Qwen4-Max построена на архитектуре «смесь экспертов»: при обработке каждого токена активируются 71 млрд параметров из 2,4 трлн. Модель превосходит предыдущую версию Qwen3.8-Max в большинстве проведенных тестов, при этом расходует меньше токенов. В отдельных режимах тестирования Work360 их количество сократилось на 24–35%, а в Terminal-Bench 4.0 — почти вдвое. Средняя стоимость выполнения одной задачи Work360, по внутренним расчетам компании, снизилась с $4,43 до $1,67 — примерно на 62%.
При сравнении с другими моделями результаты Qwen4-Max оказались неоднозначными. В тесте DeepSWE v1.1 модель набрала 75,7 балла, немного обойдя Claude Opus 5.5 (74,2) и Kimi K3.1 (75,5). Однако в Terminal-Bench 4.0 она получила 48,5 балла, уступив Opus 5.5 (59,6), GPT6.1-Sol (56,1) и Kimi K3.1 (67,2). В ProgramBench разрыв оказался еще заметнее: 31,5 балла Qwen4-Max против 65 у Claude Opus 5.5.
Модель предназначена для анализа больших объемов профессиональной информации. В финансовой сфере она может собирать данные о котировках и отчетности, проводить расчеты и готовить таблицы Excel и презентации PowerPoint. Так, для юридической проверки компании перед выходом на биржу Qwen4-Max проанализировала 198 документов, распределила их по категориям и составила отчет на 86 страниц с выявленными рисками. В медицинском сценарии модель изучала истории болезней, результаты анализов и медицинские изображения, чтобы подготовить рекомендации для врачей.
В промышленном проектировании Qwen4-Max может создавать трехмерные модели деталей, планировать производственные процессы и проверять траектории обработки на станках. С ее помощью время программирования обработки детали сократилось с 475 до 24 минут.
Отдельное направление — автономные агенты. Qwen4-Max может самостоятельно планировать работу, проверять промежуточные результаты и корректировать дальнейшие действия. Кроме того, Alibaba применила модель для оптимизации распределения вычислительных ресурсов в собственной облачной инфраструктуре. По данным компании, в отдельных сценариях это позволило снизить затраты на распределение запросов к моделям на 10,42%, а скорость достижения оптимального решения при перераспределении ресурсов CPU увеличить более чем в 14 раз.
Alibaba также сообщает об использовании Qwen4-Max в научных исследованиях. В одном эксперименте модель за 48 часов проанализировала 2,7 млн молекул и помогла разработать экспериментальный образец охлаждающей жидкости для центров обработки данных. В другом проекте она предложила 24 молекулы-кандидата для воздействия на белок NLRP3, связанный с воспалением при болезни Альцгеймера. Одна из них показала в расчетах в 3,6 раза более высокую способность связываться с белком-мишенью, чем исходная молекула. Этот результат еще предстоит проверить экспериментально.
Alibaba также заявляет об усилении защиты Qwen4-Max от злоупотреблений. При обучении модели компания сохранила данные, необходимые для поиска и устранения уязвимостей, но исключила материалы, которые могли бы помочь в проведении кибератак.
Для повышения безопасности генерируемого кода добавили дополнительные проверки: по внутреннему тесту Last Secure Code Bench доля функционального и одновременно безопасного кода выросла с 22% у предыдущей версии до 31,8%. Кроме того, разработчики усилили защиту от запросов, связанных с химическими, биологическими, радиологическими и ядерными угрозами.
В отличие от многих предыдущих моделей семейства Qwen, Qwen4-Max не получила открытых весов. Пользователи не могут скачать модель и развернуть ее на собственных серверах: доступ предоставляется через облачную платформу Alibaba и API. Компания сообщила, что планирует открыть веса более компактных моделей семейства Qwen4, однако сроки их выпуска пока не назвала.

