← 返回博客
Ai预计阅读 8 分钟

千问 Qwen 4 把跑分和价目表一起发了,权重还得等到 12 月 20 日

发布于 2026年11月13日
千问 Qwen 4 把跑分和价目表一起发了,权重还得等到 12 月 20 日

11 月 11 日,阿里把 Qwen 4 和 Qwen 4 Flash 的 API 挂了出来。

消息传到国内是当天下午,B 站上一条"Qwen 4 正式发布!开源模型正面对决 Claude Fable 5.2"的实测视频,到 13 号已经有七千多播放。标题里"开源模型"四个字,其实是这场发布最微妙的地方。

先说给了什么

价格是 $1 / $4,每百万输入和输出 token。这个数字放在今年的旗舰档里很扎眼,前五名的模型没有一个是这个价。有人按 Artificial Analysis 的口径算过,在高推理档跑完一整套索引任务大约 $2.94,同档的 Fable 5.2 要花九倍左右。

跑分 58 分,Intelligence Index v5 上排第三。前面是谷歌那个还没完全开放的 Gemini 4 Carbon(63)和 Fable 5.2(65),后面紧跟着的是 Kimi K3.1 Pro 保持的开源纪录。分项上,Frontier Code 2.0 得 47.9%,Frontier SWE v2 得 66.8%,两个智能体编程榜都卡在 Opus 5.5 和 Fable 5.2 中间;AA-Briefcase 知识工作榜 1792 Elo,比 Fable 5.2 的 1785 高一点,离 Sonnet 5.5 的 1813 还差一截。

接口设计这块,阿里做得跟 Anthropic 反着来。temperature、top_p、top_k 全部开放,强制工具选择能用,混合思考可以按请求切换,还能直接给思考预算。Fable 5.2 那边是自适应思考常开,上面这几个字段一个都不收。对做产品的团队来说,这条差别比两分三分的跑分实在得多,因为可关闭的思考意味着可预测的账单。

多模态走一个端点,文本、图像、音频、视频都吃,不另开 Omni SKU。发布演示是一段 19 种语言的同传,语音延迟压在 400 毫秒以内。这个数字如果经得住复现,工作站级别的同传就不需要单独买一套服务了。

中文圈在传的那个跑分,得打个括号

国内传播最广的是另一个榜:GameFeel Bench。

按流出的测试报告,Qwen4-Flash 拿 49.9 分,超过 Opus 5.5 xHigh 的 47.2;Qwen4-27B 拿 44.6,几乎贴住 Sonnet 5.5 的 45。同等任务成本 $0.4 和 $0.16,对应 Opus 5.5 的 $2.6。27B 那一档如果真能在单张 4090 或者一台 Mac Studio 上跑到这个水平,中小团队的私有化部署账本要重算。

问题在于这个榜本身。GameFeel Bench 是千问团队自建的评测,考的是"给一段自然语言游戏概念,能不能直接产出一套带物理碰撞、状态机、经济数值和交互反馈的完整系统",题目是动态生成加人工隐式交叉审查,宣称能防背题。设计思路我很认同,端到端跑通一个系统确实比答选择题更接近真实工程。但测试集没有公开,第三方还没复现,这个分数现在只能当厂商自述看。等有人拿自己的项目去撞一遍,再决定信几分。

权重是日程,不是交付

真正让开发者分神的是这个:11 月 11 日上线的只有 API 档,没有下载,没有 Hugging Face 仓库,也没有 GGUF。

阿里给的承诺是 12 月 20 日前,把 Qwen 4(1.2T 总参、56B 激活)和 Qwen 4 Flash(30B 总参、3.3B 激活)以 Apache 2.0 放出。承诺写得很清楚,日期也具体,但它是日程表上的一个格子,不是硬盘上的一个文件。

现在带公开权重的最新 Qwen 还是 Qwen3.8-Flash-Next。也就是说,这张价目表上性价比最高的那个模型,暂时还不能自己跑。

这件事有个正面先例:月之暗面上一轮承诺的权重日期,一天没拖。也有反面:社区按节奏表推算的十月末发布,实际晚了十一天。所以这条承诺值得记进日历,不值得写进采购单。

买不买,取决于你要不要自己跑

把三件事放在一起看就清楚了。

要便宜、要稳定、要今天就能接,Qwen 4 的 API 是今年性价比最好的选择之一,特别是那些需要关掉思考、按预算跑的批处理场景。

要合规、要离线、要把模型塞进自己的机房,那现在还不能签。得等 12 月 20 日,而且等到的是一份 1.2T 的权重。这个体量不是"下下来就能跑",光是找齐显存和推理栈就够一个团队忙两周。

至于那个 49.9 分,我建议当成一个待验证的信号。国产模型在最贵的那一档上确实追上来了,价格还压得低,这是事实。但"反超 Opus 5.5"这种说法,得等第三方在自己的题上跑一遍才算数。

还有一个容易被忽略的成本项:迁移。多模态收进一个端点,意味着原来分成三条链路的活:图片理解走视觉模型、语音走 ASR 加 TTS、视频抽帧再喂图。现在这三件事可以并成一次调用。少一条链路就少一套鉴权、少一份限流配置、少一个人盯报错。这类账不上财报,但它决定一个三人小队能不能同时维护四个产品。

Three channels of clear glass tubing converging into one thicker tube on dark stone.

接下来该看什么

12 月 20 日是第一道关。那天如果权重真放出来,接下来要看的不是下载量,是三件事:量化版本什么时候跟上、单卡能跑到什么上下文、以及推理框架的适配要多久。1.2T 的模型放进自家机房,从来不是一条命令的事。

第二道关是第三方复现。GameFeel Bench 那套"端到端产出可运行系统"的题,如果别的实验室愿意拿它去测自家模型,这个榜才有公信力;如果一年之后还只有一家在报分,它就只是一个发布会素材。

第三道关最现实:价格能不能守住。$1/$4 是抢客户的价,等份额稳了会不会调回去,看过去两年的记录不太乐观。现在把预算模型按这个价写死,明年可能要改。

顺带说一句,这一轮国内厂商的发布节奏有个共同点:先把接口和价目表摆出来抢客户,权重留到后面当第二波。对使用者来说,这意味着"开源"这两个字越来越像一个分期付款的方案,而不是一次交付。这不算欺骗,但确实需要改一改看发布公告的习惯。

相关文章