一張生成的標題卡寫著「Qwen4-Max 被稱為能擊敗 Opus 5.5 的模型」,副標題為「該指數顯示它落後 16 分」,並有三張數據卡寫著「指數得分 43 對 59」、「每項任務 $3.27 對 $1.27」以及「每項任務時間:未公布」。頁尾寫著「指數、每項任務成本與每項任務時間,依據 Artificial Analysis Intelligence Index v5.0.1,讀取於 2026 年 11 月 16 日。」白色背景上的扁平向量風格,帶藍色與青色漸層點綴,OrcaRouter 標誌合成於右下角。
Guides & Insights

Qwen4-Max 曾被譽為 Opus 5.5 剋星:但指數顯示它落後 16 分

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Qwen4-Max 上市當天的評價是:它勝過 Claude Opus 5.5、GPT-6.1 Sol 與 GPT-6 Astra,且僅落後 Claude Fable 5.2。但在唯一讓這五個模型全數接受同一套九項評估的排行榜上,這四項比較中有三項結果正好相反。Artificial Analysis Intelligence Index v5.0.1 於 2026 年 11 月 16 日、也就是 Qwen4-Max 開賣當天讀取的結果顯示:Qwen4-Max 為 43,Claude Opus 5.5 為 59,GPT-6 Astra 為 57,GPT-6.1 Sol 為 55,Claude Fable 5.2 為 65。它落後給據稱被它擊敗的模型十六分,落後三者中第二便宜者十四分,落後第三個十二分。第四項比較——也就是 Fable 5.2 領先的那一項——是這項說法中唯一經得起測試框架檢驗的部分。

那個差距值得拆解檢視,而不是直接略過,因為這個說法並非憑空捏造。它正是當比較是由彼此不一致的推理投入程度設定拼湊而成時會得到的結果,而且這種不一致每次恰好都朝同一個方向發展。以下將說明:Alibaba 實際發表了什麼、計分板在每個階梯的每一級上顯示什麼讀數、在哪一種讀數下這個說法會字面上成立,以及追蹤器完全沒有掌握的 Qwen4-Max 數據。

阿里巴巴公布了什麼,以及沒有公布什麼

首先要區分的是廠商的發布資料與圍繞它的評論。阿里巴巴自家的 Qwen4-Max 部落格文章日期為 2026 年 11 月 16 日,全文 3,100 字中完全沒有點名提及任何競爭模型。文中每一項比較都是對照該公司自家前一代旗艦 Qwen3.8-Max。對發布文章而言,這是再正常不過的事,也不是批評——但這意味著競爭性的框架並非來自廠商,而流傳中的任何「擊敗 Opus」說法,都是別人推論出來的。

廠商確實聲稱的內容,全部都是廠商自行報告且未經重現:

• 架構 — 採用全新 Qwen4 架構的 2.4 兆參數骨幹,具備原生視覺與一百萬個 token 的上下文視窗。

• 相較於 Qwen3.8-Max 的 Token 效率:在 Alibaba 的 Work360 基準測試中,Xhigh effort 下可少用 24% 的 token,High 下可少用 35%;在 Terminal-Bench 4.0 上,則分別可少用 48% 與 49%。

• 與 Qwen3.8-Max 相比,每項任務成本平均從 $4.43 降至 $1.67,降幅達 62%,其中降幅最大的是快取輸入定價。

• Work360 分數 — 52.69,相較 Qwen3.8-Max 的 47.74。

那些都不是跨實驗室的比較,也無法拿來與競爭對手公布的數字核對,因為它們是在廠商自行計分的基準測試上測得的。獨立的數字則在同一天從另一個方向出現。

獨立測試框架所讀取的內容

Artificial Analysis v5.0.1 是一項由九項評測組成的綜合評分,包含 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 與 Terminal-Bench-Science 0.1。這些評測由追蹤器執行,而非由各實驗室執行。在這項綜合評分中,Qwen4-Max 的 43 分在 81 個模型中排名第 38,略高於整體中位數 41。對第一代架構而言,這是相當不錯的初次亮相。它並非領先者,而它被排在之上的四個模型全都領先於它:

• Claude Opus 5.5 — Max:59,Xhigh:57,High:52,Medium:48,Low:35。發布於 2026 年 9 月 22 日。

• GPT-6 Astra — Max 模式下 57,Xhigh 55,High 55,Medium 52,Low 43。2026 年 9 月 3 日發布,知識截止於 2026 年 4 月。

