一張生成的 16:9 標題卡,寫著「Qwen4-Max 打造可玩遊戲」,副標題為「Unity、Unreal Engine 與 Godot——三個示範及其背後的測試框架」,並有四枚圓角標籤,分別寫著「3 款遊戲引擎」、「1,000,000 token 上下文」、「每 1M 輸入 $1.50 / 輸出 $4.50」以及「即時交付,Apache-2.0」。OrcaRouter 標誌位於右下角。
Guides & Insights

Qwen4-Max 在 Unreal、Unity 與 Godot 中打造可玩遊戲:三個示範及其背後的測試框架

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

阿里巴巴 Qwen4-Max 發布貼文中最有意思的一行,不是某項基準測試分數,而是一份遊戲引擎清單。根據其團隊自己的文件記載,於 2026 年 11 月 16 日发布的 Qwen4-Max 可與 Unity、Unreal Engine 和 Godot「流暢」協作;該貼文還附上三段影片,稱這些遊戲是由該模型端到端打造:一款 Unreal Engine 中的貓法師波次防禦遊戲、一款 Unreal Engine 中的御劍飛行冒險遊戲,以及一款 Unity 6 中的西湖賽車遊戲,並以可安裝的 Android 版本形式交付。

這與「在 Terminal-Bench 4.0 上得分 48.5%」是不同類型的宣稱。基準測試的分數是任何人都能重新跑一次的測量。遊戲 demo 是一項交付物,而交付物本身就是證據:如果這個版本能安裝、能玩,那模型就真的做出了東西;如果不能,再多的文字也補救不了。尷尬的是,這三個版本並不在你眼前。你眼前只有大約兩分鐘的剪輯影片,所以在這裡,誠實的做法是把廠商展示的內容與讀者能驗證的內容分開,然後再看機制——因為那部分是有文件記載的,而正是那部分將決定這能否推廣到三個展示關卡之外。

A generated single-column scoreboard titled 'Qwen4-Max - the scoreboard' with six rows reading AA Intelligence Index 42.89, Terminal-Bench 4.0 48.5%, FrontierCode-AA 2.0 26.5%, Terminal-Bench-Science 23.3%, price per 1M tokens $1.50 in and $4.50 out, and cost per AA task $3.27, with a footer reading 'All figures per Artificial Analysis v5.0.1 at maximum reasoning effort.' OrcaRouter logo bottom-right.

三個示範,三個引擎,一個共用迴圈

公告中明確列出這三款試玩版的名稱與時長,這比大多數發佈貼文提供的資訊還多。「Meow of Magic」長 52 秒:一款 Unreal Engine 貓法師冒險遊戲,包含施法、升級選擇,以及一波波敵人與頭目。「Yun Guan Xing」長 39 秒:一段馭劍穿越雲層與圓環的奇幻飛行橋段,最後以頭目戰作結。「Flying Racer」長 20 秒:一款以西湖為場景的 Unity 6 手機競速遊戲,具備漂移、氮氣加速與可展開機翼,並以可安裝的 Android 遊戲形式推出,而非僅有影片的原型。

那三個是三個不同的引擎 API 和三個不同的建置目標,而廠商對這套工作流程的描述在三者之間完全一致。只要給一份自然語言簡述,Qwen4-Max 就會處理場景建構、遊戲玩法邏輯、外部資源整合、材質設定、HUD 設計與視覺特效,接著執行遊戲,並利用視覺與互動回饋來修正鏡頭追蹤、角色動畫、打擊回饋、燈光與節奏。再把那份清單讀一遍,因為順序本身就是重點:模型並不是被要求寫出一款遊戲然後碰運氣。它被要求產出一個建置版本、實際遊玩,並修正它所看到的问题。

迄今尚無 {{1}}Alibaba{{/1}} 以外的人重現過其中任何部分,而且這三個專案也沒有公開的儲存庫可供檢視。可以不帶保留地說的是更狹窄、但仍有一定價值的內容:文件記載此模型是在三個真實引擎內運行,而非輸出與引擎無關的場景描述;而三個目標之一是可安裝的 {{2}}Android{{/2}} 套件,這是一個經常明顯失敗的建置步驟。

A screenshot of Alibaba's Qwen4-Max announcement showing the section headed 'GameDev: Create Games with Real Engines', its paragraph naming Unity, Unreal Engine and Godot and describing scene construction, gameplay logic, asset integration, material setup, HUD design and visual effects from a single natural-language brief, and below it a dark still from the demo video captioned 'Meow of Magic - Qwen4-Max built a cat-mage adventure in Unreal Engine.'

