国产模型,第一次真正进入了 Qwen 时代
原创 刘小排 2026-11-16 18:02 北京
![]()
老外催Qwen-4上线比催GTA 6还急
哈喽,大家好,我是刘小排。
今天(11 月 16 日),阿里发了新一代基座模型 Qwen4-Max(2.4T 总参数,每步仅激活 71B,支持百万上下文与原生视觉)。
过去这一周,它的预览版已经在海外开发者圈子里被测疯了;今天官方又放出了完整评测和真价格。全部看完、算完账,先说结论:
国产大模型,第一次真正进入了 Qwen 时代。
省流版 · 核心结论
•硬指标真顶上来了:在没法刷题的 CodeArena 全球前端双盲榜冲到全球第 6(刷新中国模型最好成绩);真实代码仓库修复 DeepSWE(75.7 分)和“智能体最后的考试” ALE(46.7 分)双双超过同场对比的 Claude Opus 5.5 排在榜首。
•开源基本盘本来就是它的天下:单 Hugging Face 下载超 20.45 亿次(全平台累计超 30 亿次),海内外开发者在服务器里天天跑的开源底座一直都是 Qwen,这次总算补上了超大杯旗舰(系列中的中小尺寸模型后续也将陆续开源)。
•越强反而越省钱:换上新架构后,干同样的编程活儿少烧近一半 Token;国内缓存命中更是低至 0.5 元 / 百万 Tokens(远低于海外主流模型价格),Work360 单任务平均费用从 26.58 元降到了 11.16 元,降低了 58%。
•小遗憾和提醒:在黑盒软件复刻和“一句话抽卡”的默认前端精致度上,离顶配 Claude 还有差距,得把验收要求写细;日常干活用正式版默认的 High 档就够了,重度写代码再切 xHigh。
下面稍微展开讲讲。
01盲测刷新国产最好成绩,补齐 30 亿开源底座最缺的一块
看新模型我一向先盯双盲榜,因为没有标准答案,谁也刷不了题。
在最新的 CodeArena: WebDev 全球前端盲测榜上,Qwen4-Max 拿到了 1,750 分,位列全球第 6,刷新了中国模型的最好成绩。居于 GPT-6 Astra(1,763)和 Claude Fable 5.1(1,743)之间,排在 GPT-6.1 Sol、Claude Sonnet 5.5 High 和 Kimi K3.1 Pro 前面。
直接看图:
![]()
▲ CodeArena 全球前端双盲榜:Qwen4-Max (xHigh) 位列全球第 6,刷新中国模型最好成绩
再看千问今天放出的 16 项编程、办公与长程任务综合评测总图(可点开大图看细节):
![]()
▲ 16 项核心评测对比:DeepSWE、ALE、HLAB 等多项领先,强项与待追赶项同图坦诚列出
这张图里有两组信息特别硬:
一是真刀真枪干活的 Agent 实战:测真实代码仓库修复的 DeepSWE v1.1 拿了 75.7 分,测长周期高价值任务的 ALE 拿了 46.7 分,法律实务 HLAB-Vals-1.1 拿了 21.3 分,这几项硬仗都超过了同场对比的 Claude Opus 5.5(包括在千问自己的知识、代码、问答、STEM 四类内部评测里,Qwen4-Max-Base 的每字节比特数 BPB 在全部五个参评模型中也是最低的)。
二是我很欣赏千问团队这次放榜的态度:赢过 Opus 5.5 的项目摆在上面,还没追上的项目(比如黑盒软件复刻 ProgramBench 拿 31.5 分,离 Opus 的 65.0 还有距离)也原原本本画在同一张图里,没玩“只挑赢的榜截屏”那套小把戏。做技术选型最怕厂商报喜不报忧,这种坦诚反而让我敢放心用。
再把视角拉回全球开源生态,其实海内外开发者真正在服务器里天天跑的底座,本来就是 Qwen:
![]()
▲ Hugging Face 2026 官方报告:Qwen 下载量达 20.45 亿次,超过美国五大巨头总和
单在 Hugging Face 一个平台上 Qwen 下载量就过了 20.45 亿次(算上魔搭等全平台累计超 30 亿次),衍生模型超 30 万个,比 Google 加 Meta 两家合起来还多。Airbnb 的 CEO 公开夸它好用、快、便宜;按某些硅谷明星创业公司的秉性,嘴上不说、背地里拿 Qwen 开源权重微调套壳的就更多了。
过去大家对 Qwen 唯一的遗憾,就是中小模型无敌,唯独缺一个能在百万上下文、超复杂工程里正面顶上去的超大杯旗舰。今天 Qwen4-Max 把这块短板补齐了。
022.4T 总参只激活 71B:干一样的活儿少烧一半 Token
这周推特上还有个特别出圈的事。
