# 千问 4（Qwen4）是什么？Qwen4-Max 正式版跑分、实测与 API 价格

[在 Offloop 阅读本文](https://offloop.org/zh-CN/learn/qwen-4-max)

Yifei

千问 4 正式版是什么水平？对照 Artificial Analysis、Arena 和 Vals AI 跑分，查看三组上手测试，以及美国、新加坡与中国内地 API 价格。

千问 4（Qwen4）是阿里千问的新一代大模型系列，**Qwen4-Max 是这一代率先正式上线的旗舰模型**。它于 2026 年 11 月 16 日发布，支持 100 万 Token 上下文，可以理解文本、图片和视频，通过代码生成、工具调用和结构化输出完成多步任务。

Qwen4-Max 采用混合专家（MoE）架构，拥有约 2.4 万亿主体参数，每个 Token 激活约 710 亿参数。此前的 `qwen4-max-preview` 于 11 月 11 日开放测试，正式版则开始提供按量计费 API，模型 ID 为 `qwen4-max`。阿里也表示，后续会开放较小的 Qwen4 模型权重。

[千问发布公告](https://qwen.ai/blog?id=qwen4-max) · [阿里云百炼模型文档](https://help.aliyun.com/zh/model-studio/qwen4-max)

**Qwen4-Max 到底是什么级别？能和 Claude Opus 5.5 竞争吗？**

从首发成绩看，它已经进入值得与国际旗舰模型比较的范围，特别是在网页开发方面。但综合能力更接近 Kimi K3.1 Pro，还不能认为它全面达到了 Claude Opus 5.5 的水平。

在 Artificial Analysis 的独立综合评测中，Qwen4-Max 得到 **43 分**，超过上一代 Qwen3.8-Max 的 34 分，接近 Kimi K3.1 Pro 的 46 分，但落后于 Claude Opus 5.5 的 59 分。

网页开发的差距更小。Qwen4-Max 在 WebDev Arena 取得 **1750 Elo，首发暂列第 6**，Opus 5.5 得到 1816 Elo，暂列第 2。

这让 Qwen4-Max 成为一个值得测试的前端开发模型。如果任务需要复杂的代码库操作、长程终端执行或高难度专业推理，目前仍应与 Opus 5.5、Kimi K3.1 Pro 等模型分别测试，不能直接替换。

[Artificial Analysis](https://artificialanalysis.ai/models/qwen4-max) · [WebDev Arena](https://arena.ai/leaderboard/code/webdev)

## Qwen4-Max Benchmark：相比上一代提升了多少？

Qwen4-Max 的首发测试覆盖网页开发、软件工程、Agent 工作流、专业知识和多模态理解。不同机构使用的测试工具和推理设置不同，不能把所有分数直接放在一起比较。

下面优先列出 Artificial Analysis、Arena 和 Vals AI 的独立测试。三家机构均公布了正式版的评测结果，主要使用 `xhigh` 推理档位。

Qwen4-Max 首发独立评测

| Benchmark                              | Qwen4-Max              | 对照成绩                                        |
| -------------------------------------- | ---------------------- | ------------------------------------------- |
| Artificial Analysis Intelligence Index | 43 分                   | Qwen3.8-Max 34、Kimi K3.1 Pro 46、Opus 5.5 59 |
| WebDev Arena                           | 1750 Elo，第 6           | Qwen3.8-Max 1676、Opus 5.5 1816              |
| Image-to-WebDev                        | 1674 Elo，第 6           | Qwen3.8-Max 1639                            |
| Vals Index v2.2                        | 63.20%，第 11/38         | Qwen3.8-Max 59.05%、Kimi K3.1 Pro 62.52%     |
| Vibe Code Bench v1.1                   | 86.66%，21/50 个应用通过全部测试 | Qwen3.8-Max 16/50                           |
| Terminal-Bench 4.0                     | 约 48.5%                | Qwen3.8-Max 约 38.9%、Kimi K3.1 Pro 约 67%     |
| AA-Briefcase v1.1                      | 1686 Elo               | Qwen3.8-Max 1604、Opus 5.5 1801              |
| AutomationBench-AA                     | 约 73%                  | Qwen3.8-Max 56%、Opus 5.5 70%                |
| Finance Agent v2.1                     | 66.68%                 | Vals AI 排名第 8                               |
| Tax Agent Bench                        | 40.35%                 | Qwen3.8-Max 49.7%                           |
| Legal Research Bench                   | 41.35%                 | Qwen3.8-Max 46.2%                           |

