让四家国产大模型同样的金融分析任务:只有 Qwen4-Max 默认档的 Excel 打开重算无错误值,DeepSeek 最便宜,Kimi 最慢也最贵。

作者丨Rhea

编辑丨李娜 岑峰

11 月 16 日下午,我们的一位编辑在手机银行里买了 2,000 块钱的黄金,成交价 828.44 元一克,到手 2.4142 克。

打开网易新闻 查看精彩图片

今年黄金市场的行情并不太好。上海黄金交易所的 Au99.99 从 1 月底的高点跌去了约三分之一,沪深 300 也比年内高点跌去了两成多。

正巧同一天,阿里的 Qwen4-Max 正式上线。官方博客的标题叫“Your New Teammate Has Arrived”(你的新同事来了),其中专门展示了一项金融投研任务:模型调用 90 个 MCP 工具,从多个市场获取数据,完成沪深 300 股指衍生品分析,最后交出一份 Excel 底稿和一份可以直接修改的 PPT,每个数字都有出处。

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

Qwen4-Max 官方博客「金融、法律、医疗落地实践」一节

既然阿里把 Qwen4-Max 称作“新同事”,我们干脆让它来投研组上一次班。

我们照着官方的金融投研案例出了几道题,拉着Qwen4-Max 和腾讯混元 Hy4、Kimi K3.1 Pro 和 DeepSeek V4.1 Flash一起对比,看看几家模型究竟能把活做到什么程度。最后,再请它们预测一下编辑这 2.4 克黄金一周后值多少钱。

测试中出现了一个有意思的结果:四家模型的核心计算基本都对,但把交来的 Excel 真正打开、完整重算一遍,问题就出现了。股指期货这道题,五份底稿里只有 Qwen4-Max 默认档没有错误值;另一道面向普通股民的题目,情况也差不多。更意外的是,Qwen4-Max 思考档位更高的 xhigh,在部分交付细节上反而不如默认档。

至于成本,四道题下来,Qwen4-Max 花了 30.5 元,比 DeepSeek 贵了将近九倍。它到底贵在哪里,又值不值得花这笔钱,是我们这次更想弄清楚的事。

打开网易新闻 查看精彩图片

01

Qwen4-Max,

这次想当你的“新同事”

Qwen4-Max 是阿里 11 月 16 日正式发布的新一代旗舰基座模型。官方博客的标题叫 Your New Teammate Has Arrived,意思是"你的新同事来了":它面向真实任务做了深度优化,能调用专业工具处理长周期任务,还能先交一个可用的首版,再按用户的意见一版版改到完成,官方把这个机制叫持续交付(Live Delivery)。

按官方的说法,这一代换了一套基于千问稀疏注意力(QSA)的 MoE 架构:总参数 2.4T,每个 token 只激活 71B,比上一代少了 25%;原生支持视觉,上下文 1M。

打开网易新闻 查看精彩图片

Qwen4-Max 官方信息速览

在官方公布的成绩里,Qwen4-Max 在不少智能体和专业任务评测上排在前面:智能体考试 Agents' Last Exam 拿了 46.7 分,比上一代高 18.8 分,在官方对比的几家里最高;法律 Agent 评测 HLAB-Vals-1.1 得 21.3 分,也是第一;全球前端编程盲测 CodeArena 的 WebDev 榜排第 6,官方称这是中国模型的最好成绩;专业工作评测 JobBench 得 68.5 分,仅次于 Claude Opus 5.5。官方对比图上和上一代 Qwen3.8-Max 比的 15 项成绩,全部比上一代高。

效率也是这次升级的重点。在 Terminal-Bench 4.0 上同样开 xhigh 档,Qwen4-Max 每次尝试平均用的 token 从上一代的 289K 降到 151K,分数却从 38.9 涨到了 48.5,用官方的话说就是思考更高效了。

打开网易新闻 查看精彩图片

官方成绩:Qwen4-Max 对比上一代 Qwen3.8-Max

官方举的落地案例覆盖汽车制造、游戏开发、金融投研和科学研究。比如在汽车制造里,单个工件加工编程的人工用时从 475 分钟降到了 24 分钟;金融投研就是开头提到的那个沪深 300 案例,也是我们这次出题的出发点。

在成本方面,价格也降了。Qwen4-Max 在千问 AI 平台的标价是每百万 token 输入 10 元、输出 30 元,比上一代各降了六分之一;缓存命中只要 0.5 元,是普通输入价的 5%。官方称完成单个任务的平均费用比上一代降了 58%。现在可以在千问 AI 平台按量调用,也可以走阿里 Token Plan,或者直接在千问办公、Qoder、千问 APP 里用;Qwen4 系列的中小尺寸模型会陆续开源。

打开网易新闻 查看精彩图片

02

模型擅长金融,到底意味什么?

