Qwen4-Max以843赞登顶HN,但第三方智能指数只排第9:我翻完470条评论,发现“参数最大”和“最好用”第一次被拉得这么开
大发娱乐为你整理相关体育消息:
Qwen4-Max发布当天,Hacker News首页843赞,470条评论。
但同一个模型,在第三方Artificial Analysis的智能指数上只有 43分,排第9 。
Claude Opus 5.
5是59分,Kimi K3.
1 Pro是46分。
一个在HN上被顶到首页第一的国产旗舰,在一个不看参数、只看综合能力的榜单上,连前三都没进。
我把HN评论区从头翻到尾,发现海外开发者的讨论重心根本不在这2.
4万亿参数上。
被反复提及最多的词是: “低一档” 。
几条高赞评论的原话是,Qwen4-Max大致落在“比最顶尖的美国模型低一档”的位置。
先把“参数最大”这件事拆开:2.
4万亿是总参数,71B才是你每次付钱的那个 Qwen4-Max的2.
4万亿是 总参数 。
它采用稀疏MoE架构,每个Token实际激活的只有 71B ,比上一代Qwen3.
8-Max的95B 减少了约25% 。
总参数决定“模型脑子里装了多少东西”,激活参数决定“每次推理要调动多少算力”。
71B激活在万亿级MoE里是一个非常克制的数字,这正是它能把单任务成本降下来的底层原因。
官方数据:Work360基准上,单任务平均费用从Qwen3.
8-Max的26.
58元降到 11.
16元,降了58% ;
国际口径从$4.
43降到$1.
67,降约62%。
“参数最大”和“用起来最贵”之间没有必然关系。
Qwen4-Max用更少的激活参数换来了更低的推理成本,这是它真正的工程选择。
但这个选择也直接解释了为什么它在某些任务上“够用且便宜”,在另一些任务上“不是最强”。
能力分化:它在“干活”的任务上反超Opus 5.
5,在“操作”的任务上被甩开 把评测拆成两半看,Qwen4-Max的定位会清楚得多。
它赢的地方,是“完成一件具体工作”的能力。
DeepSWE v1.
1编程 75.
7分 ,高于Claude Opus 5.
5的74.
2、GPT-6.
1 Sol的75.
2、Kimi K3.
1的75.
5。
Agents‘ Last Exam长程实务 46.
7分 ,反超Opus 5.
5的43.
4和GPT-6 Astra的42.
6。
法律智能体HLAB-Vals、生物信息BioMysteryBench也是第一梯队。
Code Arena前端开发榜排到 全球第6 ,对国产模型来说是一个扎实的位置。
它输的地方,是“在终端里一步步操作、在模糊信息里做推理”的能力。
Terminal-Bench 4.
0只有 48.
5分 ,Opus 5.
5是59.
6,Kimi K3.
1是67.
2。
黑盒复现ProgramBench 31.
5分 ,Opus 5.
5是65分,差了整整一倍多。
多学科推理HLE 51.
7分 ,Opus 5.
5是59.
8。
这两组数据放在一起,指向一个很具体的判断:Qwen4-Max是一台“任务执行引擎”,不是一台“终端操作引擎”。
官方对它的定位其实写得很清楚——“核心目标不是把通用对话做得更流畅,而是解决高复杂度、长链路、多工具协同的专业任务”。
它擅长的是在明确的框架里把活干完,不擅长的是在没有明确路径的终端环境里自己摸索。
HN评论区真正在吵的,不是分数,是“你到底在为什么付钱” 我把470条评论里被反复点赞的几个观点抽出来,比官方跑分表更能说明问题。
第一,关于AA智能指数的争议。
有人质疑Artificial Analysis的方法论:指数频繁重写、权重不透明、私有基准,以及被认为系统性偏向Anthropic/OpenAI。
但反方也有人说,AA已经是现有较好的多模型视角之一,因为实验室会在公开基准上训练,私有评测是必要的。
这场争论的共识是:基准已经被严重benchmaxxed,严肃用户越来越依赖自己的内部评测 。
第二,关于“便宜”的真实含义。
有人在HN上算了一笔账:Qwen4-Max在AA上的平均成本是 $3.
27/任务 ,得分43;
Opus 5.
5得分59,但单任务成本更高。
问题不是“谁绝对便宜”,是“每多一分智能,你要多付多少钱” 。
对高频、低判断的任务,Qwen4-Max的性价比是成立的;
对需要一次做对的复杂终端任务,省下来的单价会被重试吃掉。
第三,海外开发者最在意的,是“小模型什么时候开源”。
HN评论区被催得最凶的不是Max本身,是 Qwen4-27B和Flash的开源权重 。
上一代Qwen3.
8 Flash/27B被社区称为“主力型工作马”和“同尺寸里的SOTA”,很多人在等这个系列的新版本,而不是闭源的Max。
官方只说“中小尺寸模型将陆续开源”, 没有给时间表 。
想试的话,免费额度和Token Plan是两条路,但“够不够试”取决于你的任务 如果你只是想验证它在你自己的工作流里表现如何,有两条低成本路径。
免费额度。
QwenCloud新加坡区域有 1M toke
关注大发娱乐,掌握更多体坛动态。
推荐阅读