ZPedia｜实测 Qwen4-Max-Preview：放弃刷榜，全面倒向重度编程与 Agent，阿里 AI 走向务实|max|preview|代码|显式标识|算法|重度编程|阿里ai|阿里巴巴集团

11月11日，阿里最擅长的卖货日。这一次被摆上货架打一折的，是千问第四代旗舰大模型。

上午10点，千问官方甩出一句“Qwen4 is coming”，随后 Qwen4-Max-Preview 在 Token Plan、千问 App、Qoder 等全系端口同步亮灯。支持文本、图像与视频输入，100万上下文窗口，单次最大输出约39万 Token。

诡异的是，在这场旗舰换代里，大厂惯用的“发榜仪式”消失了。没有参数规模，没有长篇技术报告，没有一张碾压竞品的跑分柱状图，官方对模型能力很简单：知识理解更深入，世界感知更立体，Coding与Agentic能力持续进阶。

对技术参数守口如瓶，对包月转化火力全开。千问不再关心自己能不能在静态题库里多拿0.5分，它只关心用户每天在编辑器和办公软件里实际消耗多少 Token。在这场限时350个小时的真实压测里，我们试着拆解那个最核心的问题：为了把活干完，Qwen4-Max-Preview 究竟好不好用？

实测Qwen4-Max-Preview

我们先让它先画了一下鹈鹕骑车。这是开发者 Simon Willison 在 2024 年提出的一道测试题，后来成为新模型发布后常被拿来检验的题目。它的难点在于几件事要同时做对：鹈鹕要认得出来，车的结构要合理，骑车的动作不违和。

Qwen4-Max-Preview 画出的鹈鹕容易辨认，自行车结构完整，鹈鹕的脚踩在脚蹬上，还自己加了车筐里的一条鱼和远处的帆船。提示词要求只输出 SVG 代码，它实际交付的是一个网页，SVG 之外还附带了播放、调速等控制面板。不过这道题公开已久，不能排除模型有专项优化的可能。

真正的测试从办公场景开始。

第一项是读财报。我们一次上传 Apple 和 Costco 的 FY2026 年报，以及 Anthropic 在 11 月 10 日提交的第二版招股书。三份文件的报告期不同，性质也不同，Anthropic 的净亏损还被非现金项目严重扭曲，不先统一口径就做表必然出错。

三家公司报告期营收对比

Anthropic 九个月经营亏损与净亏损对比

Qwen4-Max-Preview 用 8 分钟交卷，抽查的 6 个关键数字全部正确。Apple 全年营收 4，788.34 亿美元，同比增长 15.1%；Costco 总收入 3，031.54 亿美元，它还主动把 2，972.47 亿美元的净销售额单独列了出来；Anthropic 九个月营收 332.42 亿美元，同比增长 1,206%。更重要的是，它把 Anthropic 的经营亏损（12.6 亿美元）和净亏损（1，040.39 亿美元）分开列示，指出差额主要来自可转债公允价值变动，并提醒读者直接比较三家的利润增速会得出严重误导的结论。

我们设置了两道陷阱提问，它都没有踩中。被问到 2027 年营收指引，它回答三家均未披露；被问到 Anthropic 的估值，它指出 70 至 78 美元只是发行价的估计区间，文件里出现的“2 万亿美元”是全球医药支出的规模，与公司估值无关。

接下来我们把 Apple 分品类营收画成柱状图，只给 iPhone 和 Services 两根柱子标上数值。Qwen4-Max-Preview 用 1 分 6 秒读对了这两个标注值，分别是 2,541 亿和 1,233 亿美元。其余三根柱子它一个精确数都没编，只按坐标轴给出估读区间。其中 Mac 和 iPad 的区间包含了真实值，Wearables 的区间上限比真实值低了 6 亿美元，说明它对小柱子的估读略偏保守。核对总数时，它也没有把估算当成精确验证，而是明确写出：仅凭这张图无法精确验证总计，估读加总与标注的 4,788 亿美元“大致相符”。

