Wink Pings

Qwen4 Max拿43分,比Kimi少3分却便宜11%,这算好发布吗

AA Index给Qwen4 Max 43分,比Qwen3.8 Max高9分,比Kimi K3.1 Pro低3分,单任务成本3.27美元。Chubby说这不是好发布,网友的争论比分数更值得看。

Qwen4 Max发布后,Chubby♨️在推文里写了一句“not a good release”。争议点不在有没有进步,在纸面benchmark和AA Index给出的叙事对不上。Artificial Analysis的AA Intelligence Index给Qwen4 Max 43分。Qwen3.8 Max xhigh是34分,Kimi K3.1 Pro max是46分。Qwen4 Max比上一代高9分,比Kimi低3分。单看分数,它在中上位置,离“全面翻车”有距离,离“登顶”也远。

Chubby推文截图

AA的说明里,Qwen4 Max用xhigh reasoning effort,在9项评测里对Qwen3.8 Max都有提升:HLE-Diamond从24%到45%,AA-Omniscience +18,AutomationBench-AA +17,CritPt v2 +13,Terminal-Bench-Science +11,Terminal-Bench 4.0 +9,GDP.pdf +3,FrontierCode 2.0 +3,AA-Briefcase +82 Elo。这个提升幅度不算小。问题在横向对比:Kimi K3.1 Pro还在前面。

AA指数汇总图

成本是Qwen4 Max更值得看的部分。AA算出的单任务成本是3.27美元。Qwen3.8 Max是10.02美元,Kimi K3.1 Pro是3.68美元。Qwen4 Max比Kimi便宜约11%,成本约为上一代的三分之一。价格上,Qwen4 Max是每百万输入1.50美元、输出4.50美元,缓存命中0.075美元。Qwen3.8 Max是2.00/6.00,缓存命中0.25。AA说成本下降来自价格和token使用同时降低:Qwen4 Max每任务输出约105k token,Qwen3.8 Max约171k,少39%;跑Index的输入token是9.9B对14.5B。Agentic评测每轮会重发上下文,输入占成本85%到90%,缓存价格降70%影响很直接。

成本与token图

能力细分更能说明它是什么类型的模型。AA-Briefcase评估真实商业文件里的agent工作,Qwen4 Max拿到1686 Elo,Kimi K3.1 Pro是1674,Tencent Hy4是1446。知识工作这块,Qwen4 Max不弱。终端和代码agent是另一面:Terminal-Bench 4.0上Qwen4 Max 48%,Kimi K3.1 Pro 67%,Tencent Hy4 37%。FrontierCode 2.0上Qwen4 Max 26%,与Kimi持平,落后Tencent Hy4的31%。把它当通用知识工作模型,数据和价格都说得通;把它当terminal coding主力,短板摆在那。

评测细分图

Chubby的批评落在蒸馏上。他说Qwen被切断蒸馏渠道,似乎能解释这次发布为什么没到预期。这个说法有讨论空间。有网友不完全同意,认为蒸馏没有完全断,只是换了对象,部分开放权重模型有OpenAI味。也有网友把矛头对准AA,认为benchmark有偏向,自己跑不出同样结果。还有网友算账:少3分,单任务便宜41美分,后台办公场景可以接受。Justin Draplin的比喻更直接:benchmark是约会资料,AA Index是第一次约会。第一次约会不完美,但账单确实便宜。

网友讨论截图

Qwen4 Max还有一个容易被忽略的限制:它不开放权重。AA模型页把它列为proprietary,权重不可用。对API用户,约1M上下文、文本和图像输入是卖点,AA页面写的是984k。对开源社区,这次没有新玩具。有人期待后续的27B版本,那个版本可能才是更热闹的发布。

Qwen4 Max更像一次成本优化和知识工作取向的发布。AA Index 43分,比Kimi少3分,成本低11%,AA-Briefcase还领先。Chubby说它不是好发布,这句话成立的部分在预期管理:纸面benchmark和AA Index的落差,加上蒸馏受限的传闻,让发布叙事不好看。说它差到不可用,AA的数据不支持。开发背景的人可以看token效率和缓存价格,普通用户可以看API账单。榜单是第一次约会,Qwen4 Max的约会表现一般,买单时倒是挺克制。

参考链接:原推、AA推文、AA模型页

发布时间: 2026-11-17 01:30