Alibaba выпустила Qwen4-Max: флагман на 2,4 трлн параметров, дешевле предшественника

Alibaba запустила Qwen4-Max, новый флагман, который компания позиционирует против Opus 5.5, GPT-6 и Kimi K3.1 Pro. Модель построена по схеме mixture-of-experts (смесь экспертов): по данным команды Qwen, у неё 2,4 трлн параметров, но на каждый токен активируется только 71 млрд. Она обрабатывает изображения нативно и поддерживает контекстное окно в один миллион токенов.
Архитектура Qwen4 впервые показана именно в этой модели. Вместо одних только стандартных слоёв внимания Alibaba сочетает два метода: три слоя сжимают предыдущий контекст в компактное состояние, а четвёртый выбирает из него только важные части. Это заметно снижает затраты вычислений на длинных входных данных. Кроме того, добавлены четыре параллельных соединения между слоями с динамическими затворами для стабильности потока информации, а также N-gram embedding-слой на 328 млрд параметров, который поставляет частые последовательности токенов как готовые блоки. По словам Alibaba, обучение конфигурации на 2,4 трлн параметров шло стабильно, без внезапных скачков функции потерь. Во внутренних оценках качества в битах на байт (знания, код, вопросы-ответы, STEM) Qwen4-Max-Base показала лучший результат из пяти проверенных чекпойнтов: на 5-13% лучше Qwen3.8-Max-Base при на 25% меньшем числе активных параметров на токен.
Экономия видна и в стоимости задач. На Work360, собственном бенчмарке Alibaba по промышленным задачам в 721 специализированной области, Qwen4-Max тратит примерно на четверть, треть меньше токенов, чем предшественник; на агентном бенчмарке Terminal-Bench 4.0 расход токенов падает почти вдвое. По данным Alibaba, средняя стоимость задачи Work360 снизилась на 62% (с $4,43 до $1,67), а балл вырос с 47,74 до 52,69.
На внешних бенчмарках картина смешанная. На Agents' Last Exam v1.1 модель набрала 46,7 балла, лучший результат в группе сравнения. На Humanity's Last Exam она уступает Opus 5.5 и моделям GPT, на HealthBench Professional отстаёт от моделей GPT, но немного опережает Opus 5.5. В независимом индексе Artificial Analysis Intelligence Index на максимальном уровне рассуждений Qwen4-Max получила 43 балла: на девять больше, чем Qwen3.8-Max, и на три меньше, чем у Kimi K3.1 Pro (46 баллов, лучшая китайская модель). Сильнее всего выросли HLE-Diamond (плюс 21 пункт, до 45%), AA-Omniscience (плюс 18) и AutomationBench-AA (плюс 17).
Artificial Analysis оценивает стоимость Qwen4-Max в $3,27 за задачу индекса, примерно треть от $10,02 у Qwen3.8-Max и примерно на 11% меньше, чем $3,68 у Kimi K3.1 Pro. Экономия складывается из трёх частей: цены за токен ниже, чем у предшественника, на 25%, попадания в кэш стоят на 70% дешевле, а модели нужно меньше токенов, около 105 тысяч выходных токенов на задачу против 171 тысячи у Qwen3.8-Max. Tencent Hy4 заметно дешевле ($1,03 за задачу), но на восемь баллов ниже по индексу. На Terminal-Bench 4.0 Qwen4-Max набирает 48% против 67% у Kimi K3.1 Pro; на FrontierCode 2.0 (бенчмарк Cognition) делит с Kimi 26%, Tencent Hy4 получает 31%. Через собственный API Alibaba берёт $1,50 за миллион входных токенов и $4,50 за миллион выходных; попадание в кэш стоит $0,075.
Главная функция релиза, «Live Delivery» для автономных агентов с долгими задачами. Модель рано выдаёт пригодную первую версию и дорабатывает её за следующие проходы, а пользователь в любой момент может вмешаться и сменить курс. Сопутствующий Qwen-Live-Delivery-Plugin Alibaba опубликовала с открытым кодом.
Alibaba приводит и примеры применения. Партнёры из автопрома SANF и Pacific Union, как сообщается, сократили ручное программирование одной заготовки с примерно 475 до 24 минут. В финансах модель обращается к 90 инструментам MCP, собирает рыночные данные из нескольких источников и выдаёт проверяемые файлы Excel и PowerPoint, где каждое число прослеживается до источника. Совместно с собственным решателем MindOpt модель, по словам компании, в среднем на 10,42% снизила стоимость распределения вычислительных задач для разметки данных, а при распределении задач CPU в дата-центрах находила оптимальные решения более чем в 14 раз быстрее метода сравнения.
В лабораторных экспериментах, по данным Alibaba, модель вместе с системой Mira стартапа Deep Principle 48 часов работала автономно: перебрала 2,7 млн молекулярных кандидатов, управляла автоматизированной лабораторией и прошла четыре полных цикла проектирования, синтеза и измерений, создавая новый хладагент для мощных чипов дата-центров. С платформой PharmMaster пекинского стартапа DP Technology модель оптимизировала 24 молекулы-кандидата против воспалительного ответа, связанного с болезнью Альцгеймера; по словам Alibaba, итоговый кандидат связывается с белком-мишенью примерно в 3,6 раза лучше известного исходного соединения из патента. Эксперты DP Technology сочли результат достаточно перспективным для дальнейших лабораторных испытаний.
