
撰文| 高晓阳
编辑| 郝 鑫
11月15日,千问发布新一代旗舰模型Qwen4-Max。新模型总参数2.4万亿,具备原生视觉能力,上下文窗口达到百万token。官方将其定位为“全天候AI新同事”,主打方向是长程任务与成果交付。
为了验证这一定位能否在实际使用中成立,我们设计了四项测试,包含了前端互动网页、Godot 3D动作游戏、视频白模预演,以及一份需要自主检索资料的PPT。
结果显示,Qwen4-Max在四项任务中均交付了可直接打开和使用的成品。比成品本身更关键的,是模型的工作方式。环境搭建、运行测试、画面检查、问题修复等环节,大部分都能靠模型自主完成。
四项测试完成之后,我们得到了三点核心结论。
1、交付前的自我验证成为常规环节。代码写完先检查,游戏做完先试玩,镜头开拍前先规划,PPT在交付之前Qwen4-Max会先自己过目。Qwen4-Max的原生视觉能力让模型能够检查自身产出,“生成—检查—修改”的闭环由此形成。
2、使用AI开发游戏的门槛显著降低。引擎下载、导出模板续传、在线发布等工程环节,由Qwen4-Max与千问办公协同完成。用户无需掌握Godot或配置开发环境,即可获得一款可运行的游戏。
3、能够准确执行修改意见。游戏第一版数值偏难,模型收到六项修改意见后,在第二版中全部落实,并额外修复了两处未被指出的程序缺陷。长程任务无需一版到位,关键在于每一轮迭代都有实质改进,这一点Qwen4-Max已经落实到位。
一句话概括:Qwen4-Max展现出的,是一种在交付前主动完成自查的工作能力。
架构更省,能力更强,成本更低
本次升级的重点不在单项评测成绩,而在完成任务的能力。
第一是新架构。Qwen4-Max总参数2.4T,每个token激活71B,另有328B的N-gram Embedding参数。

架构有三处主要改动。其中三层采用Gated DeltaNet(门控线性注意力)压缩历史信息,一层采用Qwen Sparse Attention(千问稀疏注意力)按块选择上下文;残差流扩展为四条并行分支,增强跨层信息传递;N-gram Embedding(N元语法嵌入)以较低的计算代价扩充模型容量。

官方表示,Qwen4-Max预训练全程未出现loss spike(训练损失突然飙升,通常意味着训练不稳定),激活参数较上一代Qwen3.8-Max减少约25%。
打个比方,模型处理长文本,就像图书馆整理一份百万字的长稿:Gated DeltaNet是随读随记的馆员,只在一张固定大小的摘要卡上记录要点,由“门控”决定留什么、删什么;Qwen Sparse Attention在需要原文时按索引调出相关几卷,而非搬空整座书库;N-gram Embedding是常用短语索引,常见搭配直接就能查到。2.4T是馆藏总量,每处理一个token,实际取用的只有71B。

第二是专业工具与长程任务。为衡量模型在专业场景中的表现,千问构建了Work360行业基准,覆盖26个一级领域、182个二级子领域和721个三级细分领域,Qwen4-Max得分52.69。

长程任务方面,新模型引入持续交付(Live Delivery)机制,即先交付可用的首版,再逐版完善。千问同步开源了Qwen-Live-Delivery-Plugin,安装该插件即可体验持续交付能力。

第三是使用成本。在Work360评测中,Xhigh和High两档推理强度的token消耗分别减少约24%和35%;单个任务的平均费用从26.58元降至11.16元,降幅58%。

接下来我们用四项测试来检验这些能力在实际任务中的表现。
四项实测:难度逐级递进,成品全部可用
这次测试我们重点验证的是Qwen4-Max的“成果交付”能力,测试遵循三项原则,仅使用千问办公,按普通用户的方式操作;仅提供一段需求,不提供任何素材;需求写到可核对的程度,成品逐条对照检查。
四项任务按难度递进,从单文件的前端网页,到完整的游戏工程,再到考验空间精度的白模预演,最后是需要联网检索的PPT制作。
第一项任务是前端测试。以社区流行的“秦始皇骑北极熊”为题,Qwen4-Max一次性生成了完整的SVG动画;在此基础上,我们先后要求将其扩展为三幕互动网页、追加操控功能,两轮修改均未影响原有功能。
首轮需求沿用社区通行写法。成品中,秦始皇身着黑袍金边,对应“秦尚黑”的历史设定,冕冠旒珠随奔跑摆动;远山、长城与雪地分三层视差滚动。