*Arena 为首发初步排名，后续票数增加可能改变成绩。Vals AI 的排名采用当前模型页口径，不同日期的榜单总数可能变化。*

[Artificial Analysis 评测](https://artificialanalysis.ai/models/qwen4-max) · [Vals AI 模型页](https://www.vals.ai/models/alibaba_qwen4) · [Arena 网页开发榜](https://arena.ai/leaderboard/code/webdev)

### 网页开发是目前比较突出的优势

Qwen4-Max 在 WebDev Arena 比上一代提升了 74 Elo，在截图转网页测试中也有提升。

Vals AI 的 Vibe Code Bench 测试了 50 个网页应用，正式版 Qwen4-Max 有 21 个通过全部测试，而上一代有 16 个。两项结果都支持它在前端生成与交互应用开发上的进步。

不过，1750 Elo 与 Opus 5.5 的 1816 Elo 之间仍有差距。网页布局是否好看、交互是否正确、能不能持续修改一个已有项目，也应分开判断。

### 复杂编程与专业任务仍有差距

在 Terminal-Bench 4.0 中，Qwen4-Max 约为 48.5%，高于上一代的 38.9%，但低于 Kimi K3.1 Pro 的约 67%。

在阿里公布的 ProgramBench 软件复刻测试中，Qwen4-Max 得到 31.5，Opus 5.5 得到 65.0。虽然 Qwen4-Max 在部分软件工程测试中表现不错，这项结果仍显示出长程编程能力上的差距。

专业任务也不是全面进步。

Vals AI 测得 Qwen4-Max 在 Finance Agent v2.1 中得到 66.68%，但 Tax Agent Bench 从上一代的 49.7% 降到 40.35%，Legal Research Bench 也从 46.2% 降到 41.35%。

如果企业使用模型进行财务、税务或法律相关工作，应该根据对应任务的评测结果选型，而不是只看综合排名。

[Vals AI 详细结果](https://www.vals.ai/models/alibaba_qwen4) · [千问发布的 Benchmark 对比](https://x.com/Alibaba_Qwen/status/2122148127520289151)

![千问发布图对比 Qwen4-Max、Qwen3.8-Max、Claude Opus 5.5、GPT-6.1 Sol、GPT-6 Astra 与 Kimi K3.1 的成绩。](https://offloop.org/editorial/learn/qwen-4-max/benchmark-overview.jpg)

来源：千问发布材料。图中为千问发布的 benchmark 对照。

## 三组实测：Qwen4-Max 实际做出来了什么？

跑分之外，已经有开发者公开了正式版的执行记录和成品。下面三组测试分别展示网页生成、设计差异以及推理档位对速度的影响。

### 1. 同题网页开发：Qwen4-Max 比 DeepSeek V4.1 Flash 早完成 31 分 24 秒

开发者 Densitylucky 给 Qwen4-Max 和 DeepSeek V4.1 Flash 相同的任务：制作一座封在展柜里的交互式微缩城市。

鼠标是一束「时间手电筒」。用户移动鼠标时，可以看到光圈内的城市在 1920、1980 或 2080 年的样子。

建筑在不同年代要保持位置对齐，用户还可以固定时间窗口，在同一幅地图上对比多个时代的变化。

两款模型都完成了光圈内建筑随年代变化的交互。Qwen4-Max 的演示还展示了同时固定多个年代窗口的功能。

作者记录的完成时间是：

同题交互网页用时

| 模型                  | 用时        |
| ------------------- | --------- |
| Qwen4-Max           | 13 分 31 秒 |
| DeepSeek V4.1 Flash | 44 分 55 秒 |

Qwen4-Max 在这一轮任务中快了 31 分 24 秒。

不过，作者没有公布两款模型的完整推理设置、API 账单或逐项验收结果，因此不能把这一轮计时当作普遍的速度结论。

[开发者原帖与同屏视频](https://x.com/Densitylucky/status/2122186925343920447)

