[控场AI]
· 6 分钟阅读· 3,215 字

Qwen 4 Max预览版发布:实测数据矛盾,官方基准缺失

Qwen 4 Max预览版发布:实测数据矛盾,官方基准缺失

阿里发布Qwen 4 Max预览版,官方沉默而独立测试结果相互矛盾。

阿里巴巴发布Qwen 4 Max Preview,这是旗舰预览版而非完整Qwen 4系列,支持文本、图像、视频输入和100万token上下文,有效期截至11月25日。官方未公布任何基准分数,独立评测呈现分歧:ModelDial测试得分78.8排名第14,知识工作90分但代码美学仅59分;GameFeel基准维护者则报告其表现低于更老的Qwen型号。文章指出,不同测试测量维度不同,加上CoDuck神秘模型每日更新,不同时间测试的可能并非同一构建版本。技术线索指向Gated DeltaNet与稀疏注意力的混合架构,但Qwen 4权重尚未发布,27B版本缺席。文章建议可试用但不宜基于不完整数据做生产决策。

阿里巴巴于11月11日发布了Qwen 4 Max Preview,但这场发布引发了比预期更多的疑问。官方没有公布任何基准测试分数,而独立测试结果却呈现出截然不同的画面——有人惊艳,有人质疑。

发布内容:旗舰预览版而非完整系列

这次发布的准确名称是Qwen 4 Max Preview,名字本身透露了很多信息。这是旗舰型号,并非完整的Qwen 4家族。它支持文本、图像和视频输入,具备推理能力,可以调用工具并运行智能体工作流。最引人注目的规格是100万token的上下文窗口,大致相当于单次对话中容纳一个小型图书馆的文本量。

访问渠道包括阿里巴巴的Token Plan广告订阅,或通过Coder和Qwen自有应用使用。关键限制在于:这是一个预览版,有效期截至11月25日。

据YouTube频道分析,这种“预览”定位意味着模型ID将在到期后退役,正式发布将使用新名称跟进。15天的测试窗口,反馈才是重点。

上下文窗口(Context Window) 指模型单次调用中能同时“看到”的 token 总数,包括输入提示和输出内容。token 是模型处理文本的最小单位,英文中大致相当于 0.75 个单词,中文中约等于 1–2 个汉字。100 万 token 意味着模型可一次性处理数百页文档、整本中等长度书籍或大规模代码库,但对显存和推理成本的要求也显著上升。上下文窗口的大小并不直接等同于模型能有效利用其中全部信息——业界常说的“有效上下文”往往远小于标称上限,需要通过长文本检索类基准单独验证。因此,100 万 token 是一个值得注意的规格,但并不能单独说明模型在长文档任务上的实际表现。

官方沉默与独立测试的分歧

So let's talk evidence.

官方渠道的情况很直接:没有基准测试表格,没有分数。阿里巴巴的发布帖承诺“更深的知识”和“更强的编码能力”,但这是声明,不是测量。

独立评测方面,ModelDial用自己的私有编码和知识任务运行测试,Qwen 4 Max Preview得分78.8(满分100),在54个模型中排名第14。这个成绩不算难堪,但也谈不上统治力。更有意思的是分数结构:知识工作90分,后端和前端代码约80分,但美学和可维护性仅59分。用这把尺子衡量,它是一个强大的思考者,但代码质量可能粗糙。

据YouTube频道和B站UP主的交叉分析,GameFeel基准(衡量模型构建游戏能力的测试)的维护者报告称,该预览版在某个专项测试中得分低于更老的Qwen型号,甚至低于早期Qwen 4测试版本。维护者用“令人困惑”来形容整体情况。不过具体分数和测试条件未经过独立验证,这更像是一个警示信号而非最终判决。

另一边,其他开发者发布了他们喜欢的一次性前端演示。同一场发布,完全不同的氛围。

为什么测试结果互相矛盾?

Same launch, completely different vibes.

这些测试测量的东西根本不同:知识能力、游戏构建能力、视觉打磨度,各有各的标准。加上不同的设置、微小的样本量,以及可能不同的构建版本,没有哪个结果能取消另一个。

多源分析显示,这种矛盾在AI模型评测中并不罕见,但Qwen 4 Max Preview的特殊之处在于一个变量:CoDuck。

CoDuck插曲:你测试的到底是哪个模型?