按照第二轮需求,Qwen4-Max将动画扩展为《秦始皇骑北极熊巡游记》,包含咸阳宫、长城、雪原三幕,每幕配有一句仿古字幕,例如“六王毕,四海一。朕不乘辇,偏骑白熊出咸阳”。角色具备待机、奔跑、互动三种状态。

第二项任务从单文件升级为完整的工程项目,使用Godot 4开发3D动作游戏《北极熊武士》。Qwen4-Max交付了一款发布至公网、可在浏览器中直接运行的游戏,并在一轮反馈后完成了全流程通关验证。
这一任务对自主性的要求最高。下载引擎超时后,模型自行改用镜像源并断点续传;开发中,模型实际运行游戏并截图检查,发现视角设置错误后随即修正,确认网页版运行正常后完成了在线发布。
第一版的数值设定偏难。我们提出六项修改意见后,模型在第二版中全部落实,游戏资源包也从14MB压缩至253KB。随后,模型编写了自动玩家程序,由程序从开局一路打到首领战并顺利通关;其间,模型还发现并修复了两处未被指出的程序缺陷。

试玩链接:https://wd4635fq.qwenwork.host/
第三项任务考验空间精度,制作一段20秒、五个镜头的中式庭院白模预演。分镜中设定的全部尺寸与三个关键时间点,成品均准确还原;Qwen4-Max同时交付了带时间轴的预演网页和一份Excel参数表。
开始制作前,模型先确认了交付形式。对于“南北20米是否包含正殿”这类需求中的歧义,模型也给出了明确的处理方式,并连同其他补充假设一并写入参数表。各镜头的机位和视角也都经过了数学校验。
我们拖动时间轴核对,角色停步、正殿亮灯、殿门开启三个时间点均准确无误。个别仰拍机位的部分画面被井沿遮挡,追加一句指令调整取景即可解决。
第四项任务回到办公场景,要求自主搜集资料,制作《国产AI大模型2026年发展盘点》PPT。从一个题目出发,Qwen4-Max交付了14页可编辑的演示文稿,包含3张原生图表,每页页脚均附出处链接,并主动注明了哪些数据属于厂商披露口径。
模型先进行了5轮联网检索,内容涵盖主要厂商、时间线、开闭源格局、价格和典型应用,最后一页给出自己的判断,“竞争主轴=单位任务成本×交付可靠性”。
排版检查方面,模型先将PPT渲染为图片,再调用自身视觉能力逐页检查文字溢出、图表可读性和页脚越界等问题,修改4页后重新渲染复核。

自我验证,让长程任务走进日常工作
Qwen4-Max将大模型的竞争重点,从“答得好”推向了“交得出”。
从能力看,自我验证是交付可靠的前提。本次测试的四项任务按难度递进,越往后越接近真实工作,对交付的要求也越高,但成品质量并未随难度提升而下降。原因在于,每项任务交付前,模型都会自行检查。原生视觉、长程执行等能力,由此不再只体现为评测分数,而是转化为实际的交付质量。
从产品看,模型与产品的协同降低了使用门槛。千问办公2.0提供沙箱、网页发布、需求确认等工具,模型能够判断何时调用何种工具。用户只需描述需求,环境搭建、调试和发布都可以交由模型完成。
从成本看,价格决定了这种使用方式能否普及。单个任务平均费用下降58%,Qwen4系列中小尺寸模型也将陆续开源。长程智能体要成为日常工具,成本必须先降下来。
能力、产品与成本同时推进,“全天候AI新同事”的定位才有了落地的基础。从这次实测看,Qwen4-Max已经具备了在交付之前先把工作检查一遍的习惯,这也是AI成为新同事最重要的素质。

微信号|TMTweb
公众号|光子星球
别忘了扫码关注我们!







