的中位数是 12.4。它自己的前代 Qwen3.8-Max 则需要 47.4。

这就是该结论的大致轮廓,而且并不算坏。Qwen4-Max 比它所取代的模型快三分之一,在同一指数上高 19 分,并且它以每 token 约便宜四分之一的计价方式完成额外的思考。时间因素改变的是谁该选择它。一个每个任务要花半小时的模型,不是你直接放在聊天框背后、或放进二十步智能体循环里的模型——除非你有意决定自己承担得起这段实际耗时。本文讲的就是这个决定,以及驱动它的三个数字——每任务分钟数、每任务 token 数,以及唯一一个实际被测量过的推理力度档位。

一句指向延迟而非排行榜的口号

旗舰产品的发布文案通常争论的是能力。这一篇争论的是工作,这悄然把问题从“有多聪明”转向“要多久”和“要花多少”。这些是不同的问题,答案也不同,而厂商自己的材料对第一个问题的回答远好于第二个。

阿里巴巴对 Qwen4-Max 公布的宣称都围绕效率,而且全都取决于一个 effort 设置。在厂商自家的 Work360 套件上,该模型得分为 52.69,而 Qwen3.8-Max 为 47.74;同时在 Xhigh effort 下生成的 token 少 24%,在 High 下少 35%。在 Terminal-Bench 4.0 上,同样这两个设置下的 token 减少量分别为 48% 和 49%,而 Work360 上每任务平均成本从 $4.43 降至 $1.67。上述每一个数字均由厂商报告,均未经过独立复现,而且每一个都与你必须选择的 effort 水平绑定。最后这个细节不是脚注。正因如此,不能在没有附加说明的情况下把独立计时那一行读作“模型的速度”。

独立行,直白地说

Artificial Analysis 在 Intelligence Index v5.0.1 上以 Xhigh 档位(即其三档调节中的最高档)对 Qwen4-Max 进行了测评,并在公布得分的同时发布了完整的成本与速度面板。实时读取于 2026 年 11 月 18 日:

• 智能指数 — Qwen4-Max 为 43,而 GPT-6.2 Astra 为 62,Qwen3.8-Max(0902)为 34

• 每项任务的墙钟时间 — 32.3 分钟,而同类模型的中位数为 12.4;Qwen3.8-Max 用时 47.4

• 每次索引运行的输出 token 数 — 1.27 亿,而该领域的中位数为 6510 万

• 输出速度——每秒 54 个 token,在阿里巴巴自有端点上测得

• 首个回答令牌耗时 — 148.57 秒

• 每个索引任务成本 — 3.27 美元,相较之下 Qwen3.8-Max 为 10.02 美元

• 宣传的上下文——据跟踪器测量为 984,000 个 token,而阿里巴巴文档中为 1,000,000 个

有意思的是前两项。43 分是个平庸的分数,榜单也这么说——它把这款模型描述为在同类模型中低于平均水平,而中位数同样是 43,所以 Qwen4-Max 正好卡在这条线上。与此同时,32.3 分钟对 12.4 分钟的中位数并不算平庸;这接近参评模型的三倍。能力落在了平均水平,而获取它的成本落在了尾部。

A single-column scoreboard for Qwen4-Max: Intelligence Index 43, wall clock per task 32.3 minutes, 127 million output tokens per run, 54 tokens per second, 984k context window, and $3.27 cost per index task, all measured by Artificial Analysis on 18 November 2026.

那半小时都花在哪儿了

两个数字解释了耗时,而这两者都不神秘。第一个是输出冗长程度:完成同一套九项评估,需要输出 1.27 亿个 token,而中位数模型完成它只需 6510 万个。第二个是吞吐量:每秒 54 个 token,属于普通水平。以普通速度处理两倍的 token,耗时大致会翻倍,甚至还会再多一点,因为运行时间长的任务也会在等待自身推理上花更久。

把这些综合起来,实际后果就是一道无需基准测试也能算出的算术题。如果一项真实世界任务要让 Qwen4-Max 花半小时,那么十次调用的智能体循环就要花五小时,而一百次调用的过夜批处理就要花五十小时。这并不是回避该模型的理由——批处理工作并不在乎一次调用耗时多久——但它对交互式和智能体式工作是硬性约束,而这通常正是“真实世界工作”这一说法所简指的内容。

有一种二阶效应,比单纯的半小时本身更重要。一个 32 分钟的任务,已经长到足以与生产环境技术栈中的每一个超时设置产生不良互动:网关空闲超时、客户端自身的重试预算、队列的可见性窗口、四十分钟时被回收的容器。一个 12 分钟就完成的模型能挺过默认配置。而一个 32 分钟才完成的模型,则会让你搞清楚自己的超时到底设在哪里;它引发的失败——重复工作的重试,或按全额计费的截断答案——其代价远超 token 差异所能节省的任何成本。

The Artificial Analysis page for Qwen4-Max on Intelligence Index v5.0.1, showing a score of 43 at Xhigh effort alongside the cost, speed and time-to-first-token panel.