Модель также должна уметь по одному описанию на естественном языке вести всю разработку игры в Unity, Unreal Engine и Godot: от сцены и логики до материалов, интерфейса и эффектов, запуская игру и подстраивая камеру, анимации и освещение по визуальной обратной связи. Пример, приключение «Meow of Magic» про кота-волшебника на Unreal Engine. Anthropic, напротив, запретила своему Claude Code воссоздавать существующие игры после волны неофициальных клонов Halo и GTA: Vice City.
По безопасности Alibaba сообщает: на Last Secure Code Bench доля кода, одновременно рабочего и безопасного, выросла с 22 до 31,8%, а доля кода, признанного безопасным на всех трёх уровнях проверки, почти удвоилась, с 8 до 14,7%. Риски CBRN (химические, биологические, радиологические и ядерные) проверялись внутренними рецензентами по полным цепочкам рассуждений модели; они, по словам компании, не нашли реальной способности к новизне, которая существенно усилила бы возможности пользователя.
Qwen4-Max доступна через QwenCloud, а также в QwenWork, Qoder и QwenStudio. Меньшие модели Qwen4 Alibaba планирует позже выпустить с открытым кодом; открытые веса пока получат только они.
Ключевые факты
- Qwen4-Max, модель типа mixture-of-experts: 2,4 трлн параметров, из них активны 71 млрд на токен (у Qwen3.8-Max, 95 млрд), контекст, один миллион токенов, изображения обрабатываются нативно.
- В Artificial Analysis Intelligence Index модель набрала 43 балла: на девять больше Qwen3.8-Max и на три меньше Kimi K3.1 Pro (46).
- Стоимость по Artificial Analysis, $3,27 за задачу индекса против $10,02 у Qwen3.8-Max и $3,68 у Kimi K3.1 Pro; Tencent Hy4 дешевле ($1,03), но на восемь баллов ниже.
- API Alibaba: $1,50 за миллион входных и $4,50 за миллион выходных токенов, кэш, $0,075; открытые веса получат только меньшие модели Qwen4 позже.
- Заявленные Alibaba примеры (Work360, автономная работа с лабораторией, поиск лекарства, безопасность кода) пока основаны на данных самой компании.
Почему это важно
Qwen4-Max, новый флагман Alibaba, который впервые показывает архитектуру семейства Qwen4: гибрид сжатия контекста и выборочного внимания делает работу с длинным контекстом дешевле. Ставка сделана на цену: по независимым данным Artificial Analysis, одна задача индекса обходится примерно втрое дешевле, чем у Qwen3.8-Max, и немного дешевле, чем у лидера среди китайских моделей Kimi K3.1 Pro. При этом по качеству Qwen4-Max вторая среди китайских моделей в этом индексе, а не первая, и уступает Kimi по Terminal-Bench 4.0 (48% против 67%).
Кому это важно
Разработчикам и компаниям, которые строят агентов для долгих задач и платят за токены: у модели миллионный контекст, сниженная цена за токен и расход токенов на задачу. Команды, выбирающие между китайскими флагманами, увидят компромисс: Qwen4-Max дешевле Kimi K3.1 Pro по индексу, но слабее его в кодинге на Terminal-Bench 4.0. Интерес также у отраслевых пользователей (производство, финансы, наука), на которых Alibaba нацеливает релиз.
Как это применить
Модель доступна через QwenCloud и в продуктах QwenWork, Qoder и QwenStudio. Через собственный API Alibaba цена, $1,50 за миллион входных и $4,50 за миллион выходных токенов, попадание в кэш, $0,075. Для долгих агентных задач стоит попробовать функцию Live Delivery: ранний рабочий вариант и возможность вмешаться по ходу; плагин Qwen-Live-Delivery-Plugin опубликован с открытым кодом. Веса Qwen4-Max не заявлены как открытые: меньшие модели Qwen4 Alibaba обещает выпустить позже, без срока.
Можно ли доверять
Независимы только оценки Artificial Analysis: индекс 43 балла и стоимость $3,27 за задачу. Остальное, данные Alibaba: бенчмарк Work360 (её собственный) и снижение стоимости на 62%, партнёрские внедрения, лабораторные эксперименты, результат по поиску лекарства, показатели безопасности кода и вывод внутренних рецензентов по CBRN. Эти цифры в источнике независимой проверкой не подтверждены. Сравнение с Opus 5.5 и GPT-6 в источнике приведено лишь качественно: в индексе Artificial Analysis их места не названы, цены этих моделей не указаны. 62% и «около трети», разные метрики (разные бенчмарки), их нельзя смешивать.
Риски и подводные камни
Результаты смешанные: Qwen4-Max уступает Opus 5.5 и моделям GPT на Humanity's Last Exam, отстаёт от Kimi K3.1 Pro на Terminal-Bench 4.0 и от Tencent Hy4 на FrontierCode 2.0 (26% против 31%). Tencent Hy4 по индексу заметно дешевле Qwen4-Max ($1,03 за задачу), но на восемь баллов ниже. Сценарии вроде разработки игры по одному описанию Alibaba описывает формулой «должна уметь», то есть это скорее обещание, чем подтверждённый результат. Открытых весов самого Qwen4-Max нет, поэтому запуск у себя пока невозможен.