![Qwen4-Max 与 DeepSeek V4.1 Flash 同题生成交互式微缩城市的并排演示。](https://offloop.org/editorial/learn/qwen-4-max/time-flashlight-poster.jpg)

[Qwen4-Max 与 DeepSeek V4.1 Flash 同题生成交互式微缩城市的并排演示。](https://offloop.org/editorial/learn/qwen-4-max/time-flashlight.mp4)

来源：Densitylucky。上方是 Qwen4-Max，下方是 DeepSeek V4.1 Flash。

### 2. Arena 并排测试：Qwen4-Max 与 GPT、Claude 的前端设计差异

Arena 的 Peter Gostev 展示了一组模型生成的实际作品，包括体素罗马、3D 场景、小游戏和交互网页。

其中，赛车赛事页面的对照比较直观。

Qwen4-Max 将赛道、赛事数据和车手列表排列成紧凑的赛事控制台，页面信息密度较高。GPT-6.1 Sol 则给赛道图留出了更大的版面，视觉中心更集中。

两种设计都完成了页面的主要内容，但布局选择不同。

这个案例无法单独证明哪款模型更强，却可以帮助开发者判断哪种输出更符合自己的项目需求。

想直接比较成品，可以从视频 **13:36** 的网页设计部分开始，再看 **15:47** 的网页与可用性对照。

[Arena 模型并排对比视频](https://x.com/arena/status/2122157548057084062)

![Peter Gostev 在 Arena 对比 Qwen4-Max 的网页、游戏与 3D 成品。](https://offloop.org/editorial/learn/qwen-4-max/arena-review-poster.jpg)

[Peter Gostev 在 Arena 对比 Qwen4-Max 的网页、游戏与 3D 成品。](https://offloop.org/editorial/learn/qwen-4-max/arena-review.mp4)

来源：Arena 与 Peter Gostev。网页设计对比从 13:36 开始。

### 3. Simon Willison 测试：`xhigh` 比 `high` 慢了近 6 分钟

开发者 Simon Willison 使用 OpenRouter，让 Qwen4-Max 在不同推理档位下完成同一句提示词：

```
Generate an SVG of a pelican riding a bicycle
```

任务要求模型生成一张骑自行车的鹈鹕 SVG 图像。

四种推理设置的结果如下：

同一提示词的四档推理结果

| 推理设置      | 耗时       | 输出 Token（含推理） |
| --------- | -------- | ------------- |
| 关闭推理      | 1 分 01 秒 | 3,766         |
| low       | 1 分 31 秒 | 5,702         |
| high      | 1 分 37 秒 | 6,362         |
| \`xhigh\` | 7 分 23 秒 | 26,295        |

`xhigh` 版本加入了更多细节，包括蓝绿色自行车、红围巾和露出尾巴的鱼。但它的耗时约为 `high` 的 4.5 倍，输出 Token 约为 4.1 倍。

Willison 也使用 Qwen3.8-Max 完成了同一道题。他整体更喜欢 Qwen4-Max 的输出，但只比较 `xhigh` 版本时，他反而更喜欢上一代生成的作品。

这个测试提醒开发者，推理档位并不是越高越好。增加推理 Token 可能改善细节，但也会增加延迟和费用，并不保证每次都得到更好的结果。

[原始运行记录](https://gist.github.com/simonw/ff451620c173ea21e21b97b8cd46805b) · [四档 SVG 成品](https://tools.simonwillison.net/markdown-svg-renderer?url=https://gist.github.com/simonw/ff451620c173ea21e21b97b8cd46805b) · [作者比较](https://news.ycombinator.com/item?id=50513215)

## Qwen4-Max 比 Qwen3.8-Max 便宜多少？

Qwen4-Max 的变化除了性能提升，还有每次任务的平均成本下降。

Artificial Analysis 使用 `xhigh` 评测两代模型，得到以下结果：

Artificial Analysis 两代模型测试

| 指标            | Qwen3.8-Max | Qwen4-Max |
| ------------- | ----------- | --------- |
| 综合能力指数        | 34          | 43        |
| 平均任务成本        | US$10.02    | US$3.27   |
| 平均输出 Token/任务 | 约 17.1 万    | 约 10.5 万  |

