---
title: "Qwen4-Max 上手指南：16 项评测赢 4 项，缓存命中 0.5 元/百万"
description: "阿里发布 Qwen4-Max：2.4T 总参数每 token 激活 71B，支持百万上下文与原生视觉。官方 16 项评测拿 4 项第一，Artificial Analysis 智能指数 43 分，国内 API 10 / 30 元/百万、缓存命中 0.5 元/百万。本文整理完整跑分、真实多轮账单、思考档位与适用场景。"
url: https://codingpass.ai/zh/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short
language: zh-CN
updated: 2026-11-17
---
# Qwen4-Max 上手指南：16 项评测赢 4 项，缓存命中 0.5 元/百万

阿里发布闭源旗舰 Qwen4-Max：2.4T 参数每 token 激活 71B，官方 16 项评测拿到 4 项第一，国内缓存命中低至 0.5 元/百万 token。本文整理官方与第三方评测数据、国内与国际价格、两次真实运行的账单对比，以及思考档位与适用场景。

[CodingPass 团队](https://codingpass.ai/zh/about) 发布于 2026年11月17日 更新于 2026年11月17日 阅读约 8 分钟

11 月 16 日，阿里发布新一代旗舰模型 [Qwen4-Max](https://qwen.ai/blog?id=qwen4-max)。它基于新的 Qwen4 混合专家（MoE）架构，主干参数 2.4T，每 token 激活 71B，外加 328B 的 N-gram 词表参数，支持 100 万 token 上下文与原生视觉输入，仅通过云端 API 和官方应用提供。

此前一周，它的早期预览版先在编程工具 Qoder 里以匿名模型身份开放测试，随后升级为 `Qwen4-Max-Preview`；11 月 16 日官方正式公布完整基准测试、技术架构与 API 定价。下面整理官方评测、第三方榜单、价格和社区实测账单。

**结论**：Qwen4-Max 的优势在于长周期 Agent 任务、代码仓库修复（DeepSWE 75.7）和低廉的缓存单价（国内 0.5 元/百万、国际 $0.075/百万，Work360 单任务成本较上代降 62%）；短板在于终端命令执行（Terminal-Bench 4.0 48.5）、黑盒软件复刻（ProgramBench 31.5）以及高思考档位下的响应速度（Artificial Analysis 每题平均 32.1 分钟）。它适合长上下文、多轮迭代的工程和文档任务；日常调用保持默认的 `high` 档，复杂全栈和终端编程切到 `xhigh`。

## 规格与架构

Qwen4-Max 对稀疏 MoE 架构做了三项调整，用来降低长序列推理开销并减少每步激活的参数量：

- **GDN + Qwen 稀疏注意力（QSA）按 3:1 交替**：每 3 层 Gated DeltaNet（把历史上下文压缩进固定大小的状态）搭配 1 层 QSA。QSA 用轻量级索引器按微块（micro-block）粒度挑选相关上下文，降低长文本的注意力计算与索引成本。
- **Gated Residual（GR）**：用 4 条带动态读写门的并行残差分支替代传统残差流，改善跨层信息传递和训练稳定性。
- **N-gram Embedding**：在第 2 层引入 328B 参数的上下文查表层，以较小的额外计算开销扩展局部词组模式的表征容量。

![Qwen4-Max 架构图：底层为 Vocabulary Embedding 与第 2 层的 N-gram Embedding Layer，主体由 3 层 GDN Layer 与 1 层 QSA Layer 循环堆叠，内部采用四分支 Expanded Residual 与 GR Read/Write 门控](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/architecture.webp)

*Qwen4-Max 架构示意图。来源：Qwen 官方博客。*

在这套架构下，Qwen4-Max 每 token 激活 71B 参数，比上一代 Qwen3.8-Max（95B）减少约 25%，2.4T 规模预训练全程没有出现 loss 尖峰。在千问内部的知识（Knowledge）、代码（Code）、问答（QA）和 STEM 四类基座评测中，`Qwen4-Max-Base` 的每字节比特数（BPB，越低越好）在全部 5 个参评 checkpoint 里最低，比 `Qwen3.8-Max-Base` 下降约 5%–13%。官方脚注同时说明，同场对比的 `GLM-5.3` 和 `Kimi-K3.1-Pro` 是后训练 checkpoint，可能影响与 base 模型的直接比较。

正式发布前的一周时间线：11 月 6 日，千问官方 X 账号发帖预告 “The becoming begins.”；11 月 7 日，编程 IDE Qoder 上线匿名模型 Qoduck，个人用户限时免费，匿名的 4 天里每天更新一版；11 月 11 日，Qoder 揭晓该模型并升级为 Qwen4-Max-Preview（该帖浏览量超 540 万）；11 月 16 日正式版上线。

