ModelBrief · Qwen4-Max · 专题
最后更新 2026-11-20
EN 简体 繁體

OrcaRouter 第二天再测:首 token 147 秒、Vals 63.20% 华人第一

发布于 2026-11-17 · 最后更新 2026-11-18

发布第二天,两个缺口补上了:延迟数字来了,泄漏故事垮了。OrcaRouter 11 月 17 日更新了同一篇长文(原题是 vllm 泄漏核查),把正式版上架第一天测到的延迟、第二家独立榜单的分数、正式版产品页的规格修正,以及一则当天流传的「蒸馏受限」说法,放在同一篇里逐项核对。结论是分裂的:这款模型在白领工作的榜单上是华人第一,在终端工作的榜单上落后 16 分,而最难看的数字是首 token 的等待时间。

延迟数字落地:首 token 是最难看的一栏

发布当天 AA 还没有 Qwen4-Max 的每任务耗时,现在有了:每指数任务 32.1 分钟,同价位中位数 13.3 分钟,AA 的评语是「notably slow」。任务总时长反而不算最差——Kimi K3.1 Pro 是 38.8 分钟、Claude Fable 5.2 是 40.8 分钟,都比它长;Opus 5.5 是 24.6 分钟、GPT-6.1 Sol 是 23.0 分钟。真正难看的是首 token:147.63 秒才等到第一个答案 token,同价位中位数 12.24 秒,约 12 倍;一旦开始生成,输出速度 54 tok/s,并不算慢。OrcaRouter 的解读是:这更像排队与批处理的账,而不是算力的账——一个 2.4T 稀疏模型挂在共享端点后面,请求要等空位;而且全世界只有阿里一家在跑这个模型,没有第二家部署可以对照,架构与部署的责任分不清。另一家独立榜单 Vals AI 自有套件的数字方向一致:64 分 39 秒、$9.33/测试——任务构成不同,不可与 AA 的 32.1 分钟直接比较。

Vals 指数 63.20%:华人模型第一

第二家独立榜单给出的是另一副面孔。Vals AI 指数上,Qwen4-Max 得 63.20%,38 个模型中第 11,是该榜华人模型第一:Kimi K3.1 Pro 62.52%、Qwen3.8-Max 59.05% 都在它后面。和 AA 的 43 分放在一起,读法不是「谁对谁错」,而是任务构成:Vals 的权重偏向白领、金融与法律工作,AA 的权重偏向终端操作与前沿知识。一个为企业工作调优的模型,就会呈现这种分裂——厂商自己的图表上第一、Vals 上华人第一、AA 上落后 16 分。OrcaRouter 的判断是:这个分歧本身就是结论,说明「强不强」取决于你称什么。

正式版规格修正:输出上限缩水三分之一

Model Studio 的正式版产品页比预览页实在得多,几个数字值得写进选型表。最大输入 991,808 token(无思考)/ 983,616(有思考);最大输出无思考时 131,072,有思考时思考与答案共享 262,144——比预览版 393,216 的共享上限缩水三分之一。从预览迁移到正式版的工作负载,如果依赖更大的输出上限,会先丢三分之一。推理默认档由预览的 xhigh 改为 high(思考预算 131,072 token),所以官方口径里一部分 token 节省可能来自默认降了一档,而不是架构本身。价格分区域:新加坡 $1.50/$4.50,其余五区(北京、香港、法兰克福、弗吉尼亚、东京)$1.413/$4.24;90 天内 100 万 token 免费额度。批量推理、微调、模型部署均标注不支持;无公开权重。

泄漏说法不成立:vllm 补丁讲的是另一款模型

8 月 26 日提交、10 月 14 日关闭未合并的 vllm PR #53909,讲的是 Qwen3.8-Flash-Next(125B 级),不是 Qwen4-Max。HyperConnection、QSA、PLE 三个算子名确实沿用到了正式版——官方文档里用的就是这三个名字——但规模推断差了 19 倍(总参)/ 12 倍(激活)。唯一幸存的数字是层间比例:Flash-Next 在 48 层里 12 层用 QSA,旗舰「四层里一层」是同一 3:1 安排。也就是说,泄漏文件猜对了算子、猜错了体量。

「蒸馏受限」说法核查:有机制、无定论

当天另一则流传说法来自 @kimmonismus 11 月 17 日的帖子:Anthropic 打击蒸馏的做法「真的阻碍了中国模型的发展」。OrcaRouter 用 Anthropic 自己的三份披露逐项核对。2 月报告:约 24,000 个欺诈账号、1,600 多万次交互,点名 DeepSeek、Moonshot、MiniMax,未点名阿里。9 月威胁报告:最大一起活动归因于阿里 Qwen 实验室——固定提示词套取 Claude 的推理轨迹、加工成 Qwen 3.5、3.6、3.7 的微调数据,5–7 月间 1.51 亿多次交互;该通道 7 月已关闭。10 月 13 日:反制措施让抽取量下降 90–99%,点名智谱与 Moonshot。核查的裁定很窄:Qwen4-Max 是 3.5、3.6、3.7 之后的一代,7 月关闭的通道不可能是它落后的原因——除非论证那条通道承载了本该延续的能力,而这一点无人举证。Kimi 是反例:被点名最多,却同期交出了 AA 46 分的最强国产模型。任务组合差异(Vals 重白领工作、AA 重终端与前沿知识)更能解释两榜分歧。OrcaRouter 不把这则说法升级为结论:它有一个合理的机制、一个吻合的模式,和一个不配合的反例。

档位口径补充:43 分仍无档位阶梯

还有两处口径要留给引用者。第一,AA 43 分至今没有档位阶梯,「43 是最高档(xhigh)」只是媒体的说法,不是 AA 自己的标注;如果将来证实 43 分实际来自 high 档,对 Opus 的差距就是 9 分而非 16 分。第二,AA 模型页上「No publicly available API」的占位文字仍挂在三张图表下面,是发布前的残留,不是结论——测量本身已经存在,图表还没跟上。

本站结论:发布第二天的画像比发布当天更完整,也更难一句话概括:Vals 上华人第一、AA 上落后 16 分、首 token 147 秒、正式版输出上限比预览缩水三分之一。便宜仍是真的(每任务 $3.27),但如果你要人等着看答案,147 秒的首 token 是绕不过去的硬伤;如果你跑的是无人值守的批量 Agent 任务,32.1 分钟与 $3.27 反而可以接受。先按自己的流量实测首 token,再决定路由。

参考来源:本文为本站原创改写与整理,事实与数据核对自 OrcaRouter — Qwen4-Max at day two: latency lands, leak story does not(2026-11-17)与 Artificial Analysis — Qwen4 Max 模型页(AA 指数 43,v5.0.1)

← 返回 Qwen4-Max 专题