Qwen4-Max发布:2.4T参数、Token省近50%,API成本怎么算?
面向开发者解读Qwen4-Max:2.4T稀疏MoE与QSA架构,Work360单任务费用降58%,API价格、缓存命中、上下文限制与接入参数一文说清。

2026 年 11 月 16 日,阿里巴巴通义千问团队正式发布新一代旗舰模型 Qwen4-Max。作为 Qwen4 系列首款正式发布的模型,它采用全新的稀疏混合专家(MoE)架构,拥有 2.4 万亿参数骨干、原生视觉能力以及 100 万 Token 上下文窗口。
与单纯扩大模型参数规模不同,Qwen4-Max 此次升级更值得关注的地方在于 Token 效率和实际任务成本。官方公布的内部评测显示,在 Work360 和 Terminal-Bench 4.0 等任务中,新模型在部分推理档位下能够减少约 24% 至 49% 的 Token 消耗。与此同时,API 价格也进行了调整,Work360 评测中的单任务平均费用从 26.58 元下降到 11.16 元,降幅达到 58%。
这次发布传递出一个值得关注的信号:大模型竞争正在从单纯比较参数规模和基准分数,逐步转向模型完成真实任务所需要的计算资源、Token 数量和最终成本。对于开发者来说,Qwen4-Max 不仅是一款新的国产旗舰模型,也带来了一个实际问题:当模型能够使用更少的 Token 完成复杂任务时,API 应用的成本结构和模型选型方式是否需要重新调整?本文从 Qwen4-Max 的架构设计、性能评测、Token 效率、API 价格以及实际开发场景几个方面展开分析。
一、Qwen4-Max 正式发布:从模型能力竞争转向任务效率
Qwen4-Max 于 2026 年 11 月 16 日正式上线千问 AI 平台,开发者可以通过 API 调用,也可以通过 Token Plan 使用。与此同时,模型还开放了千问办公、Qoder 和 Qwen Studio 等产品入口。
需要注意的是,11 月 11 日开放的 Qwen4-Max-Preview 与 11 月 16 日正式发布的 Qwen4-Max 并不是同一个发布阶段。此前的 Preview 版本主要通过 Token Plan 提供体验,官方公布的预览周期为 11 月 11 日至 11 月 25 日;此次正式版本则开放了正式 API 服务,开发者可以根据平台规则选择对应的调用方式。
从产品定位来看,Qwen4-Max 并不只是面向普通聊天用户的语言模型。官方将其定位为面向工作、创作和探索的 AI 协作模型,重点强化以下几个方面:
- 专业工具使用:理解任务要求,并调用对应工具完成操作。
- 长程任务执行:支持跨多个步骤推进复杂工作。
- 多模态理解:原生支持视觉输入,能够处理更丰富的信息。
- 成果交付:不仅生成文本,还能够围绕最终任务目标组织输出。
这意味着 Qwen4-Max 的设计重点已经不局限于回答单个问题,而是进一步关注模型能否持续推进一项完整任务。例如,在软件开发中,模型需要理解代码结构、定位问题、修改文件并验证结果;在金融研究中,需要读取资料、整理数据、分析信息并形成报告。如果模型能够在这些任务中减少重复推理和无效 Token,那么它带来的价值就不只是生成速度提升,而是整个任务执行过程中的资源消耗下降。
官方发布信息可参考:Qwen 官方博客《Qwen4-Max: Your New Teammate Has Arrived》
二、2.4T 参数背后:Qwen4-Max 进行了哪些架构升级?