![Qoder 官方揭晓匿名模型 Qoduck 升级为 Qwen4-Max-Preview 的公告图](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/qoduck-reveal.webp)

*图：@qoder\_ai\_ide，2026-11-11。*

目前 Qwen4-Max（模型 ID `qwen4-max`）已在中国内地的阿里云百炼、千问 AI 平台，以及国际站 QwenCloud 上开放按量 API，同时接入了新加坡区的订阅制 Token Plan；应用侧可在千问办公（QwenWork）、Qoder、千问 APP 和 Qwen Studio 中直接选用。

**Qwen4-Max 本身不开源权重**。官方博客仅在文末表示“Qwen4 系列的中小尺寸模型将陆续开源”，尚未公布具体参数规模和发布时间。社区在揭晓帖下密集刷屏 “Qwen-4 27B > GTA VI” 催更小模型。

大家盯着小模型，是因为 Qwen 的开源权重一直是本地和服务端部署用得最多的底座。Hugging Face 的 [2026 夏季开源模型报告](https://huggingface.co/blog/state-of-open-models-summer-2026) 统计，2026 年 1–8 月 Qwen 在 Hugging Face 上被下载 20.45 亿次（阿里披露的全平台累计数是超 30 亿次）；基于 Qwen 的衍生模型有 151,448 个，是 Meta 的 2.6 倍，比 Google（82,506 个）和 Meta 加起来还多。

企业端也有人用。Airbnb CEO Brian Chesky 2025 年 10 月接受采访时说，Airbnb 的 AI 客服大量依赖 Qwen，“很好用，也快、便宜”。

![Hugging Face 2026 夏季开源模型报告图表：按机构统计的衍生模型数量，Qwen 以约 15.1 万个衍生模型排第一，超过 Google（8.3 万）与 Meta（5.7 万）之和](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/hf-derivatives.webp)

*Hugging Face 各机构衍生模型数量（截至 2026 年夏季）。来源：Hugging Face。*

闭源超大杯也并非在所有任务上都优于自家的开源小模型。Hacker News 用户 chriddyp 实测了他们团队的短周期数据分析基准：Qwen4-Max 的得分比今年 8 月开源、可在桌面硬件运行的 Qwen3.8 27B 低了几分，单次成本还略高一点。

## 官方评测与第三方榜单

千问官方公布了涵盖编程、办公、科研与多模态的 16 项基准测试，同场对比 Qwen3.8-Max-0902、Claude Opus 5.5、GPT-6.1 Sol、GPT-6 Astra 和 Kimi K3.1。

![千问官方 16 项核心评测对比图：对比 Qwen4-Max、Qwen3.8-Max-0902、Opus 5.5、GPT-6.1 Sol、GPT-6 Astra 和 Kimi K3.1 的各项得分](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/benchmarks.webp)

*官方 16 项基准评测对比。来源：Qwen 官方博客。*

图中 16 项评测的完整数据如下（加粗为该项参评模型最高分）：

| 评测项目 | Qwen4-Max | Qwen3.8-Max | Opus 5.5 | GPT-6.1 Sol | GPT-6 Astra | Kimi K3.1 |
| --- | --- | --- | --- | --- | --- | --- |
| DeepSWE v1.1 | **75.7** | 69.3 | 74.2 | 75.2 | 74.1 | 75.5 |
| CodeArena (Elo) | 1750 | 1676 | **1816** | 1742 | 1763 | 1686 |
| Terminal-Bench 4.0 | 48.5 | 38.9 | 59.6 | 56.1 | 59.1 | **67.2** |
| ProgramBench | 31.5 | 28.0 | **65.0** | 52.5 | 55.0 | 25.0 |
| AA-Briefcase v1.1 (Elo) | 1686 | 1605 | **1801** | 1555 | 1569 | 1674 |
| Agents’ Last Exam v1.1 | **46.7** | 27.9 | 43.4 | 42.6（GPT，图中仅一项） | — | 43.4 |
| JobBench | 68.5 | 65.3 | **75.4** | 66.2 | 66.1 | 61.2 |
| APEX-Agents v1.1 | 72.1 | 63.3 | **73.5** | 60.0 | 64.7 | 65.5 |
| HLAB-Vals-1.1 | **21.3** | 15.4 | 9.2 | 6.3 | 7.1 | 11.7 |
| AutomationBench-AA | 72.5 | 56.2 | 69.5 | 64.9 | 68.5 | **73.3** |
| AgentArena (Net Improvement) | 7.5 | — | **18.2** | 11.8 | 13.9 | 3.9 |
| BioMysteryBench | **85.0** | 84.1 | 81.9 | 84.4 | 78.9 | 80.6 |
| HealthBench Professional | 60.0 | 39.6 | 59.9 | 65.1 | **66.0** | 57.2 |
| Humanity’s Last Exam | 51.7 | 43.9 | **59.8** | 54.0 | 53.6 | 51.1 |
| Chartography | 54.2 | 42.0 | 66.3 | 67.8 | **71.1** | 50.0 |
| Video-Index | 68.1 | 63.2 | 74.8 | 73.8 | **76.7** | 63.2 |

