Qwen4-Max 主打长上下文与代理降本
据文章介绍,Qwen4-Max 采用稀疏专家架构,提供原生视觉和百万 Token 上下文,每 Token 激活约 710 亿参数。文中引用团队自有 Work360 评测,称单任务平均成本从 4.43 美元降至 1.67 美元,实际业务收益仍需验证。
AI 深度解读
Qwen4-Max 想证明的,是大模型处理长任务可以同时提高完成质量、减少 token 消耗。按原文引用的官方数据,它在 Work360 上的平均单任务成本从 4.43 美元降到 1.67 美元,比 Qwen3.8-Max 低约 62%。
对运行编程 Agent 的团队,这比参数规模更值得看。但这笔账来自官方自己的评测,不能直接套到你的项目。读这次发布,关键是分清三件事:架构怎样压低开销,演示证明了什么,以及哪些效果仍需要自己验证。
2.4T 参数,为什么还能追求更低成本
据原文,Qwen4-Max 采用稀疏混合专家架构(MoE),主干有 2.4T 参数,每个 token 只激活 71B,另有 328B 的 N-gram Embedding 参数。模型总容量很大,但处理一次输入时,不会调用全部参数。
它还提供原生视觉和一百万 token 上下文。长上下文的难点不只是装得下,还包括处理历史信息的成本。为此,架构做了三处调整。
第一是 Gated DeltaNet(GDN)与 Qwen Sparse Attention(QSA)配合。每个稀疏注意力层对应三个 GDN 层,把历史压缩为固定大小的状态,再用轻量索引器按微块挑选相关上下文。可以把它理解为先压缩历史,再找当前任务需要的片段,减少长上下文注意力的开销。
第二是 Gated Residual(GR)。四条并行残差分支通过动态读写门控制信息流,目标是让信息传递和训练更稳定。第三是第二层的 N-gram Embedding,通过上下文查表补充局部 token 模式的表示,以较少额外计算扩大容量。
官方报告称,整个 2.4T 参数训练过程没有出现损失尖峰。在知识、代码、问答和 STEM 内部评测中,基础模型的 bits-per-byte 在五个受测检查点中最低,比 Qwen3.8-Max-Base 低约 5%–13%,激活参数还少了 25%。这个指标衡量模型预测数据所需的信息量,越低通常代表预测更好,但不能直接等同于 Agent 任务成功率。
62% 的降本,究竟是哪几笔账
单任务费用下降,来自 token 用得更少和 API 价格降低两部分。
与 Qwen3.8-Max 相比,Qwen4-Max 在 Work360 的 Xhigh 档位少用约 24% token,High 档位少用约 35%;在 Terminal-Bench 4.0 上少用约 48%–49%。同时,API 降价,缓存输入价格降幅尤其大。不过原文没有给出具体单价,读者无法仅凭这些信息复算整张账单。
Work360 是 Qwen 自建的专业工作评测框架,覆盖 26 个一级领域、182 个二级子领域和 721 个三级细分领域。Qwen4-Max 的得分从上一代的 47.74 提升到 52.69,平均任务成本则从 4.43 美元降至 1.67 美元。
这里有价值的信号是:分数提高时,token 消耗反而下降。至少在这套任务上,提升没有依赖更多生成量。
但 62% 仍然绑定着具体工作负载。团队任务里缓存命中多少、失败后重试几次、需要多少人工修正,都会改变最终成本。原文没有给出足够细节,无法判断这些因素各占多少,也没有证明其他模型处理同一批任务时会花多少钱。
长任务演示,哪些值得程序员关注
Qwen 将它定位为「24/7 AI teammate」。演示的共同点是模型持续调用工具、检查结果,再继续修改。
在 3D 和游戏任务中,它操作 Blender 完成几何、材质、灯光和渲染,并在 Unity、Unreal Engine、Godot 中制作可玩游戏,运行后根据视觉反馈调整镜头、动画和节奏。在 SANF 和 Pacific Union 的制造案例中,官方称单个工件的人工编程投入从约 475 分钟降到 24 分钟,减少约 95%。
其他案例也强调跨工具和长材料处理:投研调用 90 个 MCP 工具,生成图表与底层数据逐一对应的 Excel 和 PowerPoint;法律尽调把 198 份格式不统一的工作底稿归入 14 个文件夹,产出 86 页、超过 6 万汉字且结论带引用的报告;重症案例处理六天病程、数十份检验报告和 1,433 张医学影像,四条管理建议与主治医生实际医嘱逐项一致。这些均是官方报告的个案。
对开发者更容易借鉴的是 Live Delivery:长任务先交付可用初版,随后分批改进,用户可以随时介入调整方向。官方表示将开源 Qwen-Live-Delivery-Plugin。它提供了一种交互思路:让用户尽早看到结果,及时纠正任务方向。
科学演示则需要更谨慎地读。一次连续 48 小时的运行筛选了 270 万个候选分子,经过四轮设计、合成、测试,产出数据中心芯片冷却材料的实物样品。另一次针对 NLRP3 炎症小体的药物研究,对 24 个候选分子执行 454 次工具调用、3,239 次计算指标评估,最终候选的估算结合亲和力约为专利参考分子的 3.6 倍。
两者分别依赖合作平台 Deep Principle 的 Mira 和 DP Technology 的 PharmMaster。前者完成了实物闭环,后者仍待湿实验验证,不能把计算指标当成药效结论。
我的判断
我认可这次发布关注的问题:Agent 要进入日常工作,必须把长任务的完成质量、消耗和交付方式放到一起考虑。少生成一些无效内容、尽早让用户纠偏,都有实际价值。
但这些数字目前没有独立验证。Work360 是自建评测,LM Arena、Artificial Analysis 的榜单也不能替代你自己的任务集。制造、医疗、科研案例展示了某次流程能够完成,没有给出重复运行的成功率和失败分布。
安全数据尤其不能只看相对涨幅。在 Last Secure Code Bench 上,同时满足功能与安全要求的函数级通过率从 22.0% 升至 31.8%;函数、文件、仓库三个粒度都安全的代码占比从 8% 升至 14.7%。进步可见,绝对比例仍然有限,不能据此省掉审查和安全检查。
部署边界也很明确:Qwen4-Max 本身没有开源,通过 QwenCloud 的 Token Plan 或 API,以及 QwenWork、Qoder、Qwen Studio 提供服务。较小的 Qwen4 家族模型只是宣布后续开源。
与换模型相比,拆分任务、缓存稳定上下文、减少无效工具调用,也是降低 Agent 成本的常见路径。原文没有提供这些方案的对照实验,无法判断收益分别来自哪里。把这次发布当作候选方案的线索,比直接接受「普遍省 62%」更合理。
能拿来做什么
- 从日常 AI 编程工作中选一批可重复执行的任务,例如修复缺陷、修改页面或整理代码,记录完成率、token、费用和人工返工时间,再比较 Qwen4-Max 与当前方案。
- 给耗时的 Agent 流程增加阶段性交付,让它先提交可运行版本,再根据反馈修改;评估 Qwen-Live-Delivery-Plugin 时,重点检查人工介入和方向调整是否方便。
- 需要自托管的团队应继续关注较小的 Qwen4 开源模型;使用托管 Max 的团队,则应根据自身输入、输出和缓存用量重新算账。
- 保留代码审查、功能测试和安全检查。官方安全通过率的提升,可以成为试用理由,但不足以成为自动合并生成代码的依据。