Alibaba خفّضت تكلفة Qwen4-Max بنسبة 67% للمهمة الواحدة، لكن GPT-6.1 Sol أرخص: $3,27 مقابل $1,27
فتحت Alibaba باب الوصول إلى Qwen4-Max ووعدت بسعر «أقل بثلاث مرات»، لكن سعر المليون توكن ليس هو تكلفة المهمة المنجزة. بحسب Artificial Analysis، تبلغ تكلفة مهمة من المؤشر $3,27 مقابل $10,02 للإصدار السابق (−67%)، غير أن 75% من هذا الخفض جاءت من قائمة الأسعار، لا من توفير في التوكنات. النموذج يُسهب في الاستدلال أكثر من اللازم، ولذلك تبلغ تكلفة المهمة نفسها مع GPT-6.1 Sol، رغم أن سعر التوكن فيه أعلى، $1,27 فقط. الأنسب استخدام Qwen4-Max للمهام التي تحتاج سياقًا بحجم 1M توكن، لا بحثًا عن برمجة رخيصة.
معالج بواسطة الذكاء الاصطناعي من TG: @ai_product (AI Product / Igor Akimov)؛ بتحرير Hamidun News
فتحت Alibaba الوصول العام إلى Qwen4-Max، وتصفه بأنه «24/7 AI teammate» وبأنه أرخص بثلاث مرات من الجيل السابق. المشكلة أن «الأرخص» هنا يخص سعر التوكن، بينما ما تدفعه فعليًا هو ثمن المهمة المنجزة. تخيّل أنك تكلّف النموذج بإصلاح خلل في مستودع برمجي: إذا «فكّر» أولًا ضعف المدة التي يحتاجها منافسه، فلن تنقذ فاتورتك تعرفةُ التوكن المنخفضة. وهذا ما حدث بالفعل: وفق قياسات Artificial Analysis (مختبر مستقل يقارن بين النماذج)، تبلغ تكلفة تشغيل مهمة من مؤشره $3,27 مقابل $10,02 لـ Qwen3.8-Max، أي بانخفاض 67%. لكن المهمة نفسها تكلّف مع GPT-6.1 Sol $1,27 فقط. والخلاصة العملية للمطوّر: لا تقارن النماذج بقوائم الأسعار، بل بتكلفة المهمة المنجزة على بياناتك أنت.
ماذا يقدّم النموذج وكم يكلّف
Qwen4-Max نموذج ضخم بـ 2,4 تريليون معامل، يُفعَّل منها 71 مليارًا مع كل إجابة. وهذا مستوى لا يُشغَّل إلا في مراكز البيانات. لن تُتاح أوزانه مفتوحة: ستنشر Alibaba أوزان النماذج الأصغر في السلسلة فقط. نافذة السياق 1M توكن، ويقبل النموذج في المدخلات النصوص والصور والفيديو، بينما تقتصر مخرجاته على النص.
الأسعار: $1,50 لكل مليون توكن إدخال، و$4,50 لكل مليون توكن إخراج، و$0,075 للإدخال المخزَّن مؤقتًا. وهذا أرخص بنسبة 25% من Qwen3.8-Max، وأقل بوضوح من أسعار روّاد السوق.
ما عرضته Alibaba نفسها، وما أظهرته القياسات المستقلة
أعدّت الشركة مخطط المقارنة بنفسها، لذلك ينبغي قراءته بحذر:
- DeepSWE v1.1 (مهام تطوير البرمجيات): 75,7 مقابل 74,2 لـ Opus 5.5 و75,5 لـ Kimi K3.1. جاءت خمسة نماذج ضمن فارق نقطة ونصف، وهذا ضجيج إحصائي لا تفوق.
- HLAB-Vals (مهام قانونية): 21,3 مقابل 9,2 لـ Opus 5.5. هنا تقدّم Qwen4-Max فعلًا.
- Terminal-Bench 4.0 (عمل الوكيل في الطرفية): 48,5 مقابل 67,2 لـ Kimi K3.1 و59,6 لـ Opus 5.5. نتيجة ضعيفة.
- ProgramBench: 31,5 مقابل 65,0 لـ Opus 5.5. إخفاق آخر.
- Chartography (قراءة الرسوم البيانية) وVideo-Index (الفيديو): تأخر عن النماذج الأمريكية بما بين 6 و17 نقطة.
الصورة المستقلة أكثر تواضعًا. ففي Artificial Analysis Intelligence Index سجّل النموذج 43 نقطة مقابل 34 لـ Qwen3.8-Max. وتتقدم عليه Fable 5.2 (65) وGemini 4 Carbon (60) وOpus 5.5 (59) وGPT-6 Astra (57) وGPT-6.1 Sol (55)، بل وحتى Kimi K3.1 Pro الأقدم (46). وفي Vals Index حقق Qwen4-Max نسبة 63,20%، وهو المركز الحادي عشر من أصل 38، وأفضل نتيجة بين النماذج الصينية. وفي Code Arena WebDev يحتل المركز السادس بتقييم 1750 Elo، لكن هذا التصنيف لا يزال أوليًا.
لماذا يحتاج «أرخص بثلاث مرات» إلى تحفظات
من أصل 67% وفر في تكلفة المهمة، جاءت 75% من خفض قائمة الأسعار، و25% فقط من تقليص فعلي في استهلاك التوكنات. لا يزال النموذج ثرثارًا: فتشغيل واحد للمؤشر يستهلك 127 مليون توكن إخراج، مقابل وسيط قدره 78,6 مليون.