千问团队把优势项和落后项画在同一张图里，没有只截取领先的榜单：

- **拿到第一的共 4 项**：代码仓库级修复 DeepSWE v1.1（75.7，比 Kimi K3.1 的 75.5 和 GPT-6.1 Sol 的 75.2 高 0.2–0.5 分）、长周期任务 Agents’ Last Exam v1.1（46.7 vs Opus 5.5 的 43.4）、法律实务 HLAB-Vals-1.1（21.3 vs Kimi K3.1 的 11.7、Opus 5.5 的 9.2）以及生物信息学 BioMysteryBench（85.0）。
- **没拿第一的 12 项**里，差距明显的几项：测终端命令行编程的 Terminal-Bench 4.0 只拿到 48.5，在同场 5 个对比模型里最低（Kimi K3.1 为 67.2，Opus 5.5 为 59.6）；黑盒软件复刻 ProgramBench 为 31.5，不到 Opus 5.5（65.0）的一半；临床推理 HealthBench Professional（60.0 vs GPT-6 Astra 66.0）、多学科推理 Humanity’s Last Exam（51.7 vs Opus 5.5 59.8）、视觉图表 Chartography（54.2 vs GPT-6 Astra 71.1）和视频理解 Video-Index（68.1 vs GPT-6 Astra 76.7）也存在明显差距。

在前端双盲评测 [CodeArena: WebDev](https://arena.ai/leaderboard/code/webdev) 榜上（2026-11-14 数据，共 159 个模型、超 100 万票），`Qwen4-Max (xHigh)` 以 1,750 分排在全球第 6，是榜上排名最高的中国模型（下一个中国模型是第 13 名的 Kimi K3.1 Pro，1,686 分）。它排在 GPT-6 Astra（1,763）之后、Claude Fable 5.1（1,743）和 GPT-6.1 Sol（1,742）之前，也高于开 High 档的 Claude Sonnet 5.5（第 10，1,716 分）。同时需要注意两点：一是 Sonnet 5.5 开到 xHigh 档拿到 1,772 分排在第 3；二是 Qwen4-Max 目前只有 1,814 票，榜上标注为 Preliminary（初步成绩），误差区间 ±15，对应名次区间为 3–9。

![CodeArena WebDev 全球前端盲测榜前十名：Claude Fable 5.2 第一（1826），Claude Opus 5.5 第二（1816），Claude Sonnet 5.5 xHigh 第三（1772），Gemini 4 Carbon 第四（1768），GPT-6 Astra 第五（1763），Qwen4-Max xHigh 第六（1750 ±15，Preliminary）](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/codearena-webdev.webp)

*CodeArena WebDev 榜，2026-11-14。*

| 名次 | 模型 | Elo 分数 | 备注 |
| --- | --- | --- | --- |
| 1 | Claude Fable 5.2 (xHigh) | 1826 ±19 | — |
| 2 | Claude Opus 5.5 (Max) | 1816 ±12 | — |
| 3 | Claude Sonnet 5.5 (xHigh) | 1772 ±10 | — |
| 4 | Gemini 4 Carbon (High) | 1768 ±15 | Preliminary |
| 5 | GPT-6 Astra (Max) | 1763 ±8 | — |
| **6** | **Qwen4-Max (xHigh)** | **1750 ±15** | **Preliminary；名次区间 3–9；1,814 票；每任务 P50 $4.18** |
| 7 | Claude Fable 5.1 (Max) | 1743 ±8 | — |
| 8 | GPT-6.1 Sol (Max) | 1742 ±10 | — |
| 10 | Claude Sonnet 5.5 (High) | 1716 ±8 | — |
| 13 | Kimi K3.1 Pro (Max) | 1686 ±9 | 下一个中国模型 |
| 16 | Qwen3.8-Max (0902) | 1676 ±6 | 上一代 |
| 19 | DeepSeek-V4.1-Flash-20261017 (Max) | 1661 ±7 | 下文 token 用量对比模型 |

