Qwen4-Max四项实测:2.4万亿参数模型能自己交活了
11月15日,千问发布新一代旗舰模型Qwen4-Max。新模型总参数2.4万亿,具备原生视觉能力,上下文窗口达到百万token。官方将其定位为“全天候AI新同事”,主打方向是长程任务与成果交付。为了验证这一定位能否在实际使用中成立,我们设计了四项测试,包含了前端互动网页、Godot 3D动作游戏、视频白模预演,以及一份
11月15日,千问新一代旗舰模型Qwen4-Max正式发布。这个新模型总参数2.4万亿。
这一定位在实际使用中能不能站得住?我们设计了四项测试来验证,覆盖前端互动网页、游戏工程等方向。
四项任务跑完,Qwen4-Max交出的都是能直接打开、直接使用的成品。成品之外更值得看的是它干活的方式:环境搭建、运行测试、画面检查、问题修复,这些环节大多由模型自己完成。
四项测试下来,我们得到三点核心结论。
1、交付前先自我验证,已经成了常规动作。代码写完先检查,游戏做完先试玩,镜头开拍前先规划,PPT交付之前Qwen4-Max也会自己先过一遍。
2、用AI开发游戏的门槛明显降了。引擎下载、导出模板续传、在线发布这些工程环节,由Qwen4-Max与相关工具配合完成。
3、修改意见能准确落地。游戏第一版数值偏难,模型收到六项修改意见后,第二版全部落实,还额外修好了两处没人指出的程序缺陷。长程任务不必一版到位,关键是每轮迭代都有实质改进,Qwen4-Max在这一点上做到了。
一句话说,Qwen4-Max展现的是交付前主动自查的工作能力。
架构更省,能力更强,成本更低
这次升级的重点不是单项评测分数,而是把任务做完的能力。
先看新架构。Qwen4-Max总参数2.4T,每个token激活71B,另外还有328B的N-gram Embedding参数。
架构上有三处主要改动,其中三层采用了新设计。
官方称,Qwen4-Max预训练全程没有出现异常情况。
打个比方,模型处理长文本,好比图书馆整理一份百万字长稿:Gated DeltaNet像随读随记的馆员,只在一张固定大小的摘要卡上记要点,留什么删什么由“门控”决定;Qwen Sparse Attention在需要原文时按索引调出相关几卷,不用把整座书库搬空;N-gram Embedding则是常用短语索引,常见搭配直接就能查到。2.4T是馆藏总量,每处理一个token,实际取用的只有71B。
第二是专业工具与长程任务。为了衡量模型在专业场景里的表现,千问构建了相应评测体系。
长程任务方面,新模型引入了新的机制。
第三是使用成本。Work360评测中,Xhigh和High两档推理强度的token消耗分别减少约24%和35%;单个任务平均费用从26.58元降到11.16元,降幅58%。
下面用四项测试检验这些能力在实际任务中的表现。
四项实测:难度逐级递进,成品全部可用
这轮测试重点看Qwen4-Max的“成果交付”能力,测试遵循三项原则,仅使用规定范围内的工具。
四项任务难度逐级递进:从单文件的前端网页,到完整的游戏工程,再到考验空间精度的任务。
第一项是前端测试。题目用的是社区流行的“秦始皇骑北极熊”,Qwen4-Max一次性生成了完整页面。
首轮需求沿用社区通行写法。成品里,秦始皇身着黑袍金边,对应“秦尚黑”的历史设定,冕冠旒珠随奔跑摆动;远山、长城与雪地分三层视差滚动。
按第二轮需求,Qwen4-Max把动画扩展成《秦始皇骑北极熊巡游记》,内容更完整。
第二项任务不再是单文件,而是一个完整的工程项目。
这项任务对自主性要求最高。下载引擎超时后,模型自己改走镜像源,并做断点续传;开发过程中,模型实际运行游戏并截图检查,发现视角设置有问题,随即改掉,确认网页版跑通后才完成在线发布。
第一版数值设定偏难。六项修改意见提出后,第二版全部照做,游戏资源包从14MB压到253KB。接着模型写了一个自动玩家程序,程序从开局一路打到首领战并通关;这期间,模型还自己发现并修好了两处没人指出的程序缺陷。
试玩链接:https://wd4635fq.qwenwork.host/
第三项任务考的是空间精度,要制作一段20秒、五个镜头的中式庭院。
动手之前,模型先把交付形式问清楚。需求里“南北20米是否包含正殿”这类说不准的地方,模型也给了明确处理办法,连同其他补充假设一起写进参数表。各镜头的机位和视角都做了数学校验。
拖动时间轴核对下来,角色停步、正殿亮灯、殿门开启这三个时间点都对得上。个别仰拍机位的画面有一部分被井沿挡住,再补一句指令调整取景就能解决。
第四项任务回到办公场景:自主搜集资料,做一份《国产AI大模型2026年发展盘点》PPT。只给一个题目,Qwen4-Max交出了14页可编辑的演示文稿,含3张原生图表,每页页脚都附了出处链接,还主动标明哪些数据属于厂商披露口径。
模型先做了5轮联网检索,覆盖主要厂商、时间线、开闭源格局、价格和典型应用,最后一页给出它自己的判断:“竞争主轴=单位任务成本×交付可靠性”。
排版检查上,模型先把PPT渲染成图片,再调用自身的视觉能力逐页看文字溢出、图表可读性和页脚越界,改了4页后重新渲染复核。
自我验证,让长程任务走进日常工作
Qwen4-Max把大模型的竞争重点,从“答得好”推到了“交得出”。
从能力看,自我验证是交付可靠的前提。本次测试的四项任务难度递进,越往后越接近真实工作,对交付的要求也越高,成品质量却没有随难度提升而下滑。原因在于,每项任务交付前,模型都会自己检查一遍。原生视觉、长程执行这些能力,由此不再只是评测分数,而是变成了实际的交付质量。
从产品看,模型与产品配合,使用门槛被拉低了。
从成本看,价格决定这种用法能不能普及。单个任务平均费用下降58%,Qwen4系列中小尺寸模型也将陆续开源。长程智能体要变成日常工具,成本得先降下来。
能力、产品与成本一起往前走,“全天候AI新同事”这个定位才有了落地的基础。从这次实测看,Qwen4-Max已经养成交付前先把工作检查一遍的习惯,这也是AI成为新同事最重要的素质。