ModelBrief · Qwen4-Max · 專題
最後更新 2026-11-20
EN 简体 繁體

OrcaRouter 第二天再測:首 token 147 秒、Vals 63.20% 華人第一

發佈於 2026-11-17 · 最後更新 2026-11-18

發佈第二天,兩個缺口補上了:延遲數字來了,泄漏故事垮了。OrcaRouter 11 月 17 日更新了同一篇長文(原題是 vllm 泄漏覈查),把正式版上架第一天測到的延遲、第二家獨立榜單的分數、正式版產品頁的規格修正,以及一則當天流傳的「蒸餾受限」說法,放在同一篇裏逐項覈對。結論是分裂的:這款模型在白領工作的榜單上是華人第一,在終端工作的榜單上落後 16 分,而最難看的數字是首 token 的等待時間。

延遲數字落地:首 token 是最難看的一欄

發佈當天 AA 還沒有 Qwen4-Max 的每任務耗時,現在有了:每指數任務 32.1 分鐘,同價位中位數 13.3 分鐘,AA 的評語是「notably slow」。任務總時長反而不算最差——Kimi K3.1 Pro 是 38.8 分鐘、Claude Fable 5.2 是 40.8 分鐘,都比它長;Opus 5.5 是 24.6 分鐘、GPT-6.1 Sol 是 23.0 分鐘。真正難看的是首 token:147.63 秒纔等到第一個答案 token,同價位中位數 12.24 秒,約 12 倍;一旦開始生成,輸出速度 54 tok/s,並不算慢。OrcaRouter 的解讀是:這更像排隊與批處理的賬,而不是算力的賬——一個 2.4T 稀疏模型掛在共享端點後面,請求要等空位;而且全世界只有阿里一家在跑這個模型,沒有第二家部署可以對照,架構與部署的責任分不清。另一家獨立榜單 Vals AI 自有套件的數字方向一致:64 分 39 秒、$9.33/測試——任務構成不同,不可與 AA 的 32.1 分鐘直接比較。

Vals 指數 63.20%:華人模型第一

第二家獨立榜單給出的是另一副面孔。Vals AI 指數上,Qwen4-Max 得 63.20%,38 個模型中第 11,是該榜華人模型第一:Kimi K3.1 Pro 62.52%、Qwen3.8-Max 59.05% 都在它後面。和 AA 的 43 分放在一起,讀法不是「誰對誰錯」,而是任務構成:Vals 的權重偏向白領、金融與法律工作,AA 的權重偏向終端操作與前沿知識。一個爲企業工作調優的模型,就會呈現這種分裂——廠商自己的圖表上第一、Vals 上華人第一、AA 上落後 16 分。OrcaRouter 的判斷是:這個分歧本身就是結論,說明「強不強」取決於你稱什麼。

正式版規格修正:輸出上限縮水三分之一

Model Studio 的正式版產品頁比預覽頁實在得多,幾個數字值得寫進選型表。最大輸入 991,808 token(無思考)/ 983,616(有思考);最大輸出無思考時 131,072,有思考時思考與答案共享 262,144——比預覽版 393,216 的共享上限縮水三分之一。從預覽遷移到正式版的工作負載,如果依賴更大的輸出上限,會先丟三分之一。推理默認檔由預覽的 xhigh 改爲 high(思考預算 131,072 token),所以官方口徑裏一部分 token 節省可能來自默認降了一檔,而不是架構本身。價格分區域:新加坡 $1.50/$4.50,其餘五區(北京、香港、法蘭克福、弗吉尼亞、東京)$1.413/$4.24;90 天內 100 萬 token 免費額度。批量推理、微調、模型部署均標註不支持;無公開權重。

泄漏說法不成立:vllm 補丁講的是另一款模型

8 月 26 日提交、10 月 14 日關閉未合併的 vllm PR #53909,講的是 Qwen3.8-Flash-Next(125B 級),不是 Qwen4-Max。HyperConnection、QSA、PLE 三個算子名確實沿用到了正式版——官方文檔裏用的就是這三個名字——但規模推斷差了 19 倍(總參)/ 12 倍(激活)。唯一倖存的數字是層間比例:Flash-Next 在 48 層裏 12 層用 QSA,旗艦「四層裏一層」是同一 3:1 安排。也就是說,泄漏文件猜對了算子、猜錯了體量。

「蒸餾受限」說法覈查:有機制、無定論

當天另一則流傳說法來自 @kimmonismus 11 月 17 日的帖子:Anthropic 打擊蒸餾的做法「真的阻礙了中國模型的發展」。OrcaRouter 用 Anthropic 自己的三份披露逐項覈對。2 月報告:約 24,000 個欺詐賬號、1,600 多萬次交互,點名 DeepSeek、Moonshot、MiniMax,未點名阿里。9 月威脅報告:最大一起活動歸因於阿里 Qwen 實驗室——固定提示詞套取 Claude 的推理軌跡、加工成 Qwen 3.5、3.6、3.7 的微調數據,5–7 月間 1.51 億多次交互;該通道 7 月已關閉。10 月 13 日:反制措施讓抽取量下降 90–99%,點名智譜與 Moonshot。覈查的裁定很窄:Qwen4-Max 是 3.5、3.6、3.7 之後的一代,7 月關閉的通道不可能是它落後的原因——除非論證那條通道承載了本該延續的能力,而這一點無人舉證。Kimi 是反例:被點名最多,卻同期交出了 AA 46 分的最強國產模型。任務組合差異(Vals 重白領工作、AA 重終端與前沿知識)更能解釋兩榜分歧。OrcaRouter 不把這則說法升級爲結論:它有一個合理的機制、一個吻合的模式,和一個不配合的反例。

檔位口徑補充:43 分仍無檔位階梯

還有兩處口徑要留給引用者。第一,AA 43 分至今沒有檔位階梯,「43 是最高檔(xhigh)」只是媒體的說法,不是 AA 自己的標註;如果將來證實 43 分實際來自 high 檔,對 Opus 的差距就是 9 分而非 16 分。第二,AA 模型頁上「No publicly available API」的佔位文字仍掛在三張圖表下面,是發佈前的殘留,不是結論——測量本身已經存在,圖表還沒跟上。

本站結論:發佈第二天的畫像比發佈當天更完整,也更難一句話概括:Vals 上華人第一、AA 上落後 16 分、首 token 147 秒、正式版輸出上限比預覽縮水三分之一。便宜仍是真的(每任務 $3.27),但如果你要人等着看答案,147 秒的首 token 是繞不過去的硬傷;如果你跑的是無人值守的批量 Agent 任務,32.1 分鐘與 $3.27 反而可以接受。先按自己的流量實測首 token,再決定路由。

參考來源:本文爲本站原創改寫與整理,事實與數據覈對自 OrcaRouter — Qwen4-Max at day two: latency lands, leak story does not(2026-11-17)與 Artificial Analysis — Qwen4 Max 模型頁(AA 指數 43,v5.0.1)

← 返回 Qwen4-Max 專題