第三方独立评测机构 [Artificial Analysis](https://artificialanalysis.ai/models/qwen4-max) 的数据（2026-11-17 抓取）显示：在汇总 9 项测试的 Intelligence Index v5.0.1 中，Qwen4-Max 得分为 43，在 81 个模型里排第 38（可比模型中位数 41）。同场对比里，GPT-6.1 Sol（max）拿到 55 分，平均每道题成本仅 $1.27，比 Qwen4-Max（$3.27）高出 12 分且单题便宜 61%；Kimi K3.1 Pro 拿到 46 分，每题成本 $3.68。

![Artificial Analysis 的 Qwen4-Max 摘要卡片：Intelligence Index 43 分（第 38/81），每题耗时 32.1 分钟（第 74/79），每题成本 $3.27（第 44/80），跑完指数共输出 127M token（第 65/80）](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/aa-summary.webp)

*Artificial Analysis，2026-11-17。*

| 模型 | 智能指数 | 每题耗时（分钟） | 每题成本 |
| --- | --- | --- | --- |
| Claude Fable 5.2 (max) | 65 | 40.8 | $26.54 |
| Gemini 4 Carbon (high) | 60 | 31.1 | $5.48 |
| Claude Opus 5.5 (max) | 59 | 24.6 | $10.04 |
| GPT-6 Astra (max) | 57 | 20.4 | $6.24 |
| GPT-6.1 Sol (max) | 55 | 23.0 | $1.27 |
| Kimi K3.1 Pro | 46 | 38.8 | $3.68 |
| **Qwen4-Max** | **43** | **32.1** | **$3.27** |
| Grok 4.7 (xhigh) | 35 | 24.6 | $7.77 |

## token 用量

对比上一代 Qwen3.8-Max，官方给出的数据是：在 Work360 评测上，Qwen4-Max 在 `xhigh` 和 `high` 档的每任务 token 用量分别下降约 24% 和 35%；在 Terminal-Bench 4.0 上，`xhigh` 档平均每题消耗从约 289K 降到约 151K（减少约 48%），得分从 38.9 升至 48.5，`high` 档用量也减少约 49%。

![Qwen4-Max 与 Qwen3.8-Max-0902 在 Work360 和 Terminal-Bench 4.0 上不同思考档位（Low、High、Xhigh）的得分与每任务 token 消耗曲线](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/token-efficiency.webp)

*Work360 与 Terminal-Bench 4.0 上各思考档位的分数与每任务 token 消耗。来源：Qwen 官方博客。*

预览版期间，海外开发者也发布了两组同题对比数据：

- 开发者 @loktar00 用同一段提示词单次生成 3D 雪夜圣诞村，当时还是匿名预览的 Qwen 4 用的 token 约为对照组 DeepSeek Flash 的一半。@loktar00 在同帖回复里也说，DeepSeek 生成得更快。
- 开发者 @ItsmeAjayKV 跑了 103 道相同的 Three.js 生成题，对比 `Qwen4-Max-Preview` 与 `DeepSeek-v4.1-flash-1017`：Qwen 在 87 道题中消耗更少，平均每题约 77K token，DeepSeek 约 115K，少约 33%。

[X · @loktar00 Qwen 4 vs Deepseek Flash one shot Christmas Village 在 X 上观看](https://x.com/loktar00/status/2118758755697406325)

*同一提示词单次生成 3D 雪夜圣诞村对比：Qwen 4 预览版所用的 token 约为 DeepSeek Flash 的一半。链接会打开 X；点击之前，页面不会加载任何外部内容。*

![103 道 Three.js 生成任务的 token 消耗对比图：DeepSeek V4.1 Flash 平均每题 115,306 token，Qwen 4 Max Preview 平均每题 77,469 token，在 103 题中的 87 题里更省，平均减少 33%](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/threejs-103-tasks.webp)

*图：@ItsmeAjayKV，2026-11-11。*

这两组社区测试的对照组都是 DeepSeek V4.1 Flash，且测的都是预览版。虽然 Qwen 每题少用了三分之一到一半的 token，但 DeepSeek V4.1 Flash 的 API 单价只有 $0.15 / $0.60（每百万输入 / 输出 token），输入价是 Qwen4-Max（$1.50 / $4.50）的十分之一，输出价约七分之一。@ItsmeAjayKV 在原帖里也写了，算上单价和模型体积，占优的是 `deepseek-v4.1-flash`。