• GPT-6.1 Sol — Max 55、Xhigh 52、High 50、Medium 46、Low 35。2026 年 9 月 29 日發布。

• Claude Fable 5.2 — Max 模式下 65 分,Xhigh 模式下 62 分,High 模式下 62 分,Medium 模式下 56 分,Low 模式下 54 分。於 2026 年 11 月 9 日發布。

• Qwen4-Max — 43,僅以單一數字公布,未提供依投入程度分級的階梯。於2026年11月16日發布。

最後那個不對稱就是關鍵所在。Qwen4-Max 是推理模型,而追蹤器在五個不同的推理設定下評分它的競爭對手,卻只在一個設定下評分 Qwen4-Max。無論是哪個設定產生了 43,都是在跟 Opus 5.5、Astra 和 Sol 的最強設定相比,而追蹤器並未告訴你它底下還留有多少餘裕。所以「43 對 59」並不是兩個模型上限的同類比較——而是 Qwen4-Max 單一實測設定對上 Opus 5.5 的最佳設定。

使該主張為真的唯一一種解讀

從上往下讀這些階梯,這個說法就不再是錯的,而是開始變得有誤導性,而這是更有趣的失敗。Qwen4-Max 的 43 分並未被每位對手的每一階擊敗。它超越或追平了四位中三位的底層階級:

• 對上 Claude Opus 5.5 — 43 以八分之差擊敗 Low 設定的 35,並以五分差距敗給 Medium 的 48。交叉點落在 Low 與 Medium 之間。

• 對上 GPT-6 Astra — 43 恰好與 Astra 的 Low 設定 43 打成平手,並以九分之差敗給 Medium 的 52。

• 對上 GPT-6.1 Sol — 43 以八分之差擊敗 Sol 的 Low 設定(35),並以三分之差敗給 Medium 的 46。這是目前榜上最接近的一次。

• 對上 Claude Fable 5.2 —— 43 分敗給每一個檔位,包括 Low 設定的 54 分,相差十一分。Qwen4-Max 達不到 Fable 5.2 的任何設定。

因此,若讓 Qwen4-Max 與以 Low effort 運行的競爭對手相比,就會得出與所報告完全相同的 Opus 5.5 與 Sol 排序、與 Astra 完全相同的打平或更佳結果,以及與 Fable 5.2 完全相同的落敗結果。那是一組連貫且自洽的結果,而且是在這套測試框架上唯一能產生目前流傳之排序的一組結果。無論這組結果是有人刻意拼湊出來的,還是把預設設定拿來與最低設定比較而得到的,算起來都會落在相同的地方。

實際影響才是對任何閱讀發布討論串、而非只看排行榜的人而言真正重要的部分:在同等推理投入下,Qwen4-Max 大約落後 GPT-6.1 Sol 一級,落後 Claude Opus 5.5 兩級。這確實是一次具競爭力的初登場。但它並非領先,也遠不及「超越」這種說法。

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.'

每項任務的成本將兩項主張與一項區分開來

能力只達到發布時宣傳所宣稱的一半,而在價格方面,情況對 Qwen4-Max 更有利——對三款模型中的兩款是如此,第三款則不然。

• 標價 — Qwen4-Max 每百萬輸入為 $1.50、每百萬輸出為 $4.50,並有 95% 快取折扣,混合費率為每百萬 $0.80。這個混合費率是這裡全部五個模型中最低的:GPT-6.1 Sol 為 $1.47、Claude Opus 5.5 為 $2.94、Claude Fable 5.2 為 $5.74,而 GPT-6 Astra 為 $7.70。

• 每項完成任務的成本 — Claude Fable 5.2 為 26.54 美元、Claude Opus 5.5 為 10.04 美元、GPT-6 Astra 為 6.24 美元、Qwen4-Max 為 3.27 美元、GPT-6.1 Sol 為 1.27 美元。以上皆為各模型在 Max 設定下的數據。

• 逆轉——Qwen4-Max 擁有榜單上最便宜的混合費率,任務成本則排名第三低。它在每項任務上以三倍之差勝過 Claude Opus 5.5、以約兩倍勝過 GPT-6 Astra,卻以 2.6 倍之差敗給 GPT-6.1 Sol。

機制是冗長程度,而追蹤器會直接衡量它:Qwen4-Max 完成索引時產生了 1.27 億個輸出 token,相較之下,同領域中位數為 7,860 萬個,因此它被歸類為非常冗長。一個輸出量比中位數多 60% 的模型,會把它的費率優勢花在這件事上。阿里巴巴自家 24% 到 35% 的 token 縮減數字,相對於 Qwen3.8-Max 是實質改善,但完全沒有說明該模型在絕對意義上有多冗長,而那才是會反映到帳單上的數字。