11 月 6 号,千问官推发了一句预告 The becoming begins。紧接着编程工具 Qoder 里悄悄上线了一个免费匿名模型 Qoduck,简介就一句“别问它从哪来”。海外开发者一边扒分词器猜身份,一边拿难题猛测:等官方揭秘这只鸭子就是 Qwen4 预览版时,推文直接冲到 484 万浏览,评论区全在刷 Qwen-4 27B > GTA VI,催开源催得比催游戏还急。
如下图所示:
![]()
▲ 左:Qoduck 揭晓身份获 484.3 万浏览 | 右:海外开发者刷屏催更 Qwen4 开源小模型
比起看热闹,我更在意这轮实测暴露出来的另一个特点:它特别省 Token。
高频用大模型写代码久了,我最烦过去一年行业里的一个坏毛病:比谁的思考链裹得长。明明是个中等难度的功能,非要在后台车轱辘话绕几万字,又慢又烧我的 API 预算。
推特开发者 @loktar00 晒了一张同题对比:
![]()
▲ 同一提示词生成雪夜圣诞村:上图 Qwen 4 用了 56k tokens,下图用了 112k tokens
同一段提示词做 3D 雪夜圣诞村,对照组烧了 11.2 万个 Token,Qwen 4 只花了 5.6 万个 Token,省了一半,街道和灯光细节反而更好。另一位博主 @ItsmeAjayKV 拉了 103 道相同的 Three.js 题目 挨个跑了一遍,Qwen4-Max 在 87 道题里更省,平均每题 77.5k 对比 115.3k,少花了三分之一:
![]()
▲ 103 道同题实测:Qwen4-Max 在 87 道题里更省,平均省下 33% Token
今天官方揭开了背后的架构底牌:每四层里用三层 Gated DeltaNet 把历史信息压成固定状态,搭配一层 Qwen 稀疏注意力(QSA) 按块挑重点,第 2 层还外挂了 328B 的 N-gram 词表层。2.4T 总参数每一步只激活 71B,单 Token 激活参数量比上一代(95B)减少约 25%。
在 Terminal-Bench 4.0 专业编程评测里,同样开 xHigh 思考档位,它每次尝试的平均消耗从上一代 Qwen3.8-Max 的 289K 降到了 151K(减少近 50%),评测得分则从 38.9 分提升至 48.5 分(提升近 25%)。
▲ Qwen4-Max 省流机制拆解:2.4T 总参仅激活 71B(减 25%),Terminal-Bench 4.0 少烧近半 Token、得分提升近 25%
少调动无效参数,想问题别绕弯子。我认为这才是基座模型该卷的方向。
03边跑边交不跑偏,真进产线、律所和实验室干重活
当然,光省钱没用。就像我常说的:免费的才是最贵的,便宜但干不好活,耽误的是我自己的时间。
我打开浏览器试玩了外网传疯了的纯代码奔马页面 STRIDE,没引任何外部 3D 模型素材,全靠代码手写反向动力学实时解算骨骼步态(Reddit 上还有人拿它跑核潜艇模拟到 192 FPS,官方也展示了它在虚幻引擎 Unreal 里整合资产做出的可玩 3D 游戏《喵出法随》)。下面是我自己录的画面:
![]()
▲ 实机录屏:跑满 120 FPS,可随时开关 IK 骨骼点、切换月光夜空背景
不过单次生成看着爽,离正经干活还有距离。我现在管手头的“AI 员工”,最怕长任务闷头跑两小时不吭声,最后交出来一看方向早歪了,改都没法改。
Qwen4-Max 这次融入了个我很喜欢的 Live Delivery(持续交付) 机制,还顺手把插件开源了:接手复杂任务先快速交一个可用首版,再逐版扩展更新(比如做一个带 3D 交互实验的物理科普站,连着交付了 14 个可用版),你随时能插手校准方向。
有了百万上下文、原生视觉和工具调用底子,它真能钻进复杂工作流里当“AI 新同事”用。
先看外网开发者的实测:@superalesha 让它通过 Blender MCP 写脚本零素材搭出东京雨夜拉面摊,着色器闪黑框自己看截图修好;MindStudio 丢给它没比例尺的澳洲卫星图,它自己写 Python 量小镇像素坐标,第一遍认混小镇觉得数据不对,自己推翻重算了一遍。
再看今天披露的几个高门槛行业案例,数字也挺硬:在车企真实产线里算零件加工刀路、上机前查过切,把单个工件编程的人工投入从约 475 分钟降到了 24 分钟(减少约 95%);干企业 IPO 法律尽调,客户分批丢过来 198 份命名混乱的散乱底稿,它自己重命名归成 14 个目录、交叉核查工商司法记录、抓出对赌协议里的“恢复条款”隐患,交出 86 页每句都带底稿引用的报告;金融投研调 90 个 MCP 工具交付双重溯源的 Excel 底稿和 PPT 报告,点单元格链接就能直达原始数据出处(危重症医疗测试里,它甚至在单次对话里通读上万字病程和 1,433 张原始影像,识别出双肺背侧实变并给出处置建议)。
