ИИтак

← Назад

Qwen4-Max заняла 11-е место в Vals Index и прибавила в коде и финансах

В сводном рейтинге Vals AI новая модель Alibaba стала лучшей из китайских. Рост ей дали код и финансы, а налоговые задачи она решает хуже предшественницы.

Новая флагманская модель Alibaba Qwen4-Max заняла 11-е место в Vals Index и стала в нём лучшей из китайских моделей. Vals Index — сводный рейтинг независимой компании Vals AI. Аккаунт Qwen в соцсети X процитировал этот замер и выделил рост в программировании и финансах.

Vals AI оценивает модели на тестах, где модели работают как агенты, то есть сами выполняют многошаговые задачи. Индекс сводит задачи из финансов, программирования, права и налогов, а вес каждой отрасли зависит от её доли в ВВП США. Больше всего на итог влияют финансы, на втором месте — код. В финансах это, например, работа аналитика (тест Finance Agent), в коде — действия в командной строке (Terminal-Bench 4.0) и сборка веб-приложений с нуля (Vibe Code Bench). Замеры Vals AI проводит сама, но не все тесты придумала: Terminal-Bench 4.0 — открытый набор, задания для него присылают участники сообщества.

Qwen4-Max набрала в индексе 63,2%. Сентябрьская версия прежнего флагмана Qwen3.8-Max набирает 59,05% и стоит 18-й. Первое место занимает Claude Fable 5.2 с 71,31%.

Результаты в отдельных тестах индекса:

ТестQwen4-MaxQwen3.8-Max
Finance Agent66,68%58,83%
Terminal-Bench 4.048,48%38,89%
Vibe Code Bench86,66%77,14%
Tax Agent Bench40,35%49,66%

Цифры — с сайта Vals AI на 15 ноября.

выросли не все результаты. В налоговых задачах (Tax Agent Bench) новая модель заметно уступает предшественнице. В двух юридических тестах итоги разошлись: искать ответы на правовые вопросы в судебных решениях и других источниках модель стала хуже, а выполнять юридическую работу с документами, таблицами и презентациями — лучше. В построении финансовых моделей в Excel результат почти не изменился. У права и налогов в индексе небольшой вес.

Vals Index — не первый рейтинг, которым Qwen отмечает новую модель. Alibaba только что выпустила Qwen4-Max, и в тот же день модель стала лучшей китайской в Agent Arena — рейтинге, где модели в роли ИИ-агентов выполняют реальные задачи пользователей с помощью программных инструментов. Ещё она вошла в пятёрку Design Arena по презентациям. Но в Design Arena модели сравнивают по голосам пользователей, а Vals AI ставит оценки по тестам.

← Все новости