一张生成的标题卡,标题为“获认可用于智能体编程,在 79 项中位列第 74”,标签显示每秒 54 个 token、每个索引任务 32.2 分钟、首个回答 token 耗时 179.79 秒,以及 Intelligence Index 得分 43;页脚写着“速度数据来自 Artificial Analysis,读取于 2026 年 11 月 17 日”。
Guides & Insights

Qwen4-Max 现在正被推介用于智能体编程。独立速度排行显示其在 79 个中排名第 74。

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

2026年11月17日09:31 UTC,官方的Qwen4-MaxX账号发布了五个词和一份邀请:该模型现已上线某第三方平台,来试试智能体编程吧。这是对该平台自家公告的引用转发,而此前一天,Alibaba刚将该模型从预览版转为按量计费的正式可用版本。这条帖子很短,很容易一划而过。这也是该厂商首次将其自己的关注者引向其旗舰模型的一条特定外部路径,而且它选中的正是Qwen4-Max目前在榜单上独立评测成绩最弱的那类工作负载——长时程智能体编程。

这正是值得报道的全部张力所在,而不是一项指控。供应商向智能体构建者推销模型是正常现象。真正值得明确的是,宣传话术与读者可核验的数字之间有多大差距,因为团队依据话术采取行动,而发票和实际耗时给出的却是数字。

该帖子实际确立的内容

三件事,而且不超过三件。其余都是披着新闻外衣的推断。

• 该背书真实且带有日期。这条帖子带有 17 November 09:31 UTC 的时间戳,来自供应商自己的账号,并且是引用转发了平台先前的公告,而非单独发布。供应商转发合作伙伴的发布是一种刻意行为;该账号并非只是碰巧提及此事。

• 该平台并非第二套部署。其模型页面在一张标题为“由各自实验室提供服务的路由模型”的表格中列出了 qwen/qwen4-max——而非列在其自家已发布的版本之中。这一区别比围绕它的营销文案更为重要:路由模型是通过他人的大门访问到的阿里巴巴部署,而这也是一个封闭的 2.4 万亿参数级模型能够出现在任何地方的唯一方式。

• 这是测试版,不是容量。网站常驻横幅说明它处于私测阶段,并要求提供邀请码。来自模型自身账号的背书只是关于意图的信号,而非关于吞吐量、配额或服务级别协议的信号——而且邀请码不是采购途径。

而这篇文章没有确立的,是哪怕一项性能层面的说法。文中没有每秒 token 数,没有任务完成率,没有单任务成本,也没有任何关于这条路由能承载多少个并发 agent 会话的说明。把它读作“你现在可以从这里访问到这个模型”就好——它所说的仅此而已。

背书下方的卡片比供应商自己的卡片更便宜。

这条路由列表带有自己的数字,而价格正是值得仔细盯住的那一项。它显示每百万输入 token 为 1.40 美元、每百万输出为 4.20 美元,上下文窗口为 977K token,状态为在线。

• 输入 — 路由卡上为 $1.40,而阿里巴巴自有 Global 范围卡上为 $1.413(北京、香港、法兰克福、美国弗吉尼亚、东京),新加坡为 $1.50。

• 产出 — 4.20 美元,对比全球的 4.24 美元和新加坡的 4.50 美元。

• 方向——绕行后的数字比供应商公布的最便宜地区低约 1%,比中国大陆以外大多数读者实际会被扣费的那张卡低约 6.7%。

• 所述机制——平台将其收费描述为“实验室费率加上路由费,每个答案都附有签名的路由回执”。

• 上下文数字——商品页上为 977K,而阿里巴巴的模型卡上为 1,000,000;其中实际生效的上限在标准模式下为 991,808 个输入 token,在思考模式下为 983,616 个输入 token。

这两个事实摆在一起颇为别扭。一个在实验室费率之上加收费用的路由,成本理应高于直接调用,而这条路由却比阿里巴巴公布的每一个地区都便宜。可能的解释并不光鲜——促销费率、在调用哪个阿里巴巴端点上的地区套利,或者一个自预览卡以来就未更新的条目——而且这些都无法从外部得到证实。读者能做的是,不再把经路由的价格当作模型的价格。阿里巴巴自己的卡片才是参照;低于它的任何价格都是一种商业安排,附带一个无人公布过的到期日。如果你要决定的是每任务成本,就按新加坡的输入 $1.50、输出 $4.50,或 Global 范围的 $1.413 和 $4.24 来估算,并把折扣视为上行空间,而不是计划本身。

A screenshot of the Alibaba Cloud Model Studio documentation page for qwen4-max, captured 17 November 2026 in English, showing the model identifier, the 1,000,000-token context window, a 991,808-token maximum input with a 983,616-token thinking-mode figure, a 131,072-token maximum output with 262,144 in thinking mode, a 131,072 default thinking budget, and per-region pricing of $1.5 and $4.5 per million tokens in Singapore against $1.413 and $4.24 in the Global scope.

