阿里把 Qwen4-Max 推到了 Agent Arena 中国模型榜首,总榜第 14。

我第一反应不是"终于",是"这回账算对了"。

榜单这东西,看分数的人多,看成本的人少。但真正决定一个模型能不能被企业天天用的,从来不是它排第几,是你跑得起跑不起。Qwen4-Max 这次最值钱的不是那几个 SOTA,是藏在官方 footnotes 里的一行:Work360 上单任务均价从 4.43 美元掉到 1.67 美元,降了 62%。

62% 是个什么概念。同样一批活,去年要用 4.43 美元,现在 1.67 美元。这不是挤牙膏,是把门槛砍掉一截。

先说能力这块,省得有人以为便宜是因为弱。

2.4 万亿参数的骨干,每 token 只激活 710 亿,另外挂了 3280 亿的 N-gram 嵌入参数。这是新的 Qwen4 架构,用 GDN 加稀疏注意力(把长历史的注意力计算压成固定状态,省掉长文本里最贵的那部分)扛百万 token 上下文。官方说 2.4T 规模训练全程没出现 loss spike,这点要是真的,工程上相当硬。

Work360 得分 52.69,上一代 47.74。这是个覆盖 26 个一级行业、721 个细分领域的真实工作基准,涨得不小。

但让我真正下判断的,是 token 效率。

Work360 上 token 用量降了 24% 到 35%,Terminal-Bench 4.0 上降了 48% 到 49%。同样的任务,用更少的 token 干完——这才是成本降 62% 的根子。不是靠降价促销,是靠模型本身就省着用。

我给企业 AI 决策者一句直话:读这份发布,别只盯榜单截图。

长程智能体(能自己连续跑几十小时、中间不断规划和迭代的那种 Agent)最怕的就是成本失控。一个任务烧几美元,跑一百个就是几百美元,试点阶段还行,规模化直接劝退。Qwen4-Max 把这条曲线往下压了一截, Agent 从"演示很惊艳"到"敢放进生产跑"的距离,就被拉近了一点。

当然,别急着 all in。

这些都是阿里自己测的,第三方复现还没跟上。总榜第 14,前面还有 13 个。Agent Arena 的分数来自 14.7k 真实会话,但榜单排名受调用方式、提示词工程影响很大,换个 harness 可能就不是这个数。能力声量和可复现性之间,向来有水分。

还有一点:这次放出来的只有 Max,走 API 和 Token Plan。官方明说小模型"稍后开源"。想要本地部署、数据不出内网的团队,还得再等。

我的判断是:Qwen4-Max 标志着中国模型在"能干长活"这件事上,第一次同时把能力和单价打到了能算账的区间。真正改变采购决策的,往往不是谁又刷了榜,是谁把单位成本打了下来。这一轮,阿里押的是后者。

至于 24/7 智能体那条叙事——官方放了个 48 小时自主设计并合成新冷却材料的案例,从 270 万个候选分子筛到实验室拿到实物样品。漂亮,但那是精选案例,不是平均水平。看模型,永远要看它在中位数任务上的表现,不是在高光时刻。