跳到主要內容

Qwen4-Max 正式發布:官方 62% 成本降幅,離真實工作有多遠?(2026)

最後更新: ·
Qwen4-Max 官方發布海報與六成降本的評測分母提問

2026 年 11 月 16 日,Qwen 團隊在官方部落格發布了〈Qwen4-Max: Your New Teammate Has Arrived〉,介紹 Qwen4-Max 正式版。2.4T 主幹參數、原生視覺與百萬 Token 上下文很醒目,但這次更值得追問的是另一個數字:官方 Work360 評測的平均每任務成本,從 4.43 美元降到 1.67 美元,約少了 62%。這筆帳,能怎麼用在真實工作?

Qwen4-Max 官方發布文章,標題與 2026 年 11 月 16 日日期的瀏覽器框截圖
圖/Qwen 官方發布頁;AlphaLab 擷取並加上瀏覽器外框。點圖可開啟原文。

Today, we are introducing Qwen4-Max, your new AI teammate for work, creativity, and discovery.

中文:今天,我們推出 Qwen4-Max,成為你在工作、創作與探索上的新 AI 隊友。

Qwen 團隊,官方發布文章

「隊友」是原文的主張:模型要從回答問題,走向持續使用工具、產出作品,並接受中途修正。下面先拆開架構與降本數字,再對照獨立評測和展示案例,最後判斷它交出的證據夠支持哪些決定。若你關心的是 11 月 11 日預覽版的限時安排,可先看預覽版的存取與退役界線;這篇聚焦正式發布新增的能力與成本證據。

一、Qwen4-Max 的新架構:把容量、啟用量與交付分開看

依原文,Qwen4-Max 採用稀疏混合專家架構(MoE):主幹有 2.4 兆個參數,每個 Token 啟用 710 億個,另外還有 3,280 億個 N-gram Embedding 參數。後者用查表方式提供局部文字模式的表示。這三個數字描述不同部分,不能把「710 億啟用」直接讀成整個模型只需保存或搬運這麼多權重。

原文把改動分成三層:每一層 Qwen Sparse Attention 前搭配三層 Gated DeltaNet,先壓縮歷史狀態,再選取相關脈絡;四條帶讀寫閘門的殘差分支,改善跨層資訊流;N-gram 查表則增加容量,同時控制新增計算。這是一組讓大模型較有效率地使用資源的設計,不能單憑參數表就推算你的回應時間。想先理解查表容量與運算量為何不同,可接著讀 N-gram Hash Lookup 的白話拆解。

預訓練部分,團隊展示平滑下降的 loss 與自家 BPB 評估;BPB 越低,表示在該評估文字上的預測編碼表現越好。原文也註明,部分對照是後訓練 checkpoint,與 base model 的比較會受影響。因此,這些曲線適合了解團隊的工程論點,不能直接換成「專業工作正確率提高多少」。

正式版模型文件則把產品邊界說得更具體:模型 ID 是 qwen4-max,支援文字、圖片與影片輸入,輸出為文字;上下文長度是 1,000,000 Token。這是輸入與輸出共同使用的空間,文件另列思考模式最大輸入 983,616 Token,以及思考加答案的最大合計輸出 262,144 Token。百萬上下文,不是百萬輸入之外再額外送一份超長答案。

二、62% 怎麼來?單價、用量、整件任務是三筆帳

原文的 Work360 是 Qwen 團隊建立的專業工作評測,分類涵蓋 26 個第一層領域、182 個第二層子領域與 721 個第三層專業範疇。721 是分類範疇數,不是已證明有 721 種職業可以交給模型獨立完成。在這套評測中,官方報告新模型得分 52.69,前代 Qwen3.8-Max 為 47.74。

Qwen 官方 Token 效率圖:Work360 與 Terminal-Bench 4.0 的分數和每任務 Token,用不同點標出 Low、High、Xhigh
圖/Qwen 官方發布文章。橫軸是每任務 Token,縱軸是分數;不同點代表不同推理投入,屬官方報告的比較。

圖中的重要訊息,是深藍色新模型曲線往左上移:在這套設定下,團隊報告分數較高、Token 用量較少。原文寫道,Work360 在 Xhigh/High 下分別少用約 24%/35% Token;Terminal-Bench 4.0 則分別少用約 48%/49%。這些百分比分別綁定不同考卷與推理檔位,不宜只挑「少一半」當作一般工作效率。

帳目這次可核對的內容回答的問題
API 單價正式版文件的新加坡 International 區域:每百萬輸入 Token 1.50 美元、輸出 4.50 美元;輸出欄含思考與答案。每一單位用量怎麼計費?
任務用量官方 Work360 的 High 檔位,較前代少用約 35% Token。完成這套題目用了多少單位?
平均任務成本官方 Work360:4.43 → 1.67 美元,約降 62%。按這次評測與價格,平均每題花多少?
你的合格交付成本需把模型費、工具費、失敗重跑與驗收返工一併記錄。實際交付一份可用成果,共花多少?