而在 Artificial Analysis 的横向评测中，Qwen4-Max 跑完整个智能指数共输出了 1.27 亿个 token，高于可比模型的中位数（7,860 万），被标注为 “very verbose”；平均每题耗时 32.1 分钟（中位数 13.3 分钟），首个答案 token 等待时间达 147.63 秒，输出吞吐为 54 tok/s。

| 测试场景 | 对照组 | Qwen4-Max | 对照组数据 | 说明 |
| --- | --- | --- | --- | --- |
| Work360（xHigh / High） | Qwen3.8-Max-0902 | ≈127K / ≈96K | ≈166K / ≈148K | 比上一代少用约 24% / 35% |
| Terminal-Bench 4.0（xHigh / High） | Qwen3.8-Max-0902 | ≈151K / ≈129K | ≈289K / ≈250K | 比上一代少用约 48% / 49% |
| 103 道 Three.js 生成（预览版） | DeepSeek V4.1 Flash | 77.5K / 题 | 115.3K / 题 | token 少用 33%，但 DeepSeek 单价低一个量级 |
| AA 智能指数总输出与每题耗时 | 同档前沿模型中位数 | 127M / 32.1 分钟 | 78.6M / 13.3 分钟 | AA 标注 “very verbose”，耗时约为中位数的 2.4 倍 |

我们觉得，Qwen4-Max 的 token 缩减是相对自家上一代 Qwen3.8-Max 和 DeepSeek V4.1 Flash 而言；放到全行业前沿模型里横向对比，它在高思考强度下依然偏慢、输出偏长。

## 思考档位

根据阿里云百炼文档，Qwen4-Max 的思考强度参数 `reasoning_effort` 提供 `low`、`high`、`xhigh` 三档（默认 `high`，默认最大思维链预算 `thinking_budget=131072`；传入 `minimal`、`medium`、`max` 会分别映射为 `low`、`high`、`xhigh`）。

官方效率图里三个档位在 Work360 和 Terminal-Bench 4.0 上的得分与每题 token 消耗如下：

| 评测基准 | Low | High（正式版默认） | Xhigh | High 与 Xhigh 差距 |
| --- | --- | --- | --- | --- |
| Work360（综合办公与行业任务） | ≈46.6 分（≈91K） | ≈48.0 分（≈96K） | 52.69 分（≈127K） | High 低约 4.7 分，省约 24% token |
| Terminal-Bench 4.0（终端编程） | ≈29.5 分（≈122K） | ≈31.5 分（≈129K） | 48.5 分（≈151K） | High 低约 17.0 分，仅省约 15% token |

预览版刚上线时默认档位固定在 `xhigh`，直接拉长了简单任务的响应时间。@SrinivasValekar 转述过一次村庄生成测试：都开 `xhigh`，Gemini 4 Hydrogen 12 分钟跑完、花了约 $1.7，Qwen4-Max 跑了 1 小时 15 分钟、花了约 $0.9。单次测试，但时间差得很远。

YouTube 频道 The Dark Factory 在 Claude Code 里用 Token Plan 实测 `qwen4-max-preview` 时，对比了同一道预算 App 题目在不同档位下的表现：把思考强度从默认的 `xhigh` 直接调到 `low` 重跑，耗时从 24 分钟降到 9 分钟，上下文读取量从 4.4M 降到 1.1M（减少 75%），输出从 83K 降到 31K（减少 63%），由 Codex（GPT-6.1 Sol）盲评的分数从 8/10 升到 9/10。

[视频 · The Dark Factory I Tested Qwen 4 to See What My Mac Gets Next 在 YouTube 观看](https://www.youtube.com/watch?v=3ksHgErwyrA)

*作者在 Claude Code 中用 Token Plan 测试 Qwen4-Max-Preview，并在 6:23–6:55 对比同一预算 App 在默认 xHigh 与 low 思考档位下的耗时、token 消耗和盲评得分。链接会打开 YouTube；点击之前，页面不会加载任何内容。*

| 思考档位 | 输出 token | 读取 token | 耗时 | 盲评得分（GPT-6.1 Sol 裁判） |
| --- | --- | --- | --- | --- |
| 默认（xHigh） | 83K | 4.4M | 24 分钟 | 8 / 10 |
| low | 31K（-63%） | 1.1M（-75%） | 9 分钟 | 9 / 10 |

The Dark Factory 这组结果来自单次、一道前端应用题、单一 AI 裁判。结合上面的官方曲线，我们觉得正式版默认的 `high` 档够日常办公、常规前端和问答用；涉及复杂全栈开发或终端命令行 Agent 任务（如 Terminal-Bench 这类场景）时，`high` 和 `xhigh` 之间有 17 分的差距，仍需手动切到 `xhigh`。

在国际站 QwenCloud 的 OpenAI 兼容接口（Responses API）中指定思考档位的最小示例：

qwen4\_max\_example.py

```
from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1",
)

resp = client.responses.create(
    model="qwen4-max",
    input="给这个函数补单元测试",
    reasoning={"effort": "high"},  # low / high / xhigh，默认 high
)
print(resp.output_text)
```

