11月17日、The Decoderが「Alibaba's Qwen4-Max takes on Opus 5.5, GPT-6, and Kimi K3.1 Pro at much lower prices」と題した記事を公開した。AlibabaのQwen4-Maxが、前世代比でタスクあたりのコストを3分の1に圧縮しつつ、同世代の最上位モデルと肩を並べるスコアを叩き出したというのが要旨だ。
前世代比でコスト3分の1、スコアは9点増
LLM競争における価格の下落が止まらないなか、Alibabaが新たなフラッグシップ「Qwen4-Max」を投入した。
Artificial Analysisの評価によれば、Qwen4-MaxのIntelligence Index v5スコアは43点。このスコアは、コーディング・推論・知識など複数領域の総合性能を100点満点で示す指標で、数字が大きいほど高性能を意味する。前世代Qwen3.8-Maxの34点から9点増だ。タスクあたりのコストは**$3.27**で、Qwen3.8-Maxの$10.02から約3分の1に下がった。中国モデルのトップであるKimi K3.1 Proは46点・$3.68なので、スコアでは3点劣るが、コストでは11%安い。
APIの公開価格は入力$1.50/百万トークン、出力$4.50/百万トークン、キャッシュヒット時は$0.075。
コスト低下の内訳は三つある。トークン単価が前世代比25%安、キャッシュヒット時が70%安、そしてモデル自体が消費するトークン数が減った。ベンチマークタスクあたりの出力トークン数は、Qwen3.8-Maxの171,000から105,000に減少している。
なぜトークン数が減るのか——ハイブリッドアーキテクチャの核心
コスト削減の根本はアーキテクチャの変更にある。
Qwen4-MaxはMoE(Mixture of Experts)構成で、総パラメータ数は2.4兆だが、1トークンの処理で実際に活性化するのは710億だけだ。前世代Qwen3.8-Maxは同じ2.4兆でも950億を活性化していたので、25%の削減になる。
さらに長いコンテキストの処理効率を上げるため、標準的なAttention層だけに頼らないハイブリッド設計を採用した。Gated DeltaNetという手法で3層分のコンテキストを圧縮・要約し、4層目のSparse Attentionがその中から重要部分だけを参照する。長い入力でも全トークンに均等にAttentionをかける必要がなくなるため、計算コストが下がる仕組みだ。なお、DeepSeekもV4-ProでSparse Attentionを使って同様のアプローチを取っている。
加えて、328億パラメータのN-gram埋め込み層を持つ。頻出トークン列をあらかじめ埋め込みとして保持し、推論時の計算を省く設計だ。コンテキストウィンドウは100万トークン。
Alibabaが公開した訓練損失グラフによれば、2.4兆パラメータの訓練を通じてロスは安定して低下し、スパイクは発生しなかったとされている。
ベンチマーク成績は一長一短
外部ベンチマークでは強みと弱みが分かれる。各ベンチマークの性格はそれぞれ異なり、一律の比較はできないため、以下に測定対象と合わせて示す。
- Agents' Last Exam v1.1(複数ステップにまたがる長時間エージェントタスクの成功率を測る):46.7点で比較群トップ
- Terminal-Bench 4.0(CLIを操作するコーディングエージェントの実行精度を測る):**48%**、Kimi K3.1 Proの67%に後れを取る
- FrontierCode 2.0(Cognitionが設計した実務レベルのコーディングベンチマーク):**26%**でKimi K3.1 Proと同点。Tencent Hy4の31%には届かない
- Humanity's Last Exam(各分野の専門家が作成した最難関の知識問題群):Opus 5.5および同世代GPTモデルに劣る
- HealthBench Professional(医療専門家向けの臨床推論・回答品質を評価):同世代GPTモデルには及ばないが、Opus 5.5は上回る
AlibabaのWork360(721分野の産業タスクベンチマーク)では、同一タスクを解くトークン数が前世代比で4分の1〜3分の1減少し、タスクあたりの平均コストは$4.43から**$1.67**に下がった(62%減)。スコアは47.74から52.69に上昇している。
コスト対性能の観点でいえば、Tencent Hy4は$1.03/タスクとさらに安いが、Intelligence Indexスコアはqwen4-Maxより8点低い。
エージェント向け機能:「途中で介入できる」Live Delivery
長時間タスクを自律的に実行するエージェント向けに、Live Deliveryという機能を導入した。最終結果だけを返すのではなく、途中段階で使える初版を先に届け、ユーザーがどこでも割り込んで修正できる設計だ。関連プラグインQwen-Live-Delivery-Pluginはオープンソースで公開されている。
Alibabaが挙げる実例は次のとおりだ:
- 自動車部品メーカーのSANFとPacific Unionは、単一ワークピースの手動プログラミング時間を約475分から24分に短縮
- 金融分野では90のMCPツールで市場データを収集し、数値のソースをトレースできるExcel/PowerPointファイルを出力
- 自社のクラウドインフラでは、データアノテーション用の計算ジョブ割り当てコストを平均10.42%削減し、CPUタスク分散でデータセンター内の最適解を比較手法より14倍以上速く発見
安全性とオープンウェイト
セキュアコードの観点では、Last Secure Code Benchにおいて機能的かつ安全なコードの割合が22%から**31.8%に改善。3段階すべてで安全と評価されたコードはほぼ倍の14.7%**となった。
CBRN(化学・生物・放射線・核)リスクについては、内部レビュアーが思考チェーン全体を精査した結果、ユーザーの能力を有意に向上させるような革新的な情報は含まれていないと判断したとしている。
Qwen4-MaxはAlibabaのQwenCloudから利用できる。オープンウェイトの公開は、より小規模なQwen4モデルで行われる予定だ。
なお、記事タイトルに登場する「GPT-6」「Claude Opus 5.5」については、元記事(2026年11月時点)がそのまま使用している名称を踏襲している。読者は各モデルの公式情報をあわせて確認されたい。
詳細はAlibaba's Qwen4-Max takes on Opus 5.5, GPT-6, and Kimi K3.1 Pro at much lower pricesを参照していただきたい。