真正嶄新的部分是回饋迴路,而不是程式碼。

前沿模型寫 Unity 腳本不算新聞。模型撰寫引擎程式碼已有兩年,而失敗模式始終如一:程式碼能編譯、場景能載入,但結果卻無法遊玩,且只有人類才會注意到——攝影機會穿牆、命中沒有可見反應、跳躍弧線像搭電梯。因此,關於 Qwen4-Max 遊戲開發說法的有趣問題,不是「它能不能寫 C# 或 GDScript」,而是「它能否自行閉合這個循環」。

公告表示它確實能做到,而它所描述的機制是一套測試框架(harness),而非模型本身的能力:代理會執行建置、讀回視覺與互動回饋,並針對鏡頭、動畫、打擊回饋、燈光與節奏進行迭代。如果這個迴圈真的存在,那麼限制它能打造什麼的因素,就會從模型的程式設計能力,轉移到它所能獲得的回饋訊號品質——相較於人類遊戲測試員,一張渲染影格和一份輸入紀錄對「這感覺不對」的描述要單薄得多;而且這些示範全都是簡短、自成一體的場景,回饋迴圈有可能在一次工作階段內就收斂。

這是廠商在文中另一個標題下提出的同一個論點,這兩項主張應合併閱讀。在長時程代理(long-horizon agent)一節中,Alibaba 描述了一種稱為 Live Delivery 的方法:代理會及早產出可用的第一版,然後透過一次次後續發布逐步擴充,並根據執行結果與使用者需求更新其計畫,讓人在整個流程結束前的任何時點都能介入,修正方向或撤銷錯誤。對遊戲而言,這表示交付節奏是可玩的建置版本,而不是單一的最終封存檔。對任何其他具有長工具使用軌跡的事物而言,道理也是一樣。

Blender,以及從視埠之後開始的管線流程

3D 建模部分是同一故事中較為安靜的一半。Qwen4-Max 被記錄為使用 Blender 進行幾何建模、場景組裝、材質設定、燈光與渲染,涵蓋建築、室內、自然景觀與科幻場景——這些工作鍛鍊的是空間佈局與物件結構,而非影像美學。供應商的說法是,這些資產「在遊戲中實際使用」,並透過 3D 列印轉化為實體物件,這是在宣稱下游相容性:可列印的資產具有一致的幾何、水密網格與真實比例,而能直接放入遊戲引擎的資產則具有合理的軸心與材質指派。

把那當成一份意圖聲明,而不是一條經過驗證的流程。沒有公開的資源包,沒有面數預算,沒有拓撲報告,也沒有任何說明交代:當生成的網格必須撐過一次重拓撲流程,或由人力美術進行 UV 展開時,會發生什麼事。這一節確實確立的是:這套工作流程是檔案層級與工具層級的——模型是在驅動一套真正的 DCC 應用程式,並產出遊戲引擎會匯入的東西,而不是生成一張 3D 物件的圖片。對任何想把這套東西放進量產美術流程的人來說,這個區別才是關鍵,而它也是在影片裡最難造假的一點。

Live Delivery 有一個儲存庫,這讓它成為可檢查的部分。

在模型正式全面推出前兩天,阿里巴巴將其為此打造的測試框架開源。Qwen Live Delivery 外掛以 Apache-2.0 授權置於 GitHub,建立於 2026 年 11 月 14 日,最後一次推送是在推出前一天。它提供四個 MCP 工具——ld_begin、ld_publish、ld_status與ld_done——以及生命週期掛鉤,並可透過 shell 指令碼安裝到工作區。推出時僅支援 Codex CLI,可在 Linux 與 macOS 上執行,且需要 Node.js 22 或更新版本。有一個可選擇啟用的環境變數,可讓沙箱取得完整檔案系統存取權,還有一個用於檢閱發行版本的瀏覽器工作台。

