Qwen4-Max
Qwen4-Max, el nuevo modelo insignia de lenguaje de Alibaba, se está comparando con modelos estadounidenses de “frontera” como Claude, GPT y DeepSeek; muchos señalan que, aunque su capacidad bruta es sólida, agregados de benchmarks como Artificial Analysis lo sitúan actualmente por debajo del nivel más alto y cuestionan su relación coste-rendimiento. Los comentaristas están especialmente interesados en las próximas variantes open-weight más pequeñas (27B y Flash), ya que las versiones anteriores de Qwen rindieron por encima de lo esperado en hardware local y en cargas de trabajo de programación y agentes. El hilo también plantea preocupaciones más amplias sobre el gaming de benchmarks, las medidas represivas contra la distillation por parte de los laboratorios estadounidenses, la censura y los filtros de seguridad en APIs alojadas en China, y la brecha cada vez mayor entre las capacidades de los modelos cerrados y las de open-weight.
Recepción general y posicionamiento
- Muchos ven a Qwen4-Max como un modelo incremental, pero no rompedor en la frontera. Varios comentarios dicen que queda “un escalón por debajo” de los mejores modelos estadounidenses.
- Los usuarios están más entusiasmados con las próximas variantes open-weight Qwen4 27B / Flash que con este lanzamiento cerrado de Max; los anteriores Qwen 3.8 Flash/27B son muy elogiados como “caballos de batalla” y “SOTA para su tamaño”.
Rendimiento, velocidad y coste
- Algunos informan que Qwen 3.8 Max/Flash Next es muy capaz para programación, agentes y reverse engineering, a menudo “lo bastante bueno” frente a Opus/Fable/Sol, pero más lento y/o más consumidor de tokens.
- Qwen4-Max puntúa mal en el índice agregado de Artificial Analysis (inteligencia 43, coste por tarea relativamente alto en ese entorno) y de forma aproximadamente similar a Kimi 3.1, aunque otros benchmarks (Vals, TerminalBench 4) lo sitúan más cerca del nivel de Astra.
- Varios practicantes enfatizan que, para cargas de trabajo largas o complejas, el razonamiento de “máximo esfuerzo” puede ser más rápido en conjunto pese al mayor coste por tarea, debido a que requiere menos correcciones.
Benchmarks y controversia de Artificial Analysis
- Un gran subhilo cuestiona la metodología de AA: reescrituras frecuentes del índice, ponderaciones opacas, benchmarks privados y una percepción de favoritismo sistemático hacia Anthropic/OpenAI.
- Otros defienden AA como una de las mejores vistas multi-modelo disponibles, argumentando que los evals privados son necesarios porque los laboratorios entrenan con benchmarks públicos.
- Consenso: los benchmarks están muy “benchmaxxeados”; los usuarios serios recurren cada vez más a suites de evaluación internas personalizadas.
Open weights frente a laboratorios punteros
- Preocupa que los modelos chinos open-weight estén empezando a quedarse atrás desde que los laboratorios estadounidenses introdujeron medidas anti-distillation y disponen de más cómputo.
- Contrapunto: el ecosistema open-weight se centra en la eficiencia (cuantización, motores de inferencia como Strata/Sushi) y en la posibilidad de despliegue local; los modelos pequeños de Qwen y DeepSeek Flash ya satisfacen muchas tareas de “asistir a humanos”.
- Debate sobre la viabilidad a largo plazo de los modelos open frente a los cerrados, con algunos argumentando que la economía y la asimetría de cómputo favorecen a los cerrados, mientras otros apuestan por modelos locales “lo bastante buenos”.
Seguridad, censura y política
- Hay informes de que los frontends alojados en China (Qwen, DeepSeek, Moonshot/Kimi) se niegan o filtran temas políticamente sensibles sobre China, mientras que las variantes open-weight o alojadas por terceros son más permisivas.
- Quejas sobre los filtros de seguridad de los laboratorios estadounidenses (piratería, biología, investigación de seguridad) por ser excesivamente estrictos y, a veces, modulados en secreto para bloquear la distillation.
Microbenchmark SVG del pelícano
- El hilo retoma la prueba SVG del “pelícano en bicicleta” a través de distintos niveles de razonamiento. Qwen4-Max lo hace mejor que 3.8 en conjunto; solo con el razonamiento más alto acierta los detalles geométricos clave.
- Algunos ven esto como una comprobación cualitativa divertida y ligera; otros lo descartan por estar saturada, ser meme-like y quizá estar en los datos de entrenamiento, aunque no hay evidencia clara de un “pelicanmaxxing” explícito.