发布前四天,编码工具Coder提供了一个名为CoDuck的神秘模型。没有名称,没有制造商,只有猜测。发布日当天,Coder确认:CoDuck就是Qwen的测试构建,每日更新,现已升级为Qwen 4 Max Preview。

这意味着什么?周一喜欢CoDuck的人,和周三运行基准测试的人,可能用的是字面意义上不同的模型。这就像比较两个软件构建版本却不知道改了什么。这不能自动解释GameFeel的结果,但阿里巴巴之外没有人能确定大家评判的是同一个东西。

模型构建版本(Build) 指同一模型在训练或部署流程中不同时间点的快照。在正式发布前,厂商常以匿名代号向合作平台提供测试构建,用于收集真实使用反馈。这些构建可能每日更新,权重、对齐策略甚至部分架构细节都可能变化,但对外不披露变更日志。这就给外部评测带来一个方法论问题:不同评测者若在不同日期、不同平台上测试,实际上可能面对的是不同模型,结果无法直接横向比较。这也是为何严格的模型评测通常要求固定版本号、记录测试日期与推理参数,并在条件允许时做多次重复运行。匿名构建的便利性与评测可复现性之间存在天然张力。

技术线索:Gated DeltaNet与稀疏注意力

But there's a breadcrumb.

阿里巴巴没有透露参数数量或完整架构。但有一条线索:8月份他们开源了一个较小的模型Qwen 3.8 Flash Next,并明确称其为Qwen 4所用架构的早期预览。它混合了一种名为Gated DeltaNet的线性注意力设计与稀疏注意力,旨在更高效地处理长上下文。

这是家族配方,不是最终菜品。Max的确切配置仍然未知。

线性注意力(Linear Attention) 是对标准自注意力机制的一种改造。标准注意力的计算量随序列长度呈平方级增长(O(n²)),因此处理超长上下文时成本极高。线性注意力通过将注意力计算重构为可累积的核函数形式,把复杂度降到线性级(O(n)),从而让百万级 token 的上下文在推理时具备可行性。代价是它通常难以精确保留任意位置之间的直接关联,表达能力弱于完整注意力。

稀疏注意力(Sparse Attention) 则是另一种降复杂度思路:不计算所有 token 两两之间的关系,而是只让每个 token 关注有限的、结构化的邻居(局部窗口、全局节点或可学习的稀疏模式)。它与线性注意力可以互补——前者保留关键位置的精确建模,后者提供全局的线性效率。Qwen 4 据称将两者混合,这与此前 DeepSeek广告、MiniMax 等模型在长上下文效率上的技术路线属于同一大类探索。不过,混合的具体比例、层间分配和各注意力头的分工都未公开,因此无法从架构层面推断 Max 的实际能力。

开源承诺与权重缺席

开源社区持续追问的问题是:可下载的模型在哪里?目前没有任何Qwen 4权重。人们期待的27B版本尚未发布。Flash和Plus仅作为幻灯片上的名字存在。

阿里巴巴领导层公开承诺保持开源。这个承诺是真实的。但承诺不是发布日期。对开发者而言,权重意味着在自己的硬件上运行模型、微调、永久保留。API预览无论多好,都做不到这些。

定价与决策建议

Alibaba says a formal release will follow under a new name.

定价方式也不寻常:通过订阅和积分乘数付费,Coder的发布促销将积分成本降低80%。没有清晰的按token定价。

综合多源信息,Qwen 4 Max Preview是一个真实且技术有趣的发布,但也是一个未完成的故事。早期测试互相矛盾,官方数字缺失,较小模型尚未到来。如果你要在真实问题上试用,现在可以行动。但基于不完整的基准和模糊的定价做长期生产决策,那是赌博,不是工程选择。

最终的问题或许是:什么让一个模型真正更好?基准分数?漂亮的演示?还是可靠地、每一次都解决你的实际问题?

#Qwen 4#Qwen 4 Max Preview#阿里巴巴AI模型#AI基准测试#开源大模型#ModelDial#GameFeel#Gated DeltaNet
分享:

相关推荐