Qwen4-Max:连续跑超 5 小时、扛住 5 轮需求修改,新模型效果实测
文章目录
部分视频或图片暂未收录,已在正文保留提示;需要时可查看原文。查看原文 ↗
Qwen发布了新模型 Qwen4-Max ,我展开了连续 5 小时以上的高强度实测。这次我特意避开了一两轮就能搞定的简单演示,专门挑耗时极长、需要反复排查报错的长任务,看它在完全没人插手的情况下,到底能不能把任务儿从头到尾交付出来,又能不能扛得住反复修改。
一、结论先行:一个真正能「交活」的模型
花了一整周测下来,如果用一句话来概括,Qwen4-Max 在长任务交付里展现出了非常扎实的「打工人素质」:
-
长任务能跑到底:在完全不需要人工介入的自动化流程里,它能稳稳当当地连续跑好几个小时,既不会逻辑混乱开始胡说八道,也不会在同一个地方卡死循环。
-
能够理解需求并持续推荐:哪怕你一次性甩给它一份列了十几条的修改清单,它也能照着清单逐步修整。改完之后会越来越接近要求,而且不会动不动就推倒重来。
-
会自己截图验货,拿数据说话:做图形任务时,Qwen4-Max 能自己写脚本给画面截图、用像素数值做对比、逐帧比对新旧视频的差异,自己给自己当质检员。
-
推导链条很深:遇到复杂的逻辑推理和多步骤工具调用时,它的推导过程非常扎实,先把每一步都琢磨明白了,再开始往外输出。
-
缓存命中率提高,价格大幅度降低:在长时间跑任务时,历史记录里反复调用的重复内容能大量命中缓存,价格直接被打了下来,数小时的长任务在工程成本上终于不再是无底洞。
在参数规模上,Qwen4-Max 采用 Qwen4 系列的全新架构,总参数 2.4 万亿,每个 token 实际只激活 710 亿参数;和上一代 Qwen3.8-Max 相比,总参数同样是 2.4 万亿,激活参数却减少了约 25%。它原生支持看图、看视频,上下文窗口达到百万 token。
二、主案例:照着一段 23.8 秒的 3D 动画,用 Three.js 复刻
这个测试任务非常苛刻:不给它任何 3D 模型源文件,也不给它任何工程代码,只给它一段 23.8 秒的参考视频。要求它纯靠手写前端 3D 渲染代码(Three.js),把视频里的场景完整复刻出来,并最终逐帧渲染成一段新的视频。
这段参考视频的规格是 1280×720 分辨率、每秒 30 帧、一共 714 帧。画面的主体是一个悬浮在星空里的四季草地大转盘,中间有一个镶着金边的星空深洞,一根顶端带着金色麦穗的留声机唱臂扫过转盘表面,转盘上还有一黑一白两只猫在不同季节的草地上跳跃穿梭。测试全程接入了智能体(Agent)的目标模式,我不帮它做任何操作,从拆解视频、搭建场景、写循环动画代码,到视觉对齐校验和最终渲染,全由模型自己搞定。
参考原视频(23.8 秒)
第一轮:从零搭建骨架,用数学方法倒推场景
第一轮全自动运行,它足足跑了超过 5 个小时。在这个漫长的过程里,Qwen4-Max 自己写了一堆 Python 脚本,直接从参考视频的画面里硬抠出底层的物理规律和几何参数:
-
倒推镜头机位:从平面的视频里还原 3D 场景,最难的就是知道摄像机到底放在哪。模型利用转盘边缘和中心金边这两个椭圆给出的 6 个几何约束,用数学拟合方法倒推出了摄像机的摆放距离、俯仰角度和镜头焦距,计算出来的画面几何误差不到 0.01 像素,几乎为零。
-
摸清唱臂转动节奏:它逐帧去追踪画面里那根麦穗唱臂的移动,精确测算出唱臂是以每秒 −57.19° 的恒定角速度在转动,同时还伴随着幅度为 ±3.11° 的微小摆动。
-
排定四季时间轴:它把画面里的春夏秋冬四个季节切分开,做了一张覆盖全部 714 帧的时间对应表(也就是逐帧查找表)。
-
锁定两只猫的跑位:它量化了两只猫在每一帧里的位置、起跳的高度,以及什么时候坐下、什么时候趴着、什么时候起跳,做成了一份整整 714 帧的完整动作轨迹清单。
等了 5 个小时以上,第一版代码和视频终于出来了。平心而论,第一版的视觉效果确实挺粗糙的:草地看起来像一根根硬邦邦的针,一朵花都没有,粒子效果全缩在盘子里面,两只猫也基本上只是两个会动的色块。但我看到之后心里反而松了一口气——因为镜头的机位高度、整体的画面构图、唱臂的扫动节奏,以及猫咪在不同时间节点的跑位,全都和原片对上了。
做过 3D 渲染的人都明白:骨架如果搭歪了,后面堆再多好看的细节都是白搭,只能推倒重来;但只要骨架立住了,剩下的就全是局部修整的活儿。
第二至五轮:五版迭代与修改承接