最绝的是干湿闭环科研:为了解决下一代高功率芯片的数据中心散热,它在自动化干湿实验室里自己连续跑了 48 小时,从 270 万个分子里筛算完,直接调度湿实验台配物料合成纯化,真在烧瓶里做出了新型冷却液样品(顺手还协同自研求解器帮阿里云把 CPU 离线重调度的最优求解速度提了超 14 倍)。
让 AI 去扛这些繁琐的整理、验算和试错,人只管盯核心审核、做关键判断,这才叫真落地。
04泼两盆冷水、怎么避免“抽卡”,以及 5 毛钱一百万的缓存账单
照例泼两盆冷水,免得大家用错姿势踩坑。
第一,思考档位别乱开。 上周预览版刚出第一天口碑两极,有人嫌它回简单问题慢,原因就是预览版当时把默认档位焊死在了 xHigh(极高档)。好比算个 1+1 也开着 ultrathink 深度推演,杀鸡用牛刀能不慢吗?油管博主 The Dark Factory 把档位调低一格重跑同一个预算 App,耗时从 24 分钟降到 9 分钟,Token 省了四分之三,评分反而从 8 分涨到了 9 分。
今天上线的 Qwen4-Max 正式版,默认已经改成了适合日常工作的 High 档,利索多了(之前的预览版依然留在阿里 Token Plan 里,你可以拿第一天没跑顺的老题目去重跑对比一下)。日常干活用默认 High 档就行,真啃复杂全栈 Web 开发再手动切 xHigh。
第二,别拿一句话去“抽卡”。 单论一句话直出的静态页面审美,我觉得它离海外价格贵好几倍的顶配 Claude 还有一点差距。一问一答“口喷许愿”的时代早过去了,Qwen4-Max 很适合“引导型开发者”:你糊弄它,它就交个朴素表单应付你;你把“什么叫完成”定义清楚,效果立马不一样。写交互前端时,我实测最好用的办法是在需求末尾顺手贴上这段验收小尾巴(可直接复制):
前端与交互开发 · 防偷懒验收小尾巴(可直接复制):
“你是一位顶尖的前端工程师与产品设计师。确保设计在视觉上经过精心打磨,具有清晰的视觉层级;所有交互元素正常工作并提供视觉反馈与空状态;交付前检查核心功能,针对最薄弱的环节再打磨一轮,确保最终结果正确渲染且没有控制台错误。”
初稿出来哪块配色或动效不对,直接指出来让它接着改,它也能稳稳改到位。
最后,算一笔我这种“有小农意识”的开发者最关心的账。
挑主力模型过日子,不能光看“一次生成惊艳结果”,关键得看面对需要反复改几十轮的复杂活儿,成本扛不扛得住。你看一眼前面 @superalesha 跑 Blender 拉面摊晒出来的真实账单:
![]()
▲ 看紫框里的数字:1,196 万总输入 Token 里,有 1,159 万都是缓存命中,占了 97%
平时用 Claude Code、Cursor、Qoder 或 OpenClaw 改过项目的同学都懂,背着几十万字代码库和日志连改二三十轮,95% 以上的输入都在一遍遍重发同一份项目背景。就算个人订着海外 $200/月 套餐,团队业务一接 API 跑长流程,月底账单照样肉疼。
今天官方公布的价格真的太良心了:国内标准输入 10 元/百万、输出 30 元/百万,而缓存命中每百万 Tokens 低至 0.5 元(较上代大幅下调,远低于海外主流模型价格)。
拿上面那张拉面摊的用量按正式版价格折算:那 1,159 万命中缓存的重复上下文 × 0.5 元/百万 = 才 5 块 8 毛钱人民币! 跑完一千多万 Token 的 3D 工程,重复背景这部分的钱还不够买半杯瑞幸。算上它本身思考 Token 还省了一小半,在涵盖 721 个细分领域的 Work360 评测里,完成单个任务的平均总费用直接从上一代的 26.58 元降到了 11.16 元,降低了 58%。
而且隐式缓存不用你改一行代码去配规则,满足命中条件自动按低价扣费。以后让 Agent 挂着大仓库自己卷几个小时,终于不用盯着后台心疼上下文了。
▲ 缓存命中低至 0.5 元/百万 Tokens(远低于海外主流模型),Work360 单任务均费从 26.58 元降至 11.16 元
目前 Qwen4-Max 已经在千问 AI 平台上线了 API 服务,阿里 Token Plan 里也能直接调用;平时在千问办公、Qoder、千问 APP、Qwen Studio 里都能直接体验。接下来 Qwen4 系列的中小尺寸模型也会陆续开源发布。
如果你前几天测过预览版觉得慢,或者手头正好有需要来回改几十轮的项目,今天可以切到正式版试试看。
用下来体感怎么样、省了多少 Token,期待在评论区交流!
— 完 —
刘小排r
AI 创业者与独立开发者,专注分享出海实战、AI 编程工作流与产品手记。