Qwen4-Max首批实测:智能指数涨9分,成本降约67%
Qwen4-Max首批测评出炉:能力提升、成本大降,但距顶尖模型仍有差距
一水 发自 凹非寺
Qwen4-Max上线刚满24小时,首批外部测评就密集出现了。
先看大家熟悉的Artificial Analysis(AA)榜,结果让人直呼意外:
跟上一代Qwen3.8-Max比,Qwen4-Max的综合智能指数多了9分,跑完同一套测试任务的花费却猛跌约67%。
两代旗舰的总参数量其实一样,都是2.4万亿。
新架构一上身,同样的体量下,能力继续往上走,开销反倒往下掉。
个头没变,分数更高,账单只剩原来的三分之一?!

网友的反应很统一:这还不赶紧上手试试~
于是老牌节目“鹈鹕骑自行车”又被端了出来,各种版本看得人眼花。
网友Doe就让Qwen4-Max用Three.js做了一只3D鹈鹕。
这鸟不只要蹬车,羽毛得做出层次,四周还立起了一座挺有生活味的城市。
这鸟上辈子究竟欠了AI圈多少测试啊。(笑)

网友AJ那边,则让Qwen4-Max搭了个3D海边微缩景观。
木栈桥、小船、遮阳伞一应俱全,水面倒影和岸边礁石也没落下,整幅画面像一件精致的沙盘摆件。
AJ自己说,跟预览版相比,这次3D场景建得更好了,细小模型接缝之类的问题也有改善。

还没完,骑斑马、造小船、复刻Chrome断网小恐龙……
能跑的、能蹬的、能飘的,只要是能想到的,网友几乎都试了一遍。
PPT、表格冲进全球前五,成本还砍掉三分之二
简单回看Qwen4-Max这回升级了什么,主要有三点:
1、体量不变,干活更省。
主干参数规模还是2.4万亿,不过架构换新之后,每次只激活约710亿参数。官方Work360测试里,High推理档位的Token消耗少了约35%,平均单任务成本降幅超过60%。
2、前端能力排到全球第六。
Code Arena的WebDev综合榜上,Qwen4-Max拿下1750分,排在前头的是GPT-6 Astra,后头跟着Claude Fable 5.1。
3、这版模型明显把重心放在了让AI真正动手做事上。
科研、工业、金融、法律这些实际任务,官方给的篇幅比以往更多。同时还上线了Live Delivery功能:Agent先把能用的成果交出来,再一边推进一边迭代,用户中途也能随时改方向。

价格这块,看起来相当有竞争力。
每百万输入Token收1.5美元(约合人民币10.1元),每百万输出Token收4.5美元(约合人民币30.2元)。
输出价格比Kimi K3.1 Pro低一半以上,大约只有Claude Opus 5.5的四分之一,不到GPT-6 Astra的十分之一。
△
图为国内实际价格
价格压到这个程度,落到实际使用中能省下多少?
AA这次确实算了一笔账。
跑完同一套测试任务,Qwen4-Max平均花掉3.27美元,上一代Qwen3.8-Max要花10.02美元。
算下来省了约67%,比Kimi K3.1 Pro的3.68美元还低11%。

而且省钱的原因不光是API降价。
AA的数据显示,Qwen4-Max平均每项任务输出约10.5万Token,上一代要输出17.1万Token。
Token少输出了将近四成,成绩反倒更好。
AA综合智能指数里,Qwen4-Max从上一代的34分升到43分,涨了足足9分。
可要是跟全球顶尖模型摆在一起,差距同样清楚。
Claude Opus 5.5是59分,GPT-6 Astra为57分,Kimi K3.1 Pro拿到46分。
换句话说,Qwen4-Max进步不小,但离最顶尖那一批还有一段路要走。
不过在部分细分项目上,Qwen4-Max给出了不少惊喜。
另一家第三方评测机构DesignArena的榜单里,Qwen4-Max直接进入综合Agentic设计榜全球前五。
DesignArena还专门发帖报喜:
PPT制作,全球第四。
电子表格,全球第五。

电子表格这一项尤其明显,对比此前的Qwen3.7-Max,Qwen4-Max一下提升了30个位次、379 Elo。
好家伙,直接从后排冲进了前五。
这下可热闹了。
综合智能指数上它还没摸到最强那批的门槛,可一到PPT、表格这类具体活儿,Qwen4-Max已经能跟头部选手过招了。
到底实测成色如何,还得看网友们轮番上阵。
先来看一圈网友的实测结果。
打头阵的,还是那只大家再熟悉不过的鹈鹕(doge)。
网友sou一上来就把难度调高了一档:
他让鹈鹕冒着雨骑车送外卖,顺手把Qwen4-Max、Claude Opus 5.5和GPT-6.2 Sol凑到一块儿比试。
三位选手都交上了答卷,可要说谁更强,大家的看法并不一致。
作者自己最中意Opus 5.5那版的味道,评论区倒是先为“谁家鹈鹕更对味”争了起来(笑)。