该职位的工作量是跟踪器测量得最差的那一项。

Artificial Analysis 是唯一发布 Qwen4-Max 独立测量结果的机构,其页面已更新,新增了一整行在发布当天并不存在的性能数据。那一行所写的内容毫不含糊。

• 智能指数 — 在 v5.0.1 九项评估套件中为 43,在 81 个模型中排名第 38,略高于该追踪器在该价格档位的中位数 41。

• 输出速度 — 每秒 54 个 token。在该追踪器按性能排名的 79 个模型中,这排在第 74 位。

• 首个回答 token 的耗时——179.79 秒,因为模型会先思考再作答,而 Alibaba 卡片上的默认推理强度为 高。

• 每项 Intelligence Index 任务耗时 — 32.2 分钟,而同类模型的中位数为 13.3 分钟。追踪器称其“明显偏慢”。

• 冗长程度——整个索引中共有 1.27 亿个输出令牌,而中位数为 7860 万个。这在 80 个中排第 65 位。

• 每个索引任务成本 — $3.27,在 80 个中排名第 44,且已应用 95% 的缓存折扣。

那份列表里的每一个数字都来自追踪器自身的测量,而非阿里巴巴的数据。供应商公开发布的说法则完全是另一组数据,并且无论出现在哪里都被标注为供应商宣称:在其自家的 Work360 基准上,相比 Qwen3.8-Max 实现了 24% 到 35% 的 token 效率提升;在 Terminal-Bench 4.0 上为 48% 到 49%;每任务平均成本从 $4.43 降至 $1.67。这些都没有被独立复现。这两组数据集并不互相矛盾——一个模型可以每任务很高效,但每 token 仍然很慢——但其中只有一组能告诉你,智能体循环在凌晨两点会是什么感觉。

厂商自己的材料中还存在第二个缺口,而对于一款以智能体编程为卖点的模型来说,这颇为奇怪。阿里巴巴的模型卡没有公布参数数量;发布材料称其是一个 2.4 万亿参数的稀疏混合专家模型,每个 token 激活 710 亿参数,而追踪器将规模记录为未披露。阿里巴巴自身也没有公布该模型在 Terminal-Bench 4.0 上的分数,只有相对于前代模型的相对效率声明。想让智能体构建者采用某款模型的厂商,通常会先给出一个绝对的智能体指标。这个厂商却先给了一个比率。

每个任务 32 分钟、每秒 54 个 token,会对一个循环造成什么影响

单价掩盖了这一点,所以下面按帖子所宣传的形态来算一算——一个分多轮完成任务的编码智能体。所有这些都源自公布的价格和实测速度,而不是来自账单。

• 每轮生成时间——一个 3,000 token 的补丁加推理块,按每秒 54 token 计算,纯输出约为 56 秒。到 8,000 token 时约为 2.5 分钟,而这还是在模型尚未读取任何内容之前。

• 一次 25 轮会话——25 轮、每轮 3,000 个输出 token,就是 75,000 个 token;以该速度生成约需 23 分钟;如果运行框架不保持上下文预热,还要加上 25 次各自近三分钟的首个答案 token 等待。仅这部分开销就可能超过生成本身。

• 同一场会话折算成钱——75,000 个输出 token,按每百万 4.50 美元计算,就是 0.34 美元。算力很便宜,时间可不便宜。这种倒挂,是理解这个模型经济账最有用的一件事。

• 缓存是决定这种成本是否可承受的关键杠杆——20 万 token 的上下文冷读一次,按每百万 token 1.50 美元计算,每轮成本为 0.30 美元;若以 95% 的折扣命中缓存,成本约为 0.015 美元。在 25 轮对话中,这意味着输入成本在 7.50 美元与 0.38 美元之间的差距,而这一差距完全盖过了输出费用。

换言之:在 Qwen4-Max 上,需要观测的不是输出长度,而是缓存命中率和首 token 延迟。一个能让上下文保持热、并能容忍三分钟思考的循环是可行的。一个每轮都重新发送冷的 200K 上下文的循环,要支付 20 倍的输入费率,而且每次都要为此等上三分钟。32.2 分钟的索引任务是 tracker 的综合指标,不是你的任务,但它所指示的方向才是你规划时要围绕的东西。

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 17 November 2026 in English, showing an Intelligence Index of 43 at rank 38 of 81, a performance rank of 74 of 79, time to first answer token of 179.79 seconds, output speed of 54 tokens per second, 32.2 minutes per index task, 127 million output tokens, a $3.27 cost per index task, and a 984k context window.

