打开网易新闻 查看精彩图片

2026年11月16日,阿里通义千问团队宣布新一代旗舰模型Qwen4-Max正式上线。与此前11月11日开放的限时预览版不同,此次Qwen4-Max作为正式版本接入千问AI平台,开发者可通过Token Plan或API调用。其主干参数规模达到2.4万亿,采用稀疏MoE架构,原生支持视觉理解,并提供百万级Token上下文窗口。官方以“任务成本降低超60%”概括此次升级,Work360评测中单任务平均费用由26.58元降至11.16元,降幅为58%。这组数据的行业意义,并不只在于一个旗舰模型变得“更便宜”,而在于大模型竞争的评价体系正在从参数规模、榜单分数,转向“完成一项真实任务需要多少Token、多少算力、多少网络协同”。

参数竞赛换挡:2.4万亿MoE的“稀疏效率”

Qwen4-Max最直观的标签是2.4万亿参数。但在稀疏MoE架构下,总参数规模并不等于每个Token都要支付同等计算成本。模型通过专家路由将计算分散到不同专家网络,总容量扩大,单次推理激活的计算路径却可以相对收敛。这意味着参数规模仍是能力上限的重要支撑,但决定商业可行性的,越来越是激活效率、显存带宽、专家并行通信和长序列处理能力。

从官方披露的架构调整看,Qwen4-Max的效率提升不是单点优化。模型在Attention、Residual和Embedding三个层面做了系统性调整:每四层中三层使用Gated DeltaNet,将历史信息压缩为固定状态;剩余一层以Qwen Sparse Attention按block粒度选择相关上下文,以降低长序列注意力计算开销;Gated Residual把残差流扩展为四条并行分支,增强跨层信息传递;N-gram Embedding在第二层以查表方式提供局部Token模式表示,以较低额外算力扩展模型容量。

这套组合指向一个清晰方向:大模型不再只靠“堆参数”换能力,而是通过结构设计把“大容量”拆解为“可计算的效率”。对通信和算力产业而言,影响也随之变化。MoE带来的专家并行会放大集群内部的东西向流量,专家路由的突发性对互联带宽、拥塞控制和调度算法提出更高要求;百万级上下文和原生视觉输入,则让KV Cache管理、状态压缩、存储带宽和多模态数据传输成为推理系统的新瓶颈。模型变“稀疏”,并不等于网络变“轻松”,反而意味着算力集群从单卡性能竞争转向“算力—存储—网络”系统效率竞争。

成本账本:58%的单任务降费从何而来

Qwen4-Max此次最值得关注的指标,是任务成本。官方博客显示,模型在Work360行业基准上取得52.69分,前代Qwen3.8-Max为47.74分。Work360覆盖26个一级领域、182个二级子领域和721个三级专业方向,试图模拟复杂专业工作任务。也就是说,成本下降并不是在简单问答场景中实现的,而是在办公生产力、创意创作、软件开发和科学研究等更接近真实工作流的场景中测得的。

降本来源可以拆成三层。第一层是Token消耗下降。官方称,在同等性能下,Xhigh和High两档推理强度的Token消耗分别比前代减少约24%和35%;在Terminal-Bench 4.0上,Token消耗降幅达到约48%和49%。第二层是API定价调整,尤其是缓存命中价格大幅下调。第三层是任务完成方式变化:Qwen4-Max在智能体场景中引入Live Delivery机制,先交付可用首版,再根据用户反馈逐版扩展内容与质量,并同步开源Qwen-Live-Delivery-Plugin插件。它把“一次生成完美结果”转为“多轮交付可验收结果”,减少了无效返工和重复推理。

因此,Work360评测中单个任务平均费用从26.58元降至11.16元,降幅58%,并不是单一的单价下降,而是Token效率、缓存复用和任务流程优化共同作用的结果。官方标题中“任务成本降低超60%”的口径,与具体评测中的58%降幅共同说明:大模型成本战已经进入“按任务核算”的阶段。企业客户关心的不再只是每百万Token多少钱,而是一个合同审核、一次代码修复、一轮工业编程需要多少总费用、多少人工复核时间。原文展示的汽车零件加工案例中,单个工件编程的人工投入从约475分钟降至24分钟,这类指标比单纯参数规模更能打动行业用户。

推理算力需求不是线性下降,而是结构性上升

单位任务成本下降,是否会抑制推理算力需求?从Qwen4-Max的发布看,答案更可能是“结构性上升”。单Token计算效率提高、缓存命中价格下降,会降低调用门槛,扩大长上下文、多模态和智能体任务的使用密度。过去因成本过高而难以规模化的场景,例如长文档分析、工业图纸理解、多轮软件开发和专业尽调,可能随着任务成本下降进入实际部署。单次任务变便宜,总调用次数和总Token吞吐却可能更快增长。

