一张生成的 16:9 标题卡,深海军蓝背景,上面写着“Qwen4-Max”,副标题为“两个日期,一个记分牌”,还有三张圆角卡片:模型日期 2026年11月16日、第二卖家 2026年11月18日、指数得分 43。页脚一行写着“Artificial Analysis Intelligence Index v5.0.1”。右下角为 OrcaRouter 标志。
Guides & Insights

Qwen4-Max 现已在两个平台开售。独立评分榜才是值得细读的部分。

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

Qwen4-Max 于 2026 年 11 月 16 日全面开售,而到 11 月 18 日早晨,一家第三方推理平台也在宣传它,同样具备 100 万 token 上下文,同样支持文本、图像和视频输入。这就是那条新闻,而且是一条小新闻:第二个销售方只是一个分发事件,而不是模型事件。同一时间窗口内出现、却几乎没有受到任何关注的东西,是一项测量结果。Artificial Analysis 现在已收录 Qwen4-Max 条目,在其 Intelligence Index 上,该模型得分为 43,而它所取代的前代 Qwen3.8-Max 为 34。

这两个数字都需要结合背景信息才能判断它们是否算好消息,而厂商自己的博客并未提供这种背景。因此,本文按顺序做三件事:11月16日实际发布了什么,独立那一行说明了哪些发布帖没有说明的内容,以及当同一模型由 A​libaba 以外的厂商提供服务时,什么会改变——以及什么会悄然失效。

两个日期,其中只有一个是发布

该模型的日期为2026年11月16日。阿里巴巴的Qwen团队将其发布帖的日期定为11月16日,而该模型在Model Studio文档页面上的更新时间戳为2026-11-16 09:46:08,标题为“qwen4-max(最新模型)”,普通模型标识符为qwen4-max。该页面才是具有商业意义的页面:它取代了预览标识符qwen4-max-preview,该标识符于11月11日在额度计划下开放,并公布了11月25日的停用日期。正式可用意味着按量计费价目表、六个区域且无到期日。

11月18日的事件在性质上不同。一家并非 A​libaba 的平台在价格卡出现两天后,开始向其自己的客户上架该模型。11月18日这天,模型本身没有任何变化:没有新权重,没有新的上下文数值,实验室也没有给出新价格。如果你读到的报道把本周说成一次发布,那这种说法慢了一步——Qwen4-Max 于16日发布,而18日发生的是它变得可以大规模转售。这一区分并非咬文嚼字。它告诉你该问哪些问题:不是“它能做什么”(这个问题周一已有答案),而是“经过转售商这一程后,什么还能保留下来”(这个问题还没有人回答)。

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-Max' with five rows: index score 43 against 34; output tokens per run 127M against 150M; wall-clock per task 32.1 min against 47.5 min; cost per task $3.27 against $10.02; throughput 55 tok/s against 'not listed'. Footer reads 'Artificial Analysis Intelligence Index v5.0.1, measured November 2026'. OrcaRouter logo bottom-right.

11月16日发布了什么

下面的规格说明来自 A​libaba 的发布帖和模型文档,其中没有任何内容经过独立复现——尤其是架构,那只是供应商对一次训练运行的描述,而这次训练没有任何外部人士检查过。

• 架构——全新的 Qwen4 设计,具有 2.4 万亿参数的主干、每个 token 激活 710 亿参数,以及另外 3280 亿个 N-gram 嵌入参数

• 注意力机制 — 三个 Gated DeltaNet 层为每个 Q​wen Sparse Attention 层提供输入,该机制将历史压缩为固定大小的状态,并以微块粒度对上下文进行索引

• 稳定性工作——四条并行的残差分支,配有动态读门控和写门控,实验室称这正是 2.4T 运行没有出现损失尖峰的原因

• 上下文 — 厂商文档中为 1,000,000 个 token;Artificial Analysis 测得的可用窗口为 984,000

• 输出上限 — 关闭思考时 131,072 个 token,或思考与回答共享 262,144 个 token

• 模态——输入文本、图像和视频;输出文本。原生视觉,而非外挂式附加功能

• 推理强度——可选级别;发布文章在引用自身效率数据时,将其称为 High 和 Xhigh

• 工具支持 — 函数调用、并行工具调用、网页搜索、基于 JSON Schema 的结构化输出、前缀补全、显式缓存和隐式缓存

• 接口 — O​penAI Chat Completions 与 Responses、A​nthropic Messages 以及 DashScope,这是 A​libaba 在旗舰产品上提供的最广泛的协议接口面

