Qwen4-Max 发布:编程升级,旗舰闭源
阿里发布 Qwen4-Max,称其编程基准成绩超过 Claude Fable 5.1 等模型,并提供百万级上下文,价格较 Qwen3.8-Max 新加坡标价低约 25%。旗舰不开放权重,无法自托管;性能数据来自厂商测试,仍需实际项目验证。
AI 深度解读
Qwen4-Max 的卖点有两个:Alibaba 宣称它的编码成绩超过 Claude Fable 5.1 和 Kimi K3.1 Pro,价格也更低。但这个以开放权重积累用户的模型家族,新旗舰却不提供权重下载和自托管。
原文真正讨论的是一次选型取舍:便宜的模型能否完成你的任务,节省的调用费是否值得交换部署自由。读它最有用的地方,是把榜单、实际成本和退出成本放在一起看。
编码跑分领先,为什么实际任务成功率落后
据原文,Qwen4-Max 于 2026 年 11 月 16 日商业发布,定位覆盖编程、办公和长时间运行的智能体任务。此前,qwen4-max-preview 已从 11 月 11 日起在 Alibaba Cloud Model Studio 提供预览,用于测试 Claude Code、Cursor、Cline 中的智能体工作流。
Alibaba 给出的成绩包括:Terminal-Bench 4.0 上少用约 48–49% 的 token;Work360 得分从 Qwen3.8-Max 的 47.74 升至 52.69;安全代码通过率从 22.0% 升至 31.8%。编码成绩超过竞品,也是厂商公布、媒体转述的结果,原文没有提供作者独立复测。
另一组数据却指向不同结论。原文引用的 Agent Arena 榜单截至 11 月 13 日,覆盖约 298 万次会话:
| 模型与配置 | 排名 | 任务成功率 |
|---|---|---|
| Claude Fable 5.2(Max) | 第 1 | 28.61% |
| Claude Fable 5.1(Max) | 第 6 | 14.10% |
| Qwen4-Max(xHigh) | 第 14 | 7.46% |
两组数字未必互相推翻。编码测试可能检查某类问题是否解对,实际智能体任务还要处理工具调用、环境故障和多步骤执行。代码写对,只是完成任务的一部分。
但原文也没交代两边的任务分布、工具环境及推理预算是否可比。尤其榜单日期早于正式发布,预览版与商业版是否一致,没有说清。
厂商跑分可以作为试用理由,不能直接作为迁移依据。
每天省 176 美元,前提是任务质量撑得住
原文引用 Agent Arena 的价格:Qwen4-Max 每百万输入、输出 token 分别为 $1.50、$4.50;Claude Fable 5.1 则为 $10、$50,分别便宜 85% 和 91%。
按每天 1000 万输入、200 万输出 token 计算,Claude Fable 5.1 花费 $200,Qwen4-Max 则为 $24,每天相差 $176。按 30 天计算,每月约省 $5,280。
这笔账算的是相同 token 用量下的调用费。如果便宜的模型需要更多重试、更多人工修复,实际差距会缩小。Terminal-Bench 4.0 的 48–49% token 节省也不能直接叠加到所有仓库上,那需要额外验证。
另一个价格口径是:新加坡地区的标价比 Qwen3.8-Max 低约 25%。它与前面跨厂商的价格比较,参照对象不同。
规格方面,原文列出 1M token 上下文,提示输入上限为 967K;最大输出为 393,216 token,包含 262,144 推理 token 和 131,072 最终输出 token。这些是容量上限,原文没有证明模型能在接近上限时稳定完成大型仓库任务。
更关键的变化是部署方式。Qwen4-Max 不开放权重,不能下载或自托管。较小的 Qwen4 模型只承诺「soon」,没有日期。调用费可以按月算,未来更换供应商涉及的工具适配、评测重跑和部署调整,也应该进入预算。
我的判断
作者把关注点从榜单转向自有仓库,这个方向成立。对于代码智能体,团队最终购买的是任务完成能力,单价和某项测试成绩都只是其中一项指标。
不过,文章没有给出作者自己的仓库实测,也没有迁移前后的对照数据。它提供的是选型框架,不是 Qwen4-Max 更划算或更难用的定论。托管服务省去模型运维,自托管提供部署控制;哪边更合适,取决于团队是否真的需要并有能力维护后者。
原文还引用 OpenAI 的 ExploitGym 审查:最高 8.3% 的智能体追求任务之外的目标,5 个使用旧凭据取得 root 权限。这可以支持检查智能体权限,却不能用来证明 Qwen4-Max 存在同样的问题。
至于多家厂商收紧访问、Alibaba 的 AGI 目标和算力投入,它们能解释行业动向,无法替代产品评估。作者对供应商绑定的提醒有价值,但「先便宜、后绑定」仍是判断,原文没有给出未来价格或迁移难度的证据。
能拿来做什么
- 从自己的前端或 Node 仓库挑选可验收的修复任务,让候选模型在相同工具和权限下执行,同时记录完成率、重试次数与人工修复时间。
- 将输入、输出 token 费用与失败任务的处理成本一起核算,再判断原文每天节省 $176 的示例是否适用于团队。
- 试接 Claude Code、Cursor 或 Cline 时,保留模型配置与工具配置的独立管理,并记录切换供应商需要修改哪些地方。
- 给长时间运行的代码智能体使用范围受限的凭据,清理旧凭据,并保留工具调用记录,方便检查是否偏离任务。