Qwen4-Max:2.4 万亿参数、自己跑 48 小时实验,AI 队友开始「打工」了
Qwen 新一代旗舰 Qwen4-Max 登上 HN 首页:2.4T 参数、百万 token 上下文、单任务成本直降 62%,还用 48 小时自主合成了新型冷却剂。HN 评论区却在吵另一件事:基准分数到底还信不信,以及大家真正等的 27B 小模型何时来。

今天 HN 首页最热的帖子属于 Qwen:新一代旗舰 Qwen4-Max 发布,623 分、271 条评论。官方博客的标题就很直白——“你的新 AI 队友来了”。参数规模 2.4 万亿、每次推理只激活 710 亿、原生视觉、100 万 token 上下文,这些数字本身已经够大,但真正让评论区吵起来的,是另外两个数字:单任务成本从 4.43 美元降到 1.67 美元,以及 Artificial Analysis 上 43 分的成绩。我请来老朋友沈聿——大模型推理架构师,长期跟 MoE 模型和 Agent 落地打交道。我们聊了聊 2.4T 参数背后的新架构、便宜 62% 意味着什么、48 小时自主做实验是真是噱头,以及基准分数这场仗到底该怎么看。
本文由每日自动管线生成:选题与素材来自 Hacker News 公开讨论,访谈内容由 AI 基于原文整理,嘉宾为角色设定,观点不代表任何真实人物。
小听: 沈聿,先把最硬的数字摊开。2.4 万亿参数,每次只激活 71B,这个比例在 MoE 里算什么水平?
沈聿: 激活比大约 3%,这就是 Qwen4 这一代最值得看的地方。上一代 Qwen3.8-Max 也是 2.4T 的体量,但每次要激活 95B 左右;这一代把激活参数砍了四分之一,内部评测的 bits-per-byte 反而在知识、代码、问答、STEM 四个维度都降了 5% 到 13%。也就是说,模型变“瘦”了,效果还变好了。秘诀在架构的三处改动:GDN(门控 DeltaNet)加 Qwen 稀疏注意力 QSA,用轻量索引器按微块粒度挑相关上下文,长序列的注意力成本直接下来了;四路并行的门控残差分支,让跨层信息流更稳;第二层加了 N-gram 嵌入,靠局部 token 模式的查表来扩容量,几乎不花算力。训练过程全程没有 loss spike——2.4T 的规模能做到这一点,本身就说明架构改对了。
小听: 但评论区对参数规模好像没那么兴奋,大家更关心“便宜”:Work360 单任务成本从 4.43 美元降到 1.67 美元,降了 62%。这个数字可信吗?
沈聿: 方向可信,口径要看清。62% 是在他们自家的 Work360 评测上算的——一个覆盖 26 个一级领域、182 个二级、721 个三级专业方向的行业任务框架,Qwen4-Max 拿了 52.69 分,比上一代的 47.74 高出一截。成本下降来自两方面:token 用量少了,在 Work360 上省了 24% 到 35%,在 Terminal-Bench 4.0 上省了 48% 到 49%;同时 API 定价也降了,尤其是缓存输入的价格。两边一叠加,单任务成本才压到 1.67 美元。对开发者来说,这个数字比参数规模重要得多——模型再强,如果跑一次任务要 4 块多钱,你就不敢让它跑长任务。成本降下来,长时 Agent 才有经济账可算。

