一張寫著 Qwen4-Max 的標題卡,為實務工作而打造,並附上這行字:每項 Intelligence Index 任務耗時 32.3 分鐘,對比同領域中位數 12.4 分鐘。
Guides & Insights

Qwen4-Max 是為真實世界的工作而打造。真實世界的時鐘則顯示:每項任務要 32 分鐘。

作者

Gideon Frost

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

「為真實世界工作而打造」正是 Qwen4-Max 本週的宣傳賣點;某第三方平台於 11 月 18 日上架該模型,也就是阿里巴巴將其全面發售的兩天後。Qwen4-Max 於 2026 年 11 月 16 日推出,而該平台的上架資訊並未帶來新的權重、新的上下文長度數據或新的價格,只有一句標語和一個按鈕。這句標語恰好是所有人對該模型提出過最可檢驗的說法,因為真實世界的工作不是基準測試分數,而是一項必須在預算內完成、且有人在等待的任務。在唯一一個正好為此類工作計時的公開排行榜上,Qwen4-Max 完成單一 Intelligence Index 任務需要 32.3 分鐘。同領域中位數是 12.4。它的前代 Qwen3.8-Max 則需要 47.4 分鐘。

這就是這個結論的輪廓,而且不算差。Qwen4-Max 比它所取代的模型快三分之一,在同一項指標上高 19 分,並以每 token 約便宜四分之一的計價方式完成額外思考。時鐘改變的是誰該選擇它。每項任務要花半小時的模型,不是你會不加思索放在聊天框或二十步代理迴圈後面的模型,除非你刻意決定自己負擔得起這段實際耗時。本文談的是那個決定,以及驅動它的三個數字——每項任務的分鐘數、每項任務的 token 數,以及唯一一個實際被測量過的努力等級。

一句著眼於延遲、而非排行榜的口號

旗艦產品的上市文案通常爭論的是能力。這一篇爭論的是工作,悄然把問題從「有多聰明」轉向「要多久」和「要多少」。這些是不同問題,有不同答案,而廠商自家資料對第一個問題的回答,遠比對第二個問題好得多。

Alibaba 針對 Qwen4-Max 公布的說法都與效率有關,而且全都取決於某個投入程度設定。在廠商自家的 Work360 測試套件上,該模型得分 52.69,Qwen3.8-Max 則為 47.74,同時在 Xhigh 投入程度下產生的 token 少 24%,在 High 下少 35%。在 Terminal-Bench 4.0 上,同樣這兩個設定下的 token 減少量分別為 48% 與 49%,而 Work360 上每項任務的平均成本從 $4.43 降到 $1.67。上述每一個數字都是廠商回報的,沒有任何一個經過獨立重現,而且每一個都綁定在你必須選擇的投入程度。最後這個細節不是腳註。這正是為什麼獨立計時那一列不能在不加但書的情況下,被解讀為「模型的速度」。

獨立列,平實陳述

Artificial Analysis 在 Intelligence Index v5.0.1 上以 Xhigh 測量 Qwen4-Max,這是其三檔設定中的最高檔,並在公布分數的同時發布完整的成本與速度面板。於 2026 年 11 月 18 日即時讀取:

• 智慧指數 — Qwen4-Max 為 43,GPT-6.2 Astra 為 62,Qwen3.8-Max(0902)為 34

每項任務的實際耗時——32.3 分鐘,相較之下同類模型的中位數為 12.4;Qwen3.8-Max 則耗時 47.4

• 每次索引執行的輸出 token 數 — 1.27 億,對比同領域中位數 6,510 萬

• 輸出速度 — 每秒 54 個 token,於 A​libaba 自有端點測量

• 首個回答 token 的時間 — 148.57 秒

• 每項索引任務成本 — 3.27 美元,相較於 Qwen3.8-Max 的 10.02 美元

• 標稱上下文 — 依追蹤器測得 984,000 個 token,對比 Alibaba 文件中的 1,000,000 個

有趣的一對是前兩項。四十三分是個平庸的分數,而榜單也這麼說——它將該模型描述為在同類模型中低於平均,而中位數也是 43,因此 Qwen4-Max 正好落在線上。同時,32.3 分鐘對上 12.4 分鐘的中位數並不平庸;它接近全場其他模型的三倍。能力最終落在平均水準,而取得這項能力的成本則落在尾端。

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.

那半小時去哪了

兩個數字就能解釋這個時間,而且兩者都不神祕。第一個是冗長程度:完成同一套九項評測,中位數模型用 6,510 萬個輸出 token 就能完成,它卻要 1.27 億個。第二個是吞吐量:每秒 54 個 token,這很普通。普通速度乘以兩倍的 token 數,會讓你花費大約兩倍的時間,甚至再多一點,因為執行得久的任務,也會花更長時間等待自己的推理。

把這些放在一起,實際後果就是一道不用跑基準測試也能算出來的算術。如果一項真實世界任務要 Qwen4-Max 花半小時,那麼十次呼叫的代理迴圈就要五小時,而一百次呼叫的隔夜批次則要五十小時。這不是避開這個模型的理由——批次工作不在乎一次呼叫要花多久——但這對互動式與代理式工作是個硬性限制,而這正是「真實世界工作」通常所代表的簡稱。

有一個二階效應,比帳面上的半小時更重要。32 分鐘的任務已經長到會與正式環境技術堆疊中的每個逾時機制產生不良互動:閘道閒置逾時、用戶端自身的重試預算、佇列的可見性窗口、四十分鐘就被回收的容器。十二分鐘內完成的模型能撐過預設配置;三十二分鐘才完成的模型,正是會讓你搞清楚逾時設定在哪裡的模型,而它產生的失敗——重試導致工作重複,或答案被截斷卻仍全額計費——代價高於 token 差異曾節省的任何成本。

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.