## 价格与账单

官方 API 定价分中国内地（阿里云百炼）与国际（QwenCloud 新加坡）两套。国内标准输入 10 元/百万 token、输出 30 元/百万 token，比上一代 `qwen3.8-max`（12 / 36 元）下调约 16.7%；缓存命中单价下调至 0.5 元/百万 token（国际站为 $0.075/百万），为标准输入价的 5%。配合单任务 token 消耗的下降，官方 Work360 评测里的单任务平均总成本从上一代的 $4.43 降到了 $1.67，降幅 62%。

| 计费项 | 国内（百炼，中国内地） | 国际（QwenCloud，新加坡） |
| --- | --- | --- |
| 标准输入（0 < token ≤ 1M，思考 / 非思考同价） | 10 元 / 百万 | $1.5 / 百万 |
| 输出（思维链 + 回答） | 30 元 / 百万 | $4.5 / 百万 |
| 缓存命中（显式 / 隐式） | 0.5 元 / 百万 | $0.075 / 百万 |
| 创建显式缓存（5 分钟 TTL） | 12.5 元 / 百万 | $1.875 / 百万 |
| 创建显式缓存（1 小时 TTL） | 20 元 / 百万 | $3 / 百万 |
| 新用户免费额度 | 100 万 token（90 天） | — |

按阿里云百炼计费文档，缓存规则如下：隐式缓存默认开启、无需改代码，但**不保证每次请求都命中**；显式缓存要求前缀至少 1,024 token，有效期（TTL）可选 5 分钟（默认）或 1 小时，命中后自动续期；缓存仅在同一用户账号的请求之间复用；输出 token（含思维链）一律按原价计费。

拿开发者 @superalesha 公布的 Blender 东京雨夜拉面摊实测用量做重算：他在预览版 `xhigh` 档下用同一条提示词分别跑了 DeepSeek Harness（DSH）和 Qwen Code 两个框架，按正式版公开单价（`费用 = 未命中输入 × 输入单价 + 缓存命中 × 缓存单价 + 输出 × 输出单价`）折算如下：

| 运行框架（同题，xHigh） | 总输入（缓存命中 / 未命中） | 输出 | 国内整单（含缓存） | 国内（假设 0 缓存） | 国际整单（含缓存） | 国际（假设 0 缓存） |
| --- | --- | --- | --- | --- | --- | --- |
| DeepSeek Harness | 11.96M（11.59M / 0.37M） | 130K | 3.70 + 5.80 + 3.90 = **13.40 元** | 123.50 元 | **$2.01** | $18.53 |
| Qwen Code | 3.02M（2.85M / 0.17M） | 62K | 1.70 + 1.43 + 1.86 = **4.99 元** | 32.06 元 | **$0.75** | $4.81 |

这张账单反映出三点：

1. **5.80 元只是缓存命中的部分，整单为 13.40 元**。在 DeepSeek Harness 这一次运行中，1,159 万缓存命中 token（占总输入 96.9%）按 0.5 元/百万计费为 5.80 元；加上 37 万未命中输入（3.70 元）和 13 万输出（3.90 元），整单总费用为 13.40 元（国际站 $2.01），其中缓存占 43%，输出占 29%。
2. **缓存命中与否，账单相差近 10 倍**。假设完全不命中缓存，DeepSeek Harness 这一单在国内会涨到 123.50 元。隐式缓存不承诺命中，长流程要稳定压账单，可以配显式缓存，代价是创建时按 1.25 倍（5 分钟）或 2 倍（1 小时）输入价计费。
3. **不同 Agent 框架的输入量相差近 4 倍**。同一个模型、同一条提示词，在 Qwen Code 下跑总输入只有 302 万 token，国内整单降到 4.99 元（国际 $0.75）。我们觉得，harness 怎么管上下文，对账单的影响不比模型单价小。

## 官方展示的案例

围绕百万上下文、原生视觉和工具调用，官方博客和社区展示了一批长链路任务。

在 3D 与游戏开发上，@superalesha 让模型只通过 Blender MCP 写 Python、不导入任何外部资产，搭一个东京雨夜的拉面摊微缩场景。提示词里列了布帘、纸灯笼、热汤碗、自动售货机、倒映霓虹的积水，要求用 Cycles 渲染，并让模型看渲染图自己找问题返工。千问官方则展示了它在 Unity、Unreal Engine 和 Godot 中从自然语言需求直接搭建场景、编写玩法逻辑、整合外部资产并看着运行画面调优镜头与打击感，做出了 Unreal Engine 下的 3D 猫法师冒险游戏《喵出法随》（Meow of Magic）、御剑穿云的奇幻冒险 Yun Guan Xing，以及 Unity 6 下的安卓赛车手游《Flying Racer》。