这会改变推理集群的资源结构。传统推理更关注单机GPU利用率和简单批处理;面向Qwen4-Max这类模型,推理系统需要同时处理MoE专家并行、长上下文KV Cache、视觉输入、多轮智能体状态和缓存复用。专家并行产生大量All-to-All通信,长上下文推高显存和存储带宽需求,缓存命中则要求跨节点、跨请求的状态管理能力。推理集群的瓶颈可能从“算力不够”转向“互联不够、调度不够、存储吞吐不够”。对网络而言,低时延、无损以太、RDMA、光模块速率、叶脊架构收敛比和拥塞控制,都会直接影响Token吞吐和任务成本。

这也是通信行业需要重新理解“推理算力”的地方。模型架构越稀疏,集群规模越大;上下文越长,数据搬运越重;智能体越普及,任务链路越长。算力网络不能只提供机房和带宽,还要提供面向推理任务的分级调度、缓存加速、跨云互联和运维保障。Qwen4-Max把“性能—成本”双竞赛推到台前,实际上也在倒逼算力网络从资源供给型基础设施转向任务服务型基础设施。

Token经济转向“任务经济”

Qwen4-Max的定价变化,尤其是缓存命中价格下调,释放了一个信号:Token经济正在从“统一单价”走向“分层计价”。系统提示、企业知识库、长文档上下文和智能体记忆若能被高效缓存,重复调用成本就会显著下降。这会鼓励企业把高频知识、固定工作流和长期任务沉淀到模型平台中,而不是每次从零开始输入。对云服务商和模型平台而言,缓存能力、上下文管理和任务编排能力,可能比单纯Token单价更具粘性。

与此同时,按Token计费仍会是基础方式,但按任务、按坐席、按结果或按订阅组合的计价模式会增多。原因在于,复杂任务的Token消耗波动很大,企业更难用单一单价做预算。Live Delivery机制所体现的“先交付首版、再迭代扩展”,也让模型服务更接近项目制交付。未来大模型平台的竞争,不只是模型能力竞争,也是任务成功率、返工率、缓存复用率和交付周期竞争。

小尺寸模型后续开源,还会把Token生产推向边缘。Qwen4-Max是Qwen4系列首款模型,官方表示系列中的小尺寸模型将陆续开源,沿袭同源技术路线,面向小模型更擅长的场景做取舍。若小模型在端侧、边缘节点和行业终端落地,推理流量将从集中式云中心向“云—边—端”分层扩散。通信网络需要承载的不只是人机交互流量,还包括模型更新、上下文同步、边缘推理结果回传和多云协同调度。Token经济的边界,也会从云端API扩展到边缘计算和终端智能。

国产算力网络的拉动点

从产业视角看,Qwen4-Max的发布对国产算力网络至少形成三方面拉动。第一,智算中心互联需求上升。MoE专家并行和长上下文推理要求集群内部高速互联,跨机房、跨区域的算力调度要求光传输、IP承载和算力路由协同。第二,推理服务对网络质量更敏感。任务成本与响应时延、缓存命中率、集群利用率直接相关,网络抖动和拥塞会转化为Token浪费和用户体验下降。第三,云边端协同场景增多。小尺寸模型开源后,边缘节点和行业终端将承担部分推理任务,算力网络需要提供统一接入、分级调度和安全隔离。

中国通信产业在这方面的优势,在于网络基础设施、数据中心布局和云网融合运营经验。基础电信企业、智算中心服务商和设备厂商可以围绕“连接+算力+调度+运维”构建一体化服务能力,把高速光网络、无损网络、算力路由、边缘节点和模型服务平台衔接起来。需要正视的是,稀疏MoE和长上下文推理对国产AI芯片的显存容量、互联带宽、编译栈和集群稳定性提出了更细粒度要求。模型效率提升不会自动转化为算力网络效率,只有芯片、框架、平台和网络协同优化,才能把“单任务降本”变成“规模化可交付”。

Qwen4-Max正式上线,标志着旗舰大模型竞争进入一个新阶段:参数规模仍是门槛,但任务成本、Token效率和长程交付能力正在成为更硬的指标。对通信行业而言,这既是推理算力与网络需求的增量,也是算力网络从“卖资源”走向“卖服务”的窗口。性能与成本的双线竞赛已经开始,下一轮竞争,考验的不只是模型架构,还包括整个算力网络的系统效率。