这边还没分出高下,另一位网友又添了把火,这回是Qwen4-Max对上Gemini 4 Hydrogen。
Hydrogen那版细节塞得很满,围巾、车筐、海边公路一个不少。
Qwen4-Max这边明显松快许多,画面开阔,鹈鹕蹬车也不慌不忙。
最后这位网友把票投给了Qwen4-Max,原因只有一句:
Hydrogen强在细节,Qwen4-Max强在状态。
怎么说呢,一个像迎着海风赶早高峰,一个像财务自由了随便蹬两圈。(doge)

鹈鹕的苦日子,看样子还没到头……
有人索性把它做成了一款Three.js闯关小游戏。
这一回鹈鹕得顺着海边栈道一路猛蹬,边骑边捡道具、攒连击,分数、速度、血量UI也全都配齐了。
不是哥们,骑个车怎么还背上KPI了?

也有网友看鹈鹕骑得太辛苦,自己亲自出马,带上家里的猫一起出门兜风。
只不过……
怎么还有人偷偷倒着骑啊??

再往后,画风就有点收不住了:鹈鹕骑斑马,斑马又骑马。
马:合着就我一个受伤的世界呗……
这位网友把这道套娃Prompt同时丢给Qwen4-Max、Claude Fable 5.2、GPT-6 Astra和Gemini 4 Hydrogen,还特意打乱了顺序,让大家盲猜哪张图出自哪个模型。

对着答案看看,Qwen4-Max是哪一张,你猜对了吗?(正确答案是D)

在动物园里玩了一圈,大家才回过神:Qwen4-Max还能干别的。
有位网友只丢了一句话,就让它在单个HTML文件里做出了一款3D射击游戏。
要求还挺细——
人物要做出真人质感,场景得是3D的。成品页面一打开就能直接开打,前端Demo转眼成了游戏原型。

打累了,换点音乐。
另一位网友拿Qwen4-Max做了一把能直接演奏的网页小提琴。
界面是Apple GarageBand那一路风格,琴身、琴弦、控制面板全做成了3D,浏览器打开就能拉上一段。

还是这位网友,把《传送门2》的结尾场景也搬进了浏览器。
游戏场景到整段演出,都试着用代码重新搭出来,经典结局成了能跑起来的网页作品。
别人还在复刻网页,它已经开始复刻游戏名场面了。
再往下走,飞行模拟器也安排上了。
飞机可以操控,网友还加了个电影式回放:飞完一圈切个视角,自己的空中表演能再欣赏一遍。
飞行员的活和摄影师的活,一并包了。
甚至有人让Qwen4-Max搭出了泰坦尼克号3D场景。
船体、海面、镜头运动都有,浏览器一下变成电影片场。
照这个Roll法,下一步是不是要直接重拍《泰坦尼克号》了?(doge)
《泰坦尼克号》还没拍完,《玩具总动员》又被拿来做了成本测试。
有人让Qwen4-Max和Claude Opus 5.5各用3D体素复刻同一个电影场景。
两边成品都出来了,账单的画风却差得远。
发布者公布的数据显示,Qwen4-Max的生成成本只有Opus 5.5的约十一分之一。
同样是复刻电影,一边按大片预算来,Qwen这边主打勤俭持家。
转了一圈看下来,网友对AI写代码的要求,是越来越离谱了。
其实细想也正常。模型只要功能够用、价钱压得够低,愿意上手折腾的人自然就多。
Qwen4-Max算是个现成的样本。综合实力跟Opus 5.5、GPT-6 Astra这类头部选手比还有距离,可落到前端、PPT、电子表格这些具体活儿上,它已经能对上几招。
更要紧的一点,是试错的门槛被它拉低了。头一回出来的结果不称心,那就再Roll一遍;功能缺斤少两,接着往上补Prompt就是。
搁以前,跑个一两次就得盯着Token账单肉疼,如今同样的预算,够多试好几轮。
这大概才是Qwen4-Max这回真正该被盯住的地方。
说到底,卡住大家整活的往往不是脑洞,是钱包啊啊啊。
那网友们往后还能折腾出什么新名堂……
别的不敢讲,这边建议鹈鹕先请个假。(doge)