Модель Alibaba Qwen4-Max обошла прошлую версию на 9 пунктов в индексе Artificial Analysis
По замерам Artificial Analysis, новая модель Alibaba Qwen4-Max набрала на 9 пунктов больше прошлой версии и на 3 меньше Kimi K3.1 Pro, а задачи индекса решает дешевле обеих.
Qwen4-Max, новая флагманская модель Alibaba, набрала 43 балла в сводном индексе Artificial Analysis1. Это на 9 больше, чем у Qwen3.8-Max, и на 3 меньше, чем у Kimi K3.1 Pro от Moonshot AI. Команда Qwen процитировала эти замеры в соцсети X и подытожила их так: «+9 пунктов к Qwen3.8-Max при меньших затратах».
Почему это важно: новая версия стала сильнее и при этом дешевле в работе. По подсчёту Artificial Analysis, задача из индекса обходится Qwen4-Max примерно втрое дешевле, чем Qwen3.8-Max, и на 11% дешевле, чем Kimi K3.1 Pro.
В цифрах: баллы в индексе, стоимость одной задачи и примерное число выходных токенов на задачу, по замерам Artificial Analysis. Токены — единицы текста, по которым считают плату: входные модель получает, а выходные пишет сама.
| Модель | Индекс | Цена задачи | Токены |
|---|---|---|---|
| Qwen4-Max | 43 | $3,27 | 105 тыс. |
| Qwen3.8-Max | 34 | $10,02 | 171 тыс. |
| Kimi K3.1 Pro | 46 | $3,68 | 72 тыс. |
| Tencent Hy4 | — | $1,03 | 78 тыс. |
Прочерк — для Tencent Hy4 Artificial Analysis называет только отставание от Qwen4-Max.
Детали: задача дешевеет по двум причинам. Миллион входных токенов у Qwen4-Max стоит 1,5 доллара, выходных — 4,5 доллара, тогда как у Qwen3.8-Max было 2 и 6 долларов. Кэшированный ввод2 подешевел на 70%. Кроме того, на одну задачу новая модель тратит на 39% меньше выходных токенов.
Расклад: обе модели Qwen проверяли в режиме с очень высоким уровнем рассуждений, Kimi K3.1 Pro — с максимальным. Qwen4-Max прибавила во всех тестах индекса, больше всего — в HLE-Diamond3, где её результат вырос с 24% до 45%. В AA-Briefcase, тесте Artificial Analysis на агентную работу с настоящими деловыми файлами, она набрала 1 686 баллов рейтинга Эло. Это чуть больше, чем у Kimi K3.1 Pro (1 674), и заметно больше, чем у Tencent Hy44 (1 446).
Но: в Terminal-Bench 4.0, где модель как агент выполняет задачи в командной строке, Qwen4-Max набрала 48%, а Kimi K3.1 Pro — 67%. В FrontierCode 2.0, закрытом тесте компании Cognition на реальных задачах программирования, у неё 26%, столько же, сколько у Kimi, а Tencent Hy4 набрала 31%. Задача индекса обходится Tencent Hy4 втрое дешевле, чем Qwen4-Max, но в индексе она отстаёт на 8 пунктов.
За один раз Qwen4-Max может учесть до 1 млн токенов — весь запрос вместе с приложенными документами и перепиской. Модель принимает текст и картинки и отвечает текстом. Разработчики подключают её к своим программам и сервисам через API самой Alibaba.
Раньше модель оценили и в рейтингах, где модели сравнивают пользователи: в Agent Arena она стала лучшей китайской моделью, в двух рейтингах Arena по созданию сайтов — шестой, а в Design Arena вошла в пятёрку по презентациям и таблицам.