三级刻度盘顶部的一个已发布点

Qwen4-Max 提供三档推理努力级别——low、high 和 Xhigh——默认使用 high,其思考预算本身默认为 131,072 个 token。Artificial Analysis 在 Xhigh 下对其进行了评分。这是一个站得住脚的选择:厂商自己的效率声明正是这样表述的,而且这能展示模型的最佳一面。但这意味着 43 分钟和 32.3 分钟描述的是该模型提供的最昂贵配置,而低努力配置——交互式产品实际会运行的那种配置——根本没有已发布的独立数据。

对比一下本月发布产品另一方的披露形态。GPT-6.2 Astra 在同一指数上公布了完整曲线:max 和 Xhigh 下为 62,high 下为 60,medium 下为 57,low 下为 46。你能看到更便宜的设置会以多少能力为代价,团队也可以在这条曲线上选一个点。Qwen4-Max 只给你一个点,以及比它低一档的默认设置。如果你以 high 运行该模型,你运行的是没人测量过的配置;如果你以 low 运行,你运行的也是厂商未发布任何声明的配置。

这个差距是此次发布中最未被充分报道的细节,而且它既同样有利于该模型,也同样对它不利。诚实的解读不是“Qwen4-Max 很慢”,而是“Qwen4-Max 在其接受基准测试的设置下很慢,而 A​libaba 之外还没有人对任何其他设置进行过计时”。如果你正在评估它,effort 档位是第一个要做的实验,而不是最后一个,因为它是唯一能同时影响耗时和账单的杠杆。

价格卡实际奖励的到底是什么

从计费来看,Qwen4-Max 很便宜——确实便宜,而且这种便宜对错误的工作负载惩罚最小。

• 新加坡费率 — 每百万输入 token 1.50 美元,每百万输出 token 4.50 美元

• 全球范围区域 — 输入 $1.413、输出 $4.24,保留三位小数,这正是第三方列表所报的价格

• 缓存 — 在新加坡读取每百万次收费 $0.075,其他地方为 $0.071;五分钟写入费用为 $1.875,一小时费用为 $3.00

• 长上下文——统一计价。不存在超过 token 阈值后的溢价档位,而本月并非所有竞争对手都如此

• 批处理 — 仅限北京的文件批处理费率:输入 $0.707,输出 $2.12

这些是 A​libaba 公布的费率。结构比数字更重要:整个窗口内采用统一计价,意味着在这里审阅一份 40 万 token 的文档,输入成本为 0.60 美元;而带有长上下文倍率的模型会收取数倍于此的费用。对于这个模型真正擅长的工作负载——长文档、视频、批量抽取——统一价目表比每 token 的标价更有价值。而对于它不擅长的工作负载——交互式、多轮、智能体式——价目表就无关紧要了,因为约束在于时钟,而不是计价器。

没人列出的那部分:根本不存在什么检查点

微调与模型部署在该模型的文档中均被标记为不支持。Qwen4-Max 可租用但不可拥有,而发布文章对开放权重唯一的让步,是较小的 Qwen4 模型“即将开源”。对于一个以真实世界工作为卖点的模型来说,这是实实在在的限制,而非许可细节:真实世界工作最多的团队,通常正是想在其上微调的团队。如果你的计划涉及蒸馏变体、本地部署,或固定到某一组权重的可复现快照,那么这个模型三者皆不提供,任何第三方列表也无法为其补上。

The OrcaRouter model page for qwen/qwen3.8-max, listing the vendor rates and the routable endpoint for Qwen4-Max's predecessor.

现在可以拨打什么

Qwen4-Max 不在我们的目录中——该路由不存在,我们也不会暗示并非如此。目录中实际有的是 Qwen3.8-Max,它今天即可按其供应商标价、零加价,而且在你决定一项 32 分钟的任务是否值得之前,它才是你实际会拿来作为基准测试的模型:它的得分是 34 对 43,但它是你的团队已经了解其价格和行为的模型。

此次发布引出的路由问题范围很窄,值得准确说明。当模型每个任务要花半小时,你关心的故障模式不是答案错误——而是调用在第 29 分钟失败,却已经计费了 29 分钟。这正是要把长时间运行的模型放在带有自动故障转移的路由后面、而不是直接调用某一个提供商的原因:重试会落到一个仍在运行的端点上,而升级逻辑位于路由中,而不是在你的应用代码里。 一个密钥即可用于 200 多个模型,这也意味着下一节的比较只是一次配置更改,而不是再签一份合同。

谁该动,谁该等

如果你的工作是批处理、文档密集型、视频输入型,或以小时而非秒来衡量,现在就切换。统一的长上下文定价、984,000 个 token 的窗口、原生视频输入、支持视频的工具调用,以及每项索引任务 3.27 美元、而其替代模型为 10.02 美元的成本,对于这类工作而言就是直接的升级;当另一端没有任何东西在等待时,32 分钟的计时也无关紧要。

等等,或者至少先测试一下这个调节档位——如果你的工作是交互式或智能体式的。已公布的数字描述的是模型最昂贵的设置,在一个中位任务十二分钟完成的排行榜上,而你实际会部署的设置从未被独立计时。在拿低、高推理强度去跑基准之前,先用你自己的轨迹跑一遍——这个实验只花几美元,却能回答发布文章没有问的问题。

无论你属于哪个阵营,都要把日期读对。Qwen4-Max 于 2026 年 11 月 16 日正式公开发售。18 日发生的事,是它开始在另一个地方上线,配着一句关于真实世界工作的口号。模型没有变。时间没有变。唯一新的是那句口号,而它是页面上唯一你能亲自核实的说法。

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