[控场AI]
· 5 分钟阅读· 2,675 字

Qwen 4 Max实测:2.4万亿参数,成本仅Claude零头?

Qwen 4 Max实测:2.4万亿参数,成本仅Claude零头?

Qwen 4 Max 以 2.4 万亿稀疏架构和低价切入编码 Agent 市场,接近顶级但非最强。

阿里发布 Qwen 4 Max,采用全新架构,总参数 2.4 万亿、激活参数 710 亿,支持文本与图像理解、100 万 token 上下文,输入每百万 token 仅 1.5 美元。官方基准 16 项全面超越旧款,第三方综合排名第 11,是最好中国模型但非整体最强。DeepSWE 编码基准 75.7 分居首但与 Kimi、GPT 几乎并列,长任务 Agent's Last Exam 领先 Opus 5.5,终端自动化与视觉能力明显落后。五个实机编码任务全部可运行、单任务最低 0.29 美元,指令遵循有时优于 Claude,但代码精致度与物理真实感不及。其策略是不争最强、以价格撕开缺口。

阿里发布了 Qwen 4 Max,这是 Qwen 4 家族的首款模型,采用全新架构而非旧版迭代,参数规模高达 2.4 万亿。但真正让它引发讨论的,是价格与性能的组合:每百万输入 token 仅 1.5 美元,每百万输出 token 4.5 美元,同时拥有 100 万 token 上下文窗口。YouTube 创作者对其进行了独立编码测试,并与 Claude 的顶级模型做了横向对比。

架构与定价:大而便宜的秘诀

2.4 万亿参数听起来夸张,但模型在任何时刻只有 710 亿参数处于激活状态。这正是它能做到又大又便宜的关键——稀疏激活让推理成本可控。

它支持文本与图像理解,最大输出 262,000 token,属于推理模型,用户可以调节思考深度。需要注意,权重是闭源的;阿里表示后续小尺寸 Qwen 4 模型会开源,但未给出时间表。

在官方基准测试中,Qwen 4 Max 在 16 项测试上全面超越旧款 Qwen 3.8 Max。但第三方机构 Waltz AI 的独立测试将其排在 38 款模型中的第 11 位——它是最好的中国模型,但并非整体最强。

专家混合(MoE)与稀疏激活:文中“总参数 2.4 万亿、激活 710 亿”是典型的 Mixture-of-Experts 架构。模型由大量“专家”子网络组成,每个 token 经过路由器(router)只被分配给少数几个专家计算,因此单次前向传播的算力消耗由激活参数量决定,而非总参数量。这样可以在不显著抬高推理成本的前提下扩大模型容量,代价是显存占用更高、路由与负载均衡需要专门训练技巧。

token 与上下文窗口:token 是模型处理文本的基本单位,约等于 0.75 个英文单词或 1–2 个汉字,API 按输入和输出 token 分别计价。100 万 token 上下文窗口意味着模型单次可读取约数百万字量级的内容,适合整仓库代码或长文档分析,但长上下文会显著增加显存与计算开销,实际可用长度常受服务端限制。

基准测试:领先但优势有限

据创作者引用的数据,在测试真实代码仓库编码能力的 DeepSWE 上,Qwen 4 Max 得分 75.7,排名第一,但优势极小:Kimi K3.1 为 75.5,GPT 6.1 Sol 为 75.2,基本是三方并列。

真正的亮点在长任务场景。Agent's Last Exam 中它拿到 46.7,领先 Opus 5.5 的 43.4,远超旧款 Qwen 的 27.9。

但它并非全能。Terminal Bench 上它只有 48.5,而 Kimi K3.1 达到 67.2;Program Bench 上它得 31.5,Opus 5.5 则为 65。Web 开发排第三,图表与视频理解落后于 GPT 6 Extra 和 Opus 5.5。总体而言,它在 16 项基准中领先 5 项。

基准测试的解读边界:SWE 类基准(如 DeepSWE)衡量模型在真实代码仓库中定位并修复问题的能力,通常以任务通过率计分;Terminal Bench 考察在命令行环境中完成多步操作的能力;Program Bench 偏向从零实现完整程序。这类分数对提示词、工具脚手架和重试次数高度敏感,不同机构跑出的排名常有出入,因此“排名第一”与“第 11 位”并不矛盾——前者是单榜单项,后者是综合评测。

推理模型与思考深度:文中的“推理模型”指在给出答案前先生成思维链的模型,用户可调的“思考深度”本质是控制推理 token 预算,预算越高通常越准确,但延迟和费用也同步上升。

实机编码测试:五个任务见真章

创作者在 VS Code 的 KiloCode 中用 Qwen 4 Max 完成了五个编码任务,并与 Claude Fable 5.2 在相同提示词下对比。

任务一:从截图重建赛车游戏

仅给一张游戏截图和一句提示词,要求重建可玩 demo 并匹配布局、镜头与美术方向。Qwen 4 Max 花了不少时间理解截图,生成了 index.html,并进行了实时测试与错误修复。最终版本能运行,但车辆物理不够真实,路中间还留有一块石头。

Claude Fable 5.2 用同一提示词生成的版本明显更精致:环境、天空盒、阴影都更真实。不过有一个细节值得注意——截图中的道路并非直线,Qwen 4 Max 忠实还原了带弯道的自然赛道,而 Fable 5.2 做成了直线高速赛道。在指令遵循上,Qwen 反而更准确。该任务成本约 1.65 美元。

任务二:Three.js 3D 环境

用一份非常详细的提示词构建 3D 环境。Qwen 4 Max 思考时间较长,最终结果与 Claude 版本差距不大,实现不算完美但完成度可观。成本 0.64 美元。

任务三:室内设计工具

要求创建 React 项目并实现可拖拽、可旋转的 3D 室内设计工具。Qwen 4 Max 一次提示词就生成了可用的原型,支持元素拖放与位置调整。创作者认为任务本身不算复杂,因为提示词已写明全部指令,模型只需完成文本到 React/JavaScript 的翻译。成本 1.26 美元。

任务四:3D 魔方模拟器

标准测试任务,要求创建 3D 魔方模拟器。Qwen 4 Max 首次尝试即完成,但缺少求解按钮。成本仅 0.29 美元。

任务五:2D 汽车驾驶 demo

给一张参考图,要求做可驾驶的 2D 汽车。Qwen 4 Max 实现了多层视差背景,车辆可行驶、可停止。Claude Fable 5.2 的版本多了车内驾驶员,物理表现略有不同,支持倒车。创作者表示在这个任务上更喜欢 Qwen 4 Max 的结果,两者表现都很出色。

Qwen 4 Max 创建的 3D 魔方模拟器

结论:不争最强,但争最划算

Qwen 4 Max 不是世界最强模型,阿里自己的数据也说明了这一点。但它在编码任务上接近顶级模型,价格却低得多,还附带 100 万 token 上下文。

如果你运行长时间编码 Agent、对成本敏感,它值得一试。如果需要终端自动化或强视觉能力,其他模型仍然领先。它的策略很清晰:不与前沿模型正面争冠,而是用价格撕开缺口。以这个价位而言,尝试的门槛已经很低。

#Qwen 4 Max#阿里AI模型#Claude对比#AI编码测试#大模型价格#百万上下文#AI编程工具
分享:

相关推荐