骨架立住之后,我退回到了审查和提需求的角色,开始一轮一轮地给它提修改清单:
五版演进:最左为原片,往右依次是第一到第五版;三行分别是 13、17、21 秒
-
第二轮修改(耗时同样超过 5 小时):我一口气提了 12 条修改意见。模型把原本直勾勾的唱臂改成了一根带弧度的金色细杆,并在末端加上了麦穗;把转盘中间挖成了一个带金边的星空深洞;在春天那一块草地上铺上了一群白色小花;还给原本像色块一样的猫咪加上了耳朵和尾巴。
-
第三轮修改(耗时 2 小时 12 分钟):当时秋天的草长得太高了,把后面的东西全挡住了,我提了 6 条意见。模型在 2 小时 12 分钟里解决了其中的 5 条,把秋天的草高度压得贴近地面,把原本被挡住的中心洞口、唱臂以及猫跑动的路线全都露了出来。
-
第四轮修改(耗时约 3 小时):我给它发了 7 条画面微调要求。模型去校准了冬天雪地的具体颜色,并且在视频播到第 17 秒的地方,精准加了一段地面逐渐结霜的动画,还调整了图层关系,确保唱臂从头到尾都浮在草地的上方,不会穿帮钻进草里。
-
第五轮修改(耗时约 2 小时):我提了 6 条收尾意见。它把中心结构重新调整为一张平平铺在草地上的黑胶唱片,让黑白两只猫在秋季区域跑动时完全不再被草叶遮挡,最后成功渲染出了符合 1280×720 分辨率、每秒 30 帧、全长 23.8 秒、共 714 帧的完整成片。
第四轮(左原片,右第四版):上为 17 秒右侧的结霜过渡区和浮在草面上方的唱臂,下为 21 秒按原片像素实测对齐的雪地颜色
第五轮(左原片,右第五版):上为 13 秒秋季两只猫不再被草盖住,下为 21 秒中心改为放在草地上的唱片
看这几轮的时间曲线,会发现一个很有意思的现象:耗时从一开始从零搭骨架的 5 小时以上,一路下降并收敛到了 2 到 3 个小时。很多大模型在改长代码的时候有个毛病——你让它改一行,它把整个文件重新写一遍,结果前面做对的功能全被冲没了。而 Qwen4-Max 没有干这种推翻重来的傻事,它能精准找到控制材质外观的着色代码(Shader)或者特定的运动控制函数,只在局部做针对性手术。
第五版成片与原片并排对比(左原片,右第五版)
三、Blender 案例:一个具备技术美术修养的模型
如果说写前端 3D 代码是纯程序员的工作,那在专业 3D 软件 Blender 里的表现,考验的就是它到底有没有「技术美术」(也就是既懂美术画面又懂写程序脚本的技术工种)的功底。
这个任务是让它在 Blender 里面制作一段 8 秒钟的「雨夜窗边咖啡」3D 动画,输出规格是 1920×1080 全高清分辨率、每秒 24 帧、一共 192 帧。整个任务模型在 34 分钟内完成了交付。
Blender 雨夜窗边咖啡动画抽帧(最终版)
在这个任务里,Qwen4-Max 的做法很像一个专业的技术美术:
-
主动补充合理细节:在提示词原本给出的 5 项基础要求之外,它自己主动加上了自己翻动的书页、顺着窗户玻璃慢慢往下流淌的水珠,以及窗外远景楼房里偶尔亮起又熄灭的零星灯光。
-
正规的分级渲染流程:它没有不管不顾直接去渲染最吃显卡的大图,而是严格按流程走:先出几张低清预览图看画面对不对,再渲染一份 480p 的小尺寸全片确认动态是否顺畅,全都没问题了,最后才启动 1080p 全高清渲染。
-
写自动化校验脚本:为了确保所有动画元素都在正常运转,它专门写了一个校验脚本(verify.py),逐帧去自动检查画面里的每一处动画是不是真的在产生位移和变化。
-
自己硬抗并修好 16 次报错:测试用的是较新版本的 Blender,软件内部的编程接口发生过改动,运行中接连弹出了 16 次报错。模型每次都直接抓取报错信息去分析原因,换成新版本能用的写法,16 次全部自己修好,中途没有停下来找我。
-
能溯源查出画面的视觉病因:在成片出来之后,我让它自己给成片找毛病,它直接挑出了 10 处视觉瑕疵。针对吊灯周围出现的一大块噪点光斑,它用排查法把场景里的物体一个一个暂时隐藏起来做测试,最终准确定位到是多层玻璃物体的半透明渲染模式叠加导致的;修好这个问题之后,它又自己发现并去掉了玻璃表面的一块生硬光斑。
自查修改前后:左为第一版,右为修改后的第三版(同一帧对比)
Blender 动画最终版(8 秒)
第一版那 34 分钟的任务,累计向模型输入了 1254 万个 token(模型计费的文本单位),其中 98.6% 都命中了上下文缓存(也就是之前已经发过的重复内容,按更便宜的缓存价计费)。
四、长任务的账单:为什么它让人用得起?
