Το Qwen4-Max της Alibaba κερδίζει σε 4 από 16 τεστ και κόβει 62% το κόστος ανά εργασία

Η Alibaba λανσάρει το Qwen4-Max, κλειστό μοντέλο 2,4 τρισ. παραμέτρων με φθηνότερο API. Πρώτο σε 4 από 16 benchmarks, αδύναμο στον προγραμματισμό.

Τεράστιος τοίχος με συρτάρια, όπου φωτίζεται μόνο μια μικρή ομάδα, και ζυγαριές με νομίσματα μπροστά του
Εικονογράφηση: mAInews.gr, με AI

Στην εργασία που η Alibaba ονομάζει «νομικοί πράκτορες», το Qwen4-Max πήρε 21,3 βαθμούς. Το επόμενο καλύτερο μοντέλο, το Kimi K3.1, πήρε 11,7 και το Claude Opus 5.5 μόλις 9,2. Είναι το πιο εντυπωσιακό νούμερο από το πρώτο μοντέλο της γενιάς Qwen4, που κυκλοφόρησε αυτή την εβδομάδα, όπως αναφέρει το MarkTechPost.

Το Qwen4-Max είναι κλειστό μοντέλο: δεν δίνονται ανοιχτά τα βάρη του, άρα δεν μπορεί να το κατεβάσει και να το τρέξει κανείς μόνος του. Δουλεύει μόνο μέσω των υπηρεσιών της Alibaba, όπως το QwenCloud API και το Qwen Studio. Δέχεται κείμενο, εικόνες και βίντεο και υποστηρίζει context window 1 εκατ. tokens, δηλαδή τον όγκο κειμένου που μπορεί να έχει μπροστά του μονομιάς.

Μεγάλο μοντέλο που ενεργοποιεί ένα μικρό μέρος του

Η αρχιτεκτονική είναι «αραιή» (sparse MoE): το μοντέλο έχει 2,4 τρισ. παραμέτρους, αλλά για κάθε token δουλεύουν μόνο οι 71 δισ. Προστίθενται άλλες 328 δισ. παράμετροι για αναζήτηση τοπικών μοτίβων λέξεων. Η Alibaba λέει ότι το μοντέλο βελτιώνει τρία σημεία του σχεδίου του: την προσοχή (attention), τις υπολειπόμενες συνδέσεις και τα embeddings.

Στις εσωτερικές δοκιμές της, η βασική έκδοση έχει 5 έως 13% χαμηλότερο σφάλμα πρόβλεψης (bits per byte) από την αντίστοιχη του Qwen3.8-Max, ενώ ενεργοποιεί 25% λιγότερες παραμέτρους.

Πρώτο σε 4 τεστ, πολύ πίσω στον προγραμματισμό

Στο γράφημα της Alibaba με 16 benchmarks, το Qwen4-Max είναι πρώτο σε τέσσερα. Στο Agents’ Last Exam v1.1 παίρνει 46,7 έναντι 43,4 των Opus 5.5 και Kimi K3.1. Στο BioMysteryBench παίρνει 85,0 έναντι 84,4 του GPT-6.1 Sol και στο DeepSWE v1.1 75,7 έναντι 75,5 του Kimi K3.1. Το Claude Opus 5.5 προηγείται σε επτά από τα 16.

Οι αδυναμίες φαίνονται στον απαιτητικό προγραμματισμό και στην όραση. Στο ProgramBench το Qwen4-Max παίρνει 31,5 με το Opus 5.5 στο 65,0. Στο Terminal-Bench 4.0 παίρνει 48,5 με το Kimi K3.1 στο 67,2. Στο Chartography φτάνει 54,2 έναντι 71,1 του GPT-6 Astra και στο Humanity’s Last Exam 51,7 έναντι 59,8 του Opus 5.5.

Τα νούμερα είναι της ίδιας της Alibaba. Μερικές βαθμολογίες προέρχονται από δημόσιους πίνακες τρίτων και κανένα δεν είχε αναπαραχθεί ανεξάρτητα κατά την κυκλοφορία. Το MarkTechPost σημειώνει επίσης ότι η Moonshot δίνει στην κάρτα του μοντέλου της άλλο αποτέλεσμα στο Terminal-Bench 4.0: 65,7 για το Kimi K3.1 Pro και 66,4 για το Opus 5.5.

Φθηνότερο και σε τιμή, και σε tokens

Η Alibaba μείωσε τις τιμές του API. Η είσοδος κοστίζει 1,50 δολάρια ανά εκατομμύριο tokens, από 2 δολάρια στο Qwen3.8-Max, και η έξοδος 4,50 από 6. Οι αναγνώσεις από την προσωρινή μνήμη (cache) πέφτουν 70%, από 0,25 στα 0,075 δολάρια.

Το μοντέλο χρησιμοποιεί και λιγότερα tokens. Στο δικό της τεστ Work360 η κατανάλωση πέφτει περίπου 24% στη ρύθμιση Xhigh και 35% στη High. Το μέσο κόστος ανά εργασία πέφτει από 4,43 σε 1,67 δολάρια, δηλαδή 62%. Στο ίδιο τεστ το Qwen4-Max παίρνει 52,69 από 47,74 του προηγούμενου μοντέλου. Το Work360 είναι δημιουργία της Alibaba και καλύπτει 26 κύριους τομείς και 721 εξειδικευμένα πεδία.

Οι προγραμματιστές το βρίσκουν στο QwenCloud ως «qwen4-max», με API συμβατό με πελάτες της OpenAI και της Anthropic. Υποστηρίζει κλήση συναρτήσεων, αναζήτηση στο web και fine-tuning. Το όριο ρυθμού είναι 5 εκατ. tokens ανά λεπτό. Η Alibaba το προσφέρει και μέσω συνδρομητικού Token Plan, όπου προηγήθηκε προεπισκόπηση νωρίτερα αυτόν τον μήνα.

Πηγή: MarkTechPost

Κοινοποίηση