千问旗舰模型升级:百万上下文与原生视觉
阿里发布闭源 Qwen4-Max,采用总参数 2.4 万亿、激活参数 710 亿的 MoE 架构,支持原生视觉与百万 token 上下文。输入价格为每百万 token 1.5 美元,报道称其在 Work360 上的单任务成本降低了 62%。
AI 深度解读
Qwen4-Max 最值得程序员关注的,是它把长任务能力、Token 消耗和 API 价格放到了一起优化。按原文披露,这款闭源多模态模型采用 2.4T 参数的 MoE 主干,每个 Token 激活 71B 参数,支持 1M 上下文;阿里报告,Work360 平均单任务成本下降了 62%。
但便宜、上下文长,都不能直接推导出「更适合写代码」。原文的成绩呈现出明显分化:专业 Agent 任务有亮点,部分编程与视觉测试仍落后。选型时,真正该看的是它能否以更低成本完成你的任务。
2.4T 参数,为什么每次只用 71B?
MoE(混合专家)可以理解为让不同参数模块分工,每处理一个 Token,只调用其中一部分。Qwen4-Max 的 2.4T 是主干总参数,71B 是每个 Token 激活的参数;它还额外配置了 328B 的 N-gram Embedding 参数,不能把这些数字混成一个计算量指标。
原文介绍了三处架构调整。
第一处针对长上下文。每个 Qwen Sparse Attention(QSA)层搭配 3 个 Gated DeltaNet(GDN)层,后者把历史信息压缩成固定大小的状态;QSA 再通过轻量索引器,以微块粒度挑选相关上下文。目的很明确:减少长序列上的注意力与索引开销。
第二处是 Gated Residual(GR)。它使用 4 条并行残差分支,通过动态读写门控制信息流,目标是改善训练稳定性。阿里称,整个 2.4T 规模预训练没有出现损失尖峰,但原文没有提供训练日志供读者核对。
第三处是放在第 2 层的 N-gram Embedding,用额外的 328B 参数查询局部 Token 组合,为模型增加容量,同时尽量少增加计算。
阿里内部测试还报告:Qwen4-Max-Base 相比 Qwen3.8-Max-Base,激活参数减少 25%,每字节比特数下降 5% 至 13%。后一个指标衡量预测文本所需的信息量,越低通常代表预测越好;它并不直接等于业务正确率提高了相同比例。
模型支持文本、图片和视频输入,最大输出为 393K Token。不过,能放进 1M Token,不等于能可靠使用其中每一条信息。 原文没有给出不同上下文长度下的准确率变化。
Agent 成绩突出,为什么还不能直接替换编程模型?
阿里的对比图覆盖 16 项基准,Qwen4-Max 在其中 4 项排名第一:
- 法律 Agent 测试 HLAB-Vals-1.1 得分 21.3,Kimi K3.1 为 11.7,Claude Opus 5.5 为 9.2。
- Agents’ Last Exam v1.1 得分 46.7,Opus 5.5 和 Kimi K3.1 均为 43.4。
- BioMysteryBench 得分 85.0,GPT-6.1 Sol 为 84.4。
- DeepSWE v1.1 得分 75.7,Kimi K3.1 为 75.5。
这些结果支持它在部分专业任务上的竞争力,但领先幅度差异很大。法律 Agent 测试的差距明显,DeepSWE v1.1 则只有 0.2 分;原文没有给出重复运行的波动范围,无法判断后者是否稳定。
另一面的差距更值得编程用户关注。ProgramBench 上,它是 31.5,Opus 5.5 是 65.0;Terminal-Bench 4.0 上,它是 48.5,Kimi K3.1 是 67.2。视觉相关的 Chartography 为 54.2,GPT-6 Astra 为 71.1;Humanity’s Last Exam 为 51.7,Opus 5.5 为 59.8。Opus 5.5 共领先 7 项。
某个软件工程榜单领先,不能替代对完整编程流程的验证。 修改代码、操作终端和处理复杂工程问题,对模型的要求并不相同。
这些分数也有来源限制:对比图由阿里整理,部分成绩引用第三方榜单,发布时没有独立复现。图中的 Kimi K3.1 得分,与 Moonshot 自家模型卡中的 Kimi K3.1 Pro 数据也不完全一致,不能默认是同一口径。
单任务便宜 62%,账是怎么算出来的?
原文给出的逻辑有两层:单价下降,以及完成任务消耗的 Token 变少。
Qwen4-Max 每百万 Token 的输入价格从 Qwen3.8-Max 的 $2 降至 $1.50,输出从 $6 降至 $4.50;隐式缓存读取从 $0.25 降至 $0.075,降幅为 70%。
在阿里自建的 Work360 上,Xhigh 推理强度的 Token 用量约减少 24%,High 约减少 35%;Terminal-Bench 4.0 对应减少约 48% 和 49%。Work360 平均单任务成本因此从 $4.43 降至 $1.67,约下降 62%。该测试覆盖 26 个一级领域、721 个细分领域,模型得分从 47.74 提高到 52.69。
这组数据值得关注,因为它同时报告了成绩与开销。但原文没有充分展开缓存命中、失败重试等成本细节,62% 应当保留在这套测试条件内理解。
接入方面,QwenCloud 的模型 ID 是 qwen4-max,支持 OpenAI-compatible 和 Anthropic-compatible 客户端,提供 function calling、structured outputs、context caching、batch processing、web search 和 fine-tuning,默认速率限制为每分钟 5,000,000 Token,通过 enable_thinking 切换思考模式。
它只提供托管访问,包括 QwenCloud API、Token Plan、Qwen Studio、QwenWork 和 Qoder。没有开放权重,也就没有自行部署或制作量化版本的路径。原文还提到当月开放的预览仅面向 Token Plan,但没有说清预览与其他入口的具体开放关系。
我的判断
我认可原文把注意力放在「完成任务的成本」上。对于需要多轮调用的 Agent,每百万 Token 的价格只是账单的一部分;输出长度、重试次数和最终成功率,都能改变结论。
但这篇材料更适合用来建立候选名单。架构收益、训练稳定性和 Work360 改进主要来自厂商披露,缺少独立复现;参数更多、激活更少,也无法单独证明体验更好。
与统一切换模型相比,我更倾向于先按任务评估:专业资料处理可以试,复杂编程和终端操作则需要单独验收。原文没有提供前端项目、Node 服务或国内团队真实工作流的对照数据,不能替它补上这部分结论。
能拿来做什么
- 在现有 AI 编程流程里挑选一组可验收的真实任务,对比 Qwen4-Max 与当前模型的完成率、修改质量、重试次数和总费用,再决定是否切换。
- 需要长上下文时,用同一份项目资料分别测试完整输入和检索后输入,检查它能否找到关键约束,并比较成本;不要仅凭 1M 窗口就把整个仓库塞进去。
- 已有 OpenAI-compatible 或 Anthropic-compatible 调用层的团队,可以先接入
qwen4-max,分别评估思考模式开启与关闭时的结果,并核对工具调用和结构化输出是否满足现有流程。