• 缺了什么——微调与模型部署均被标记为不支持。没有检查点,且发布文章只提到更小的 Qwen4 模型“即将开源”

这些效率声明是发布时最着力强调的内容,而正因其附带条件,才值得精确表述。与 Qwen3.8-Max 相比,厂商报告称,在其 Work360 基准测试中,Xhigh 努力级别下 token 数减少约 24%,High 下减少 35%;在同样的两个设置下,Terminal-Bench 4.0 上分别减少 48% 和 49%。Work360 上每个任务的平均成本从 $4.43 降至 $1.67,降幅为 62%。上述每一个数字均由厂商报告,而且每一个都与努力级别挂钩——这一点后来会成为重要细节:当经销商决定如何开放这个调节档位时。

没人引用的独立行

Artificial Analysis 在 Intelligence Index v5.0.1 上公布了 Qwen4-Max,而这条记录异常直白。得分为 43,网站称这一分数低于同类模型的平均水平——中位数同样是 43,因此该模型恰好压在线上,而不是高于线。这句话不如“较前代提升九分”那么讨喜,但两者都属实。Qwen3.8-Max 按 0902 快照测得,在同一指数上得分为 34。

这一行的其余部分正是论证变得有趣之处,因为它将能力与获取能力的成本区分开来。

• 指数得分 — Qwen4-Max 43 对 Qwen3.8-Max (0902) 34(基于 v5.0.1)

• 每次索引运行的输出 token 数——1.27 亿对 1.5 亿,而同类模型的中位数为 6510 万。两个模型都极其冗长;新模型则没那么啰嗦

• 单任务实际耗时——32.1 分钟对 47.5 分钟,而同组中位数为 11.5。比其前代更快,但仍属于所测模型中最慢的一批

• 吞吐量 — 每秒 55 个输出 token,在 A​libaba 自有 API 上测得

• 每项任务成本——$3.27 对 $10.02,这是该行中最有用的一个数字

把这些放在一起看,升级确实存在,但比营销宣传所暗示的范围更窄。Qwen4-Max 换来九个指数点,将实际耗时缩短三分之一,并相对于它所取代的模型,把完成一项任务的成本降低约三分之二。它在绝对意义上并没有换来速度:每项任务耗时 32.1 分钟,比同一榜单上的中位数模型慢近三倍,而且为此消耗的 token 量接近中位数模型的两倍。如果你的工作负载对延迟敏感,决定你账单的就不会是那个指数数字。

A screenshot of the Artificial Analysis page for Qwen4 Max, headed 'Qwen4 Max: Intelligence, Performance & Price Analysis' and dated November 2026, showing an Intelligence Index score of 43 against a median of 43, 55 output tokens per second, a 984k context window, $1.50 input and $4.50 output per million tokens, $3.27 per task and 127M tokens generated on the index run.

经过转售商中转后还会保留什么?

这正是11月18日那份清单使其变得紧迫而非理论问题的那一部分。当一个模型由并非其作者的平台提供服务时,有四样东西能够可靠地传递,而有一样不能。

四处流传的四项:价格卡片,因为它抄自供应商的页面;上下文数字,因为它是标题;模态列表,因为它出现在营销文案里;以及协议形态,因为大多数平台无论背后是什么,都会暴露一个 OpenAI 兼容端点。这些是每个条目页都能做对的东西,也是每篇对比文章都会引用的东西。

