千問 Qwen 4 把跑分和價目表一起發了,權重還得等到 12 月 20 日

11 月 11 日,阿里把 Qwen 4 和 Qwen 4 Flash 的 API 掛了出來。
消息傳到國內是當天下午,B 站上一條「Qwen 4 正式發布!開源模型正面對決 Claude Fable 5.2」的實測影片,到 13 號已經有七千多播放。標題裡「開源模型」四個字,其實是這場發布最微妙的地方。
先說給了什麼
價格是 $1 / $4,每百萬輸入和輸出 token。這個數字放在今年的旗艦檔裡很扎眼,前五名的模型沒有一個是這個價。有人按 Artificial Analysis 的口徑算過,在高推理檔跑完一整套索引任務大約 $2.94,同檔的 Fable 5.2 要花九倍左右。
跑分 58 分,Intelligence Index v5 上排第三。前面是 Google 那個還沒完全開放的 Gemini 4 Carbon(63)和 Fable 5.2(65),後面緊跟著的是 Kimi K3.1 Pro 保持的開源紀錄。分項上,Frontier Code 2.0 得 47.9%,Frontier SWE v2 得 66.8%,兩個智慧體程式設計榜都卡在 Opus 5.5 和 Fable 5.2 中間;AA-Briefcase 知識工作榜 1792 Elo,比 Fable 5.2 的 1785 高一點,離 Sonnet 5.5 的 1813 還差一截。
介面設計這塊,阿里做得跟 Anthropic 反著來。temperature、top_p、top_k 全部開放,強制工具選擇能用,混合思考可以按請求切換,還能直接給思考預算。Fable 5.2 那邊是自適應思考常開,上面這幾個欄位一個都不收。對做產品的團隊來說,這條差別比兩分三分的跑分實在得多,因為可關閉的思考意味著可預測的帳單。
多模態走一個端點,文字、圖像、音訊、影片都吃,不另開 Omni SKU。發布演示是一段 19 種語言的同步口譯,語音延遲壓在 400 毫秒以內。這個數字如果經得住重現,工作站等級的同步口譯就不需要單獨買一套服務了。
中文圈在傳的那個跑分,得打個括號
國內傳播最廣的是另一個榜:GameFeel Bench。
按流出的測試報告,Qwen4-Flash 拿 49.9 分,超過 Opus 5.5 xHigh 的 47.2;Qwen4-27B 拿 44.6,幾乎貼住 Sonnet 5.5 的 45。同等任務成本 $0.4 和 $0.16,對應 Opus 5.5 的 $2.6。27B 那一檔如果真能在單張 4090 或者一台 Mac Studio 上跑到這個水準,中小團隊的私有化部署帳本要重算。
問題在於這個榜本身。GameFeel Bench 是千問團隊自建的評測,考的是「給一段自然語言遊戲概念,能不能直接產出一套帶物理碰撞、狀態機、經濟數值和互動回饋的完整系統」,題目是動態生成加人工隱式交叉審查,宣稱能防背題。設計思路我很認同,端到端跑通一個系統確實比答選擇題更接近真實工程。但測試集沒有公開,第三方還沒重現,這個分數現在只能當廠商自述看。等有人拿自己的專案去撞一遍,再決定信幾分。
權重是日程,不是交付
真正讓開發者分神的是這個:11 月 11 日上線的只有 API 檔,沒有下載,沒有 Hugging Face 倉庫,也沒有 GGUF。
阿里給的承諾是 12 月 20 日前,把 Qwen 4(1.2T 總參、56B 激活)和 Qwen 4 Flash(30B 總參、3.3B 激活)以 Apache 2.0 放出。承諾寫得很清楚,日期也具體,但它是日程表上的一個格子,不是硬碟上的一個檔案。
現在帶公開權重的最新 Qwen 還是 Qwen3.8-Flash-Next。也就是說,這張價目表上性價比最高的那個模型,暫時還不能自己跑。
這件事有個正面先例:月之暗面(Moonshot)上一次承諾的權重日期,一天沒拖。也有反面:社群按節奏表推算的十月底發布,實際晚了十一天。所以這條承諾值得記進日曆,不值得寫進採購單。
買不買,取決於你要不要自己跑
把三件事放在一起看就清楚了。
要便宜、要穩定、要今天就能接,Qwen 4 的 API 是今年性價比最好的選擇之一,特別是那些需要關掉思考、按預算跑的批次處理場景。
要合規、要離線、要把模型塞進自己的機房,那現在還不能簽。得等 12 月 20 日,而且等到的是一份 1.2T 的權重。這個體量不是「下載下來就能跑」,光是找齊顯存和推理堆疊就夠一個團隊忙兩週。
至於那個 49.9 分,我建議當成一個待驗證的訊號。國產模型在最貴的那一檔上確實追上來了,價格還壓得低,這是事實。但「反超 Opus 5.5」這種說法,得等第三方在自己的題上跑一遍才算數。
還有一個容易被忽略的成本項:遷移。多模態收進一個端點,意味著原來分成三條鏈路的工作:圖片理解走視覺模型、語音走 ASR 加 TTS、影片抽格再餵圖。現在這三件事可以併成一次呼叫。少一條鏈路就少一套驗證、少一份限流設定、少一個人盯錯誤。這類帳不上財報,但它決定一個三人小組能不能同時維護四個產品。

接下來該看什麼
12 月 20 日是第一道關。那天如果權重真放出來,下載量沒什麼好看,要盯三件事:量化版本什麼時候跟上、單卡能跑到什麼上下文、以及推理框架的適配要多久。1.2T 的模型放進自家機房,從來不是一條指令的事。
第二道關是第三方重現。GameFeel Bench 那套「端到端產出可運行系統」的題,如果別的實驗室願意拿它去測自家模型,這個榜才有公信力;如果一年之後還只有一家在報分,它就只是一個發布會素材。
第三道關最現實:價格能不能守住。$1/$4 是搶客戶的價,等份額穩了會不會調回去,看過去兩年的紀錄不太樂觀。現在把預算模型按這個價寫死,明年可能要改。
順帶說一句,這一輪國內廠商的發布節奏有個共同點:先把介面和價目表擺出來搶客戶,權重留到後面當第二波。對使用者來說,這意味著「開源」這兩個字越來越像一個分期付款的方案,而不是一次交付。這不算欺騙,但確實需要改一改看發布公告的習慣。