Qwen4-Max от Alibaba снижает стоимость задач ИИ, но бенчмарки показывают, что конкуренция с передовыми соперниками неравномерна

Qwen4-Max от Alibaba снижает стоимость задач ИИ, но бенчмарки показывают, что конкуренция с передовыми соперниками неравномерна

Alibaba делает ставку на практичность своей новейшей флагманской ИИ-модели: компании должны получать больше выполненной работы за меньшие деньги, даже если модель не лидирует в общих рейтингах интеллекта.

В анонсе Qwen4-Max компания представила модель, которая принимает на вход текст, изображения и видео, работает с внешним программным обеспечением и поддерживает контекст объемом до одного миллиона токенов. По словам Alibaba, новинка превосходит Qwen3.8-Max и при этом снижает среднюю стоимость задачи во внутренней оценке Work360 с 4,43 до 1,67 доллара — примерно на 62%.

Qwen4-Max выходит как проприетарная модель, а не как открытый релиз с исходным кодом или открытыми весами. Artificial Analysis относит ее к проприетарным, а Alibaba не предоставила загружаемых весов, которые компании могли бы запускать на собственной инфраструктуре. Клиенты могут получить доступ к модели через API QwenCloud или использовать ее в Qwen Studio, QwenWork и Qoder.

Это существенное отличие для семейства моделей, известного тем, что разработчики могут скачивать и адаптировать его модели. В анонсе запуска Alibaba обещает открытые релизы небольших моделей Qwen4, но не называет ни сроков, ни лицензий и не берет на себя аналогичных обязательств в отношении Max. На момент публикации мы не нашли ни публичного обязательства открыть веса Qwen4-Max, ни однозначного заявления о том, что они останутся закрытыми навсегда. Флагман сегодня проприетарный; объявленная дорожная карта открытых моделей касается младших версий.

API стоит 1,50 доллара за миллион входных токенов и 4,50 доллара за миллион выходных. Эти тарифы ниже, чем у ряда известных альтернатив от Anthropic, OpenAI и Google, хотя одни лишь цены за токены не определяют, во сколько обойдется выполненное задание.

С производительностью картина сложнее. График Qwen к запуску показывает конкурентоспособные результаты в ряде бенчмарков профессиональной и длительной работы, но наряду с этим — заметное отставание в других задачах по программированию и обработке визуальных данных. Независимая сводная оценка также ставит модель позади ведущих американских конкурентов и Kimi K3.1 Pro от Moonshot AI.

Для корпоративных покупателей Qwen4-Max — предложение, ценность которого зависит от конкретной нагрузки: потенциально привлекательная экономика и полезные возможности при существенных различиях в точности, скорости и вариантах развертывания.

Низкие цены и меньше токенов — основа аргумента об эффективности

Фреймворк Work360 от Alibaba структурирует профессиональную работу по 26 широким областям, 182 подобластям и 721 специализированной сфере. Среди примеров — бухгалтерские проверки, производственный анализ, юридические задания и подготовка документов.

Qwen4-Max набирает в этом бенчмарке компании 52,69 балла против 47,74 у Qwen3.8-Max. Это прирост на 4,95 балла, или примерно на 10,4% относительно прежнего результата.

По данным Alibaba, в Work360 расход токенов снижается примерно на 24% при уровне рассуждений Xhigh и на 35% — при High. В Terminal-Bench 4.0 соответствующее снижение приближается к 48% и 49%.

Это разные результаты. Сокращение токенов примерно на 50% получено в терминальном тесте; снижение стоимости на 62% — в Work360, и оно отражает как расход токенов, так и цены. Ни один из этих показателей не означает универсального уровня экономии для клиентских нагрузок.

Есть и независимые свидетельства улучшения экономики. Оценка Qwen4-Max от Artificial Analysis показывает 3,27 доллара за задачу Intelligence Index. В оценке Kimi K3.1 Pro указано 3,68 доллара, то есть по этому показателю Qwen дешевле примерно на 11%. Эти цифры получены на ином наборе тестов, чем результат Alibaba в 1,67 доллара, и их не следует считать взаимозаменяемыми.

Сравнение цен API

Ниже приведены цены на стандартное использование API в долларах США за миллион токенов. Данные Qwen взяты из прайс-листа для региона Сингапур; цены Google — глобальные. Скидки на пакетную обработку, плата за инструменты, региональные надбавки и корпоративные соглашения могут изменить результат сравнения.

Модель и источник цен

Вход

Выход

Кэшированный вход

Важная оговорка

Qwen4-Max

1,50 долл.

4,50 долл.

0,075 долл.

Тариф для кэша применяется к соответствующим попаданиям в кэш

Claude Opus 5.5

4,00 долл.

20,00 долл.

0,20 долл.

Стандартные тарифы Claude API

Claude Sonnet 5.5

2,00 долл.

10,00 долл.

0,10 долл.

Стандартные глобальные тарифы

GPT-6.1 Sol

2,00 долл.

10,00 долл.

0,10 долл.

Свыше 272 тыс. входных токенов тарифы на вход и кэш удваиваются, а на выход — растут до 15 долл.