收据上没有写明是什么做出了应答。

这是路由列表中比价格更值得关注的部分。平台自己的文档异常坦率:每个路由回答都附带一份签名的路由回执,而该回执“并不能证明是哪些权重作出了回答”。它记录的是请求被发送到了哪里,以及最近一次探测报告了什么。平台自己发布的模型会获得更强的信任链——文件按 SHA-256 摘要存储,修订版本由文件映射哈希标识,记录在固定的发布者密钥下签名,并存入仅可追加的透明日志——而 qwen/qwen4-max 所显示的验证状态为“未知”。

对于闭源模型来说,这不是丑闻,而是一种每个路由器都共有的结构性限制,包括我们的在内:如果权重不公开,任何第三方都无法证明是哪些权重生成了某个 token。接下来要说的是一条实用规则,而不是批评。如果你的工作依赖于实际使用的模型就是 Qwen4-Max——无论是评估、基准提交,还是关于哪个模型接触过数据的合同声明——那么路由端点本身就不足以作为证据,无论回执看起来多么可信。如果你需要的是能力,那么路由端点就没问题,来源问题只是学术性的。

如何在不拿生产路径冒险的情况下试用它

坦率地说,我们的现状是:OrcaRouter 不路由 Qwen4-Max。目录中提供 qwen/qwen3.8-max、anthropic/claude-fable-5.2以及openai/gpt-6.1-sol;目前,针对 qwen4 标识符的请求会返回 not-found,所以如果你想在我们的密钥上使用这个模型,那就得和其他人一样等着。我们能做的,是让这次评估可以低成本地回退。

值得在意的原因是,这次发布的一切都说明不该把它硬编码。这个模型才发布一天,它唯一一条独立性能记录在速度上仅排 79 款中的第 74 位,其路由价格低于自家厂商的价目,原因却无人解释,而承载这项背书的平台仍处于需凭邀请码进入的私测阶段。其中任何一项都可能在一周内改变——而从预览版到 GA 的过渡还同时把共享的思考加回答预算从 393,216 个 token 削减到 262,144 个,并把计费从积分改为按 token 计量,这正是那种会在第二周就弄坏生产路径的变更。

这就是要把实验放在一个路由端点后面、而不是硬编码一个端点的理由:新模型走一条路由,qwen/qwen3.8-max作为回退,两者共用一个密钥和一张账单。在0% 加价且按提供商标价透传的情况下,你对着阿里云价目表算出来的账,就是你实际被计费的账——这也意味着供应商降价当天就会体现在我们这边,而不是等到下一次合同续签。对于尚未验证的模型,模型融合是另一个值得了解的选项:让它与现有模型在你自己流量样本上并行运行,在两者中任何一个独占该路径之前比较输出。如果你只想看看一个 API 接入 200+ 模型是什么样,目录是公开的。

A generated two-column scoreboard titled 'Qwen4-Max — the pitch and the meter', with rows comparing what the launch material claims against what Artificial Analysis measured: agentic coding endorsed on 17 November against a performance rank of 74 of 79, a 1,000,000-token context against 984k recorded by the tracker, a vendor token-efficiency ratio against an Intelligence Index of 43 at rank 38 of 81, no published speed figure against 54 tokens per second, no published task time against 32.2 minutes per index task, and average cost per task cut from $4.43 to $1.67 against $3.27 per task measured by the tracker. Footer reads 'Vendor figures unreproduced; speed, cost and index figures per Artificial Analysis, 17 November 2026.'

什么会改变这一解读

三件事,按其重要程度排序。

第一点是一个来自那家追踪器之外任何来源的速度数字。在综合基准上单次测得每秒 54 个 token,作为生产决策的依据很单薄,而供应商根本没有公布过这样的数据。如果第二个独立测试框架测出的结果接近这个数字,那么慢就是模型本身的属性,智能体构建者应当据此规划其循环规模。如果测出的结果远高于此,那就是追踪器的端点有问题,而这一节内容会很快过时——这也正是它应有的老化方式。

第二点是,那条已路由的挂牌信息的验证状态不再是“未知”,或者平台退出非公开测试版。这两者中的任何一项,都会让一条已获认可的路径变成你可以纳入支持承诺范围的东西。

第三点是,阿里巴巴公布的是绝对的智能体编程得分,而不是相对于前代产品的比值。在它这样做之前,这项背书只是关于意图的声明,而其所宣传工作负载的唯一已公布测量结果是:每项任务 32.2 分钟,速度为每秒 54 个 token。这并不是避开 Qwen4-Max 的理由——而是要在向任何人承诺交付日期之前,用你自己的任务对它进行基准测试的理由,并且在此期间把现有方案保留为一条备用路径。