一張生成的標題卡,標題為「獲認可適用於代理式程式設計,評測排名第 74(共 79)」,標籤寫著每秒 54 個 token、每項索引任務 32.2 分鐘、首個回答 token 需時 179.79 秒,以及 Intelligence Index 得分 43,頁腳寫著「速度數據來自 Artificial Analysis,讀取於 2026 年 11 月 17 日」。
Guides & Insights

Qwen4-Max 現在正主打用於代理式編碼。獨立速度排行顯示,其在 79 個中排名第 74。

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

2026年11月17日 09:31 UTC,官方Qwen4-Max 在 X 上的帳號發布了五個詞和一則邀請:該模型現已在第三方平台上線,快來試試代理式編碼。這是對該平台自家公告的引用轉推,時間就在阿里巴巴將該模型從預覽版轉為按用量計費的正式可用版的一天後。這則貼文篇幅很小,很容易被滑過。這也是該供應商首次將其自家追蹤者引向其旗艦模型的特定外部途徑,而且它挑選的工作負載——長時程代理式編碼——正是 Qwen4-Max 目前在排行榜上獨立測量結果最弱的一項。

值得報導的整體張力就在這裡,而這並非指控。供應商向代理程式建構者推廣模型是正常的。真正值得釐清的是,推銷說法與讀者能查證的數字之間的落差,因為團隊會依據推銷說法行事,而數字則是由帳單與實際時間所呈現的。

這則貼文實際上確立了什麼

三件事,僅此三件。其餘的不過是披著新聞外衣的推論。

• 這項背書是真實的,且有明確日期。該貼文帶有 11 月 17 日 09:31 UTC 的時間戳,來自廠商自己的帳號,而且是引用轉推平台先前的公告,並非單獨發布。廠商轉推合作夥伴的發布是一種刻意的行為;該帳號並非只是碰巧提到這件事。

• 該平台並非第二個部署。其模型頁面在標題為「由自家實驗室提供服務的路由模型」的表格中列出 qwen/qwen4-max,而非列在其自家發佈的版本之中。這項區別比圍繞它的行銷文案更重要:路由模型是透過別人的前門所接觸到的阿里巴巴部署,而這也是封閉的 2.4 兆參數級模型唯一能在任何地方出現的方式。

• 這是 beta 版,不是產能。該網站常設橫幅說明其處於封閉測試階段,並要求提供邀請碼。來自模型自家帳號的背書,反映的是意向,而非吞吐量、配額或服務等級協議——而邀請碼並非採購途徑。

而這篇貼文未能確立的,是任何一項效能主張。文中沒有每秒 token 數、沒有任務完成率、沒有每項任務成本,也沒有說明這條路徑能容納多少個並行的代理工作階段。把它讀成「你現在可以從這裡存取這個模型」就好,這正是它全部的說法。

代言下方的卡片比廠商自家的更便宜

這份路由列表自帶數字,而價格才是最值得盯著看的。它顯示每百萬輸入 token 為 $1.40、每百萬輸出為 $4.20,上下文視窗為 977K token,狀態為線上。

• 輸入 — 路由卡為 $1.40,對比阿里自家 Global 範圍卡為 $1.413(北京、香港、法蘭克福、美國維吉尼亞、東京),新加坡則為 $1.50。

• 輸出 — $4.20,相較於全球的 $4.24 與新加坡的 $4.50。

• 方向——繞送後的數字比該供應商公布的最便宜地區低約 1%,而比大多數中國大陸以外讀者實際會被扣款的卡片低約 6.7%。

• 所述機制——平台將其收費描述為「實驗室的費率加上路由費,每個答案都附有簽署的路由收據」。

• 上下文長度數字——商品頁標示 977K,對比 Alibaba 模型卡上的 1,000,000,而實際上限為標準模式下的 991,808 個輸入 token,以及思考模式下的 983,616 個。

這兩個事實放在一起顯得格格不入。一個在實驗室費率之上加收費用的路由,成本應該高於直接使用,而這個路由卻比所有已公布的 Alibaba 區域都便宜。合理的解釋都不光鮮——促銷費率、針對呼叫哪個 Alibaba 端點所做的區域套利,或是自預覽卡以來就未更新的刊登資訊——而這些都無法從外部證實。讀者能做的是,不要再把經路由的價格當成模型價格。Alibaba 自家的價格卡才是參考;任何低於它的價格都是一項商業安排,附帶一個沒有人公布過的到期日。如果你決定的是每項任務成本,請以新加坡的輸入 $1.50、輸出 $4.50,或 Global 範圍的 $1.413 和 $4.24 來估算,並把折扣視為額外上行空間,而不是計畫本身。

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.