Qwen4-Max 采用 Qwen4 全新稀疏 MoE 架构,总参数规模达到 2.4 万亿,每个 Token 激活约 71B 参数。此外,模型还引入了 328B N-gram Embedding 参数,用于扩展局部 Token 模式的表示能力。
这里需要区分三个概念:
- 总参数:模型整体拥有的参数规模。
- 激活参数:处理一个 Token 时实际参与计算的参数规模。
- Embedding 参数:负责将离散 Token 映射为向量表示,帮助模型建立语言和局部模式关系。
MoE 架构的特点是通过路由机制选择部分专家参与计算,而不是每次都激活全部模型参数。因此,2.4T 总参数并不意味着每个 Token 都需要调用 2.4T 参数完成计算。Qwen4-Max 此次主要围绕 Attention、Residual 和 Embedding 三个方面进行调整。
1. Gated DeltaNet:压缩历史信息的注意力计算
在长上下文任务中,模型需要处理大量历史信息。传统注意力机制在处理长序列时,计算和显存开销会随着序列长度增长而增加;对于需要持续读取文档、代码和历史对话的任务,这会成为重要的资源负担。
Qwen4-Max 采用 Gated DeltaNet 与稀疏注意力结合的方式处理上下文。官方公布的架构设计中,每四层有三层采用 Gated DeltaNet,将历史信息压缩为固定状态,以减少持续维护完整历史序列带来的开销。这种设计并不意味着模型完全不再使用历史信息,而是改变了历史信息在计算过程中的表示和更新方式。对于长文档分析、连续代码理解和多轮任务,这种状态压缩机制有助于控制计算成本。
2. QSA:按 Block 选择相关上下文
QSA 全称为 Qwen Sparse Attention,即 Qwen 稀疏注意力。与传统注意力机制对大量上下文位置进行计算不同,QSA 按照 Block 粒度选择相关上下文,减少不必要的注意力计算。Qwen4-Max 采用的结构中,每四层有一层使用 QSA。
这一设计与 Gated DeltaNet 形成互补:Gated DeltaNet 负责压缩和维护历史状态,QSA 则在需要读取上下文时选择相关信息。对于百万 Token 上下文模型而言,真正的挑战并不只是能够接收多长的输入,还包括如何在较长输入中有效找到与当前任务有关的信息。因此,稀疏注意力的价值在于减少无关上下文带来的计算负担。
3. Gated Residual:扩展残差信息传递路径
除了注意力机制,Qwen4-Max 还调整了残差结构。Gated Residual 将原有残差流扩展为四条并行分支,通过门控机制控制不同分支的信息传递。残差连接是深度神经网络的重要组成部分,能够帮助信息在不同网络层之间传递;扩展为多分支后,模型可以在不同路径中保留和组合信息,为复杂特征的传递提供更多选择。这与注意力机制的升级并不冲突,而是从另一个层面调整网络的信息流动方式。
4. N-gram Embedding:以较低额外计算开销扩展表示能力
N-gram 通常表示连续多个 Token 组成的局部序列,模型可以通过这些局部模式捕捉词语组合、代码结构和常见表达之间的关系。Qwen4-Max 引入 328B N-gram Embedding 参数,在第二层通过查表方式提供局部 Token 模式表示。与单纯增加深度或扩大计算规模不同,这种方式希望利用额外的 Embedding 容量增强模型表示能力,同时控制额外计算开销。
官方还表示,Qwen4-Max 在 2.4T 规模下完成了稳定预训练,训练过程中没有出现损失尖峰。从整体设计来看,Qwen4-Max 的架构升级并不是单一技术的变化,而是注意力、残差和 Embedding 三个部分的协同调整。
三、Qwen4-Max 性能提升了多少?Work360 与 Terminal-Bench 数据解读
对于新模型,基准测试依然是了解其能力的重要方式。但不同评测衡量的任务并不相同,不能仅凭一个分数判断模型的综合能力。
1. Work360:面向真实专业任务的综合评测
Qwen 团队开发了 Work360 评测框架,用于模拟和分类复杂的专业工作任务。该框架覆盖:
表格
| 评测维度 | 覆盖规模 |
|---|---|
| 一级领域 | 26 个 |
| 二级子领域 | 182 个 |
| 三级专业方向 | 721 个 |
它不仅关注模型是否能够回答问题,还关注模型在复杂工作中的任务执行和成果交付能力。在 Work360 评测中:
表格
| 模型 | 得分 |
|---|---|
| Qwen3.8-Max | 47.74 |
| Qwen4-Max | 52.69 |
Qwen4-Max 比上一代提高 4.95 分,相对提升约 10.4%。这一结果说明,在 Qwen 团队公布的 Work360 测试中,新模型在专业任务处理方面取得了进步。不过,Work360 属于模型团队开发的内部评测框架,测试结果应理解为官方测试数据,而不是独立机构的统一排名。
2. Terminal-Bench 4.0:关注终端环境中的任务执行