因此,這項說法中關於成本的那一半可以清楚拆開來看。「比 Opus 5.5 和 Astra 運行成本更低」按每項任務計算確實成立,而且幅度很大,是本文對 Qwen4-Max 最有力的論點。「比 GPT-6.1 Sol 更便宜」按每項任務計算則不成立,實際貴了 2.6 倍,儘管 Qwen4-Max 的綜合費率低 46%。任何根據價目表做預算、卻在帳單上得到相反結果的人,都發現了同樣的落差。

追蹤器沒有的數字

Qwen4-Max 頁面上有一欄是空的,這種空法值得特別標記出來。Artificial Analysis 會為這裡列出的每個模型報告每項任務的耗時——Claude Opus 5.5 在 Max 上為 24.9 分鐘,GPT-6 Astra 為 20.9,GPT-6.1 Sol 為 22.9,Claude Fable 5.2 為 41.8——但對 Qwen4-Max 則標示為 N/A,並在計時圖表上註記「沒有公開可用的 API」。

在從該註解得岀結論前,請仔細閱讀它,因為它並不是在陳述該模型無法被呼叫。Alibaba 公布了 Qwen4-Max 的每 token 價格,其發布文章表示 API 價格相較於 Qwen3.8-Max 已調降,而追蹤器本身也將 Alibaba Cloud 列為該模型的供應商,並引用每任務 $3.27 的成本。一個有價目表、有供應商且有實測每任務成本的模型,就是有 API。更可能的解讀是:無論追蹤器用了哪條途徑,都無法取得該計時測量,而頁面並未說明是哪條途徑。同一頁面上,追蹤器自己的 FAQ 說該模型「可透過 1 家供應商以 API 使用」,這也與圖表註解不符。

在這種模糊之中仍成立的部分更狹窄,但依然有用:Qwen4-Max 推出當天並沒有獨立的延遲數據,而與之比較的每個模型都有。如果你的工作負載對延遲敏感,你就是在依據一個還沒有人公布的數字做選擇;誠實的做法是先自行測量,再把它納入正式生產路徑。

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.

發布時的說法有哪些站得住腳

流傳中的三項事實主張經查證成立,值得明白指出,因為只會做減法的查核並不算是查核:

• 上下文視窗——宣稱可達一百萬個 token,追蹤器實測為 984,000。這是貨真價實的百萬 token 模型,不是把 200K 四捨五入湊出來的。

• 原生視覺 — 追蹤器記錄文字與影像輸入並以文字輸出,符合廠商「原生視覺」的描述,而非附加在文字模型上的外掛編碼器。

• 降價——每百萬 1.50 美元與 4.50 美元,對比 Qwen3.8-Max 更高的價目表,且是本文所比較的五個模型中最低的混合費率。這一定價敘事的方向並無爭議。

經不起檢驗的是排名,而排名正是被重複最多次的那個部分。

上線當天該怎麼處理這個?

面對這樣的模型,有用的做法不是選邊站,而是讓這個選項維持低成本。Qwen4-Max 是初代架構,單價確實低廉,獨立評分位居中段,且沒有延遲數據——這樣的特性適合先試用,而不利於貿然遷移。

這就是路由的用途。Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 與 Claude Fable 5.2 全都在 OrcaRouter 上按各廠商標價、0% 加價進行路由,因此廠商費率變更當天即生效,上述每項任務的成本計算無需第二份合約或變更 SDK 也能保持最新。Qwen4-Max 並未在 OrcaRouter 上路由——它可透過阿里巴巴自家的 Model Studio API 及數個第三方平台存取,本文不會假裝不是如此。在這種情況下,路由帶來的是比較能力:用來與它對照衡量的四個模型,都位在 一組橫跨 200 多個模型的金鑰之後,因此將 Qwen4-Max 與它們做基準比較,只是圍欄一側的組態變更,而非兩邊都要採購。

而如果 Qwen4-Max 真能掙得一席之地,自動容錯移轉正是讓一個尚未實測的模型能安全投入正式運作路徑的關鍵——請求會改由延遲數據已知的模型接手,而不是在新模型變慢或無法使用時直接失敗,而它從缺的延遲數據正暗示了它可能出現這類狀況。

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.

發布日的說法是,一款便宜的中國模型已經躍升超越兩款美國旗艦模型。但評測框架實際顯示的是:一款定價合理的模型,比其中最便宜的那款低一階,比最好的那款低兩階;它具備真正的視覺能力、真正的百萬 token 上下文窗口,卻沒有公布速度。這是一個比那項說法所聽起來更好的產品,也是一個更差的排名,而這兩者之間的差距,正好就是「一則討論串」與「一塊記分板」之間的距離。

本文中的比較2

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新