用官方兩個美元數重算,1 − 1.67 ÷ 4.43 ≈ 62.3%,四捨五入為 62% 合理。但這個算式只核對了降幅,還沒有獨立重跑 Work360。原文明確提到同時降低 API 價格與 Token 使用量,不能把全部降幅歸功於新架構,也不能只用 High 的 35% 去還原整張成本表。

三、Qwen4-Max 的獨立成績:有進展,也有不同的成本分母

截至 2026 年 11 月 17 日查閱,Artificial Analysis 的原始評測頁已列出 Qwen4 Max 的 Intelligence Index 分數 43,並說明採用 v5.0.1 的九項評估組合。其 Alibaba 模型比較頁列出 Qwen3.8 Max(0902)為 34。這讓選型多了一組獨立評測方公布的跨代分數,並不是本文控制所有條件重跑的跨代實驗;分數不是答對百分比,43 與 34 也不能直接換算成人類工作能力提升幾成。

同一個新模型頁面還列出:該指數的平均每任務成本 3.27 美元,每任務時間約 33.2 分鐘。後者是評測方依其加權任務 Token 與端點速度計算的指標。它與 Work360 的 1.67 美元回答不同問題:題目、權重與計價用量都可能不同,不能把兩個美元數直接當作互相打臉,也不能拿其中一個替你的應用報價。

這裡最有用的外部證據,不是一個籠統冠軍頭銜,而是品質、等待和花費同時攤開。AA 頁面把該模型的任務等待描述為同價位比較組中的弱項;這提醒我們:Token 較省、每秒吐字速度與整件工作較快,是三件需要分別量的事。這些是評測方公布的觀察,本文沒有將它改寫成 AlphaLab 自測。

四、從遊戲到實驗室:展示證明了哪一段?

原文花了很大篇幅展示工具工作:Blender 建模、以遊戲引擎建立可玩場景、用視覺回饋修改作品,以及把影片製作拆成分鏡、資產、預演與剪輯。專業案例則強調可追溯產物:金融研究的 PowerPoint 圖表對回 Excel,法律盡職調查的結論對回工作底稿,醫療案例整理病程與影像。它要說服讀者的,是模型能把多個步驟接到一份成品,而不只是寫出一段看起來懂行的文字。這些產物可先驗引用、公式、時間線與影像定位;接受報告、作出法律或臨床決定,則是另一個責任層。

汽車製造案例中,官方回報單一工件編程的人工時間從約 475 分鐘降到 24 分鐘,約少 95%;流程含設計、工具路徑與模擬驗證。這是一個指定展示的人工工時比較,不能直接讀成整條產線生產力增加 20 倍。它真正值得追問的,是哪些工序被自動化、模擬和實際加工如何對帳,以及錯誤由誰驗收。

另一條主線是雲端資源排程。原文描述,模型產生候選演算法,配合 Alibaba 的 MindOpt 求解器,檢查限制是否滿足、目標值與耗時,再修改程式、交叉驗證;用途包含資料標註的模型呼叫分配,以及 GPU、CPU 資源排程。它把「AI 改善支持 AI 的運算系統」變成具體案例。這裡描述的是排程策略與程式的迭代,把它讀成模型在線上直接改寫自身權重,超出了案例提供的證據。

科學部分也要分開看。冷卻材料案例,團隊表示在 Deep Principle 的 Mira 平台上,Agent 連續運作 48 小時,經四輪設計、合成測試與主動學習,取得經實驗驗證的分子;另一個藥物候選探索案例則主要報告計算指標,原文明寫優先候選值得進一步濕實驗驗證。前者聲稱走到實體樣品,後者仍有下一道實驗;把兩者都寫成「AI 已完成新藥研發」,就跨過了證據邊界。

這些案例目前在本文中都保留為 Qwen 團隊的展示與回報。合作平台、專業工具、資料與回饋環境,是成果的一部分;選用同名模型,並不會自動複製整套環境。若想進一步分清公開證明、公司效能回報與研究展示,可對照 Antigravity /teamwork 的研究證據判讀。

五、Live Delivery:長跑的價值,可能在提早交出能改的版本

Live Delivery: Continuous Delivery, Users in Control

中文:即時交付:持續產出,讓使用者掌握方向。

Qwen 官方發布文章,Live Delivery 小節標題

這是原文比「24/7」更實際的部分。團隊提出先交一份可用版本,再根據執行結果與使用者意見逐輪更新,而不是等漫長任務跑完才揭曉方向是否偏了。官方也公布 Qwen-Live-Delivery-Plugin;其原始說明列出版本快照、交付狀態與回饋機制。

