Tabbit
活动资源博客模型
Tabbit LogoTabbit

Tabbit — 为你工作的 AI 浏览器

主题资源

  • 浏览器排行榜
  • AI 浏览器指南
  • 浏览器对比
  • 浏览器测评
  • 浏览器替代方案
  • 浏览器专题目录
  • Agentic 浏览器
  • 下载与安装
  • 浏览器效率
  • SillyTavern 模型指南

热门指南

  • Best Browsers 2026: Top 10 Ranked & Compared
  • Best Free AI Browsers 2026: Plans & Prices Compared
  • Rabbit Browser: What It Is & Why Tabbit Is Better
  • Firefox vs Chrome 2026: Privacy, RAM & Speed Compared
  • Best Lightweight Browsers 2026: 7 Tested for RAM & Speed
  • AI Browser List 2026: 10 Browsers Compared
  • Neobrowser: Norton Neo, Download & Alternatives
  • Edge vs Chrome 2026: Speed, RAM & Battery Tested
  • Best Internet Browser for Android 2026
  • Best AI Browser 2026: Top 9 Tested & Ranked

活动

  • 别装了,你在《牛来》里早有原型
  • Tabbit 妙招大赛
  • KPOP SBTI 饭圈人格测试
  • Tabbit 校园共创者计划
  • fifi 的论文文献妙招精选
  • 用户问卷

关于

  • Tabbit 博客
  • 媒体报道
简体中文
简体中文English
测评
媒体Qwen4-Max

Atomic Agent:Qwen 4 Max 推理档位与单任务 Agent 实测

原始来源

Atomic Agent Blog

作者Nadya Dudka、Andrew Dyuzhov

原文日期2026-11-16

Tabbit 整理2026-11-16

查看原文

一句话结论

在 Atomic Agent 的一个编程任务上,Qwen 4 Max 的 high 与 xhigh 都在三次运行中通过全部 59 项隐藏测试;high 平均耗时约 25 分钟、两次完整记录的平均成本约 0.65 美元,xhigh 没有增加通过数,但耗时接近翻倍且成本更高。

适用场景

  • 适合判断的任务:单一代码库任务中 high 与 xhigh 的完成情况、耗时和调用成本。

  • 不适合外推的任务:其他代码库、非编程任务、长任务总体成功率,以及模型能力上限。

  • 适用的模型版本:Qwen 4 Max(OpenRouter qwen/qwen4-max,文章称该路由当时仅有 Alibaba 提供方)。

  • 测试环境或客户端:Atomic Agent 0.7.0 所含版本;OpenRouter API;每项档位 3 次运行,每次限时 60 分钟。

  • 推理档位和参数:high(Alibaba 默认值,测试中显式指定)与 xhigh;其他采样参数未注明。

测评方法

任务是一个约 1,400 行的 stock 库,内置 13 个缺陷并缺少一项功能,以 59 项隐藏测试评分。每个档位各运行三次,单次上限 60 分钟;六次 Qwen 4 Max 运行同时进行。Qwen 3.8 Max 的对照数据来自 11 月 9 日、同一任务和构建版本的另一批测试。

关键结果

模型与档位测试结果耗时成本
Qwen 4 Max high3 次均为 59/5923.7、24.1、27.2 分钟两次完整记录均值约 $0.65($0.62、$0.68);第三次记录不完整
Qwen 4 Max xhigh3 次均达到 59/59两次 47.3、47.4 分钟;第三次到 60 分钟上限已记录单次 $0.84–$1.28,记录缺失请求,实际成本更高
Qwen 3.8 Max三次完成批次分别为 26、58、24/59;另有一次早期中止批次达到 59/59三次均在 60 分钟停止;早期批次用时 45 分钟未提供完整成本

作者称 high 两次完整运行的推理 token 为 34K、41K;xhigh 为至少 78K–133K。该任务在 high 下已通过全部测试,切换 xhigh 未增加通过数。

原始数据

  • high:每次均通过 59/59;步骤平均 76 步;两次完整账单 $0.62 和 $0.68。

  • xhigh:表中每次均记为 59/59;步骤 75 步。第三次虽被 60 分钟限时终止,但代码当时已通过全部测试。

  • 对照:作者称 Qwen 3.8 Max 在已完成的三次 60 分钟批次未完成任务;较早一次批次因 OpenRouter 余额耗尽而中止前通过全部测试。

结论与边界

该案例显示,在这个任务上,high 已足以完成测试,xhigh 带来更长耗时和更高支出。样本只有一个任务、每档三次,不能据此判断普遍成功率或模型能力排名。Qwen 4 Max 六次运行共用一台机器和一个 API key;比较行来自其他日期,且 Kimi 的运行串行进行,因此跨模型耗时只能作粗略参考。成本也有缺失请求,high 的第三次没有完整记录,xhigh 报价是已记录范围而非完整最终账单。

复现说明

文章说明可用 Atomic Agent、OpenRouter 和 qwen/qwen4-max 选择模型,并在 provider 配置中设置 reasoning.effort 为 xhigh;high 为默认档位。文章未公开该 stock 库的任务输入与 59 项隐藏测试,因此可参考环境和档位复跑同类任务,但无法精确复刻原测试。原文同时指出六次并行运行可能影响耗时。

Tabbit 小编提醒

本文是第三方资料导航。测试环境、模型版本和主观体验可能不同,请以原文为准。

Qwen4-Max

在 Tabbit 中使用并对比模型

Qwen4-Max

相关测评

媒体Qwen 官方博客2026-11-16

Qwen4-Max 官方发布基准与 Work360

媒体Plotly Blog2026-11-16

Plotly:Qwen4 Max 数据分析基准与图表实测

媒体Vals AI2026-11-15

Vals AI:Qwen4 Max 行业任务指数、分项成绩与成本

媒体Spring Prompt2026-11-16

Spring Prompt:Qwen4-Max 默认档位多任务独立基准

Qwen4-Max

相关提示词与案例

媒体阿里云 Model Studio 官方文档2026-11-16

阿里云 Model Studio:Qwen4-Max OpenAI Chat Completions 配置

媒体QwenCloud 官方文档

QwenCloud Token Plan:Qwen4-Max Codex 配置

媒体QwenCloud 官方文档

QwenCloud:Claude Code 接入 Qwen4-Max 正式版

媒体QwenCloud 官方文档、OpenCode 官方文档

QwenCloud:在 OpenCode 中配置 GA 版 Qwen4-Max 输出上限