對任何想評估其遊戲開發主張的人來說,這是整個發布中最有用的產物,因為這是你能實際執行的部分。一個會為長時間執行的工作連續發布版本的框架,正是遊戲開發代理所需的形態:每個可遊玩的組建都是一個人類能檢查的檢查點,而關卡設計走錯方向只會浪費一個版本,而不是一整次執行。這也意味著,有趣的比較不是「哪個模型寫得出更好的 Unreal 程式碼」,而是「哪個模型的執行框架能讓你監督這項工作」;這實際得多,而且會靠使用它來解決,而不是靠看計分板。

獨立數字能告訴你什麼、不能告訴你什麼

Artificial Analysis 列出 Qwen4-Max 在 v5.0.1、最大推理強度下的智慧指數為 42.89,而同一版本的 Qwen3.8-Max 為 33.65——約提升九分,這是真正的世代躍進,而非四捨五入造成的差異。子分數比整體標題分數更為參差:Terminal-Bench 4.0 為 48.5% 對 38.9%,FrontierCode-AA 2.0 為 26.5% 對 23.4%,Terminal-Bench-Science 為 23.3% 對 11.9%,HLE-Diamond 則為 44.9%。在代理式工作上,這個模式依然成立——APEX-Agents 59.1%、AutomationBench 72.6%(部分)、EnterpriseOps-Gym 48.5%、AnalystAgent 46.3%。

這些都無法衡量遊戲開發。沒有任何公開排行榜會執行 Unreal 建置、檢查 Unity 場景是否能載入,或是以跳躍手感是否正確來評分 Godot 專案。最接近的替代指標是代理型與終端機基準測試,它們衡量的是模型能否維持多步驟工具使用軌跡而不偏離主線——而這些正是 Qwen4-Max 得分提升最多的項目。因此,對獨立資料的正確解讀是間接的:它讓測試框架的說法顯得合理,卻未證實任何一幀示範。Artificial Analysis 也未記錄該模型的開放權重,這與供應商文件將微調和模型部署標示為不支援相符。

A screenshot of the Artificial Analysis page for Qwen4-Max, showing the summary line that Qwen4 Max is above average in intelligence and reasonably priced, an Intelligence Index of 43, pricing of $1.50 per 1M input tokens and $4.50 per 1M output tokens, a cost of $3.27 per task, a context window of 984k and a comparison class of 243 models.

規格表,按公布版本

阿里巴巴自家的文件與發布文章,提供買家在投入專案前所需的數字:

• Backbone — 2.4 兆個參數,每個 token 啟用 710 億個參數,加上 3,280 億個 N-gram 嵌入參數,採用稀疏混合專家架構,結合 Gated DeltaNet 混合注意力與 N-gram 嵌入層

• 上下文 — 宣稱支援 1,000,000 個 token;文件將最大輸入上限設為非思考模式的 991,808 個 token,以及思考模式的 983,616 個 token

• 輸出 — 非思考模式下最多 131,072 個 token;在思考模式下,推理軌跡與答案合計共 262,144 個 token

• 模態 — 輸入文字、圖像和影片,輸出文字;不生成圖像或影片

• 價格 — 新加坡每百萬個 token 的輸入費用為 $1.50、輸出費用為 $4.50,其他地區則為 $1.413 和 $4.24,相較於 Qwen3.8-Max 的 $2.00 和 $6.00

• 快取 — 在新加坡每次快取讀取每百萬個權杖 $0.075,享有 95% 折扣,並提供五分鐘與一小時 TTL 的明確快取與隱含快取

• 限制 — 批次推論、微調與模型部署皆列為不支援,因此沒有低成本的非同步途徑,也無法存取權重

• 速率限制 — 全球每分鐘 30,000 次請求和 5,000,000 個權杖,區域每分鐘權杖上限介於 500 萬至 2,000 萬之間

輸出上限,是那行值得讀兩遍的數字。一個可玩的建置版本不是一次回應;它是數十次工具呼叫,每次都會回傳檔案內容與建置日誌,而其中每一個輪次都受同一個上下文所限。在百萬 token 視窗下進行的長程工作,正是那種會讓較小的輸出預算變成更多來回往返的工作負載。

