Qwen4-Max

O Qwen4-Max, novo modelo de linguagem de grande porte flagship da Alibaba, está sendo avaliado contra modelos de “fronteira” dos EUA como Claude, GPT e DeepSeek, com muitos observando que, embora sua capacidade bruta seja sólida, agregados de benchmark como a Artificial Analysis atualmente o colocam abaixo do topo e levantam dúvidas sobre sua relação custo-desempenho. Os comentaristas estão especialmente interessados nas próximas variantes menores open-weight (27B e Flash), já que lançamentos anteriores do Qwen superaram seu tamanho em hardware local e em cargas de trabalho de programação/agentes. O thread também traz preocupações mais amplas sobre gaming de benchmarks, repressão à distillation por laboratórios dos EUA, censura e filtros de segurança em APIs hospedadas na China, e a crescente distância entre as capacidades de modelos fechados e abertos.

Recepção geral e posicionamento

  • Muitos veem o Qwen4-Max como um modelo incremental, mas que não rompe a fronteira. Vários comentários dizem que ele fica “um degrau abaixo” dos melhores modelos dos EUA.
  • Os usuários estão mais entusiasmados com as próximas variantes open-weight Qwen4 27B / Flash do que com este lançamento Max de pesos fechados; os Qwen 3.8 Flash/27B anteriores são amplamente elogiados como “workhorse” e “SOTA-for-their-size”.

Desempenho, velocidade e custo

  • Alguns relatam que o Qwen 3.8 Max/Flash Next é muito capaz para programação, agentes e engenharia reversa, muitas vezes “bom o bastante” em comparação com Opus/Fable/Sol, porém mais lento e/ou mais faminto por tokens.
  • O Qwen4-Max tem um desempenho fraco no índice agregado da Artificial Analysis (inteligência 43, custo por tarefa relativamente alto nesse cenário) e fica aproximadamente no mesmo nível do Kimi 3.1, embora outros benchmarks (Vals, TerminalBench 4) o coloquem mais perto do nível Astra.
  • Vários praticantes enfatizam que, para cargas de trabalho longas ou complexas, o raciocínio de “max effort” pode ser mais rápido no total, apesar do maior custo por tarefa, devido a menos correções.

Benchmarks e controvérsia da Artificial Analysis

  • Um grande subthread questiona a metodologia da AA: reescritas frequentes do índice, ponderações opacas, benchmarks privados e percepção de favorecimento sistemático de Anthropic/OpenAI.
  • Outros defendem a AA como uma das melhores visões multi-modelo disponíveis, argumentando que avaliações privadas são necessárias porque os laboratórios treinam em benchmarks públicos.
  • O consenso: os benchmarks estão fortemente “benchmaxxed”; usuários sérios estão cada vez mais recorrendo a suítes de avaliação internas personalizadas.

Pesos abertos vs laboratórios de fronteira

  • Há preocupação de que os modelos chineses de pesos abertos estejam começando a ficar para trás desde que os laboratórios dos EUA introduziram medidas anti-distillation e têm mais compute.
  • O contraponto: o ecossistema open-weight foca em eficiência (quantização, motores de inferência como Strata/Sushi) e implantabilidade local; modelos menores do Qwen e do DeepSeek Flash já satisfazem muitas tarefas de “assistir humanos”.
  • Debate sobre a viabilidade de longo prazo de modelos abertos vs fechados, com alguns argumentando que a economia e a assimetria de compute favorecem os fechados, enquanto outros apostam em modelos locais “bons o bastante”.

Segurança, censura e política

  • Há relatos de que frontends hospedados na China (Qwen, DeepSeek, Moonshot/Kimi) recusam ou filtram tópicos politicamente sensíveis sobre a China, enquanto variantes open-weight ou hospedadas por terceiros são mais permissivas.
  • Reclamações de que os filtros de segurança dos laboratórios dos EUA (pirataria, biologia, pesquisa de segurança) são excessivamente zelosos e às vezes modulados secretamente para bloquear distillation.

Micro-benchmark SVG do pelicano

  • O thread retoma o teste SVG do “pelicano em uma bicicleta” em níveis de raciocínio diferentes. O Qwen4-Max se sai melhor que o 3.8 no geral; só no nível mais alto de raciocínio ele acerta os detalhes geométricos essenciais.
  • Alguns acham isso um cheque qualitativo divertido e leve; outros o descartam como saturado, memético e possivelmente presente nos dados de treino, embora não haja evidência clara de “pelicanmaxxing” explícito.