Qwen4-Max-Preview实测：阿里旗舰放弃跑分，转向编程与Agent

11月11日是阿里最擅长的卖货日。这一回被摆上货架、打到一折的，是Qwen4-Max-Preview。

当天上午10点，千问官方放出一句“Qwen4 is coming”，随后Qwen4-Max-Preview登陆千问App，支持图像与视频输入，单次最大输出约39万Token。

奇怪的是，这次旗舰换代里，大厂惯用的“发榜仪式”不见了。参数规模没提，技术报告没发，碾压竞品的跑分柱状图一张也没有。官方对模型能力的描述很朴素：知识理解更深入，世界感知更立体，Coding与Agent能力是重点。

技术参数捂得很紧，包月转化却全力推。千问在意的已经不是静态题库里多拿0.5分，而是用户每天在编辑器和办公软件里真正烧掉多少Token。这场限时350个小时的真实压测里，我们想拆解一个最核心的问题：真要把活干完，Qwen4-Max-Preview到底好不好用？

实测Qwen4-Max-Preview

先让它画一只骑车的鹈鹕。这是开发者圈里流传已久的一道题。

Qwen4-Max-Preview画出的鹈鹕一眼能认出来，自行车结构完整，鹈鹕的脚踩在脚蹬上，它还自己往车筐里添了条鱼，远处加了艘帆船。提示词只要求输出SVG代码，它实际交的是一个网页，SVG之外还带了播放、调速等控制面板。不过这题公开太久，不排除模型做过专项优化。

真正的测试从办公场景开始。

第一项是读财报。我们一次性上传了Apple和Costco的财报文件。

三家公司报告期营收对比

Anthropic九个月经营亏损与净亏损对比

Qwen4-Max-Preview用8分钟交卷，抽查的6个关键数字全部正确：Apple全年营收4，788.34亿美元，同比增长15.1%；Costco总收入3，031.54亿美元，它还主动把2，972.47亿美元的净销售额单列出来；Anthropic九个月营收332.42亿美元，同比增长1,206%。更关键的是，它把Anthropic的经营亏损（12.6亿美元）和净亏损（1，040.39亿美元）分开展示，并指出差额主要来自股权激励等项目。

我们设了两道陷阱提问，它一道都没踩。问2027年营收指引，它答三家均未披露；问Anthropic的估值，它指出70至78美元只是发行价的估计区间，文件里那个“2万亿美元”是全球医药支出的规模，跟公司估值没关系。

接着我们把Apple分品类营收画成柱状图，只给iPhone和Services两根柱子标了数值。Qwen4-Max-Preview用1分6秒读对了这两个标注值，分别为2,541亿和1,233亿美元。剩下三根柱子它一个精确数都没编，只按坐标轴给出估读区间。Mac和iPad的区间覆盖了真实值，Wearables的区间上限比真实值低6亿美元，说明它读小柱子时偏保守。核对总数时，它也没把估算当成精确验证，而是写明：仅凭这张图无法精确验证总计，估读加总与标注的4,788亿美元“大致相符”。

读图测试所用的柱状图：仅两个项目带数据标签

Qwen4-Max-Preview的回答

第三项测试选的是最常见的办公活儿——整理会议纪要。我们故意把双11复盘会的速记写得乱七八糟，还埋了几处坑。12月大促预算会上先说80万元，老板接完财务电话后改成60万元，并说“80万那个不算了”；客服外包原本定在12月5日前续签，后来被叫停，改成下周一再议。

三轮修改对照

数据清洗这项表现最利落。甩给它一份44行的销售明细，里面有重复条目（有一组只差一个空格）、“万元”和“元”混着用、三种日期格式，另外还有5笔订单缺失。要求是：把数据洗干净，在千问办公里导出一份Excel，汇总表得用公式算。

清洗对账与公式检查

Qwen4-Max-Preview交出的Excel显示：清洗后剩35行，四个区域合计215,700元。5个汇总单元格全部是真实公式，改动明细后汇总会跟着更新。它还主动列出了每组重复记录保留了哪一行、删掉了哪一行。

接下来我们试着只用一句话让它生成真实可用的PPT。主题是模型上线前一晚才公布的。

两个必须答对的事实，它都答上了：11月10日阿里公告拟分拆平头哥，平头哥已在9月11日以保密形式递交上市申请，来源标注为阿里公告中的表述。

第一轮PPT第2页：时间线

信息来源的边界也把握得比较清楚。它在募资规模一栏写明“据公开报道为××亿美元”，没有把媒体口径当成公司确认的数据；第4页的估值表则加注“均为预测，非发行定价”，提醒读者这些数字不等于发行价。