三層刻度盤頂部的一個已發佈點

Qwen4-Max 提供三種推理努力等級——低、高與 Xhigh——預設為高,而其思考預算本身預設為 131,072 個 token。Artificial Analysis 是以 Xhigh 對其評分。這是站得住腳的選擇:廠商自身的效率宣稱正是以此為基準,而且這能展現模型的最佳一面。但這也意味著,43 與 32.3 分鐘描述的是該模型所提供最昂貴的配置,而低努力配置——互動式產品實際會採用的那種——完全沒有公開的獨立數據。

比較本月各項發布在另一側的揭露形態。GPT-6.2 Astra 在同一指標上公布完整曲線:max 與 Xhigh 為 62,high 為 60,medium 為 57,low 為 46。你能看出較便宜的設定在能力上要付出什麼代價,團隊也能在那條曲線上選一個點。Qwen4-Max 只給你一個點,以及一個比它低一階的預設值。如果你以 high 執行該模型,你執行的是沒有人測量過的配置;如果你以 low 執行,你執行的也是廠商未公布任何說法的配置。

那個落差是這次發布中最少被報導的細節,而且它對模型有利的程度,和對模型不利的程度一樣大。誠實的解讀不是「Qwen4-Max 很慢」,而是「Qwen4-Max 在它接受基準測試的設定下很慢,而 A​libaba 之外沒有人測過任何其他設定」。如果你正在評估它,effort 旋鈕是你該跑的第一個實驗,而不是最後一個,因為它是唯一能同時改變耗時與帳單的槓桿。

價格卡真正獎勵的是什麼

在計費表上,Qwen4-Max 很便宜——是真的便宜,而且這種便宜對用錯工作負載的懲罰最輕。

• 新加坡費率 — 每百萬個輸入詞元 1.50 美元,每百萬個輸出詞元 4.50 美元

• 全球範圍區域 — 輸入 $1.413、輸出 $4.24,精確到小數點後三位,這正是第三方列表所引用的價格

• 快取 — 在新加坡每百萬次讀取為 $0.075,其他地區為 $0.071;五分鐘的寫入費用為 $1.875,一小時為 $3.00

• 長上下文 —— 一律均價。沒有超過權杖門檻的加價等級,而這一點本月並非每家競爭對手都成立。

• Batch — 僅限北京的檔案批次費率:輸入 $0.707、輸出 $2.12

那些是阿里巴巴公布的價率。結構比數字更重要:整個視窗內採扁平定價,意味著一份 40 萬 token 的文件審閱在這裡只需 $0.60 的輸入費用,而帶長上下文倍率的模型會收取數倍於此的價格。對於這個模型真正擅長的工作負載——長文件、影片、批量擷取——扁平價目表的價值高於每 token 的標題數字。而對於它不擅長的工作負載——互動式、多輪、代理式——價目表則無關緊要,因為制約因素是時鐘,而不是計量器。

沒有人列出的那部分:沒有檢查點

微調與模型部署在該模型的文件中都標示為不支援。Qwen4-Max 可租用但不可擁有,而發布文章中對開放權重唯一的讓步,是較小的 Qwen4 模型「即將開源」。對於一款以處理真實世界工作為賣點的模型而言,這是實質限制,而非授權細節:有最多真實世界工作要做的團隊,通常也正是想在其上進行微調的團隊。如果你的計畫涉及蒸餾變體、地端部署,或釘選到固定權重集的可重現快照,這款模型這三項都不提供,而任何第三方清單也無法補上。

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

您現在可以撥打什麼

Qwen4-Max 並不在我們的目錄中——這條路線不存在,我們也不會暗示它存在。目錄上有的是 Qwen3.8-Max,它今天就能以供應商定價、0% 加價進行路由,而且在你判斷一項 32 分鐘的任務是否值得之前,你實際會拿來做基準測試的就是這個模型:它的得分是 34 對 43,但它是你的團隊已經熟悉其價格與行為的模型。

這次發布帶出的路由問題範圍很窄,值得精確說明。當一個模型每項任務要花半小時,你真正在意的故障模式不是答錯——而是某個呼叫在第二十九分鐘中斷,卻已經按二十九分鐘計費。這正是把長時間執行的模型放在具備 自動容錯移轉 的路由後面,而不是直接呼叫單一供應商的原因:重試會落到仍存活的端點上,而升級邏輯存在於路由中,而不是你的應用程式碼裡。一把金鑰橫跨超過 200 個模型 也意味著下一節的比較只是設定變更,而不是第二份合約。

誰應該移動,誰應該等待

如果你的工作是批次處理、文件密集、以影片為輸入,或以小時而非秒為單位衡量,現在就改用。長上下文固定定價、984,000 個 token 的視窗、原生影片輸入、支援影片的工具呼叫,以及每項索引任務 $3.27 對比其所取代模型的 $10.02,對這類工作而言是直接了當的升級;而當另一端沒有任何東西在等待時,32 分鐘的時限就無關緊要。

等等,或者至少先測試這個旋鈕——如果你的工作是互動式或代理式的話。已公布的數字描述的是模型最昂貴的設定,而在一個中位數任務十二分鐘完成的排行榜上,你實際會部署的設定從未被獨立計時。先拿低與高努力程度對你自己的追蹤紀錄跑一遍,再拿去對基準測試跑——那個實驗只花幾美元,卻能回答發表文章沒問的問題。

無論你屬於哪個陣營,都要把日期讀對。Qwen4-Max 於 2026 年 11 月 16 日正式開賣。18 日發生的事,是它在另一個地方上架了,並打著一句關於真實世界工作的口號。模型沒有變。時鐘沒有變。口號是唯一新增的東西,也是頁面上唯一你能自行查證的主張。

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