现在每家发模型都爱说自己擅长金融,其实拆解后来看大概有几个维度:

  • 第一是找对数,并且核对过;

  • 第二是按行里的规矩算,比如期货的到期日怎么定、分红怎么扣;

  • 第三是读得懂几百页的报告,还能说清每个数出自哪一页;

  • 第四是搭得出前后自洽的财务模型;

  • 第五是在行情不明朗的时候给出有分寸的判断。

千问团队说 Qwen4 面向真实任务做了深度优化,还搭了一套覆盖 721 个细分领域的 Work360 评测体系,Qwen4-Max 在上面比上一代提升了超过 10%。

那这种专项榜单又是怎么测评的?业内引用得最多的是 Vals 的金融 Agent 榜,金融从业者按投行分析师的日常工作出了大约 450 道不公开的题,题目围绕美国上市公司的公开文件,然后按清单逐项打分,关键数字错一个整题就是零分。也就是说它考的是分析并不考股价预测。

打开网易新闻 查看精彩图片

Vals 金融 Agent 榜的数据集说明:榜单成绩只来自 449 道不公开的测试题

在这张榜上 Qwen4-Max 的准确率是 66.68%,在这次参测的四家里最高。四家的准确率在 61.49% 到 66.68% 之间,首尾只差 5 分左右;但是每题成本从 0.47 美元到 2.29 美元差了将近 5 倍。所以在美股财报问答这件事上四家的能力其实挺接近的,但在成本方面钱倒是花得差别很大。

打开网易新闻 查看精彩图片

Vals 金融 Agent 榜:Qwen4-Max 准确率四家最高

我们这次换成以 A 股为主的投研任务,想看看到了真实的投研流程里 Qwen4-Max 交出来的东西能不能直接用,四家是不是还是同样的格局。

打开网易新闻 查看精彩图片

03

让四个国产模型来做投研

参照组是我们编辑部一起定的三个国产模型:腾讯混元 Hy4、Kimi K3.1 Pro 和 DeepSeek V4.1 Flash,都是最近一个月里发布或更新的。

打开网易新闻 查看精彩图片

参照组:一个月内先后发布的三个国产模型

如果把 Qwen4-Max 想象成来投研组报到的新同事,那我们这次就是按主管验收底稿的标准来看它交的活:数对不对,出处真不真,Excel 和 PPT 能不能直接拿去用。三个参照模型都按同样的标准、交同样的活。

为了让四家站在同一条起跑线上,这次的条件大概是这样:

  • 四家用同一个 Agent 外壳(开源的 OpenCode),在同一台电脑上一个隔离的环境里跑,只能读写自己的工作目录,看不到答案,也看不到别家的结果;

  • 四家都通过各自的官方 API 调用,用厂商默认的思考档。Qwen4-Max 我们另外加跑了一组 xhigh,因为官方成绩就是在 xhigh 上跑的;

  • 取数用的是同一套金融数据工具,数据是 11 月 16 日收盘以后冻结的快照,所以四家拿到的是同一份数。

本次测试一共五道题:

打开网易新闻 查看精彩图片

五道题分别考什么、在什么条件下考

其中 F2(泡泡玛特财报)的三表模型还有几项在人工复核,这篇先不展开;它的用时和花费算在后面的账单里。

打开网易新闻 查看精彩图片

04

对照官方案例出题:核心数字全对,

只有 Qwen4-Max

默认档的底稿打开不报错

F1(股指期货基差)基本是照着 Qwen 官方博客里的案例来出的。最后要交出三样东西来:

  • 一份 Excel(每个原始数据旁边写出处,计算区全部用公式)

  • 一份 5 到 8 页的 PPT(必须用原生图表)

  • 一段解释贴水成因的文字。

结果Qwen4-Max 默认档和 xhigh 两份交付物全部齐全,核心数字全对;三个参照模型也一样。五份 PPT 都是 7 到 8 页,用的是可以直接改的原生图表,图上的数和 Excel 一致。

▎Excel:只有 Qwen4-Max 默认档一打开就能用

这是这次测试里最出乎我们意料的地方。

题目要求计算区全部用公式,这倒是五份都做到了。最多的 Qwen4-Max xhigh 写了 9,247 个公式,一个手填的数都没有。但是我们把这些文件放到 Excel 里打开并完整重算了一遍以后,居然只有 Qwen4-Max 默认档那一份没有任何错误值,另外四份的历史波动率或者隐含波动率那几格显示的都是#NAME?。

打开网易新闻 查看精彩图片

Qwen4-Max 默认档的 F1 底稿:波动率格用老函数 STDEV,正常显示

打开网易新闻 查看精彩图片

参照组 Kimi K3.1 Pro 的同一处:显示 #NAME?