按照这组测试，平均任务成本下降约 **67%**。

单价下降是一部分原因，Token 消耗减少也是重要因素。两代模型完成的是同一套评测，新模型在完成任务时平均使用了更少的输出 Token。

[Artificial Analysis 成本分析](https://x.com/ArtificialAnlys/status/2122161637595738416)

阿里自己的 Work360 测试也观察到类似趋势。

Qwen4-Max 得分从上一代的 47.74 提升至 52.69，平均任务成本由 **US$4.43 降至 US$1.67**，降幅约为 62%。

不过，Work360 是阿里公布的内部测试，与 Artificial Analysis 的任务集和评测条件不同，不能将两套成本数字直接混用。

[千问 Work360 成本](https://x.com/Alibaba_Qwen/status/2122148131982946642) · [Work360 成绩](https://x.com/Alibaba_Qwen/status/2122148135623647368)

![千问绘制的 Work360 和 Terminal-Bench 4.0 图表，对比两代模型的得分和每个任务的 Token 用量。](https://offloop.org/editorial/learn/qwen-4-max/token-efficiency.jpg)

来源：千问。图中各点对应不同推理档位。

对于真实开发任务，更适合记录的是一次通过验收的总费用，包括第一次生成、重新执行、修复错误和必要的人工干预。

## Qwen4-Max 怎么用？在哪里可以试？

千问公布的入口包括 Qwen Studio、QwenWork 和 Qoder。

如果只想体验模型的文本与编程能力，可以先在官方产品中试用。如果需要把它接入自己的应用或 Agent 系统，可以通过阿里云百炼或 OpenRouter 调用 API。

* [Qwen Studio](https://chat.qwen.ai/) · 在线体验千问模型
* [QwenWork](https://qwenwork.ai/) · 千问工作场景入口
* [Qoder](https://qoder.com/) · AI 编程开发工具
* [阿里云百炼](https://help.aliyun.com/zh/model-studio/qwen4-max) · API，模型 ID 为 `qwen4-max`
* [OpenRouter](https://openrouter.ai/qwen/qwen4-max) · API，模型 ID 为 `qwen/qwen4-max`

正式版支持 OpenAI Chat Completions、Responses、Anthropic Messages 和 DashScope 接口，也支持工具调用、并行工具调用和 JSON 结构化输出。

此前的 `qwen4-max-preview` 属于预览型号，通过 Token Plan 提供；正式版 `qwen4-max` 已支持按量计费。使用 API 时，应确认选择的是正式版模型 ID。

[百炼正式版文档](https://help.aliyun.com/zh/model-studio/qwen4-max) · [预览版文档](https://docs.qwencloud.com/developer-guides/getting-started/latest-model)

### Qwen4-Max API 价格

不同地域和部署范围的百炼 API 价格有所区别。

以下是截至 2026 年 11 月 16 日核对的公开标准价格，单位为每百万 Token：

百炼每百万 Token 牌价

| 百炼地域与部署范围     | 输入       | 输出      | 缓存命中     |
| ------------- | -------- | ------- | -------- |
| 美国弗吉尼亚 · 全球部署 | US$1.413 | US$4.24 | US$0.071 |
| 新加坡 · 国际部署    | US$1.50  | US$4.50 | US$0.075 |
| 中国北京 · 中国内地部署 | ¥10      | ¥30     | ¥0.50    |

思考 Token 计入输出费用。表中缓存命中价格不等于缓存创建价格，显式缓存创建会另行计费。

与同部署范围的 Qwen3.8-Max 比较，Qwen4-Max 在弗吉尼亚的标准输入和输出单价各降低约 14.4%，在新加坡各降低 25%。

[阿里云百炼国际站价格](https://docs.modelstudio.console.alibabacloud.com/en/model-studio/model-pricing) · [中国站价格](https://help.aliyun.com/zh/model-studio/model-pricing)

### 调用 API 时需要注意什么？

Qwen4-Max 支持最长 100 万 Token 上下文，适合输入长文档和大型任务背景。但能够接收长上下文，不代表模型必然能够准确引用其中每一处信息。

此外，推理档位会影响输出 Token、耗时和费用。开发者不应该直接把所有任务设成 `xhigh`。

如果通过百炼接入，先创建对应地域的 API Key，再按照该地域的 API 文档配置访问地址，将模型 ID 设置为 `qwen4-max`。

如果使用 OpenRouter，模型 ID 则是 `qwen/qwen4-max`，其模型页面还提供各档推理设置与具体计价说明。

[OpenRouter Qwen4-Max](https://openrouter.ai/qwen/qwen4-max)