第二轮的受众换成了刚入行的分析师，我们要求语言更通俗，并在第2页加一张产品线表格。Qwen4-Max-Preview 把各页标题的语气都调得平实了一些，估值页也补上了“基于可比公司测算”的说明。新增的表格按业务线分列收入与增速，数字与财报口径对得上。

下面测长文本检索，看它能不能从海量记录里把“针”找出来。我们编写了1600条客服工单，约50万字节，绝大多数是同一句模板话。一位客户的经历被拆进相隔741行的两条工单；另有一条内部备注规定，补偿券面额将要下调。

就这份材料，我们列出了五个要弄清的点：该客户最后实际退回来多少钱、具体是谁办的；起初为什么要走加急；补偿券会不会被下调政策波及；“华东”加上“物流延迟”的工单能数出多少条；以及文件里有没有同一个订单号挂着两条工单的情形。

五道题全部答对。它把相隔741行的两条工单关联起来，给出退款1,386元和经手人的工号；又依据审批日早于新规生效日，判定补偿券不受下调影响。“华东且物流延迟”的工单它数出62条，附上的编号与程序跑出的结果分毫不差。重复订单号它找出两组，还正确区分了哪一组是同一订单的正常流转，哪一组属于客户信息冲突。

下面的图记录的是1600条工单里“针”的位置与计数结果。

办公场景过完，测试转到代码和科研方向。头一项是接手别人留下的代码——一个拿Python标准库搭起来的工单查询服务，组合筛选、排序、分页、参数校验几处都有毛病。任务是把它修好，原有接口、原始数据和现成测试都得保住。

Qwen4-Max-Preview用了8分07秒完成任务。它先跑原有的9项测试，复现出2项失败；随后把修改集中在query.py一个文件里，把执行顺序调成先校验、再筛选和排序，最后分页。改完它还补了48项测试。第一轮运行时，它自己写的测试出了3处问题；修正中文关键词的预期和URL编码之后，57项测试全部通过。它还在一份副本里还原旧实现，确认新测试确实能抓出原来的缺陷；又用真实的本地服务发了13个请求，收到7个200、4个400和2个404。原始数据和已有测试的哈希值保持不变，交付包解压后复跑，测试依然全绿。

执行日志的可视化结果：基线缺陷、修复后的完整测试集，以及真实HTTP响应。

第二项是科研复现：按指定论文的方法实现算法，并给出数值结果与图表。

代码、数值结果、图表和日志，Qwen4-Max-Preview用10分06秒就交齐了。三组结果每组52个检查点，目标函数在迭代过程中一次都没往上走；A组的关键检查点跟公开参考对得上，逐项吻合。交付物里另有63项自查，以及解压后复跑的记录。毛病出在解释环节。报告里说，目标函数一路下降，说明算法收敛到了局部解。可是误差在缩小、迭代已经收敛，这只能证明它停在一个稳定点上，跟收敛到局部解不是一回事。

下面是误差下降曲线与矩阵重建图。

收尾的三项是交互作品，一项比一项难。打头的是把Anthropic招股书的资料包做成单文件网页，离线要能用，得有滚动导航、能切换的图表和表格，还得有一个可搜索的风险列表。

Qwen4-Max-Preview交上来一个46KB的HTML文件，外部依赖一个没有，图表全是自己画的。在模拟浏览器里把各项交互逐一点过，抽查的8个数字全对。它还在季度图里多画了经营损益，唯一赚钱的那个季度涂成了绿色。不足只有一处：漏了“约70.7亿美元在12个月内到期”这一条。

下面是网页交互的逐项检查结果。

第二项是场景模拟：把同一场60分钟的暴雨放进两块对应的微缩街区，左侧是传统的排水系统，右侧是改造后的方案，看两边的积水过程如何演化。

Qwen4-Max-Preview用28分07秒做出一个离线页面。街区用简化几何体搭建，两侧的降雨、地形和建筑条件保持一致，只改排水结构。启动后可以拖动时间轴，观察不同时刻的积水深度与消退速度，左右两侧的差异一目了然。

最后一项是交互小游戏。一列奶油色的小火车，依次探索四座季节浮岛，完成三种挑战、集齐邮戳，最后在冬季点亮灯塔。

全部测试里这题最费时间，Qwen4-Max-Preview花了41分21秒。四座浮岛各有各的样子：春站配樱树和风铃桥，夏站是白沙加贝壳亭，秋站立着风车和麦田，冬站则是雪松与灯塔。挑战成功、失败重试、奖励锁定、重新开始，执行日志里都记得完整，三维库连同所有模型都塞进了一个离线文件。