读图测试所用的柱状图：仅两个项目带数据标签

Qwen4-Max-Preview 的回答

第三项测试回到最日常的办公场景：整理会议纪要。我们编写了一份刻意写乱的双 11 复盘会速记，里面埋了几处陷阱。12 月大促预算会上先说 80 万元，老板接完财务电话后改成 60 万元，并说“80 万那个不算了”；客服外包原计划 12 月 5 日前续签，随后又被叫停，改为下周一再议；GMV 和退货率，老板当场说“我没带”。Qwen4-Max-Preview 需要先整理出纪要，再依次修改一位负责人的截止日期、补上会议信息、删掉“未决问题”一节。

三轮修改对照

数据清洗是表现最干净的一项。我们给了它一份 44 行的销售明细，里面混着重复记录（其中一组的区别只是多了一个空格）、“万元”和“元”两种单位、三种日期写法，以及 5 笔缺失订单。要求是：清洗数据，在千问办公里输出一份 Excel，汇总表必须用公式计算。

清洗对账与公式检查

Qwen4-Max-Preview 交出的 Excel 展示：清洗后剩 35 行，四个区域合计 215,700 元。5 个汇总单元格全部是真实的公式，改动明细后汇总会随之更新。它还主动列出了每组重复记录保留了哪一行、删除了哪一行。

接下来我们尝试只用一句话让它生成真实可用的 PPT。主题是模型上线前一晚才公布的平头哥分拆上市，模型不可能从训练数据里得知，只能依靠实时检索。

两个必须答对的事实，它都答对了：11 月 10 日阿里公告拟分拆平头哥，平头哥已于 9 月 11 日以保密形式递交上市申请，来源标注为阿里在港交所的公告。

第一轮 PPT 第 2 页：时间线

更难得的是它对信息来源的分寸：募资规模写作“IFR 称”，估值表注明“均为预测，非发行定价”，两种客户数口径并列，标注待核。生成的文件也是真正可以编辑的 PPT。

第一轮 PPT 第 4 页：估值表，注明“均为预测，非发行定价”

第二轮，我们把受众从投资人改为刚入行的分析师，要求语言更通俗，并在第 2 页增加一张产品线表格。Qwen4-Max-Preview 改写了各页标题的语气，在估值页补充了“市销率”的解释，同时保证其余页面的 20 个关键数字、日期、人名和公司名一个未变。在新增的表格上，它列出了真武、倚天、镇岳、羽阵、玄铁五条产品线，漏掉了磐脉智能网卡，不过我们也并没有给它足够充分的提示词去划定调研范围。

第二轮新增的产品线表格

接下来测试长文本检索找“针”。我们编写了 1600 条客服工单，约 50 万字节，其中绝大多数是同一句模板话。一位客户的经历被拆进相隔 741 行的两条工单里，另有一条内部备注规定补偿券面额将要下调。

我们向它提出了五个问题：这位客户最终拿到多少退款、由谁经手；当初为何要求加急；补偿券是否受下调政策影响；“华东”且“物流延迟”的工单共有几条；文件中是否存在同一订单号对应两条工单的情况。

五题全部答对。它把两条工单关联起来，答出退款 1,386 元和经手人的工号；又根据审批日早于新规生效日，判断补偿券不受下调影响。“华东且物流延迟”的工单它数出 62 条，附上的编号与程序算出的结果完全一致。重复订单号它找出了两组，并正确区分了哪一组是同一订单的正常流转，哪一组是客户信息冲突。

1600 条工单中的“针”与计数结果

办公场景之外，我们把测试移向代码和科研。第一项是接手别人的代码：一个用 Python 标准库写成的工单查询服务，组合筛选、排序、分页和参数校验都有缺陷，要求修好它，同时保留原有接口、原始数据和已有测试。

