Journal / 2026 / AI技术

Qwen4-Max 发布:中文推理与代码任务怎么自己验

2026 年 11 月 16 日,Qwen 官方博客发布了 Qwen4-Max,Hacker News 同日出现同名条目。我们没有拿到 API 访问权限,一次调用也没跑过;本文只把能核实的事实与边界写清楚,再给一套读者自己跑中文推理和代码任务、并和上一代逐项对照的方法。

Qwen4-Max 发布:中文推理与代码任务怎么自己验
封面 取自本文正文首图,点击可放大
目录 · 1855 字 / 4 分钟

2026 年 11 月 16 日,Qwen 官方博客挂出一篇标题为 Qwen4-Max 的文章,Hacker News 上同名条目也在当天出现。新模型发布之后,报道有两种省事的写法:照着宣传稿复述跑分,或者一句「更强了」交差。这两条路本文都不走。

原因很直接:我们没有 Qwen4-Max 的 API 访问权限,一次调用也没跑过。能确认的只有发布本身——官方博客的地址、文章的时间、模型的名字。它在中文推理和代码任务上究竟比上一代强多少,只能由读者在同一个题集上跑出来。下面把「怎么跑」写成可执行的步骤,而不是结论。

这次发布我们确认了什么

  • 官方博客地址在 2026 年 11 月 16 日出现,标题就是 Qwen4-Max,没有附摘要字段。
  • Hacker News 上同日出现同名提交,标题与官方一致。
  • 官方博文正文、定价、参数规模、评测口径,我们都没有独立核对。所以本文不出现任何跑分数字、价格数字和参数量。
  • 上一代同样按这个规矩处理:只用「上一代」指代,不写它的版本号。

这条边界看起来保守,其实是这类文章最该守的一条。发布稿里的比较对象是厂商自己挑的评测集,你手里的任务和它对不上,数字再漂亮也替代不了你自己的那批题。

为什么值得自己测一遍

公开榜单权重最高的,往往是英文常识、数学竞赛和短代码补全。真实的日常工作不在这里:中文长文档里的指代关系、表格里的数字核对、一个中等仓库里跨文件的改动。这些东西在榜单上占的分很少,却决定了模型在你的流程里能不能用。

还有一个更实际的理由:上一代在你手里是「够用」还是「差一口气」,只有拿同一批题重跑一次才看得出来。换模型最怕的不是变差,是变好了一点但你不知道好在哪,于是把新模型的毛病当成自己的 prompt 写错了。

准备

  • 拿到 API key,跑通一次最小调用。端点与模型名以官方文档为准。有些云厂商的托管版本会改默认参数,测之前先确认自己调的是官方端点。
  • 题集先写下来,不要边测边改。中文推理和代码各挑一批,下面的选法可以直接用。
  • 建一张记录表,每条指令至少记:题目、模型、是否一次通过、耗时、重试次数、人工返工分钟。
  • 温度固定为 0,同一 prompt 跑三次,看结果稳不稳。

中文推理怎么挑题

三类题的区分度最高:

  • 多跳事实题。给一段两三千字的中文材料,问一个必须跨段落拼接才能回答的问题。重点看它是否引用材料里的原词,而不是补全一个听起来合理的答案。
  • 歧义与语用。成语、反讽、行业简称、代词「他」到底指谁。上一代在这类题上的典型错误是把反讽当成字面意思,或者把简称强行展开成错的词。
  • 结构化核对。给一张中文表格,要求算合计并指出自相矛盾的那一行。错在算术和错在读数要分开记,因为前者是推理问题,后者是读表问题。

评分用二值:通过,或者不通过。再加一栏「需要人工改多少」。主观的「一到十」打分对比较模型没有帮助,同一个答案你看第二遍就会给出不同的分数。

代码任务怎么挑

  • 单文件修复。一个失败的测试加相关源文件,要求只改必要的行。判定标准是测试转绿,且没有新增失败。
  • 跨文件改动。改一个函数签名,牵动若干调用点和测试。看它能不能把调用点找全,而不是改一处就宣布完成。
  • 文档与注释。让它按项目现有风格补注释,看会不会自造术语、会不会把注释写成对代码的复述。
  • 长上下文。把一个中等仓库的关键文件一起塞进去,看它会不会漏读,或者把甲文件的约定套到乙文件上。

每一类都记「第一次就过」还是「改了几轮」。这个比例比任何榜单都更接近你的真实体验。

和上一代怎么比

  • 同一题集、同一温度、同一判定标准,只换模型,其他变量不要动。
  • 不要只看总分,看差异落在哪一类题上。是长材料变稳了,还是代码补丁变干净了,或者只是废话少了。
  • 记失败模式。是拒答、编造、格式跑偏,还是逻辑正确但表达啰嗦。上一代常犯的那一类错误,新一代是不是还在犯,比分数更有信息量。
  • 成本一起记。同样的任务用了多少 token、重试几次才过。单次调用更便宜,不等于完成任务的总成本更低。

做完这一轮,你手里会有一张自己的对照表。它不权威,但它对应你的工作,比厂商的评测表有用得多。

我们核实了什么,没核实什么

核实了的:

  • 官方博客地址与文章标题,出现时间为 2026 年 11 月 16 日。
  • Hacker News 上同日出现的同名提交。

没核实的:

  • 没有 API 调用记录,没有任何一次真实输出。
  • 没有复现官方任何评测数字,本文也不引用这些数字。
  • 价格、上下文长度、参数量、许可协议,一概不写,一律以官方文档为准。
  • 官方博文如果后续修订,以原文为准。

参考来源

本文基于以下公开报道整理。


本文由 AI 辅助整理,事实来自 Qwen 官方博客与 Hacker News 的公开元数据;我们未获得 Qwen4-Max 的 API 访问,未做任何实测,文中不含跑分、价格与参数规模。

§

所属主题

Topics

主题只是把现有标签归并后的浏览方式,标签本身不变;全部标签 · 画廊

← 全部文章