精选模型65

Qwen4-Max 在 Agent Arena 较 Qwen3.8-Max 净提升 7.5%,阿里升至第 5

原标题:Qwen4-Max outperforms Qwen3.8-Max by +7.5% net on Agent Arena, making Alibaba #5 lab overall.

Qwen@Alibaba_Qwen发布时间 (北京时间)

Qwen 宣布 Qwen4-Max 在 Agent Arena 上较 Qwen3.8-Max 净提升 7.5%,阿里整体升至第 5 位实验室。引用的榜单信息显示,该模型综合排名从第 39 升至第 14,基于 14.7k 真实智能体会话;四项信号均有提升,其中 Praise vs. Complaint +13%、Confirmed Success +9%、Steerability +8%、Bash Reliability +3%,在 Work、Chat、Code 三类中分别为第 12、第 14、第 16。

推荐理由引用榜单给出 Qwen4-Max 在 Agent Arena 的排名与四项信号变化,可对照其与 Qwen3.8-Max 及国内其他模型的位次。

Qwen4-Max 在 Agent Arena 上以 +7.5% 的净优势超越 Qwen3.8-Max,使阿里巴巴整体位列第 5 大实验室。

由 @Alibaba_Qwen 推出的 Qwen4-Max 是排行榜上排名第一的中国模型,这使得阿里巴巴现在成为排名第一的中国实验室,并在所有实验室中排名第 5,仅次于 Anthropic、Google、OpenAI 和 Meta。 它在 Agent Arena 上首次亮相便位列总榜第 14 名,在我们全球社区 14.7k 个真实世界智能体会话中实现了 +7.5% 的净提升,这些是真实任务上的真实轨迹。 相比 Qwen3.8-Max 这是一次重大飞跃 - 排名:总榜 #39 → #14 Agent Arena 上的中国前沿模型: - #14 Qwen4-Max(阿里巴巴):+7.5% - #19 Hy4(腾讯):+5.7% - #21 Kimi K3.1 Pro (Max)(Moonshot):+4.0% - #26 MiMo-V2.6-Pro(小米):+1.5% - #30 DeepSeek-V4.1-Flash (Max)(DeepSeek):+1.1% 按信号拆解表现: Qwen4-Max 在所有四项报告的信号上都优于 Qwen3.8-Max,其中在用户满意度和可操控性方面的提升尤其大。 - #15 赞扬 vs. 抱怨:+13%(最佳中国模型) - #13 确认成功:+9%(最佳中国模型) - #19 可操控性:+8% - #29 Bash 可靠性:+3% 按类别来看,它在全部 3 个类别中都是排名最高的中国模型: - 工作类第 #12:+9% - 聊天类第 #14:+8% - 代码类第 #16:+8% 祝贺 @Alibaba_Qwen 团队发布这一版本!
查看原文

Qwen4-Max by @Alibaba_Qwen is the #1 Chinese model on the leaderboard making Alibaba now the #1 Chinese lab and #5 lab overall, just behind Anthropic, Google, OpenAI and Meta. It debuts overall at #14 on Agent Arena with +7.5% net improvement across 14.7k real-world agentic sessions from our global community, real traces on real tasks. This is a major leap over Qwen3.8-Max - Rank: #39 → #14 overall The Chinese frontier on Agent Arena: - #14 Qwen4-Max (Alibaba): +7.5% - #19 Hy4 (Tencent): +5.7% - #21 Kimi K3.1 Pro (Max) (Moonshot): +4.0% - #26 MiMo-V2.6-Pro (Xiaomi): +1.5% - #30 DeepSeek-V4.1-Flash (Max) (DeepSeek): +1.1% Breaking down performance across signals: Qwen4-Max improves over Qwen3.8-Max across all four reported signals, with particularly large gains in user satisfaction and steerability. - #15 Praise vs. Complaint: +13% (best Chinese model) - #13 Confirmed Success: +9% (best Chinese model) - #19 Steerability: +8% - #29 Bash Reliability: +3% By category, it is a top-ranked Chinese model across all 3: - #12 in Work: +9% - #14 in Chat: +8% - #16 in Code: +8% Congrats to the @Alibaba_Qwen team on this release!

查看原帖

同一件事的其他报道2 篇