无法迁移的是推理力度映射。Qwen4-Max 的经济性在设计上就取决于推理力度:厂商自己在 Work360 上的 token 节省率会因你运行 Xhigh 还是 High 而从 24% 波动到 35%,而文档将这一选择暴露为请求参数。若转售商把推理力度钉死为单一默认值,或把 OpenAI 风格的推理参数只映射到三档中的两档,交给你的模型每任务成本就可能与厂商公布的数字相差三分之一——而发票上的每 token 价格却一模一样。如果你要将某个上架条目与 A​libaba 自己的数字做基准比较,请明确固定推理力度级别,并检查平台会如何处理它,然后再对价格下任何结论。

还有两个较小的点需要核实:262,144 token 的共享思考与回答预算究竟是被强制执行,还是被静默截断;以及提示缓存是否按供应商的缓存费率透传,而不是按完整的输入费率计费。这两点在长时间运行的 agent 任务中都会实实在在影响花费,而这两点都不会出现在任何主打宣传里。

没有改变、也不会改变的东西

关于 Qwen4-Max 最具影响的事实既不在价格卡上,也不在排行榜上:你无法拥有它。这个模型没有检查点,文档也将微调和自行部署标记为不支持。发布文章的结尾承诺更小的 Qwen4 层级将走向开源,但这是关于该系列未来的表述,而不是关于这个模型。通往 Qwen4-Max 的每条路径都要经过某个 API,无论是 Alibaba 的六个区域,还是经销商的端点。

对于一款 2026 年的前沿旗舰来说,这是正常的安排,而它有一个正常的后果:你的集成是租来的,房东数量刚刚从一个变成了不止一个。这也是 11 月 18 日那次上架唯一真正有力的论据——不是因为更便宜,而是因为它为你无法自行托管的一个模型提供了另一条供给路径。

如果你这周正在接入这个

Qwen4-Max 目前不在 OrcaRouter 的目录中,本文也不会假装它在。目录里现有的是它所取代的模型:qwen/qwen3.8-max——这个拥有 2.4 万亿参数的旗舰模型在同一指数上得分 34,在阿里巴巴的价目表上每百万 token 输入 $2.00、输出 $6.00。如果你正基于 Qwen 系列构建,并想尝试 Qwen4-Max,又不愿把生产路径押在一个才上线两天的商业安排上,稳妥的做法是让前代模型留在同一个密钥上,并在二者之间路由——OrcaRouter 通过一个兼容 OpenAI 的端点,在 0% 加价下提供跨提供商的 200 多个模型标识符,并支持自动故障转移,因此提供商侧的中断或速率限制不会连带把你的应用拖垮。路由 DSL 在下一层做同样的事:你可以为工作负载的大部分组合一个便宜模型,只在任务确实需要时升级到昂贵模型,而不是每次调用都支付旗舰费率。

A screenshot of the OrcaRouter models catalogue showing the filter rail and the header '226 models, 17 providers, one API key, one bill', with a card for Google Gemini 4 Carbon and its per-million input and output rates visible.

这与让 Qwen4-Max 处于关键环节并不是一回事,也不应被当作那样来推销。差别在于:是等待一个模型接入你的技术栈,还是让你的技术栈在它到来时能够将其吸纳。

什么会改变这件作品?

三件事,按可能性从高到低排列。对 Qwen4-Max 进行第二次独立测量,就能确定 43 是下限还是上限——一个榜单、一套测试框架、一种努力程度设置,作为结论的依据太单薄了,而且本博客以前就见过指数修订让分数出现两位数变化。如果 Artificial Analysis 公布按努力程度划分的细分数据——与其已经为 GLM-5.3 提供的做法一致——那就能让每任务成本这一数字真正可付诸行动,而不是一个未指定设置下的平均值。而一个 Qwen4 检查点——任何一个 Qwen4 检查点——都将彻底终结租用之争。

在此之前,对本周的正确解读是那个并不光鲜的版本。一款旗舰产品于周一发布,附有真实的价目表,以及一个具有竞争力但并非领先的独立评分;一家经销商于周三将其纳入销售,这不过是分销在做分销该做的事;而真正应当决定你是否进行集成的数字,不是 1.50 美元或 43,而是 32.1 分钟,以及约为该领域市场中位数两倍的 token 账单。这两项才是你实际要付出的代价。

本文中的对比1

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