Qwen4-Max-Preview 用 8 分 07 秒完成了任务。它先运行原有的 9 项测试，复现出其中 2 项失败，再把修改集中在 query.py 一个文件里，把执行顺序改为先校验、筛选、排序，最后分页。随后它新增了 48 项测试。第一轮运行时，它自己写的测试出了 3 处问题；修正了中文关键词的预期和 URL 编码之后，57 项测试全部通过。它还在一份副本里还原旧实现，确认新测试确实能抓出原来的缺陷；又用真实的本地服务发送了 13 个请求，收到 7 个 200、4 个 400 和 2 个 404 响应。原始数据和已有测试的哈希值保持不变，交付包解压后复跑，测试依然全部通过。

执行日志可视化：基线缺陷、修复后的完整测试集与真实 HTTP 响应

第二项测试是科研复现：按指定论文的方法实现非负矩阵分解的乘法更新算法，把一个 48×36 的矩阵分解为两个非负的低秩矩阵，三组初值各迭代 500 次。

Qwen4-Max-Preview 用 10 分 06 秒交付了代码、数值结果、图表和日志。三组结果各有 52 个检查点，目标函数在迭代中从未上升；A 组的关键检查点与公开参考逐项吻合。交付物里还附有 63 项自查和解压后的复跑记录。问题出在解释上。报告称，目标函数持续下降支持算法收敛到了局部解。但误差在减小、迭代已收敛、达到局部最优，是三个不同的命题；何况它自己的记录显示，最后一步目标值仍在下降。数算对了，结论有些说过了头。

误差下降曲线与矩阵重建图

最后三项是交互作品，难度逐级上升。第一项是把 Anthropic 招股书的资料包做成一个单文件网页，要求离线可用，带滚动导航、可切换的图表与表格，以及可搜索的风险列表。

Qwen4-Max-Preview 交出一个 46KB 的 HTML 文件，没有任何外部依赖，图表是自己画的。各项交互在模拟浏览器中逐一点通，抽查的 8 个数字全部正确。它还在季度图里加画了经营损益，把唯一盈利的季度标成了绿色。唯一的不足是漏掉了“约 70.7 亿美元在 12 个月内到期”这一条。

网页交互逐项检查

第二项是场景模拟：把同一场 60 分钟的暴雨放进两块对应的微缩街区，左侧是传统的硬化路面，右侧加入了可以调节规模的雨水花园。

Qwen4-Max-Preview 用 28 分 07 秒做出一个离线页面。街区用等距视角呈现，全部由代码绘制；打开剖面，可以同时看到路面水深、花园蓄水、向下入渗和排水管。雨强、排水能力和改造程度都可以调节，页面还提供时间轴回看和情景预设。标准情景下，峰值水深从 152.5 毫米降到 53.75 毫米，降幅约 64.8%。第 60 分钟，左右两侧路面存水分别为 92 和 7 立方米，右侧花园另外储存了 35 立方米，每侧 61 个状态都可以逐一追溯。

最后一项是交互小游戏。一列奶油色的小火车，依次探索四座季节浮岛，完成三种挑战、集齐邮戳，最后在冬季点亮灯塔。

这是全部测试中耗时最长的一题，Qwen4-Max-Preview 用了 41 分 21 秒。四座浮岛各有面貌：春站是樱树和风铃桥，夏站是白沙和贝壳亭，秋站是风车和麦田，冬站是雪松和灯塔。执行日志完整记录了挑战成功、失败重试、奖励锁定和重新开始的过程，三维库与所有模型都内嵌在一个离线文件里。

模型总评

跑完十二项测试，Qwen4-Max-Preview 整体表现出的特点是下限扎实，但边界分明。

在信息检索与长文本清洗上，它的准确率较高。面对三份统计口径各异的财报，抽查数据全部对上，且能主动剥离非现金项目对账面亏损的干扰；在 50 万字节的工单记录里，它准确串联起了相隔 741 行的关联线索，62 条统计计数与脚本运行结果一致。