這個職位的工作量是追蹤工具測量得最糟的一項

Artificial Analysis 是唯一一家公佈 Qwen4-Max 獨立測量結果的機構,而它的頁面已更新,加入了一整列在發布當天並未出現的完整效能數據。那一列所寫的內容毫不含糊。

• 智慧指數 — 在 v5.0.1 九項評測套件中為 43,於 81 個模型中排名第 38,略高於該價格層級追蹤器中位數 41。

• 輸出速度 — 每秒 54 個 token。在該追蹤器依效能排名的 79 個模型中,位列第 74。

• 首個回答 token 所需時間 — 179.79 秒,因為模型會先思考再開口,而 Alibaba 卡片上的預設推理強度為 高。

• 每項 Intelligence Index 任務耗時 — 32.2 分鐘,而同類模型的中位數為 13.3 分鐘。追蹤器稱此「明顯偏慢」。

• 冗長度 — 整個索引共 1.27 億個輸出 token,中位數為 7,860 萬。在 80 個中排名第 65。

• 每個索引任務的成本 — $3.27,在 80 個中排名第 44,且已套用 95% 的快取折扣。

那份清單上的每一個數字都是追蹤器自家的量測結果,而非阿里巴巴的。廠商公布的說法完全是另一組數據,而且無論出現在何處都標註為廠商說法:在其自家的 Work360 基準測試上,相較於 Qwen3.8-Max 有 24% 到 35% 的 token 效率提升;在 Terminal-Bench 4.0 上是 48% 到 49%;每項任務的平均成本則從 $4.43 降至 $1.67。這些說法沒有一項經過獨立重現。這兩組資料並不互相矛盾——一個模型可以每項任務都很有效率,卻仍然每個 token 都很慢——但只有其中一組能告訴你,凌晨兩點運行 agent 迴圈會是什麼感覺。

供應商自家資料中還有第二個缺口,而對一個以代理式編程為賣點的模型來說,這點很反常。阿里巴巴的模型卡並未公布參數數量;發布資料描述的是 2.4 兆參數的稀疏混合專家模型,每個 token 啟用 710 億參數,而追蹤器則將規模記錄為未披露。此外,阿里巴巴本身也未公布此模型在 Terminal-Bench 4.0 的分數,只有相對於前代模型的相對效率聲稱。一個想讓代理開發者採用某個模型的供應商,通常會先端出絕對的代理能力數字。這一個卻先端出比率。

每項任務 32 分鐘和每秒 54 個 token 會對迴圈造成什麼影響

單價會掩蓋這一點,所以以下是針對貼文所宣傳型態的算術——一個以輪次逐步完成任務的編碼代理。全部內容皆由公開費率與實測速度推導而來,並非出自帳單。

• 每回合的生成時間——3,000 個 token 的修補內容與推理區塊,以每秒 54 個 token 計算,約需 56 秒的純輸出時間。若達 8,000 個 token,則約需 2.5 分鐘,而且這還是在模型尚未讀取任何內容之前。

• 一場 25 輪的 session —— 25 輪各 3,000 個輸出 token,就是 75,000 個 token,以那個速度約需 23 分鐘的生成時間,再加上如果 harness 沒有保持 context 預熱,還得經歷 25 次各自將近三分鐘的首次回答 token 等待。光是這些額外開銷就可能超過生成本身的時間。

• 同一個工作階段換算成金額——75,000 個輸出 token、每百萬 $4.50,就是 $0.34。算力很便宜;時間可不便宜。這個反轉是理解這個模型經濟效益時最有用的一件事。

• 快取是決定這麼做是否可承受的關鍵槓桿——200,000 個 token 的上下文若在未快取狀態下重新讀取,以每百萬 token $1.50 計算,每回合要花 $0.30;若以 95% 折扣快取,則約花 $0.015。經過 25 回合,這就是 $7.50 與 $0.38 輸入成本的差別,讓輸出帳單完全相形見絀。

換個說法:在 Qwen4-Max 上,要量測的不是輸出長度,而是快取命中率和首字延遲。能讓上下文保持熱、並容忍三分鐘思考時間的迴圈是可行的。每回合都重新送出冷卻的 200K 上下文,會付到二十倍的輸入費率,而且每次都要等三分鐘。32.2 分鐘的索引任務是追蹤器的綜合指標,不是你的任務,但它的方向才是你該據以規劃的重點。

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.