![Qwen4-Max 在 Unreal Engine 中构建的 3D 猫法师冒险游戏《喵出法随》（Meow of Magic）实机画面：戴巫师帽、手持木法杖的猫咪法师站在魔法工坊大厅中，周围有长老猫、药水架、彩绘玻璃窗和悬浮卷轴](https://codingpass.ai/assets/img/blog/qwen4-max-benchmarks-pricing-and-where-it-falls-short/game1.webp)

*Qwen4-Max 在 Unreal Engine 中构建的 3D 游戏《喵出法随》（Meow of Magic）。来源：Qwen 官方博客。*

针对长周期 Agent 任务容易中途跑偏、等到跑完才发现难以返工的问题，Qwen4-Max 推出了 **Live Delivery（持续交付）** 机制，并同步开源了配套插件 [Qwen-Live-Delivery-Plugin](https://github.com/QwenLM/Qwen-Live-Delivery-Plugin)：模型接手复杂任务后先快速交付一个可运行的首版，随后基于执行反馈和用户指令逐版迭代扩展，方便开发者随时介入修正方向。

在工业、金融、法律、医疗与科研领域，官方披露了 6 个合作案例：

| 场景 | 工作内容 | 关键数字 |
| --- | --- | --- |
| 汽车制造（SANF、Pacific Union 产线） | 用 2D 布局图和工艺参数建 3D 产线并做 PLC 虚拟调试；零件级设计车门总成与摩擦轮，生成加工刀路并在上机前仿真排查过切与少切 | 单个工件编程人工投入从约 475 分钟降到 24 分钟（减少约 95%） |
| 企业 IPO 法律尽调 | 清洗客户分批提供的命名混乱底稿，按实质内容重命名归入目录并编索引；交叉核查工商、知识产权、司法与征信记录，识别对赌协议（VAM）中的“恢复条款”隐患 | 整理 198 份底稿归入 14 个目录，交付 86 页、超 6 万字报告，覆盖 12 个审查领域与 14 个法律问题，每条结论带底稿引用 |
| 金融投研（沪深 300 股指期货） | 拉取 A 股、港美股、债券、基金与衍生品数据，结合融资成本、分红率与到期日计算理论期现基差与波动率价差，输出双重溯源的 Excel 与可编辑 PPT | 调用 90 个 MCP 工具；点击 Excel 单元格直达原始数据源，PPT 图表与工作表一一对应 |
| 危重症临床辅助 | 单次对话内通读数十份化验单、万字病程与多组医嘱，将原始影像分为 6 个序列，调度多个子 Agent 并行审阅数百张胸部 CT 切片 | 处理超 1 万字病程与 1,433 张影像，识别双肺背侧实变（与主治医生诊断一致），4 条处置建议与当日医嘱逐条对应 |
| 干湿闭环科研（Deep Principle Mira 平台） | 针对高功率芯片数据中心散热，自主完成结构筛选、MPA 性质预测、第一性原理计算与逆合成分析，直接调度自动化湿实验台配料合成、纯化与测试 | 连续运行 48 小时，筛选 270 万个候选分子，经 4 轮闭环迭代做出经实验验证的新型冷却液实物样品 |
| 云计算资源调度（阿里云 + MindOpt） | 针对数据标注多模型调用调度、GPU 在线分配和 CPU 离线重调度，自主生成候选算法并与阿里自研求解器 MindOpt 协同验证迭代 | 数据标注调度成本平均降 10.42%，在线 GPU 整机空闲时长增加 4.62%，离线 CPU 重调度最优求解速度提升超 14.61 倍 |

以上案例均为阿里与合作方挑选的官方展示场景，目前尚无独立第三方复现，其中的时间缩减和加速比应作为特定工作流打通后的上限参考。

## 写前端的用法

只给一句话直接出静态页面时，社区对比普遍认为 Qwen4-Max 的视觉质感比前沿模型差一截，例如在一组和 GPT-6 Astra、DeepSeek V4.1 Flash 同题的生肖生成对比里，预览版的作品框架完整，但光影和细节质感不足，整体偏平。

用它做前端和交互开发，需要在提示词里把完成标准写清楚，初稿生成后再针对具体配色或动效多轮追改。可以在需求末尾附上这份前端验收清单：

frontend-checklist.txt

```
交付前端页面前请逐项自查：
1. 视觉层级：排版留白、字号对比和色彩主次清晰，不直接输出未加样式的默认表单控件。
2. 交互与状态：所有按钮、筛选、弹窗和表单均能正常触发，补齐悬停反馈、加载态与空数据状态（Empty State）。
3. 薄弱点返工：交付前先审视整体完成度，挑出视觉或交互最薄弱的一块再单独打磨一轮。
4. 渲染检查：确认页面完整渲染，不留未闭合标签、布局溢出或浏览器控制台报错。
```