漫長的建置迴圈究竟要付出多少代價

廠商自報的成本數字是以每項任務而非每個 token 為單位,而對這類工作來說,這才是正確的單位。在 Work360 上——這是阿里巴巴涵蓋 26 個一級領域的專業任務內部基準——Qwen4-Max 得分 52.69,而 Qwen3.8-Max 為 47.74;每項任務的平均成本從 4.43 美元降至 1.67 美元,降幅達 62%,部分來自降價,部分來自使用更少 token:在 Work360 上,於超高與高推理強度下分別少用約 24% 與 35% 的 token,在 Terminal-Bench 4.0 上則分別少用 48% 與 49%。這些數據均由廠商呈報,未經重現。

這項獨立估算比較不那麼討喜,但作為預算輸入更有用。Artificial Analysis 估計,Qwen4-Max 執行其自家 Intelligence Index 的成本為每項任務 3.27 美元,低於同一測試框架下 Qwen3.8-Max 的 10.02 美元——減少 67%,方向與阿里巴巴的說法一致,但絕對數字不同,因為這兩項測量以不同的推理強度執行不同任務。如果你正在規劃遊戲開發循環,要相乘的數字是每項受評估任務 3.27 美元,而不是 1.67 美元;而乘數是你「建置與試玩」循環中的回合數,而不是你輸入的提示數。

還有一項成本考量,對這類工作負載而言比費率表更重要。快取輸入每百萬個 token 為 $0.075,而建置迴圈正是理想的高速快取工作負載:相同的引擎文件、相同的專案檔案、相同的錯誤記錄檔,反覆讀取。若一個迴圈重複讀取 200,000 個 token 的專案內容二十次,快取輸入只需花費 $0.30,而非按未快取費率計算的 $6.00;這正是讓實驗持續放著跑,與嘗試三次後就停止之間的差別。

在不押上整條 pipeline 的前提下試用它

Qwen4-Max 可透過阿里巴巴自有 API 在六個地區使用,也可透過若干第三方平台取得;目前它尚未收錄於 OrcaRouter 的目錄中,而 OrcaRouter 的 215 個模型包含 Qwen3.8-Max、Qwen3.7-Max 與 Qwen3-Max,但不包含 Qwen4 世代。實務上這意味著,第一個月評測會在供應商自家的端點上進行,並使用設有支出上限的金鑰;而只要模型真的出現,你針對某個 OpenAI 相容端點所建立的評測框架就能在無需修改程式碼的情況下移轉過去。

有兩件事讓那次試用更便宜。第一是容錯移轉:這麼新的模型、執行這麼長時間的工作,一定會遇到速率限制和逾時,而自動容錯移轉到第二個端點,能把停擺的建置迴圈變成只是變慢的迴圈。第二是直通價格規則——OrcaRouter 依供應商牌價計費、不加價,所以廠商調降費率時,我們這邊當天就生效,不必等到下一次續約。這兩項說法都不取決於是否託管該模型,也都不值得假裝不是如此。

評估的實用形式:給模型一個小而完整的東西——一個只有一種機制、一台相機和一個勝利條件的可玩場景——並觀察它在連續三個可玩版本中的表現,而不是只看一個版本。受檢驗的主張不是它能否做出遊戲,而是第二和第三個版本是否比第一個更好,因為那是這個循環中唯一無法由基準測試衡量、也無法由示範影片展示的部分。

懸而未決的問題

Alibaba 對 Qwen4-Max 的定位是,這是一個會在你沒盯著看時仍持續運作的模型,而遊戲開發示範是它能選出的最能清楚證明這個想法的證據:遊戲具視覺性、可互動,而且失敗方式任何人都看得見。三個引擎中的三個短場景是強而有力的開場論證,卻是對耐久性的薄弱示範——關卡很小、每次執行只有幾分鐘,而且驗收標準是由製作這些示範的團隊自己訂的。

真正能讓這件事定論的情境並不光鮮:一個專案,帶著既有的程式碼庫、不是它自己選的美術方向、一個只在低階裝置上才出現的物理錯誤,還有一位會兩次退回建置版本的人類審查者。如果這個循環能撐過這些,引擎清單就不再是行銷文案,而會成為一套工作流程。在那之前,誠實的立場是:Qwen4-Max 已經推出了第一個可信的示範,證明前沿模型能驅動遊戲引擎並回放自己的作品——而以 Apache-2.0 授權提前兩天發布的 Live Delivery 外掛,是這個故事中你今天就能親自查證的部分。