Arena.ai 独立实测 Qwen4-Max:Agent Arena 总榜首秀第 14 名、中国模型第一
第三方评测平台 Arena.ai 发布了 Qwen4-Max 的独立实测数据:在基于 14.7k 条真实智能体会话的 Agent Arena 总榜上,Qwen4-Max 首秀列第 14 名,较 Qwen3.8-Max 的第 39 名上升 25 位,净提升 +7.5%,是榜上排名最高的中国模型;并使阿里成为该榜排名第一的中国实验室、总榜第 5 实验室(仅次于 Anthropic、Google、OpenAI 与 Meta)。实测帖由 Arena.ai 官方账号(@arena)发布于北京时间 11 月 16 日 10 时 21 分,距官方博客正式发布这款旗舰模型约 22 分钟。此前,这轮发布的各项成绩均以厂商自述口径出现,这是第一个由评测机构自己发布的实测数据。
Qwen4-Max 是阿里 Qwen 团队 11 月 16 日上午 10 时发布的新旗舰:基于 Qwen4 系列新架构,2.4 万亿主干参数、每 token 激活 71B,另有 328B N-gram Embedding 参数,具备原生视觉能力与 1M token 上下文窗口。官方当时称其在自建行业基准 Work360 上得 52.69 分(上一代 Qwen3.8-Max 为 47.74 分),Work360 单任务平均成本从 26.58 元降至 11.16 元;快科技当天的报道注明「上述成绩均为官方口径」。
Arena.ai 拆分信号与分类:四个信号全升,三项分类均为中国最佳
Arena.ai 在帖中说明,这些会话来自其全球社区,是「真实任务上的真实轨迹」,并把 Qwen4-Max 的这次首秀称为对 Qwen3.8-Max 的一次「大幅跃升」。按信号拆分,Qwen4-Max 在 Arena 报告的全部四个信号上都优于上一代:Praise vs. Complaint(赞扬对抱怨)+13%,列该信号第 15 名;Confirmed Success(确认成功)+9%,列第 13 名,这两项均为中国模型最佳;Steerability(可控性)+8%,列第 19 名;Bash Reliability(Bash 可靠性)+3%,列第 29 名。分场景看,Work 第 12 名(+9%)、Chat 第 14 名(+8%)、Code 第 16 名(+8%),三个分类下全部是排名最高的中国模型。
Arena 还在帖中列出 Agent Arena 的中国前沿阵营:Qwen4-Max 之后依次是第 19 名 Hy4(腾讯,+5.7%)、第 21 名 Kimi K3.1 Pro (Max)(Moonshot,+4.0%)、第 26 名 MiMo-V2.6-Pro(小米,+1.5%)和第 30 名 DeepSeek-V4.1-Flash (Max)(DeepSeek,+1.1%)。帖末,Arena.ai 向 Qwen 团队表示祝贺。以上名次与数值均为该平台自测口径。
Qwen 官方帖文印证实测数据,另发两条编程榜单帖
Qwen 官方账号 10 时 55 分发布的帖文与 Arena 的数据相互印证:「Qwen4-Max 在 Agent Arena 上以 +7.5% 的净提升优于 Qwen3.8-Max,令阿里成为总榜第 5 实验室。」
Qwen 官方账号当天还发布了两条编程榜单帖:10 时 33 分宣布 Qwen4-Max 在 Code Arena: WebDev 列第 6 名、较 Qwen3.8-Max 高 74 分;11 时 12 分宣布其以 1,674 分列 Image-to-WebDev Arena 第 6 名,较 Qwen3.8-Max 的 1,639 分高 35 分。快科技转述的官方口径补充了榜单背景:CodeArena(全球前端编程盲测)WebDev 方向全球第 6,介于 GPT6-Astra 与 Claude Fable5.1 之间,「刷新中国模型最好成绩」。
官方博客的对比图为这些数字提供了交叉核对:CodeArena(Elo 等级分)一栏 Qwen4-Max 为 1,750 分、Qwen3.8-Max-0902 为 1,676 分,差值正是官方帖所说的 74 分;评测说明注明「CodeArena 和 AgentArena 分数引用自 Arena」,即发布时这两个榜单的分数已被标注为 Arena 口径。
验证边界:单一平台社区样本,其余分数仍按各自口径标注
Arena.ai 的帖子给出了名次、净提升与信号数值,但没有披露更多评测方法;其账号简介将自身定位为「通过社区驱动的评测,测量并推进 AI 的前沿」。这份验证来自单一平台对单一榜单的测量,与厂商内部基准(如 Work360)口径不同。
净提升的横向对比还出现在官方博客的对比图中:AgentArena(净提升)面板里,Qwen4-Max 为 7.5,低于 Opus5.5 的 18.2、GPT6-Astra 的 13.9 与 GPT6.1-Sol 的 11.8,高于 Kimi K3.1 的 3.9。评测说明同时逐项标注了其余分数的来源:AA-Briefcase v1.1 与 AutomationBench-AA 引自 Artificial Analysis,HLAB-Vals-1.1 引自 Vals Index,APEX-Agents v1.1 引自 Mercor 排行榜,Agents' Last Exam v1.1 引自 Agents' Last Exam。
尚未落地的是开源节奏:官方博客称 Max 只是 Qwen4 系列的第一款模型,小尺寸模型「也将陆续开源」;快科技注明具体开源时间与模型规格以官方后续公告为准,截至发稿官方未公布日期。