## Qwen4-Max 现在值得使用吗？

如果你主要做前端原型、交互网页或有明确验收条件的开发任务，Qwen4-Max 值得加入候选。

比较直接的方式，是拿一张自己熟悉的项目截图，让 Qwen4-Max 和当前使用的模型完成相同任务。先使用 `high` 推理设置，要求页面满足几项明确条件，例如布局与参考图一致、关键交互有效、窄屏能够正常使用。

之后记录首次通过验收所需的总时间、Token 消耗、重试次数和人工修改量，再决定是否使用更高的推理档位。

如果团队目前主要依靠 Opus 5.5 或 Kimi K3.1 Pro 处理代码库维护、复杂终端任务或长程 Agent 工作流，建议先在高频真实任务上复跑。独立评测中的终端编程和专业任务成绩，还不足以证明 Qwen4-Max 可以全面替代它们。

Qwen4-Max 的首发成绩已经说明，它在多个领域明显超过上一代，尤其是网页开发；API 单价和平均任务消耗也有所下降。至于能否替代现有旗舰模型，仍需要用具体任务的完成率、延迟和总成本来判断。

*注：本文整理的是 Qwen4-Max 正式版于 2026 年 11 月 16 日发布时的首发结果。Arena 榜单属于动态排名，部分数据仍为初步结果。Artificial Analysis 和 Vals AI 为独立评测，阿里发布的 Work360、ProgramBench 等对照数据按照厂商披露口径呈现。开发者实测仅代表公开展示的相应任务，不等同于全面性能评估。*

## 参考来源

* [\[1\] 千问发布公告](https://qwen.ai/blog?id=qwen4-max)
* [\[2\] 阿里云百炼模型文档](https://help.aliyun.com/zh/model-studio/qwen4-max)
* [\[3\] Artificial Analysis](https://artificialanalysis.ai/models/qwen4-max)
* [\[4\] WebDev Arena](https://arena.ai/leaderboard/code/webdev)
* [\[5\] Vals AI 模型页](https://www.vals.ai/models/alibaba_qwen4)

- [\[6\] 千问发布的 Benchmark 对比](https://x.com/Alibaba_Qwen/status/2122148127520289151)
- [\[7\] 开发者原帖与同屏视频](https://x.com/Densitylucky/status/2122186925343920447)
- [\[8\] Arena 模型并排对比视频](https://x.com/arena/status/2122157548057084062)
- [\[9\] 原始运行记录](https://gist.github.com/simonw/ff451620c173ea21e21b97b8cd46805b)
- [\[10\] 四档 SVG 成品](https://tools.simonwillison.net/markdown-svg-renderer?url=https://gist.github.com/simonw/ff451620c173ea21e21b97b8cd46805b)
- [\[11\] 作者比较](https://news.ycombinator.com/item?id=50513215)
- [\[12\] Artificial Analysis 成本分析](https://x.com/ArtificialAnlys/status/2122161637595738416)
- [\[13\] 千问 Work360 成本](https://x.com/Alibaba_Qwen/status/2122148131982946642)
- [\[14\] Work360 成绩](https://x.com/Alibaba_Qwen/status/2122148135623647368)
- [\[15\] Qwen Studio](https://chat.qwen.ai/)
- [\[16\] QwenWork](https://qwenwork.ai/)
- [\[17\] Qoder](https://qoder.com/)
- [\[18\] OpenRouter](https://openrouter.ai/qwen/qwen4-max)
- [\[19\] 预览版文档](https://docs.qwencloud.com/developer-guides/getting-started/latest-model)
- [\[20\] 阿里云百炼国际站价格](https://docs.modelstudio.console.alibabacloud.com/en/model-studio/model-pricing)
- [\[21\] 中国站价格](https://help.aliyun.com/zh/model-studio/model-pricing)

## 相关阅读

* [Qwen4-Max Preview 评测](https://offloop.org/zh-CN/learn/qwen-4-max-preview-test)

更新于 2026 年 11 月 16 日