原文最後又強調 model、harness、product 一起設計:模型負責判斷,執行層提供工具、狀態與停止條件,產品則讓人看見成果並改變要求。這也解釋了為何 API 成績、工具產品體驗與某場展示,不能完全互相替代。可先用 Agent Harness 的基本分工補齊這張地圖。

我的判斷是,較早交付有機會降低「方向錯了卻繼續做」的浪費,但每一版仍要有明確驗收。頁面能開,與資料算對;檔案有產出,與檔案可用,是不同關卡。可回看的版本能協助找錯,並不會因為版本很多,就自動證明工作更可靠。

六、安全訓練的進步,也要留在它的測量範圍

安全章節表示,團隊在程式功能檢查之外加入安全檢查。官方回報,在 Last Secure Code Bench「不給安全提示的程式重建」與「功能、漏洞雙重驗證」設定下,同時通過功能與安全的函式級比例,從前代 22.0% 增至 31.8%。這比只說「程式能執行」多了一道有價值的要求;但 31.8% 是該基準的通過比例,不能改寫成所有生成程式都有安全保證。

原文也描述資安用途資料篩選與 CBRN 安全後訓練,並引用內部專家審查。這些是供應商的安全措施與內部評估陳述,本文不將它們升格為獨立認證。對要交付的軟體,仍應把功能、資料存取與憑證處理分開驗;Lovable 資安調查的權限案例,正好說明畫面正常與資料權限正確之間的距離。

七、AlphaLab 的判讀:成本的分母,應該走到合格交付

我同意:把「更強」說成多做了什麼、少花了什麼

正式發布比預覽多了能核對的東西:架構細節、帶推理檔位的效率圖、任務成本,以及獨立評測。它讓討論從規格清單向前一步。值得肯定的方向,是把模型能力放回一件有工具、有輸出、有回饋的工作裡,再問改善發生在哪一段。

我存疑:每題便宜,是否等於每份可用成果便宜

一份漂亮檔案若少了一項需求,可能還要再跑一輪。若只把模型呼叫總費用除以所有嘗試次數,就可能忽略工具與人工返工,也沒有區分哪些交付真正合格。對團隊更接近決策的算法是:合格交付成本=這批工作的模型、工具、重跑與人工驗收總成本 ÷ 真正通過要求的交付數。這是本文建議的管理口徑,不是聲稱 Qwen 官方 62% 已經按這個口徑量過。

接下來的考驗:把跨代進步,變成可選擇的投入

原文希望讀者把它當成能長時間協作的隊友,並預告同系列較小模型將走向開源;後者是未來計畫,不能當作已經交付的下載選項。眼前最值得對帳的問題則是:相同品質要求下,你能否用較低推理檔位完成?較早的中間版本能否減少返工?外部量測顯示的等待,能否被任務並行或流程安排接受?這三個答案,比只看主幹參數更接近選型。

八、下一步:挑一份交付,把四種收據放在一起

選一份你有權使用、能回查對錯的材料,例如用一份需求文件與介面截圖,交付一張可驗證的修改清單。先訂好必須包含的項目,再比較現用配置與 Qwen4-Max;模型 ID、推理檔位、工具與輸出要求都要留下。這是建議的驗收設計,並非本文已跑出的模型成績。

  • 品質收據:哪一項需求通過、漏掉或引用錯誤;不要只評語氣流暢。
  • 用量收據:輸入、快取、推理與答案各用了多少,外部工具另記。
  • 時間收據:第一份可用版本、最後驗收及人工返工各花多久。
  • 狀態收據:工具實際改了什麼,成品能否讀回,失敗後怎麼停。

需要把這些紀錄接到工具迴圈,可讀最小 Agent Harness 實作;若想辨認平台代跑工具後該驗哪一段,可對照 DeepSeek 應用 API 的交接與驗收。Qwen4-Max 值得進入候選清單的理由,是新增了可檢查的進步證據;最後留下它的理由,應該是你用較少總投入,拿到更多通過要求的成果。

接著閱讀

左右滑動查看更多推薦

ALPHALAB 社群

有問題?來 Telegram 聊

和 Terry、編輯、其他網友一起討論這篇文章。提問、分享觀點,回覆更即時。

加入 Telegram 討論

📩 訂閱 AlphaLab 電子報

週日 Weekly 週報+週二、週四 Alpha Signal,每週最多三封。

我們不會 spam,隨時可退訂。已訂閱?管理訂閱偏好(會寄登入連結到你的信箱)

主題篩選與退訂說明

寄送日期以台灣時間為準。主題偏好會篩選每期精選,並非每篇新文章的即時通知;當期符合主題的文章不足時會略過寄送。

未勾選任何主題會收到所有主題的精選,並不會停止寄信。

取消勾選 Alpha Signal 可停止週二、週四短報,仍保留週日週報。若要停止所有電子報,請使用信件底部的「取消訂閱」。