Qwen4-Max排第14,阿里要的就是这个
Qwen4-Max在Agent Arena排第14,每个任务却只要3.27美元,是上一代的三分之一。阿里和腾讯拿榜单名次换了更便宜的账单,而大多数agent的活,有这个水平就够了。
OPC Community
OPC Community

阿里和腾讯不追榜首了,改追你的账单。
阿里做了个2.4万亿参数的模型,结果排第14。
至少,上周Qwen4-Max发布之后,大多数人是这么读的。它是第一个登上Agent Arena的中国模型,前面压着十三个。按发布时的数字,它在Intelligence Index上拿了43分,比Moonshot的Kimi K3.1 Pro还低3分,所以连国内最聪明的都算不上。结论闭着眼都能写,中国还在后面追。
我觉得这个读法把这次发布看反了。
你把结果页再往下翻,会翻到阿里真正在意的那个数,每个任务3.27美元。同一个基准上,Qwen3.8 Max的花费大约是它的三倍。而且这个模型在Intelligence Index上高了9分,输出的token还少了39%。
模型变聪明了,话少了,账单还掉了三分之二。这份效率,阿里本来可以拿去换榜单上再往前几名。
它拿去压账单了。
榜单给模型排名,你的CFO给账单排名
拿一个规模不算大的agent产品算笔账。
一天一万个任务,用上一代Qwen,每天大概要烧10万美元。同样的量换成Qwen4-Max,3.27万美元。拉长到一个月,一边是300万美元的开支,一边是100万。
拿这个差价去换榜单上四个名次?说真的,这样的创始人我一个都不认识。
生产环境里的agent,绝大多数死在毛利那一关,死在模型太笨上的很少。demo跑通了,试点也跑通了,然后有人把单任务成本乘上预估的量。接下来这个功能要么加个用量上限,要么直接搁置。
这种会,我们大多数人都开过。agent吹得那么热闹,到你手上的周二却是另一回事,中间隔着的,通常就是表格里变红的那一格。能力很少是那个原因。
排名量的是模型做一次能做到什么。账单决定的是一天做一万次你做不做得起。这是两场比赛,大多数builder只在跑第二场。
按token单价比,单位就选错了
Qwen4-Max的标价是每百万输入token 1.50美元,每百万输出token 4.50美元。数字挺好看。可这事儿跟它关系不大,拿这两个数去比模型的团队,都吃过亏。
一个agent任务从来不止调用一次。它是个循环,读上下文,想一想,调工具,读结果,再想。一个任务花你多少钱,是token单价,乘上每一步的token数,再乘上步数。价目表便宜的模型,要是啰嗦、爱重试,单任务成本很容易超过一个贵但说话利索的。
所以那个39%比看上去要紧得多。阿里把token降价了,这没错,但它同时交出来的,是一个干同样的活要用更少token的模型。
啰嗦这玩意,在agent里是一笔藏起来的税。多输出的每一段话,先按输出计一次费,之后每一步只要它还留在上下文里,就再按输入计一次。话少的模型,这份节省会沿着整个循环一路滚下去。
光靠少用token,解释不了三分之二的降幅,所以每个token背后的成本肯定也变了。两边各占多少,公开的数字里我看不出来。我能说的是,阿里内部有人把单任务成本定成了目标指标,然后两个杠杆都朝它调。
这是个产品决策。得先想清楚客户是谁,才做得出来。
2.4万亿参数,97%都闲着
架构上有意思的地方在这儿。
Qwen4-Max有2.4万亿参数,但每处理一个token,只激活其中710亿。任何一个时刻,整个模型在做运算的部分不到3%。
腾讯的Hy4 flash同一周发布,同样的设计,规模小一号,总共2240亿参数,每个token激活120亿。价格是每百万输入token 0.5元,每百万输出token 2元,折下来大概7美分和28美分。这价格,你敢信。
两个模型还都带着一张很大的记忆表。Qwen4-Max里是一张3280亿参数的N-gram表,Hy4 flash里是一张640亿参数的Engram表。算下来,阿里大约14%的参数、腾讯将近29%的参数,都放在查表结构里,没放在负责计算的层里。
两家对手,一张图纸,同一周。我不觉得这是巧合。我的理解是,两家都摸到了同一个行得通的东西。
听着有点绕对吧。你想想看,一个要拿来做乘法的参数,每过一个token就要花一次算力。一个只用来查的参数,占的是内存,每用一次几乎不花钱。过去十年,「参数量」这个词一直同时代表两件事,模型知道多少,和跑起来多贵。这类设计把这两件事拆开了。它们按万亿参数的规模存知识,按710亿参数模型的价钱收你的费。
为啥这个形态先从中国冒出来呢?我的看法是,中国的实验室在算力配给下造模型,已经练了好几年。运算稀缺,内存管够,你自然就学会把模型里能挪的东西,尽量从第一栏挪到第二栏。先讲清楚,这一段是我自己的推断,实验室没这么说过。
这个限制拖慢了他们,也把他们指向了另一个最优点。而这个最优点,恰好是生产负载愿意买单的那个。
“排名告诉你一个模型能做什么。单任务成本告诉你,你让它做得起什么。”
第14名到底让你付出什么
接下来是不太舒服的部分,因为这个论点要是只讲好听的那一版,就是错的。
Agent Arena上有十三个模型赢了Qwen4-Max。落到实际里,就是有一批任务,头部模型做得完,它做不完。一个失败的任务花了3.27美元,那从来就不便宜。它花的是3.27美元再加一次重试,或者加一次转人工,或者加一个看到了错误答案的客户。
老实的指标是每个成功任务的成本。你的业务上这个数是多少,我没有。阿里也没有。Agent Arena的任务配比,跟你的任务配比是两码事。