几家其实都写了自己做过校验,Qwen4-Max 默认档甚至自己写了一个求值器,把八千多个公式逐个算了一遍,其他几家也用 Python 把自己写的文件读回来核对过。但是没有一家真的用 Excel 打开过。这和金融能力关系不大,更多是交付之前有没有站在用的人的位置上看一眼。投研底稿交给同事,同事第一件事就是在 Excel 里打开,如果一打开就报错,前面算得再对也得先返工。

▎分红:都知道 A 股分红有季节,Qwen4-Max xhigh 估得最准

估分红是这道题里笔者最想看的一个专业细节。笔者咨询过业内朋友,行业内偷懒的写法是把全年的股息率平均摊到合约期里。但是 A 股的现金分红高度集中在每年五到七月,11 月到来年 3 月基本是淡季。

笔者原本以为会有人在这里翻车,好在没有一家用平摊的写法,五份都意识到了分红的季节性,差别主要在远月:

打开网易新闻 查看精彩图片

五份交付里的分红估算

Qwen4-Max 的 xhigh 和我们的估算最接近,三个合约都只差 1 点左右;默认档在两个远月合约上多估了 11 点左右。

打开网易新闻 查看精彩图片

05

给普通股民写一份投资分析

F3(股民 One Page)我们换了个方向。我们给模型一份冻结的数据包,让它先算五个数,再给一位"手里有沪深 300 指数基金和 2.4 克积存金、最近很焦虑"的股民写一份 One Page:这些数据说明了什么、说明不了什么,接下来可能有哪三种情景,以后该盯哪几个数。题目里写明了不许点评个股,也不许给买卖指令。

结果四家模型算出来的五个数全对。

One Page 本身四家都写得挺规矩:都写了"这些数据说明不了什么";都给了三种情景;也都没有给买卖建议。把四家都写到的结论合起来,大概就是下面这一页:

打开网易新闻 查看精彩图片

差别还是出在交付物上,这一题只有 Qwen4-Max 的 One Page 和 Excel 两样都没挑出毛病:One Page 1,190 字左右,在要求的 800 到 1,200 字以内;Excel 有一万六千多个公式,重算下来一个错误都没有。

打开网易新闻 查看精彩图片

06

错误前提:50ETF 期权是美式的吗

F5 是 10 道前提有错的金融问题。比如"上证 50ETF 期权是美式期权,到期前任何一天都能行权,那深度实值的认购期权什么时候提前行权更划算";"统计局昨天公布的 10 月工业企业利润同比转降了,主要是哪几个行业拖累的"(这个数要到 11 月 27 日才发布);"中金所 50 年期国债期货的可交割券剩余期限是多少"(中金所根本没有 50 年期国债期货)。

结果是Qwen4-Max 10 道全对,而且这 10 道题它的推理只用了约 1.2 万个 token 差不多是另外三家的一半。参照组里 Kimi K3.1 Pro 和 DeepSeek V4.1 Flash 也是 10/10,Hy4 是 9/10。

拿 50ETF 那道来说 Qwen4-Max 的回答开头第一句就是"先纠正一个关键前提":上证 50ETF 期权是欧式期权,只能在到期日行权。

打开网易新闻 查看精彩图片

F5 第 1 题:Qwen4-Max 的回答开头

Hy4 错的就是这一道。它没有指出 50ETF 期权是欧式的,反倒顺着题目讲了一整套"什么时候提前行权更划算",写得很像行家,可惜前提是错的。

打开网易新闻 查看精彩图片

07

四道题的账单:

缓存帮 Qwen4-Max 省下近九成

如果把 F1、F2、F3、F5(股指期货基差、泡泡玛特财报、股民 One Page、错误前提)四道题加起来(都是默认档,按官方价目折算),Qwen4-Max 一共花了 30.5 元:

打开网易新闻 查看精彩图片

四道题的账单

可以看 Qwen 比 Kimi 的 46.8 元低,比 Hy4(17.3 元,年底前半价约 8.6 元)和 DeepSeek(3.5 元)高。不过这 30.5 元里有一个容易被忽略的大头:缓存。像 F1、F2(股指期货基差、泡泡玛特财报)这种 Agent 任务,模型要一轮轮地调用工具、读回结果,每一轮都会把前面的上下文重新带上,所以输入 token 非常多。Qwen4-Max 四道题一共读了约 2,260 万个输入 token,其中约 97% 命中了缓存,按每百万 0.5 元计费。如果这部分也按普通输入价 10 元算,四道题要 238 元左右,是实际账单的将近 8 倍。

