Αρχιτεκτονική και μέγεθος του Qwen4-Max

Η Alibaba κυκλοφόρησε το Qwen4-Max ως ιδιόκτητο μοντέλο. Σύμφωνα με την ομάδα Qwen, έχει 2,4 τρισεκατομμύρια παραμέτρους, αλλά ανά token ενεργοποιεί μόνο 71 δισεκατομμύρια. Επεξεργάζεται εικόνες εγγενώς και υποστηρίζει context ενός εκατομμυρίου tokens. Τα στοιχεία αυτά αναφέρουν τόσο το The Decoder όσο και το MarkTechPost.

Το The Decoder περιγράφει με περισσότερες λεπτομέρειες την υβριδική αρχιτεκτονική της σειράς Qwen4. Αντί για αποκλειστικά τυπικά επίπεδα attention, τρία επίπεδα συμπιέζουν το προηγούμενο context σε συμπυκνωμένη κατάσταση και ένα τέταρτο επιλέγει τα τμήματα που μετράνε. Έτσι μειώνεται το υπολογιστικό κόστος στις μεγάλες εισόδους. Προστίθενται επίσης τέσσερις παράλληλες συνδέσεις ανάμεσα στα επίπεδα, με δυναμικές πύλες για σταθεροποίηση της ροής πληροφορίας, και ένα επίπεδο N-gram embedding με 328 δισ. παραμέτρους.

Για την εκπαίδευση, η Alibaba αναφέρει ότι η διαμόρφωση των 2,4 τρισ. παραμέτρων έτρεξε σταθερά και η απώλεια έπεφτε σταθερά, χωρίς απότομες αιχμές. Σε εσωτερικές μετρήσεις σε bits per byte (γνώση, κώδικας, ερωτήσεις-απαντήσεις, STEM), το Qwen4-Max-Base είχε τις καλύτερες τιμές ανάμεσα στα πέντε checkpoints που δοκιμάστηκαν. Βελτιώθηκε κατά 5 έως 13 τοις εκατό σε σχέση με το Qwen3.8-Max-Base, ενεργοποιώντας 25 τοις εκατό λιγότερες παραμέτρους ανά token.

Αποτελέσματα: εσωτερικά και ανεξάρτητα στοιχεία

Τα στοιχεία για το Work360 προέρχονται από την ίδια την Alibaba. Το Work360 είναι εσωτερικό benchmark βιομηχανικών εργασιών σε 721 εξειδικευμένους τομείς. Το Qwen4-Max χρησιμοποιεί περίπου ένα τέταρτο έως ένα τρίτο λιγότερα tokens από τον προκάτοχό του για τις ίδιες εργασίες. Στο Terminal-Bench 4.0, benchmark για εργασίες πρακτόρων, η χρήση tokens πέφτει σχεδόν στο μισό. Το μέσο κόστος ανά εργασία Work360 πέφτει από $4,43 σε $1,67, δηλαδή κατά 62%, και η βαθμολογία ανεβαίνει από 47,74 σε 52,69.

Στα εξωτερικά benchmarks η εικόνα είναι μικτή, όπως τη μεταφέρει το The Decoder από το υλικό της Alibaba. Στο Agents' Last Exam v1.1, για μακράς διάρκειας εργασίες πρακτόρων, το μοντέλο φτάνει 46,7 βαθμούς, το καλύτερο αποτέλεσμα της ομάδας σύγκρισης. Υστερεί των Opus 5.5 και GPT στο Humanity's Last Exam. Στο HealthBench Professional βρίσκεται πίσω από τα μοντέλα GPT και μπροστά από το Opus 5.5.

Η ανεξάρτητη μέτρηση είναι της Artificial Analysis. Στην υψηλότερη ρύθμιση συλλογιστικής το μοντέλο παίρνει 43 βαθμούς στον Intelligence Index, εννέα περισσότερους από το Qwen3.8-Max και τρεις λιγότερους από το Kimi K3.1 Pro, το κορυφαίο κινεζικό μοντέλο με 46. Τα μεγαλύτερα κέρδη σε σχέση με τον προκάτοχο εμφανίζονται στο HLE-Diamond (αύξηση 21 βαθμών, στο 45 τοις εκατό), στο AA-Omniscience (18) και στο AutomationBench-AA (17).

Το κόστος ανά εργασία του δείκτη είναι $3,27 για το Qwen4-Max, έναντι $10,02 για το Qwen3.8-Max και $3,68 για το Kimi K3.1 Pro. Το Hy4 της Tencent κοστίζει $1,03 ανά εργασία, αλλά βαθμολογείται οκτώ βαθμούς χαμηλότερα στον δείκτη. Η εξοικονόμηση προκύπτει από τρεις παράγοντες: τιμές tokens χαμηλότερες κατά 25 τοις εκατό, cache hits φθηνότερα κατά 70 τοις εκατό και λιγότερα tokens εξόδου, περίπου 105.000 ανά εργασία έναντι 171.000 του Qwen3.8-Max.

Κόστος ανά εργασία του Artificial Analysis Intelligence Index και αποτελέσματα σε δύο benchmarks κώδικα και πρακτόρων

ΜοντέλοΚόστος ανά εργασία δείκτηTerminal-Bench 4.0FrontierCode 2.0
Qwen4-Max$3,2748%26%
Kimi K3.1 Pro$3,6867%26%
Tencent Hy4$1,03—31%

Τιμολόγηση και πεδία εφαρμογής που δηλώνει η Alibaba

Μέσω του API της Alibaba, η είσοδος χρεώνεται με $1,50 ανά εκατομμύριο tokens και η έξοδος με $4,50. Τα cache hits κοστίζουν $0,075. Την τιμή εισόδου αναφέρει και το MarkTechPost.

Η εταιρεία παρουσιάζει τη λειτουργία «Live Delivery»: το μοντέλο παραδίδει νωρίς μια χρησιμοποιήσιμη πρώτη εκδοχή και την επεκτείνει σε επόμενα περάσματα, ενώ ο χρήστης μπορεί να παρέμβει οποιαδήποτε στιγμή. Το σχετικό Qwen-Live-Delivery-Plugin κυκλοφορεί ως ανοιχτός κώδικας. Η Alibaba αναφέρει ακόμη ότι εταίροι της στην αυτοκινητοβιομηχανία μείωσαν τον χρόνο χειροκίνητου προγραμματισμού ενός τεμαχίου από περίπου 475 σε 24 λεπτά. Σύμφωνα με την ίδια, σε συνεργασία με τον solver MindOpt μείωσε κατά μέσο όρο 10,42% το κόστος κατανομής εργασιών υπολογιστικών πόρων για data annotation.

Στα πειράματα εργαστηρίου, η Alibaba λέει ότι με το σύστημα Mira της Deep Principle το μοντέλο λειτούργησε αυτόνομα επί 48 ώρες και εξέτασε 2,7 εκατομμύρια υποψήφια μόρια για ψυκτικό υγρό επεξεργαστών data center. Με την πλατφόρμα PharmMaster της DP Technology βελτιστοποίησε 24 υποψήφια μόρια για μια ένωση σχετική με φλεγμονώδη απόκριση που συνδέεται με τη νόσο του Alzheimer. Η Alibaba αναφέρει ότι ο τελικός υποψήφιος δεσμεύεται περίπου 3,6 φορές καλύτερα στην πρωτεΐνη-στόχο από την ένωση εκκίνησης. Όλα αυτά τα στοιχεία προέρχονται από την ίδια την Alibaba και δεν έχουν επαληθευτεί ανεξάρτητα στις πηγές.