参数可以堆上去,成本必须打下来。
小听: 官方博客花了很大篇幅讲“24/7 Agent”,还举了两个很夸张的例子:48 小时自主设计并合成新型冷却剂,还有 454 次工具调用做药物发现。这些是真能力还是发布会叙事?
沈聿: 一半是能力,一半是叙事,两个例子要分开看。冷却剂那个确实有意思:Qwen4 在深势科技的 Mira 干湿实验室平台上连续跑了 48 小时,从 270 万个候选分子里筛出来、做第一性原理计算、逆合成分析、实验规划,最后指挥自动化湿实验室真的合成了样品,拿到了实物。四个“分子设计—合成测试—主动学习”的闭环都跑通了。这是长时任务执行力的硬证据——模型不是在聊天,是在连续两天不出错地推进一个有物理反馈的流程。药物发现那个也类似:针对阿尔茨海默病的 NLRP3 靶点,454 次工具调用、3239 次计算指标评估、优化出 24 个候选分子,最终分子的结合亲和力据称是参照物的 3.6 倍,专家也背书了。但要注意,这两个都是阿里生态内的深度定制场景——平台、工具链、专家验证全套配齐。换一个没有这些配套的普通团队,复现难度完全是另一回事。
小听: 那评论区吵得最凶的 Artificial Analysis 呢?有评论说 Qwen4-Max 只拿 43 分,平均每个任务 3.27 美元,连 Kimi 3.1 都没超过,GPT-6.1 Sol 中档 46 分才 0.36 美元。
沈聿: 这场争吵比模型本身更值得看。先说数字本身:Artificial Analysis 上 Qwen4-Max 43 分、每任务 3.27 美元,GPT-6.1 Sol 中档 46 分、0.36 美元——单看这一行,Qwen 又贵又弱。但评论区立刻有人指出,这个比较本身就有问题:AA 默认展示的是 max 努力档位,而 Qwen4-Max 只有一个数据点,GPT-6.1 Sol 有六个档位的数据点。拿一方的“全力”去比另一方的“中档”,价格自然差出一个数量级。esperent 和 brainwad 吵的就是这个:到底该按同样的推理档位比,还是按同样的成本比?更深一层,anana_ 和 the_duke 直接质疑榜单本身——“大部分流行基准已经没什么意义了”,模型可以在基准题型上刷出高分,实际用起来却是另一回事。还有 stymaar 那句经典总结:一个基准只有在它发布于被测模型之后才有意义。Qwen4-Max 是全新架构,旧基准的权重配方未必量得到它的真实水平。
小听: 所以你的结论是,榜单分数看看就好?
沈聿: 分数可以看,但别只看一个榜。Qwen 官方自己也留了一手:他们的综合性能对比图里,同时引用了 JobBench、APEX-Agents、CodeArena、AgentArena、Vals Index 等多个来源。真正有用的判断方法是评论区 seizethecheese 的做法——他拿真实任务实测:Sol 6.1 和 Qwen 3.8 Max 在他自己的任务上成本其实差不多。基准分数是别人替你做的选择,真实任务才是你自己的选择。顺带一提,Qwen4-Max 的安全编码数据倒是实在:Last Secure Code Bench 上,功能与安全双过关的函数级通过率从 22.0% 涨到 31.8%,三个粒度全过关的比例从 8% 涨到 14.7%,快翻倍了。这个指标对每天让模型写代码的人来说,比 AA 的 43 分有用。

48 小时不睡觉的实验员,终于从科幻走进了实验室。
小听: 最后一个问题:评论区里大家真正等的是什么?好像没几个人在聊 Max 本身。
沈聿: 对,这是最有意思的现象。最高赞的期待全是关于小模型的:dan_thinks 说“期待 Flash 和 27B 版本”,m00dy 说“我们都在等 27B”,McGlockenshire 的 3060 显卡“渴望下一代 MoE”。还有 teaearlgraycold 点出的一个真实痛点:24GB 到 100GB 显存之间有个巨大的“死亡地带”,本地能跑的好模型很少,Qwen 3.8 的 27B 是其中少有的选择。官方博客最后也确认了:Max 只是 Qwen4 家族的第一款,更小的模型会开源,用同一代技术调校。Qwen 3.8 的 Flash Next 其实已经是 Qwen4 架构的预览版,不少人在本地跑,说它在 96GB 的 Mac Studio 上表现很稳。所以这场发布的真正主角可能不是 Max,而是它预告的那个更便宜、能本地跑的 Qwen4 家族。对普通开发者来说,等小模型开源、等 QwenCloud 的 API 和 Token Plan 降价落地,比盯着 Max 的榜单分数实在得多。
小听: 那给今天就想上手的人,一句话建议?
沈聿: 两条。第一,别为榜单分数做选型决定,拿你自己的真实任务跑一遍,Work360 那种 62% 的成本下降只有在你的任务形态上复现了才算数。第二,如果你要做长时 Agent,重点看 Live Delivery 这套机制——先交付可用版本、再逐步迭代、用户随时可以介入纠偏,Qwen 还把这个插件开源了。模型能力每半年翻一倍,但“让长任务不出错地跑完”的工程能力,才是 Agent 真正落地的瓶颈。
这场发布最值得记住的不是 2.4T 这个数字,而是两个趋势的交汇:模型一边在变大、一边在变便宜,而 HN 评论区一边在质疑榜单、一边在等小模型。当旗舰模型开始讲“单任务 1.67 美元”、当实验室里 48 小时的活可以交给模型自己干,AI 的竞争正在从“谁更聪明”转向“谁更便宜、更能干长活”。Max 只是第一块拼图,真正的牌还在后面。