Artificial Analysis: Qwen4-Max sai 43 pistettä, kolme vähemmän kuin Kimi K3.1 Pro
Artificial Analysisin mittauksessa Alibaban Qwen4-Max nousi yhdeksän pistettä edeltäjästään, ja indeksin tehtävä maksaa noin kolmanneksen edeltäjän hinnasta. Indeksissä länsimaiset kärkimallit ovat yhä selvästi edellä, ja malli on saman hintaluokan malleja hitaampi.
Riippumaton mittauspalvelu Artificial Analysis julkaisi tuloksensa Alibaban uudesta kärkimallista Qwen4-Maxista 16. marraskuuta. heise onlinen mukaan malli tuli samana päivänä yleisesti saataville rajapinnan kautta.
Artificial Analysisin Intelligence Index yhdistää yhdeksän testiä, joissa mitataan esimerkiksi agenttina ohjelmointia, päättelyä ja tietämystä. Korkeimmalla päättelytasolla Qwen4-Max sai 43 pistettä, yhdeksän enemmän kuin edeltäjä Qwen3.8-Max. heisen mukaan se parani jokaisessa testissä.
Alibaban Qwen-tiimi kertoi blogissaan samana päivänä, että Qwen4-Max on MoE-malli. Mallissa on 2,4 biljoonaa parametria, mutta kunkin tokenin käsittelyyn käytetään niistä vain 71 miljardia. Edeltäjään verrattuna määrä on neljänneksen pienempi. Pitkissä syötteissä kolme kerrosta tiivistää aiemman tekstin, ja neljäs kerros poimii siitä olennaisen.
Kiinalaisten kärjen tuntumassa, länsimaisista jäljessä
Kiinalaisista malleista indeksin kärjessä on Moonshot AI:n Kimi K3.1 Pro 46 pisteellä. heisen mukaan länsimaiset kärkimallit ovat yhä selvästi edellä. Taulukossa ovat indeksipisteet ja keskimääräinen kustannus indeksin tehtävää kohden.
| Malli | Indeksipisteet | Kustannus / tehtävä |
|---|---|---|
| Claude Fable 5.2 | 65 | – |
| Gemini 4 Carbon | 60 | – |
| GPT-6.1 Sol (Max) | 55 | 1,27 $ |
| Claude Sonnet 5.5 | 55 | – |
| Kimi K3.1 Pro | 46 | 3,68 $ |
| Qwen4-Max | 43 | 3,27 $ |
| Qwen3.8-Max | 34 | 10,02 $ |
Lähde: Artificial Analysis, heise onlinen ja The Decoderin mukaan; – = lukua ei kerrottu.
Vaikka tehtävä tulee halvemmaksi kuin edeltäjällä, Qwen4-Max ei ole edullisin: GPT-6.1 Sol saa 12 pistettä enemmän alle puolella kustannuksella.
Halvempi tehtävä, mutta hidas ajo
The Decoderin mukaan säästö syntyy kolmesta asiasta. Syöte- ja tulostetokenit ovat neljänneksen edeltäjää halvempia, 1,50 ja 4,50 dollaria miljoonalta tokenilta. Välimuistista luettu syöte maksaa 70 prosenttia vähemmän kuin ennen. Lisäksi malli kuluttaa vähemmän tokeneita: heisen mukaan syötetokeneita kuluu koko indeksissä 32 prosenttia vähemmän, ja tulostetokeneita syntyy tehtävää kohden noin 105 000, kun edeltäjällä niitä oli 171 000. Artificial Analysisin mukaan agenttitehtävissä 85–90 prosenttia kustannuksista tulee syötteistä, koska aiemmat tiedot lähetetään mallille yhä uudelleen.
Mallisivullaan Artificial Analysis kuvaa Qwen4-Maxia huomattavan hitaaksi ja hyvin runsassanaiseksi. Indeksin tehtävä vie keskimäärin 32,1 minuuttia, kun vertailuryhmän mediaani on 13,3 minuuttia.
Lakitehtävistä ratkesi viidennes
Vals AI ajaa Harveyn julkaisemaa testiä, jossa malli tekee agenttina juridista työtä tiedostotyökaluilla. Valsin 11. marraskuuta päivittämässä taulukossa Qwen4-Max ratkaisi 21,25 prosenttia tehtävistä ja sijoittui 39 mallin joukossa seitsemänneksi. Kärjessä oli Gemini 4 Argon 27,08 prosentilla. Kimi K3.1 Pro ratkaisi tehtävistä 11,67 prosenttia ja Claude Opus 5.5 9,17 prosenttia.
Kaksi kielimallia arvioi vastaukset erikseen. Kumpikin laskee tehtävän ratkaistuksi vain, jos jokainen arviointikriteeri täyttyy, ja tulos on arvioijien keskiarvo. Yksittäisistä kriteereistä Qwen4-Max täytti 95,69 prosenttia.
Qwen4-Maxia voi käyttää QwenCloud-rajapinnan kautta sekä Alibaban QwenWork-, Qoder- ja QwenStudio-palveluissa. heisen mukaan sitä voi käyttää myös OpenRouterin ja Vercel AI Gatewayn kautta. Mallin painoja Alibaba ei julkaise. Yhtiö aikoo julkaista pienemmät Qwen4-mallit myöhemmin avointen painojen malleina, mutta aikataulua se ei ole kertonut.
Lue lisää: Mallit