模型总评

十二项测试跑完，Qwen4-Max-Preview整体表现出的特点是下限扎实，但边界分明。

信息检索和长文本清洗这块，它的准确率不低。三份财报统计口径各不相同，抽查的数据它全对上了，还能自己把非现金项目对账面亏损的干扰剥开；50万字节的工单记录里，相隔741行的关联线索被它准确串了起来，62条统计计数跟脚本跑出来的结果一致。

幻觉控制方面，它做得比较收敛：图表里看不清的柱高只给估算区间，纪要没提到的负责人直接写“会议未明确”，媒体传闻和公告事实也分得开。多轮改动的稳定性还行，长纪要连改三轮、PPT调了两轮，核心事实没有跟着乱。

交付这块，靠内置工具，它拿得出带公式的 Excel、能编辑的 PPT、过了 57 项测试的代码包，还有可离线跑的网页和 3D 小游戏。代码修复测试里，它把“复现缺陷—修复代码—用旧实现反证新测试—打包复验”这条链路完整走了一遍，工程规范性不错。

短板也摆在明面上，问题集中在缺少硬标准的定性推演。科研复现这类场景里，它会把“误差正在下降”直接拔高成“收敛到局部解”，有过度解读的毛病。

说到底，规则明确的日常检索、数据清洗、制表、基础代码维护，交给它没问题；一旦涉及定性判断和最终结论怎么表述，还是得人来审核。

不晒跑分，订阅首发

Qwen4-Max-Preview 这次出场有点反常：生命周期只有 15 天，跑分不公开，首发和订阅绑在一起，时间点卡在双 11。四个动作凑到一块，阿里的算盘不难读。

头一条，是把公开测试直接做成产品。15 天锁死权重的预览版，实质就是一场面向真实场景的

第二条，商业重心从卖模型挪到卖 Token 订阅。首发渠道 Token Plan 的月度套餐，除千问外还打包了 Kimi、GLM、DeepSeek 等第三方模型，Claude Code、Cursor、Qoder 等开发工具也打通了。这套组合里，旗舰模型负责拉新——拿最强的版本把开发者拽进订阅池。15 天后预览版下线，订阅关系留得住。

实测结果也对得上这个方向。Qwen4-Max-Preview 最稳的场景，是生成带公式的 Excel、可编辑的 PPT、多轮修改不走样的纪要，以及能自己复现缺陷、自测复验的代码维护。这些恰好是千问办公、Qoder 和 Token Plan 的核心付费卖点。模型能替人干多少活，直接决定 Token 烧多少。

第三条，模型正变成阿里 AI 重资产的变现出口。今年 6 月，阿里合并组建 Token Foundry 事业部，由集团 CEO 吴泳铭直接掌管；9 月云栖大会上，吴泳铭把智能比作规模化供给的“动力”，定下模型、芯片、云三大基石。

阿里在千问 4 发布前夜放出消息：计划把平头哥分拆出去、到香港上市，芯片这门生意直接决定 Token 花多少钱，如今让它单独到市场上找钱。同一时间，阿里云一个季度的资本开支已经涨到 676.78 亿元，外部商业化收入的增速则拉到 45%。云负责供算力，芯片负责压成本，模型负责定质量，订阅负责收钱——整条重资产链条上，模型站在最靠后的位置，前面砸下去的钱，最终都要从它这里收回来。

Max 的定位也跟着变了。Qwen4 四档序列里，Plus 和 Flash 接日常调用，27B 开源扩生态，Max 管能力上限。这回 Max 没去刷榜，而是直接进千问办公、Qoder 和 Token Plan，拿报表、PPT、代码包证明自己能接多复杂的活。它锚定用户对千问全系的预期，也决定用户愿不愿意为订阅掏钱。

不过落地有个明显摩擦：入口太碎。同一个模型，上线当天就散在 Token Plan、千问 App、千问办公、Qoder、QwenStudio 和网页端 Qwen Chat 六个渠道。这些入口有的扣订阅额度，有的免费；有的能直接出文件，有的只能对话。入口一杂，转化本身就会漏。

结语

衡量阿里 AI 的尺子，正从单个模型的榜单名次，换成整套体系的协同效率：模型质量、算力成本、用户留存，三样缺一不可。

需求端也在变。底座模型的迭代周期已经按月算，把需求架在多模型路由上，比押注哪一家都稳。Token Plan 这类聚合订阅冒出来，就是证据。模型的价值锚点从“挑战更难的题”转向“交出更实际的活”，大模型竞争的计分板，也从榜单换成了账单。