Gemini 4 Carbon

2,00 долл.

10,00 долл.

0,10 долл.

Вводные цены до 30 ноября; затем 4/20/0,20 долл.

Gemini 4 Hydrogen

1,50 долл.

7,50 долл.

0,075 долл.

Стандартные глобальные тарифы

Kimi K3.1 Pro

2,00 долл.

10,00 долл.

0,20 долл.

Тарифы по данным Artificial Analysis

Тариф Qwen на выход на 55% ниже 10 долларов, которые берут за стандартное использование Sol, Sonnet и Carbon по вводной цене, и на 77,5% ниже, чем у Opus 5.5. Цена на вход совпадает с Hydrogen, а выход обходится на 40% дешевле.

Однако Qwen4-Max — не самый дешевый вариант для любого применения. В прайс-листе Anthropic Haiku 5.5 указана по 0,10 доллара за вход и 0,50 доллара за выход для запросов до 100 000 токенов; сверх этого порога — 0,50 и 2,50 доллара. Покупателям все равно нужно определить, какая модель способна надежно справляться с их задачами.

Кроме того, Qwen отдельно взимает плату за явное создание кэша: 1,875 доллара за миллион токенов для пятиминутного кэша и 3 доллара — для часового, при стоимости чтения 0,075 доллара. Низкую цену кэшированного входа не следует применять к каждому токену запроса.

Отдельная подписка Token Plan рекламирует для новых клиентов промо-цену от 3 долларов. Это предложение по подписке, как и отдельно указанную скидку на qwen4-max-preview, не следует путать со стандартной ценой API qwen4-max.

Агентные бенчмарки показывают сильные стороны — и жесткие ограничения

Агенту мало выдавать правдоподобный ответ. Он должен работать с инструментами, интерпретировать результаты, корректировать подход и выдавать пригодный к использованию результат. Сравнение Qwen к запуску проверяет несколько этапов этого процесса — с разнородными итогами.

Бенчмарк

Qwen4-Max

Qwen3.8-Max

Opus 5.5

GPT-6.1 Sol

Kimi K3.1

DeepSWE v1.1: агенты для программирования

75,7

69,3

74,2

75,2

75,5

Terminal-Bench 4.0: работа в терминале

48,5

38,9

59,6

56,1

67,2

ProgramBench: воспроизведение ПО

31,5

28,0

65,0

52,5

25,0

APEX-Agents v1.1: профессиональные услуги

72,1

63,3

73,5

60,0

65,5

AutomationBench-AA: программные рабочие процессы

72,5

56,2

69,5

64,9

73,3

ChartoGraphy: интерпретация графиков

54,2

42,0

66,3

67,8

50,0

Эти цифры воспроизводят график Qwen, включая обозначение Kimi. Это не результаты независимой перепроверки. В сносках Alibaba часть оценок приписывается сторонним организациям, включая Mercor и Artificial Analysis, а для других указаны конкретные настройки или версии наборов данных.

Qwen с небольшим отрывом лидирует в представленных результатах DeepSWE и приближается к Opus в APEX-Agents. В Agents’ Last Exam v1.1 модель также набирает 46,7 балла против 27,9 у предшественницы и 43,4 у Opus.

Однако в Terminal-Bench она заметно уступает Kimi, а ее результат в ProgramBench составляет меньше половины показателя Opus. Покупатель, оценивающий автономную систему сопровождения ПО, не должен подменять один благоприятный результат в программировании доказательствами по всем операциям, которые эта система должна выполнять.

Отставание в чтении графиков точно так же важно для финансовых процессов и анализа документов.

По общему интеллекту модель по-прежнему позади лидеров

На графике Artificial Analysis к запуску Qwen4-Max получает 43 балла в Intelligence Index против 34 у Qwen3.8-Max. У Kimi K3.1 Pro — 46; у GPT-6.1 Sol и Claude Sonnet 5.5 — 55; Opus 5.5 достигает 59; Gemini 4 Carbon — 60; а лидирует в этой группе Claude Fable 5.2 с 65 баллами.

Цифры относятся к конфигурациям рассуждений, показанным на графике, и не обязательно соответствуют настройкам каждой модели по умолчанию.

Эта сводная картина ограничивает самую смелую интерпретацию отобранных Alibaba результатов. Qwen может на равных конкурировать в отдельных заданиях, оставаясь при этом далеко позади по агрегированному показателю.

К тому же модель несколько медлительна: на момент проверки страница модели на Artificial Analysis показывала около 32 минут на задачу Intelligence Index и примерно 159 секунд до первого токена ответа — это ближе к медленному краю среди крупных базовых моделей.

Эти измерения касаются ресурсоемкой оценочной нагрузки и протестированной конфигурации и не говорят о том, как модель поведет себя в каждом ответе. Тем не менее они предостерегают от того, чтобы приравнивать низкую стоимость к более быстрому результату.

Мультимодальный ввод, но без собственной генерации медиа

В спецификации QwenCloud указаны текст, изображения и видео на входе и текст на выходе — без аудиовхода и без собственной генерации изображений, аудио или видео.