这类长任务真正的成本杀手是「滚雪球一样的上下文」。因为智能体每往前走一步,系统都得把前面的所有聊天记录、之前的代码、工具调用的返回结果,甚至终端里的报错堆栈全塞进提示词里重新发一遍。到了长任务的中后期,你随便发一条简单的指令,模型实际上都得同时把几十万 token 的历史背景完整看一遍。如果全按原价计费,连续跑几个小时的任务在经济上根本没法落地。
而在刚刚那个 Blender 任务里,总计 1254 万的输入量,因为有 98.6% 都命中了重复内容的缓存(Prompt Cache),实际花费被大幅压缩。Qwen4-Max 的缓存命中价格远低于国外主流模型的同类缓存价格。
五、怎么用好它:给真实用户的实战建议
如果打算把 Qwen4-Max 接入到你自己的工作流里帮着干活,有几条来自实操的建议可以参考:
1、尽量给清晰的量化要求,少说抽象的感觉
你给的验收指标越具体、数字越明确,它交出来的东西就越精准。比如与其跟它说「做个冬天很冷的感觉」,不如直接给它原视频雪地的 RGB 取样数值范围;与其说「让转盘慢慢转」,不如明确给出每秒转多少度和具体的帧数。
2、给它配好「眼睛」和「尺子」
在给它写提示词的时候,记得要求它做完之后自己截图、和原图拼在一起看,或者用信噪比、像素采样这种具体的数字来核对。它有自己看图挑刺、自己跑脚本验货的能力,只要提出这个要求,它就能自己发现并修掉不少问题。
3、灵活切换思考深度(Thinking Level)
Qwen4-Max 提供 High 和 xHigh 两档推理强度。平时大部分常规任务开 High 就完全够用了;但如果遇到了像上面 3D 空间几何反解、复杂代码跨版本排错这种硬骨头,建议手动切到 xHigh 档。开高档也不用太担心 token 消耗:官方数据显示,和上一代 Qwen3.8-Max 相比,在 Work360 评测上 xHigh、High 两档的 token 消耗分别减少约 24% 和 35%,在 Terminal-Bench 4.0 上分别减少约 48% 和 49%。
4、接入渠道一览
-
开发者与企业调用:千问 AI 平台 API
-
打包套餐调用:阿里 Token Plan
-
日常网页与移动端体验:千问办公、千问 App
-
程序员写代码场景:AI 编程工具 Qoder
-
更多应用内体验:Qwen Studio
-
开源计划:Qwen4 系列的中小尺寸模型将陆续开源
官方链接:
结语
在面对需要反复打磨、多次修改的复杂工程任务时,Qwen4-Max 展现出了一种非常难得的靠谱劲儿:
第一版能靠数学脚本把几何大骨架严谨地搭正;
面对清单式的修改意见,它能抓着具体像素和画面差异去针对性微调,不推倒重来;
软件版本不兼容报错了,自己能连修 16 次把它啃下来;同时还能靠着超高的缓存命中率把长任务的账单控制在合理范围。
这也正好对上了官方这次发布提出的「持续交付」思路:先交一个能用的第一版,再根据反馈一版一版地改好。
对于每天面对实际生产需求、需要靠 AI 解决具体问题的工程师和内容创作者来说,这种听得懂修改意见、能自己验货排错、做事有头有尾的稳定性,才是让长任务真正落地干活的底座。
沿着这个主题继续读
从一篇文章,找到相关的教程、经验和阅读路径。








