Qwen4-Max

Qwen4-Max 是阿里巴巴的新旗舰大语言模型,正在与 Claude、GPT 和 DeepSeek 等美国“前沿”模型对比。许多人认为它的原始能力不错,但像 Artificial Analysis 这样的综合基准目前把它放在最顶尖梯队之下,并质疑其成本效益。评论者尤其关注即将推出的更小型开源权重版本(27B 和 Flash),因为之前的 Qwen 版本在本地硬件以及编程/代理工作负载上表现常常超出体量。该线程还引出了对基准刷分、美国实验室打击蒸馏、中国托管 API 的审查与安全过滤,以及闭源与开源模型能力差距不断扩大的更广泛担忧。

总体反响与定位

  • 许多人认为 Qwen4-Max 只是一次渐进式改进,还谈不上突破前沿。几条评论说它大致落在“比最顶尖的美国模型低一档”的位置。
  • 相比这次闭源的 Max 发布,用户对即将推出的 Qwen4 27B / Flash 开源权重变体更感兴趣;此前的 Qwen 3.8 Flash/27B 被广泛称赞为“主力型工作马”以及“同尺寸里的 SOTA”。

性能、速度与成本

  • 有人反馈 Qwen 3.8 Max/Flash Next 在编程、代理和逆向工程方面非常能打,常常“够用”,可以与 Opus/Fable/Sol 对比,但速度更慢和/或更耗 token。
  • Qwen4-Max 在 Artificial Analysis 的综合指数上表现不佳(智能指数 43,在该设置下每任务成本相对较高),与 Kimi 3.1 大致相近;不过其他基准(Vals、TerminalBench 4)把它放得更接近 Astra 水平。
  • 不少实践者强调,对于长时间运行或复杂工作负载,尽管单任务成本更高,“max effort” 推理由于减少了修正,总体上反而可能更快。

基准测试与 Artificial Analysis 争议

  • 一个很长的子线程质疑 AA 的方法论:指数频繁重写、权重不透明、私有基准,以及被认为系统性偏向 Anthropic/OpenAI。
  • 也有人为 AA 辩护,认为它是现有较好的多模型视角之一,并主张需要私有评测,因为实验室会在公开基准上训练。
  • 共识是:基准测试已经被严重 benchmaxxed;严肃用户越来越依赖自定义的内部评测套件。

开源权重 vs 前沿实验室

  • 有人担心,自从美国实验室引入反蒸馏措施并拥有更多算力后,开源权重的中文模型开始落后。
  • 反方观点是:开源权重生态更关注效率(量化、如 Strata/Sushi 之类的推理引擎)以及本地可部署性;较小的 Qwen 和 DeepSeek Flash 模型已经满足许多“辅助人类”任务。
  • 讨论还涉及开源与闭源模型的长期可行性:有人认为经济因素和算力不对称会让闭源占优,也有人押注本地的“够用”模型。

安全、审查与政治

  • 有报告称,中国托管的前端(Qwen、DeepSeek、Moonshot/Kimi)会拒绝或过滤涉及中国政治敏感话题的请求,而开源权重或第三方托管版本则更宽松。
  • 还有人抱怨美国实验室的安全过滤器(盗版、生物、安研)过于激进,而且有时还被暗中调节以阻止蒸馏。

Pelican SVG 微基准

  • 该线程重新拿“自行车上的鹈鹕”SVG 测试在不同推理强度下做比较。Qwen4-Max 的整体表现优于 3.8;只有在最高推理档位下,它才把关键几何细节做对。
  • 有人觉得这是个有趣、轻量的定性检查;也有人认为它已经饱和、很 meme 化,而且可能已经出现在训练数据里,不过没有明确证据表明存在显式的“pelicanmaxxing”。