## 适用场景

按上文的跑分、耗时和账单数据，不同工作负载的选型建议如下：

| 工作负载 / 场景 | 建议 | 理由与代价 |
| --- | --- | --- |
| 多轮长上下文 Agent / 文档与尽调重活 | 适合直接用 | 支持 1M 上下文；ALE（46.7）与法律 HLAB-Vals（21.3）排第一；国内缓存命中仅 0.5 元/百万，Work360 单任务成本降 62%（$1.67）。生产环境建议配显式缓存 |
| 真实仓库代码修复与常规全栈开发 | 可用，按难度切档 | DeepSWE v1.1 拿 75.7 分；日常改代码用默认 `high` 档，遇到复杂全栈或命令行任务需切 `xhigh`（Terminal-Bench 上两档差 17 分） |
| 重度终端命令执行 / 黑盒软件复刻 | 优先选 Claude 或 Kimi | Terminal-Bench 4.0 仅 48.5（Kimi K3.1 为 67.2，Opus 5.5 为 59.6）；ProgramBench 仅 31.5（Opus 5.5 为 65.0） |
| 追求高智能指数且控制单题成本 | 优先看 GPT-6.1 Sol | 在 Artificial Analysis 上，GPT-6.1 Sol (max) 智能指数 55、每题 $1.27；Qwen4-Max 指数 43、每题 $3.27 |
| 一句话生成前端页面 | 需配详细验收清单 | CodeArena WebDev 排第 6（1,750 ±15），但社区对比里一句话直出的作品光影和细节偏平，要写明视觉层级与空状态要求并多轮迭代 |
| 对首字延迟和总耗时敏感 / 需本地部署 | 不适合 | AA 测得首个答案 token 需 147.63 秒、每题平均 32.1 分钟；Max 仅提供闭源 API，开源中小模型尚未公布尺寸与发布日期 |

## 常见问题

### Qwen4-Max 能接进 Claude Code 用吗？

可以。QwenCloud 的 Token Plan 兼容 OpenAI 和 Anthropic Messages 协议，官方支持列表包含 Claude Code、Cursor、Qwen Code、Codex、Qoder 和 OpenClaw（上文 The Dark Factory 的测试就是在 Claude Code 里跑的）。走 Anthropic Messages 接口时，思考档位用 `output_config.effort` 传递，`medium` 会映射为 `high`，`max` 映射为 `xhigh`。需要注意 Token Plan 使用独立接口 `token-plan.maas.qwencloudapi.com` 和 `sk-sp-` 开头的专用 Key，不能和按量付费 Key 混用。

### 国内价和国际价差多少？

国内（阿里云百炼，中国内地）标准输入 10 元/百万 token、输出 30 元/百万、缓存命中 0.5 元/百万，另有 100 万 token 免费额度（90 天内有效）；国际站（QwenCloud，新加坡）标准输入 $1.5/百万、输出 $4.5/百万、缓存命中 $0.075/百万（百炼的国际部署范围另有一档 10.938 元 / 32.813 元）。按汇率折算两边单价接近，订阅制的 Token Plan 目前只能在新加坡区购买和使用。

### Qwen4-Max 会开源权重吗？

Qwen4-Max 本身不开源，只提供云端 API 和官方应用。千问团队在发布博客中表示，基于同一代架构与训练技术的 Qwen4 系列中小尺寸模型后续会开源，但目前尚未公布具体尺寸和发布日期。

作者 CodingPass 团队

CodingPass 由我们运营。每篇指南发布前，都会在对应工具的最新稳定版上实测一遍。发现内容过时了？写信到 [support@codingpass.ai](mailto:support@codingpass.ai)。

## 相关阅读。

模型

### [全部模型](https://codingpass.ai/zh/models)

每个模型的 ID、最低档位，以及在 Go、Plus、Pro 上的月额度。

规则

### [额度和上限怎么算](https://codingpass.ai/zh/usage-limits)

完整规则：每个套餐、每个模型的额度和上限，以及 429 响应。

模型实测

### [Claude Fable 5.2 发布：跑分、价格和小编体感](https://codingpass.ai/zh/blog/claude-fable-5-2-is-out-benchmarks-pricing-and-our-take)

Fable 5.2 的官方跑分、降价后的价格、推理强度怎么选，以及在 CodingPass Pro 上怎么切换。