Terminal-Bench 4.0 主要用于评估模型在终端环境下完成软件工程任务的能力。与单纯的代码补全不同,这类任务可能涉及环境理解、命令执行、文件操作、问题定位和多步骤操作。根据 Qwen 公布的数据:
表格
| 推理档位 | Qwen4-Max Token 消耗变化 |
|---|---|
| Xhigh | 减少约 48% |
| High | 减少约 49% |
在另一份发布数据中,Qwen4-Max 在 Terminal-Bench 4.0 上的得分从 Qwen3.8-Max 的 37.9 提升至 48.5,相对提升约 28%。需要注意,得分提升和 Token 消耗下降是两个不同的评价维度,它们共同反映了模型在该测试中的表现变化,但不能简单理解为每一个实际编程任务都能获得相同幅度的效率提升。对于开发者而言,更值得关注的是:模型能否用更少的推理资源完成原本需要更多轮次和 Token 的任务。
四、Qwen4-Max 最值得关注的变化:Token 消耗与 API 成本下降
此次 Qwen4-Max 发布中,Token 效率是一个非常重要的指标。以往模型升级经常伴随着参数规模扩大、推理计算增加和输出 Token 变多;但在实际应用中,开发者真正承担的成本不只是模型本身的计算量,还包括每一次 API 请求的输入 Token、输出 Token 以及缓存相关费用。Qwen4-Max 试图通过架构优化和任务执行能力提升,减少完成同一任务所需要的 Token 数量。
官方公布的 Work360 数据:
表格
| 推理档位 | Token 消耗减少 |
|---|---|
| Xhigh | 约 24% |
| High | 约 35% |
Terminal-Bench 4.0 的数据则显示:
表格
| 推理档位 | Token 消耗减少 |
|---|---|
| Xhigh | 约 48% |
| High | 约 49% |
这些数据说明,Token 效率改善并不是所有任务都遵循相同的变化比例,不同任务类型和推理档位会产生不同结果。
1. 单任务平均费用下降 58%
在 Work360 评测中,Qwen4-Max 单个任务的平均费用从 26.58 元下降到 11.16 元。计算如下:
26.58 - 11.16 = 15.42 元。
费用下降比例:
15.42 ÷ 26.58 × 100% ≈ 58.0%。
也就是说,在官方公布的这一组测试中,完成同类任务的平均费用下降约 58%。这个结果值得开发者关注,因为它反映的是完整任务的费用变化,而不仅仅是单个 Token 的价格调整。不过,这并不意味着所有使用 Qwen4-Max 的应用都能节省 58%。实际账单还会受到以下因素影响:
- 输入文本长度。
- 输出内容长度。
- 推理档位。
- 缓存命中情况。
- 工具调用次数。
- 任务执行轮数。
- 业务侧的额外服务成本。
因此,企业在评估新模型时,应结合自身请求日志计算真实成本。
五、Qwen4-Max API 价格公布:缓存命中为什么值得关注?
除了模型架构升级,Qwen4-Max 还调整了 API 价格。根据 2026 年 11 月 16 日正式发布时公布的价格,国内平台和国际站采用不同计价单位。
表格
| 计费项目 | 国内价格 | 国际站价格 |
|---|---|---|
| 输入 Token / 百万 | ¥10 | $1.50 |
| 输出 Token / 百万 | ¥30 | $4.50 |
| 隐式缓存命中 / 百万 | ¥0.5 | $0.075 |
以上为正式发布时公开的标准价格,实际使用应以对应区域平台的实时计费页面为准。其中,隐式缓存命中价格尤其值得注意。
1. 什么是 Prompt Cache?
Prompt Cache,也就是提示词缓存,是一种用于减少重复输入处理成本的机制。例如,一个企业客服系统每次调用模型时,都需要传递相同的系统指令、产品说明和业务规则。如果这些内容在不同请求之间保持一致,就有机会通过缓存机制复用已有上下文,这样重复部分就不必每次都按照普通输入 Token 的方式计费。不过,缓存能否命中取决于平台的缓存策略、请求前缀和其他相关条件,不能认为只要重复发送一段文本,就一定能够获得缓存优惠。
2. 用一个简单例子理解成本差异
假设一个应用在一次请求中产生:
- 普通输入:20,000 Token。
- 缓存命中:80,000 Token。
- 输出:5,000 Token。
按照国内公布的 Qwen4-Max 标准价格计算:
普通输入费用:
20,000 ÷ 1,000,000 × 10 = 0.2 元。
缓存命中费用:
80,000 ÷ 1,000,000 × 0.5 = 0.04 元。
输出费用:
5,000 ÷ 1,000,000 × 30 = 0.15 元。
合计:
0.2 + 0.04 + 0.15 = 0.39 元。
这是一个用于说明价格结构的假设案例,并不是官方公布的实际业务账单。如果缓存没有命中,原本的 80,000 Token 就需要按照普通输入价格计算。这也说明,开发者不能只看模型单价,还需要关注请求结构和缓存复用率。
六、Qwen4-Max API 如何接入?开发者需要注意什么?