收據上沒有註明是什麼應答的

這是路由式清單中,比起價格更值得關注的部分。平台自家的文件異常坦率:每個路由式回答都附有一份簽署的路由收據,而該收據「無法證明是由哪些權重作答」。它記錄了請求被送往何處,以及最近一次探測回報了什麼。平台自行發布的模型則有更強的信任鏈——檔案以 SHA-256 摘要儲存、修訂版本以檔案對應表雜湊識別、在固定發布者金鑰下的簽署記錄、僅可追加的透明度日誌——而針對qwen/qwen4-max 顯示的驗證狀態為「未知」。

對封閉式模型而言,這不是醜聞,而是每個路由器共有的結構性限制,包括我們在內:如果權重未公開,任何第三方都無法證明是哪個權重產生了某個 token。接下來要說的是實用規則,而非批評。如果你的工作取決於模型確實是 Qwen4-Max——例如評測、基準測試提交,或關於哪個模型接觸過資料的合約聲明——那麼路由端點本身並不足以作為證據,無論憑證看起來多麼完善。如果你需要的是能力,路由端點就沒問題,而出處問題只是學術層面的問題。

如何在不把生產路徑押在它上面的情況下試用它?

坦白說明我們的立場:OrcaRouter 並未路由 Qwen4-Max。目前目錄收錄了 qwen/qwen3.8-max、anthropic/claude-fable-5.2與openai/gpt-6.1-sol;現在針對 qwen4 識別碼的請求會回傳找不到,所以如果你想用我們的 key 跑這個模型,就得和其他人一樣等待。我們能做的是讓這項評估即使要回頭,成本也很低。

值得在意的原因是,這次發布的一切都反對把它硬編碼。這個模型才問世一天,它唯一一列獨立效能資料在速度上於 79 個模型中排名第 74;它的路由價格低於自家供應商的定價表,原因無人解釋;而承載這項背書的平台仍處於需要邀請碼的封閉測試。上述任何一項都可能在一週內改變——而從預覽版到 GA 的轉換,同時把共用的「思考加回答」預算從 393,216 個權杖削減到 262,144,並將計費從點數改為按權杖計量,正是那種會在第二週弄壞正式環境路徑的變更。

這正是把實驗放在路由端點後面、而非寫死在程式碼裡的理由:新模型走一條路由,qwen/qwen3.8-max放在備援,兩者共用一組金鑰、一張帳單。有了0% 加成,並將供應商定價原樣反映,你依照阿里巴巴價目表算出來的數字,就是實際帳單上的數字——這也意味著供應商降價當天就會反映在我們這邊,而不必等到下一次合約續約。模型融合是另一個值得為尚未驗證的模型了解的做法:讓它與現行模型一起在你自家流量樣本上運行,並在任一方接管這條路徑之前比較輸出。如果你只想看看 200+ 個模型共用一個 API 是什麼樣子,目錄是公開的。

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.'

什麼會改變這個讀數?

三件事,依它們會有多重要的順序排列。

第一項是來自該追蹤器以外任何人所提供的速度數據。在綜合基準測試上,僅有單一一次每秒 54 個 token 的測量,對生產決策而言是薄弱的依據,而供應商完全沒有公布任何數據。如果第二個獨立測試框架測得接近該數值,那麼速度慢就是模型本身的特性,agent 建置者應據此規劃其迴圈規模。如果測得遠高於此,問題就出在追蹤器的端點,本節內容也會很快顯得過時——而這正是它應該過時的方式。

第二個是那筆已路由的刊登其驗證狀態脫離「未知」,或是平台退出私人測試版。無論是哪一種,都會把一條已背書的路線,變成你可以用支援承諾來擔保的東西。

第三點是,阿里巴巴公布的是絕對的代理式編碼分數,而不是相對於前代的比例。在它這麼做之前,這項背書只是關於意圖的宣稱,而對其所宣傳工作負載的唯一公開測量結果,是每項任務 32.2 分鐘、每秒 54 個 token。這不是避開 Qwen4-Max 的理由——而是在向任何人承諾交付日期之前,先用你自己的任務對它做基準測試的理由,並且在測試期間讓現行方案保持在一條路由之外。