打开网易新闻 查看精彩图片

缓存把 Qwen4-Max 四道题的账单从约 238 元压到 30.5 元

官方这次也专门强调了缓存命中价。从我们的账单看,对要反复带上下文的长任务来说缓存命中价比标价更能决定最后花多少钱。Kimi 贵主要贵在输入和缓存的单价都偏高,它的缓存命中价每百万约 1.4 元,是 Qwen4-Max 的近 3 倍。

Qwen4-Max 的默认档和 xhigh 也可以对比一下。F1、F2(股指期货基差、泡泡玛特财报)两道题 xhigh 多花了 6 块钱左右和 45 分钟,换来了更准的分红估算,但是 Excel 兼容性有退步。如果只是日常的投研杂活,笔者觉得默认档已经够用了。

打开网易新闻 查看精彩图片

08

2.4142 克黄金,一周后值多少

最后是我们编辑部的这道题。11 月 17 日收盘以后,四家在同一个小时里基于同一份数据,预测上金所 Au99.99 和沪深 300 在 11 月 24 日的收盘价:要给点估计、80% 区间、上涨概率和三条依据,还要说清楚"出现什么情况就说明自己错了";最后再算出编辑那 2.4142 克在 11 月 24 日按 Au99.99 收盘价算的市值。

我们先标记一下起点 ,11 月 17 日 Au99.99 收在 832.50 元一克,按这个价算编辑那 2.4142 克值 2,009.82 元(没算银行的买卖价差),比买的时候多了不到 10 块钱;沪深 300 收 3,976.46 点,这是今年最低的一个收盘。

四家是 18:00 同时开跑的。Qwen4-Max 用了 4 分半、1.58 元交卷;参照组里 DeepSeek 一分二十多秒就交了,Hy4 用了 8 分多钟,Kimi 最慢,用了 12 分钟、6.66 元。四家都交卷以后我们马上给四个预测文件算了 SHA-256 存档,下面登出来的数和存档的文件一致。

打开网易新闻 查看精彩图片

四家给出的 80% 区间、点估计和上涨概率

Qwen4-Max 的判断是:金价 11 月 24 日收在 826 元左右,80% 的可能落在 789 到 865 元之间,上涨概率 0.41;沪深 300 收在 3,965 点左右,区间 3,850 到 4,084 点,上涨概率 0.45。换算下来编辑那 2.4142 克大概值 1,994 元。

从全局看四家整体都略微偏空,两个标的的点估计都比 11 月 17 日的收盘低一点,上涨概率也都不到一半。金价的理由四家几乎一样:今年 1 月 29 日以来金价一路往下走,美国 10 年期实际利率 11 月 13 日升到了 2.91%,美元指数也在涨。

  • Qwen4-Max把动量和宏观放在一起看,因为最近 10 天金价的日波动比 60 天大,所以把金价的区间放宽了;沪深 300 则考虑到跌势放缓、估值已经在年内低位,上涨概率给到 0.45,是四家里最接近中性的。它写的"错了的信号"很直接:24 日金价只要收在 832.50 上面方向就错了。

打开网易新闻 查看精彩图片

09

结语

这次测下来,笔者最大的感受是投研这类活里算对一个数早就已经是小 case 了。五份 F1(股指期货基差)交付核心数字全都是对的,F3(股民 One Page)四家五个数全对。

但是真正把各个模型区分开的反而是一些小细节,比如交出去的 Excel 在 Excel 里能不能打开,以及花了多少钱。

回到 Qwen4-Max 本身。官方这次给它的定位是"新同事",从这次的投研活来看,它已经能交出不少可以直接用的活了:F1、F3(股指期货基差、股民 One Page)两份 Excel 底稿一打开就能用,PPT 用的是能直接改的原生图表,10 道带坑的金融题一道没上当,在 Vals 金融 Agent 榜上的准确率也是四家里最高。要挑毛病的话,它的 xhigh 档在 F1(股指期货基差)里一样踩了#NAME?的坑;价格上它比 Hy4 和 DeepSeek 贵,好在缓存命中价把长任务的账单压了下来。

咱们说回编辑部那 2.4 克黄金。行情不好的时候,笔者更想要的其实是一个算得清账、说得出出处、知道自己哪里不知道的帮手,至于它敢不敢预测倒是其次。咱们一周以后见分晓。

特别说明:本文不构成投资建议。

点击关键词查看对应实测内容

AI 产品评测

多模态评测

基模评测

未经「AI科技评论」授权,严禁以任何方式在网页、论坛、社区进行转载!

公众号转载请先在「AI科技评论」后台留言取得授权,转载时需标注来源并插入本公众号名片。