Qwen4-Max 已经通过千问 AI 平台开放 API 服务,开发者可以根据实际项目选择对应的调用方式。从应用架构来看,接入新模型之前,建议先完成三个准备工作。
1. 确认模型 ID 和 API 区域
正式版本的模型标识应使用:
qwen4-max
此前的预览版本使用:
qwen4-max-preview
两者不能混为一谈。预览版有独立的使用期限和调用限制;正式版上线后,开发者应该根据官方平台的模型列表更新模型 ID。另外,国内与国际站的 API 地址和认证信息可能不同,不能直接混用。
2. 理解百万 Token 上下文的实际限制
Qwen4-Max 支持 100 万 Token 上下文窗口。根据阿里云模型文档,正式版本的相关参数包括:
表格
| 参数 | 官方文档数值 |
|---|---|
| 上下文长度 | 1,000,000 Token |
| 非思考模式最大输出 | 131,072 Token |
| 非思考模式最大输入 | 991,808 Token |
| 思考模式最大输入 | 983,616 Token |
| 思考与最终回答合计上限 | 262,144 Token |
这里需要区分上下文窗口与最大输出长度。100 万 Token 并不代表模型可以一次生成 100 万 Token,也不意味着所有请求都能同时使用最大输入和最大输出。对于大型文档分析和代码仓库理解,开发者仍然需要合理管理上下文,避免将无关内容全部放入同一次请求。
3. 根据任务选择推理强度
官方模型文档提供了不同推理强度配置。OpenAI Chat Completions 和 DashScope 协议支持:
- low
- high
- xhigh
默认推理强度为 high。如果任务只是简单的信息提取,可以根据测试结果考虑较低推理强度;如果任务涉及复杂代码分析、数学推导或多步骤规划,则可以评估 high 和 xhigh。需要注意,推理强度会影响 Token 使用和任务表现,不能只为了降低费用而统一使用最低档位。对于实际业务,建议使用固定测试集比较不同档位的准确率、Token 消耗和完成时间。
七、Qwen4-Max 适合哪些实际应用?从模型能力到生产工作流
Qwen4-Max 官方展示的应用方向覆盖软件开发、办公生产力、工业制造、金融、法律、医疗和科学研究。这些案例体现了模型向复杂专业任务扩展的趋势。
1. 软件开发与代码工程
对于开发团队,Qwen4-Max 可以用于代码理解、前端开发、工程任务分析和工具辅助操作。在这类场景中,模型不仅需要生成代码,还需要理解项目结构、读取文件和处理连续任务。对于使用 Codex 等编程工具的开发者,可以根据实际工具支持情况,将不同模型用于代码分析、任务规划和内容生成。
2. 工业制造
官方公布的汽车制造案例中,模型参与图纸理解、参数化建模和加工编程流程。单个工件加工编程的人工投入,从约 475 分钟降低到 24 分钟,这相当于减少约 95% 的人工时间。需要强调的是,这属于官方展示的特定应用案例,不能直接推断所有制造企业都能获得相同的效率提升。
3. 法律与金融研究
在法律场景中,Qwen4-Max 展示了长文档分析和报告交付能力。官方案例包括生成 86 页、6 万余字的法律尽职调查报告。对于金融研究,则可以结合长上下文能力处理大量资料、整理信息和形成研究结果。不过,法律与金融场景涉及专业判断,模型生成结果仍需要专业人员审核,不能直接代替正式法律意见或投资决策。
4. 科学研究与 AI4S
官方还公布了与分子筛选相关的科学研究案例。其中包括围绕冷却液分子开展候选空间构建和实验验证,以及针对 NLRP3 靶点进行工具调用和候选分子优化。这些应用说明,Qwen4-Max 正在尝试将大模型能力延伸到需要工具协作、实验反馈和多阶段任务执行的专业领域。
八、国产大模型 API 的竞争重点正在发生变化
