11月16日阿里发布Qwen4-Max的当天,我把官方通稿和第三方评测机构的报告各翻了一遍,发现一个有意思的事:同一个模型、同一天、说的都是"单任务成本下降",两个数字差了五倍——阿里官方的Work360评测说降58%,第三方机构Artificial Analysis(AII)的测算说降约11%。
先别急着喊"吹牛"。把两边的计算方式摆开看完,我的结论是:两个数字可能都没说谎,说谎的是"场景"。而这堂课,对你以后看任何模型发布会都值钱。
发布会上的硬货,先摆出来
据IT之家、品玩等多家媒体11月16日的报道,Qwen4-Max的基本盘:2.4万亿总参数的MoE架构,每个token只激活71B参数,比上代少25%;原生视觉能力,100万token上下文;缓存命中价格低至每百万tokens 0.5元。API定价输入每百万词元1.5美元、输出4.5美元,隐式缓存输入0.075美元,比上代Qwen3.8-Max全线降价。
能力侧:Terminal-Bench 4.0编程评测里,同样的Xhigh思考档位,每次尝试的平均token用量从289K降到151K,得分从38.9升到48.5——想得更少,做得更好。CodeArena全球前端盲测排第六,智能体评测ALE拿了46.7分,比上代高18.8分。落地案例也有:官方展示的汽车制造场景里,单个工件加工编程的人工投入从约475分钟降到二十几分钟,减少约95%;材料发现场景里模型连跑48小时,从270万个候选分子里筛出目标,做出一种新型冷却液。
看起来无懈可击,对吧?问题出在"降58%"那笔账上。
58%和11%,差在哪
官方那个58%,出自Work360评测:单任务平均费用从26.58元降到11.16元。而Work360是千问团队自己构建的评测框架,覆盖26个一级领域、721个三级专业方向——出题人和考生是一家。
更关键的是降价的构成。仔细看通稿会发现,"降58%"的前提是"基于缓存命中价格的大幅下降"。什么意思?Agent类长任务有个特点:模型每推进一步,都要把之前的全部上下文重读一遍,重读的部分大量命中缓存。缓存价格砍到0.5元一百万tokens之后,任务越长、重复读取越多,账面降幅就越夸张。官方评测偏爱的恰恰是这种长周期专业任务。
AII的测算口径不同:它的任务组合里缓存红利吃不满,算下来单任务成本只降了约11%。顺带一提,AII的智能指数里Qwen4-Max(xhigh)得43分,比上代高9分,但比Kimi K3.1 Pro的46分还低3分——"全球领先"这种词,通稿里也不会告诉你差在哪。
所以真相是:单价确实降了,但你能省多少,取决于你让它干什么活。你拿它写个百字文案,缓存几乎用不上,58%跟你没关系;你拿它跑几小时的Agent任务,反复重载上下文,省的钱可能比58%还实在。
以后看发布会,问自己三个问题
这次的事值得沉淀成一张对照清单,存下来,下次任何模型发"降价/领先"通稿时逐条过:
| 问题 | 这次的例子 |
|---|---|
| ① 评测是谁出的题? | Work360是阿里自建框架;CodeArena、AII是第三方 |
| ② 降价降的是哪部分单价? | 大头是缓存命中价,长任务才吃得到红利 |
| ③ 我的任务像不像它的评测任务? | 写短文案≠跑48小时Agent,别拿别人的场景算自己的账 |
另外两个实用提醒:预览版实测输出速度约33 tokens/s(人人都是产品经理的实测数据),急活儿要有耐心预期;官方说中小尺寸模型将陆续开源,海外开发者已经在催Qwen4-27B——预算有限、想本地部署的,可以等一等再站队。
模型圈的信息从来不少,少的是替你把关的那把尺子。数字不会骗人,场景才会。把这三个问题揣在兜里,下次再看到"成本大降六成"的标题,你可以从容地笑笑,然后翻到评测方法那一页。
我平时也在 spark1.cn 的工具库里干这件事:把各家模型和AI工具按真实使用场景归置好,而不是按发布会音量排序,感兴趣可以去工具库逛逛。
评论