Это различие проясняет демонстрации на запуске. Qwen использует Blender для 3D-работ, игровые движки для интерактивного ПО и WonderClip в процессе видеопроизводства. Создание фильма с помощью программных инструментов — не то же самое, что непосредственная генерация видео моделью.

У конкурентов свои границы. Opus 5.5 принимает текст и изображения и выдает текст. GPT-6.1 Sol также указывает текст и изображения на входе, без поддержки аудио и видео как собственных модальностей, хотя может вызывать инструменты, например генерацию изображений. В описаниях Carbon и Hydrogen от Google на входе указаны текст, изображения, видео и аудио, на выходе — текст. Artificial Analysis указывает, что Kimi K3.1 Pro принимает текст и изображения.

Поэтому для приложений, построенных вокруг записанной речи, опубликованные спецификации Qwen требуют иного подхода к интеграции, чем модели Google с поддержкой аудио. Для визуального контроля или анализа видео Qwen предлагает прямой ввод, но соответствующую точность и ограничения обработки все равно нужно проверять.

Более крупная архитектура призвана сократить активные вычисления

Alibaba описывает основу с 2,4 трлн параметров, из которых на каждый токен активируется 71 млрд, а еще 328 млрд параметров отведены под представления локальных паттернов токенов. Таким образом, цифра 2,4 трлн не является полным подсчетом с учетом этого дополнительного компонента.

Архитектура «смеси экспертов» (mixture-of-experts) активирует в каждый момент лишь часть сети. Сочетание сжатой истории и избирательного внимания призвано сделать обработку длинных входных данных экономичнее, а переработанные информационные пути поддерживают стабильность обучения.

По словам Alibaba, модель активирует примерно на 25% меньше параметров, чем Qwen3.8-Max. На графике предобучения также показаны улучшенные показатели предсказания в областях знаний, кода, ответов на вопросы и STEM. Эти измерения описывают качество предсказания, а не успешность выполнения задач, и Alibaba отмечает, что в сравнении смешаны базовые и дообученные чекпойнты.

Практический вопрос в том, обеспечивают ли эти архитектурные изменения надежную работу по приемлемой цене. Количество параметров само по себе на него не ответит.

Реакции выявляют разные представления об успешном релизе

Запуск вызвал критику из-за разрыва между отобранными результатами бенчмарков и более широкими рейтингами. В посте, скриншот которого был изучен при подготовке этой статьи, аккаунт Chubby в X, @kimmonismus, пишет: «Qwen 4 — неудачный релиз».

Автор аккаунта утверждает, что результат Artificial Analysis опровергает видимый паритет с Opus, и предполагает, что отставание объясняется ограничениями на дистилляцию. Пост не содержит доказательств этого причинно-следственного объяснения; одни лишь результаты бенчмарков не могут показать, как доступ к данным при обучении повлиял на производительность модели.

Независимые измерения стоимости подкрепляют более взвешенную оценку. Qwen уступает Kimi по совокупному интеллекту, но обходится дешевле в расчете на оцененную задачу. Это может иметь значение для компании, обрабатывающей большие объемы нагрузки, даже если не делает модель лидером передового края.

Доступность, открытые веса и решение для бизнеса

Qwen4-Max доступна через QwenCloud, Qwen Studio, QwenWork и Qoder. В описании API указаны вызов инструментов, структурированные ответы, веб-поиск, пакетная обработка и совместимость с форматами API OpenAI и Anthropic.

Alibaba также описывает рабочий процесс Live Delivery, который показывает пригодные промежуточные результаты, чтобы пользователи могли скорректировать агента до завершения работы. Компания заявляет, что выпускает соответствующий плагин с открытым исходным кодом.

Но в отличие от многих предшественниц, Qwen4-Max не является моделью с открытыми весами. Alibaba обещает выпустить небольшие модели Qwen4 с загружаемыми весами, однако в анонсе не указаны ни их лицензии, ни график релизов. Организации, желающие запускать флагман на собственной инфраструктуре, не могут считать это будущее обязательство текущей доступностью.

Производственные и научные демонстрации амбициозны. Alibaba сообщает о сокращении ручного программирования для одной обрабатываемой детали примерно с 475 до 24 минут и описывает 48-часовой цикл исследования материалов, результатом которого стал физический образец охлаждающей жидкости. Это демонстрации, о которых сообщает сама компания, а не доказательство того, что сопоставимая экономия или открытия повторятся в клиентских внедрениях.

Самая очевидная возможность Qwen4-Max для бизнеса поддается измерению: проверить, снижают ли более низкие тарифы и улучшенное выполнение задач стоимость получения приемлемого результата. В этот расчет следует включить повторные попытки, время на проверку, внешние инструменты и задержки. Сильнейшие результаты модели в бенчмарках оправдывают ее оценку; более слабые делают проверку на конкретных нагрузках обязательной.

Технологии

Смотреть все

Подпишитесь на свежие новости!

Глубокая аналитика для руководителей в области корпоративного ИИ, данных и безопасности

Подписаться по RSS

RSS-ленты обновляются каждые 15 минут.