Qwen4-Max 的发布也让国产大模型 API 市场出现了一个值得观察的变化。过去,开发者选择模型时,往往主要关注参数规模、上下文长度、基准成绩和 Token 价格;现在,模型能否以更少的 Token 完成完整任务,也开始成为重要的选型依据。
例如,DeepSeek 系列模型在推理和代码任务方面具有自己的产品定位;Kimi 系列模型持续发展长上下文与复杂任务能力;Gemini 则在多模态和跨模态应用方面提供不同的技术选择。对于开发团队来说,选择模型不能只看某一项基准分数,更合理的方式是根据实际工作负载建立评估体系:
- 代码任务:关注代码正确性、修改成功率和工具调用能力。
- 文档任务:关注长上下文理解、信息提取和输出准确性。
- Agent 任务:关注多轮执行、任务完成率和总 Token 消耗。
- 实时应用:关注首 Token 延迟和持续生成速度。
- 批量任务:关注单位任务费用和总体处理效率。
如果企业需要同时管理多种国产模型,可以根据应用需求选择统一的 API 接入方案。例如,KoalaAPI可以作为多模型统一接入方案的考察对象,具体可用模型和计费规则应以平台实际开放信息为准。统一接入的价值在于减少不同模型接口的重复配置,让开发团队能够把更多精力放在任务逻辑和应用本身;但模型选择仍然应该由真实测试决定,统一 API 入口并不意味着不同模型的能力、参数和计费方式完全相同。
结语
Qwen4-Max 的发布,不只是 Qwen 系列模型的一次参数规模升级。2.4T 参数骨干、71B 每 Token 激活参数、328B N-gram Embedding 以及 QSA 和 Gated DeltaNet 等架构设计,体现了模型团队在计算效率和上下文处理方面的探索。从官方公布的 Work360 和 Terminal-Bench 4.0 数据来看,Qwen4-Max 在部分任务中减少了约 24% 至 49% 的 Token 消耗,Work360 单任务平均费用也下降了 58%。
对于 API 开发者而言,这些变化值得进一步测试。真正需要关注的,不只是每百万 Token 的单价,而是模型完成一项实际业务任务需要消耗多少 Token、需要多少轮调用,以及最终是否能够满足质量要求。随着国产大模型不断迭代,未来 API 选型也会从单纯比较模型价格,逐步转向综合衡量任务完成质量、资源使用效率和真实业务成本。
FAQ:Qwen4-Max 常见问题
1. Qwen4-Max 是什么时候发布的?
阿里通义千问团队于 2026 年 11 月 16 日正式发布 Qwen4-Max。此前 11 月 11 日开放的是 Qwen4-Max-Preview 预览版本。
2. Qwen4-Max 有多少参数?
官方公布的主干参数规模为 2.4 万亿,每个 Token 激活约 71B 参数,另有 328B N-gram Embedding 参数。
3. Qwen4-Max 支持多长的上下文?
支持 100 万 Token 上下文窗口,但最大输入和输出长度还需要根据思考模式及官方接口参数区分。
4. Qwen4-Max API 价格是多少?
国内标准价格为输入每百万 Token 10 元、输出 30 元、隐式缓存命中 0.5 元。国际站对应价格为 1.5 美元、4.5 美元和 0.075 美元。
5. Qwen4-Max 为什么能降低 Token 消耗?
官方将效率提升归因于新一代稀疏 MoE 架构、注意力机制升级和模型任务执行能力优化。实际 Token 消耗仍然取决于任务类型和推理配置。
6. Qwen4-Max 和 Qwen4-Max-Preview 有什么区别?
Preview 是 11 月 11 日开放的预览版本,具有独立的使用期限和调用规则;Qwen4-Max 是 11 月 16 日正式发布的版本,开放正式 API 服务。
7. Qwen4-Max 是否会开源?
官方表示,Qwen4 系列中小尺寸模型将陆续开源,但目前不能据此认定 Qwen4-Max 本身也会以开放权重形式发布。