我见过团队在两个方向上都栽过。一个选了排名最高的模型,东西做出来能用,然后发现每解决一张工单,比它替掉的那个人还贵。另一个挑了价目表最便宜的,结果花了两个月,给一个爱原地打转的模型写重试逻辑。
两个团队优化的,都是一个不归自己管的数字。
有一句话我敢说死。今天上线的agent,大头的活是信息抽取、分拣、常规的代码改动、客服流程、文档处理。这些全都稳稳落在一个第14名模型的能力范围里。卡住你的地方不在模型上限,你却在按前沿模型的价格,为从来用不到的余量付钱。
难啃的那截尾巴是另一回事。长链条的任务,一步走错,后面全毁,这种活排名照样要紧,该花的钱就花。
错就错在两种活用同一个模型。
别再问哪个模型最好了
你要是在生产环境里跑agent,该怎么做,顺着上面这些就出来了。
在你自己的业务上,量每个完成任务的成本。拿几百个真实任务,从头跑到尾,总花费除以正确完成的数量。就这一个数,顶得上你今年要看的所有榜单。
旁边再记一个每任务的输出token数。换了模型,单价降了,token数却涨了,那你等于什么都没买到。
然后做路由。默认走便宜的稀疏模型,失败了,或者碰上你标记过的难任务,再升级到前沿模型。便宜模型要是能用三分之一的成本吃掉80%的量,剩下的哪怕全价付,你的综合账单也能降一半还多。
还有,给你自己的路线图重新算一遍价。你的backlog里肯定躺着某个功能,当初按去年的单任务成本一算,单位经济模型不成立,就砍了。现在这个成本,在一个模型上掉了三分之二,在另一个模型上掉到了每百万token几美分。赶在竞争对手重算他们那张表之前,把你那张表重算一遍。
你盯着的那场比赛,和你身处的那场比赛
2025年1月,DeepSeek发了一个没登顶榜单的模型,Nvidia一天之内蒸发了5890亿美元市值。西方的观察者当时盯着的是能力竞赛,一个关于成本的故事从侧面撞了上来。
Qwen4-Max和Hy4 flash教的是同一课。这回它是以架构的样子来的,没有上次那种冲击。
前沿实验室在比谁先造出能做前人没做过的事的模型。那场比赛是真的,谁赢了,赢到手的东西很大。但它争的是最难的那5%的任务,价格也是照这个定的。
阿里和腾讯冲的是另外95%,那些已经做得成、只差便宜到哪儿都能跑的活。为了这个,它们让出了榜单名次,而且是故意让的,用的是大部分是记忆、几乎不怎么做运算的模型。
第14名,就是阿里为3.27美元付的价钱。
下结论说谁落后之前,先看看你自己的账单。
常见问题
How much does Qwen4-Max cost per task compared to Qwen3.8 Max?
Qwen4-Max comes in at $3.27 per task on Agent Arena, about a third of what Qwen3.8 Max cost on the same benchmark. It got there while scoring 9 points higher on the Intelligence Index and writing 39% fewer output tokens. Its list price is $1.50 per million input tokens and $4.50 per million output tokens.
Why is price per token the wrong way to compare models for AI agents?
An agent task is a loop, so its cost is price per token, times tokens per step, times steps. A model with a cheap rate card that rambles and retries can cost more per task than a pricier one that gets to the point, and every extra paragraph of output is billed again as input on later steps. The better measure is cost per successful task on your own workload: run a few hundred real tasks end to end and divide total spend by the number that finished correctly.
Should I use Qwen4-Max or a frontier model for production agents?
Use both, and route between them. Most agent work shipping today (extraction, triage, routine code changes, support flows, document processing) sits inside what a 14th-place model can handle, so default to the cheap model and escalate to a frontier model on failure or on tasks you've flagged as hard. On long-horizon work, where one wrong step poisons everything after it, rank still matters and is worth paying for.