在幻觉控制上，它的处理相对克制：图表中看不清的柱状高度只给估算区间，纪要里未提及的负责人直接标注“会议未明确”，媒体传闻与公告事实也做了区分。多轮修改的稳定性尚可，长纪要连续修改三轮、PPT 调整两轮后，核心事实没有出现连带错乱。

在交付形态上，借助内置工具，它能输出带公式的 Excel、可编辑的 PPT、通过 57 项测试的代码包，以及可离线运行的网页和 3D 小游戏。代码修复测试中，它按“复现缺陷—修复代码—用旧实现反证新测试—打包复验”的步骤走完了完整流程，工程规范性较好。

但它的短板同样明显，主要出在缺乏硬性标准的定性推演上。例如在科研复现场景中，它会把单纯的“误差正在下降”，草率拔高定性为“收敛到局部解”，存在过度解读的倾向。

整体来看，它适合接手日常办公中规则明确的检索、数据清洗、制表与基础代码维护；但在涉及定性判断与最终结论表述上，仍无法替代人工审核。

不发跑分、订阅首发

Qwen4-Max-Preview 的登场方式有几分反常：只活 15 天，不晒跑分，首发绑定订阅，卡在双 11 上线。把这四个动作放在一起，阿里的算盘并不难读懂。

第一，把公开测试直接做成产品。 15 天锁死权重的预览版，本质是一次面向真实场景的灰度测试。模型不更新，用户在日常工作中留下的调用轨迹，直接沉淀为下一阶段后训练的素材。上一代 Qwen3.8 从预览到转正同样间隔 15 天，区别在于，阿里这次把 15 天写成了明牌规则，不再宣传纸面能力，把评价权完全交给了用户的工作流。

第二，商业重心从卖模型转向卖 Token 订阅。 首发渠道 Token Plan 的月度套餐里，除了千问，还打包了 Kimi、GLM、DeepSeek 等第三方模型，并打通 Claude Code、Cursor 和 Qoder 等开发工具。在这套组合里，旗舰模型的任务是拉新——用最强的版本把开发者吸引进订阅池。15 天后预览版会下线，但订阅关系会留下来。

实测结果也印证了这种指向。Qwen4-Max-Preview 表现最稳定的场景，是生成带公式的 Excel、可编辑的 PPT、多轮修改不走样的纪要，以及能自己复现缺陷、自测复验的代码维护。这些恰恰是千问办公、Qoder 和 Token Plan 的核心付费卖点。模型真能替人干多少活，直接决定了 Token 的消耗量。

第三，模型正在成为阿里 AI 重资产的变现出口。 今年 6 月，阿里合并成立 Token Foundry 事业部，由集团 CEO 吴泳铭直接掌管；9 月云栖大会上，吴泳铭将智能比作规模化供给的“动力”，确立了模型、芯片和云三大基石。

千问 4 上线前一天，阿里宣布拟分拆平头哥赴港上市，让决定 Token 成本的芯片业务独立融资；阿里云单季资本开支也已升至 676.78 亿元，外部商业化收入增速提至 45%。芯片压成本，云供算力，模型定质量，订阅做变现——模型站在这条重资产链条的最末端，前端所有的投入最终都要靠它兑现。

这也改变了 Max 的定位。在 Qwen4 的四档序列里，Plus 和 Flash 承接日常调用，27B 开源扩大生态，Max 负责定义能力上限。但这次 Max 没有去刷榜，而是直接进入千问办公、Qoder 和 Token Plan，用报表、PPT 和代码包展示自己能接多复杂的活。它锚定了用户对千问全系的预期，也决定了用户是否愿意为订阅买单。

不过，这套打法有一个明显的落地摩擦：入口太碎。 同一个模型，上线当天就分散在 Token Plan、千问 App、千问办公、Qoder、QwenStudio 和网页端 Qwen Chat 六个渠道。这些入口有的扣订阅额度，有的免费；有的能直接输出文件，有的只能对话。过于庞杂的入口，本身就会带来转化损耗。