Qwen4-Max 发布页给出自建 Work360 行业基准 52.69 分,并宣称相较 Qwen3.8-Max 的任务 token 与平均单任务费用下降;其他发布图表混合了官方重测和第三方榜单引用,不能视为同一套评测或独立复核结果。
适合判断的任务:了解 Qwen 官方公布的专业工作、长程智能体、编程及多模态基准结果。
不适合外推的任务:不能据此推断所有真实工作流的成功率,也不能把不同榜单分数直接互相比较。
适用的模型版本:Qwen4-Max;部分对照为 Qwen3.8-Max 或 Qwen3.8-Max-0902。
测试环境或客户端:发布页未完整披露统一运行环境、工具配置或评审流程;模型可在千问 AI 平台、API、千问办公、Qoder CN、千问 App 和 Qwen Studio 使用。
推理档位和参数:官方披露 Work360 与 Terminal-Bench 4.0 的 High、Xhigh token 效率比较;其余参数未注明。
官方将 Work360 定义为覆盖工业与专业工作的综合场景框架,分类体系含 26 个一级领域、182 个二级子领域和 721 个三级细分领域。发布页未给出样本数、任务抽样方式、评分细则、工具调用配置或误差区间。
发布图表列有多项编码、办公、智能体与专业任务基准。页尾说明部分数字是第三方榜单引用:APEX-Agents v1.1 引自 Mercor;AA-Briefcase v1.1 与 AutomationBench-AA 引自 Artificial Analysis;CodeArena、AgentArena 引自 Arena;HLAB-Vals-1.1 引自 Vals Index;Agents’ Last Exam v1.1 引自其榜单。JobBench 则按更新后的数据集和评测代码计算。故这些分数的来源与评测流程并不一致。
Work360(官方自建):Qwen4-Max 为 52.69,Qwen3.8-Max 为 47.74。官方称新模型覆盖更多行业任务。评测集与评分实现未公开到足以独立复现的程度。
Work360 token 与费用(官方比较):在 Xhigh、High 推理强度下,Qwen4-Max 的 token 消耗分别减少约 24%、35%。官方报告其 Work360 平均单任务费用从 26.58 元降至 11.16 元,降幅约 58%。页面未说明任务样本量、价格计算区间或各档位的精确任务分布。
Terminal-Bench 4.0:发布图表显示 Qwen4-Max 得分 48.5;官方称 Xhigh、High 下 token 消耗分别减少约 48%、49%。图表没有在正文给出完整运行配置,不能仅凭分数断定与其他运行环境结果等价。
JobBench(官方重测):发布图表显示 68.5 分;官方注明使用更新后的数据集和评测代码,需与旧版本结果区分。
第三方榜单引用:图表展示 APEX-Agents v1.1 为 72.1、AA-Briefcase v1.1 为 1686 Elo、AutomationBench-AA 为 72.5、CodeArena 为 1750 Elo、HLAB-Vals-1.1 为 21.3、Agents’ Last Exam v1.1 为 46.7。官方说明这些结果分别来自对应第三方榜单或评测方,属于发布页引用值,不等同于 Qwen 团队在统一本地环境中的复测。
基座模型内部评测:官方称 Qwen4-Max-Base 在知识、代码、问答和 STEM 内部评测中,10×BPB 均为五个参评模型最低;相较 Qwen3.8-Max-Base,各领域 BPB 约下降 5–13%,每 token 激活参数减少约 25%。官方脚注提醒,参评的 GLM-5.3 与 Kimi-K3.1-Pro 是后训练模型,和基座模型比较受训练阶段影响。
| 项目 | 发布页数据 | 来源/口径 |
|---|---|---|
| Work360 | 52.69;对照 47.74 | Qwen 官方自建行业基准 |
| Work360 平均单任务费用 | 26.58 元 → 11.16 元(−58%) | 官方报告;任务数与价格区间未注明 |
| Work360 token 消耗 | Xhigh −24%;High −35% | 官方报告 |
| Terminal-Bench 4.0 | 48.5;token 消耗 Xhigh −48%、High −49% | 官方发布图与报告 |
| JobBench | 68.5 | 官方重测,更新数据集及评测代码 |
| APEX-Agents v1.1 | 72.1 | Mercor 榜单引用 |
| AA-Briefcase v1.1 / AutomationBench-AA | 1686 Elo / 72.5 | Artificial Analysis 引用 |
| CodeArena / HLAB-Vals-1.1 / Agents’ Last Exam v1.1 | 1750 Elo / 21.3 / 46.7 | 分别引用 Arena、Vals Index、Agents’ Last Exam |
官方材料支持两个有限结论:Qwen4-Max 在 Qwen 自建 Work360 上高于上一代对照,且官方报告在若干推理档位下 token 消耗与单任务费用降低。它没有公开足够的 Work360 样本、评分细则和运行轨迹来验证可重复性。发布图中的第三方成绩应按各自榜单的版本、量纲和运行口径解读;不能拿 Elo、百分制分数和不同任务集的分数横向排序。
发布页将模型描述为已正式发布并可在千问平台及所列产品使用。其规格为 2.4T 主干参数、每 token 激活 71B 参数,另有 328B N-gram Embedding 参数;具备原生视觉能力和 1M token 上下文。发布页未注明 API 模型 ID,也未给出完整推理参数或基准 harness。
本文记录的是 2026-11-17 对官方发布页及其图表的读取。发布页没有提供完整 Work360 数据、任务样本和可执行评测包;第三方榜单需在其各自页面按对应版本复核。页面图表中的第三方分数应保留其来源归属,不应改写成独立实验结果。
Qwen4-Max