أوضح مقارنة هي مع GPT-6.1 Sol. بسعر $2 / $10، تبلغ تكلفة Sol $1,27 للمهمة في Artificial Analysis و$3,61 للاختبار في Vals. أما Qwen4-Max فيكلّف $3,27 و$9,33 على التوالي. ومع ذلك يحقق Sol في Vals نتيجة أعلى قليلًا: 63,94% مقابل 63,20%. أي إن النموذج ذا التوكن الأغلى يعمل بتكلفة أقل وبدقة أعلى قليلًا. التوكن الرخيص لا يعني مهمة رخيصة: فالاستدلال الزائد يلتهم الخصم.
لمن يناسب هذا النموذج
لا يُعدّ Qwen4-Max خيارًا حاليًا للبرمجة الوكيلية في الطرفية: فما زال Kimi K3.1 وSol وOpus 5.5 وGemini 4 Carbon أفضل في هذا المجال. ولا يُنصح كذلك بالاعتماد عليه في العمل المعمّق مع الرسوم البيانية والفيديو، حيث التأخر واضح.
لكن للنموذج مجالًا يناسبه: المهام التي تحتاج سياقًا بحجم 1M توكن دون نفقات كبيرة، مثل تحليل المستندات الضخمة أو العقود أو قواعد الشيفرة. وتبدو السيناريوهات القانونية نقطة قوة مستقلة، لكن هذه النتيجة جاءت من مخطط أعدّته الشركة المطوّرة، ويجب التحقق منها على بياناتك قبل الاعتماد عليها.
الخلاصة: هذا تحديث جيلي صادق، بزيادة 9 نقاط في المؤشر وسعر أقل بثلاث مرات من الجيل السابق، لكن بلا سحر. قبل نقل بيئة الإنتاج إليه، شغّل مجموعة مهامك الخاصة واحسب التكلفة النهائية للمهمة المنجزة مع نسبة الإجابات الصحيحة.
- 12 نوفمبر 2026علي بابا تنشر أوزان Qwen3.8-Flash: نموذج MoE بحجم 125B ومعاينة لبنية Qwen4
- 12 نوفمبر 2026علي بابا تطلق Qwen4-Max-Preview: سياق بمليون رمز ووضع وكيل
- 12 نوفمبر 2026علي بابا تطلق Qwen4-Max-Preview: بلا أرقام، لكن مع نافذة اختبار حتى 25 نوفمبر
- 12 نوفمبر 2026يمكنك تجربة Qwen4-Max-Preview الآن في الدردشة: ما نعرفه عن النموذج الرائد من Alibaba
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ماذا يقدّم النموذج وكم يكلّف؟
Qwen4-Max نموذج ضخم بـ 2,4 تريليون معامل، يُفعَّل منها 71 مليارًا مع كل إجابة. وهذا مستوى لا يُشغَّل إلا في مراكز البيانات. لن تُتاح أوزانه مفتوحة: ستنشر Alibaba أوزان النماذج الأصغر في السلسلة فقط. نافذة السياق 1M توكن، ويقبل النموذج في المدخلات النصوص والصور والفيديو، بينما تقتصر مخرجاته على النص. الأسعار: $1,50 لكل مليون توكن إدخال، و$4,50 لكل مليون توكن إخراج، و$0,075 للإدخال المخزَّن مؤقتًا. وهذا أرخص بنسبة 25% من Qwen3.8-Max، وأقل بوضوح من أسعار روّاد السوق.
ما أبرز التفاصيل حول ما عرضته Alibaba نفسها، وما أظهرته القياسات المستقلة؟
أعدّت الشركة مخطط المقارنة بنفسها، لذلك ينبغي قراءته بحذر: DeepSWE v1.1 (مهام تطوير البرمجيات): 75,7 مقابل 74,2 لـ Opus 5.5 و75,5 لـ Kimi K3.1. جاءت خمسة نماذج ضمن فارق نقطة ونصف، وهذا ضجيج إحصائي لا تفوق. HLAB-Vals (مهام قانونية): 21,3 مقابل 9,2 لـ Opus 5.5. هنا تقدّم Qwen4-Max فعلًا. Terminal-Bench 4.0 (عمل الوكيل في الطرفية): 48,5 مقابل 67,2 لـ Kimi K3.1 و59,6 لـ Opus 5.5. نتيجة ضعيفة. ProgramBench: 31,5 مقابل 65,0 لـ Opus 5.5. إخفاق آخر.
ما أبرز التفاصيل حول لماذا يحتاج «أرخص بثلاث مرات» إلى تحفظات؟
من أصل 67% وفر في تكلفة المهمة، جاءت 75% من خفض قائمة الأسعار، و25% فقط من تقليص فعلي في استهلاك التوكنات. لا يزال النموذج ثرثارًا: فتشغيل واحد للمؤشر يستهلك 127 مليون توكن إخراج، مقابل وسيط قدره 78,6 مليون. أوضح مقارنة هي مع GPT-6.1 Sol. بسعر $2 / $10، تبلغ تكلفة Sol $1,27 للمهمة في Artificial Analysis و$3,61 للاختبار في Vals. أما Qwen4-Max فيكلّف $3,27 و$9,33 على التوالي. ومع ذلك يحقق Sol في Vals نتيجة أعلى قليلًا: 63,94% مقابل 63,20%. أي إن النموذج ذا التوكن الأغلى يعمل بتكلفة أقل وبدقة أعلى قليلًا.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.