跳轉到主要內容

核心要點

  • Qwen4 旗艦正式版:阿里 11 月 16 日釋出 qwen4-max,2.4T 骨幹引數、每 token 啟用 71B,原生視覺與 1M 上下文
  • 任務成本繼續下降:官方 Work360 平均任務成本由 $4.43 降至 $1.67,下降 62%
  • APIYI 官網同價:輸入 $1.50、輸出 $4.50、快取讀 $0.075 / 1M tokens,可疊加充值加贈
  • 三端點四分組:Chat Completions、Responses、Messages 均已開放,覆蓋 Default、SVIP、CodexResponses、ClaudeCode
  • 實測不是轉述:完成 325 次上架前呼叫與 15 次 Default 分組線上驗收;951,498 tokens 實際輸入的中部、尾部標識均準確召回
資訊核驗日期:2026-11-17 (UTC+8)。官方來源:Qwen 釋出部落格 qwen.ai/blog?id=qwen4-max、QwenCloud 模型頁 qwencloud.com/models/qwen4-max。APIYI 價格來自公開 pricing 介面,實測資料來自同日呼叫日誌。

背景介紹

Qwen4-Max 是 Qwen4 系列首先登場的旗艦模型,目標不只是提高單題推理分數,而是把模型放進持續數小時的專業工作流:讀大型程式碼庫、分析長文件、操作工具,再根據執行反饋繼續迭代。 這代的兩個關鍵詞是原生多模態和長程執行。文本、圖片、影片輸入與 1M 上下文放在同一個模型裡,官方還強調了 Live Delivery:長任務先交付可用版本,再按使用者反饋持續擴充套件,而不是等整個任務結束後才一次性給結果。 APIYI 已於 11 月 17 日上架 qwen4-max。除了同步官方價格,我們也把長上下文、工具呼叫、結構化輸出、快取和三端點接入做了實測。

詳細解析

新架構:在容量與推理成本之間重新平衡

GDN + QSA

Gated DeltaNet 將歷史資訊壓縮為固定狀態,Qwen Sparse Attention 再按微塊選擇相關上下文,降低長序列注意力與索引成本。

Gated Residual

四條並行殘差分支通過動態讀寫門改善資訊流動,提高模型容量與訓練穩定性。

N-gram Embedding

以局部 token 模式查表補充表示,額外 328B 引數提升容量,但推理時只增加少量計算。
骨幹總引數為 2.4T,每 token 啟用 71B。官方訓練曲線未出現 loss spike;在知識、程式碼、問答與 STEM 的內部評測中,Qwen4-Max-Base 的 BPB 相比 Qwen3.8-Max-Base 下降約 5%–13%,啟用引數減少約 25%。

官方效率資料:省的不只是單價

這裡最值得關注的是最後兩行:模型是否便宜,不能只看每百萬 token 單價,還要看完成任務需要多少 token。Qwen4-Max 同時降低單價和任務 token 消耗,才形成了官方給出的任務成本降幅。

官方技術規格

APIYI 實測:近 1M 上下文與三端點接入

我們在上架前執行了 325 次能力、引數與錯誤邊界呼叫,隨後用 Default 分組令牌完成 15 次線上驗收。
  • 近 1M 召回:實際輸入 951,498 tokens,92.3 秒返回,中部和尾部代號均準確召回
  • 長文覆蓋:三端點的 8K、32K、128K 中部與尾部標識均召回;線上 32K 複測通過
  • 工具呼叫:單工具、並行、具名、流式增量與兩輪結果回傳通過;Responses 的 tool_choice="required" 存在相容性例外,見下文
  • 多模態:圖片 OCR、雙圖顏色與形狀識別正確,影片內容描述正確
  • 結構化輸出:Chat 與 Responses 的嚴格 JSON Schema 均通過,流式 JSON 也可解析
  • 穩定性:Chat 12 併發 12/12 成功;三端點長流式均正常終止

分組與端點怎麼選

這些是客戶端選組建議,不是對其他分組的呼叫限制。Default 分組令牌的三端點最小線上請求也已通過,實際可用分組以控制台令牌配置為準。

實際應用

推薦場景

  • 程式碼庫理解與程式設計 Agent:長上下文讀取專案資料,工具結果可回傳繼續執行
  • 法律、金融、醫療文件分析:長文與圖片混合輸入,適合需要證據定位的專業工作流
  • 結構化資料抽取:使用 JSON Schema 約束欄位,避免自由文本後處理
  • 長程研究與內容生產:先產出可用版本,再通過多輪反饋持續修訂

快速呼叫

日常對話或結構化抽取可改為 reasoning_effort="none",減少思考 token;複雜推理再使用更高檔位。

四個接入提醒

max_tokens 包含思考與可見輸出。 預算太小可能全部耗在思考上,出現 HTTP 200 但正文為空。需要完整答案時提高預算,需要節省成本時調整 reasoning_effort。
  1. Responses 強制工具:原廠測試中 tool_choice="required" 被忽略,建議改用具名工具或 Chat Completions。
  2. Messages 結構化輸出:OpenAI 風格 response_format 不生效,max_tokens 必填;嚴格結構請使用工具呼叫。
  3. 普通 JSON 模式:json_object 只保證可解析 JSON,不保證頂層物件或欄位結構,嚴格場景使用 json_schema。
  4. 快取核賬:介面 usage 不等於賬單,命中與優惠以控制台單條日誌的計費詳情為準。

價格與可用性

定價資訊

每 1M tokens,折扣前定價: 價格與海外版 Qwen4-Max 官網對齊,可能調整,以模型價格為準。

疊加網站充值活動

充值階梯加贈為 10%–20%,等效約 83–91 折。加贈比例按單次充值金額計算,不改變模型掛牌單價。

總結與建議

Qwen4-Max 適合作為長文件、多模態和工具型 Agent 的主力模型。它的升級重點不是單一榜單,而是架構效率、長程執行和專業交付;官方 62% 的平均任務成本下降,也說明評估時應同時看單價與任務 token 數。 接入上,通用業務先用 Chat Completions;Codex 選 CodexResponses,Claude Code 選 ClaudeCode。日常呼叫關閉思考,複雜推理提高檔位,嚴格結構化使用 JSON Schema。完整引數與實測說明見 Qwen4-Max Overview。
資料來源:Qwen 官方釋出部落格 qwen.ai/blog?id=qwen4-max、QwenCloud 模型頁 qwencloud.com/models/qwen4-max,獲取日期 2026-11-17 (UTC+8)。APIYI 實測為 325 次上架前呼叫與 15 次 Default 分組線上驗收;官方基準為廠商公佈口徑,未逐項獨立複測。