模型75

Arena 实测 Qwen4-Max:与 Opus、GPT、Kimi 对比 3D 场景、游戏和网页设计

原标题:Qwen4-Max by @Alibaba_Qwen is now in the Arena. @petergostev tested it on 3D scenes, games, creative prompts, website design, and interac...

Arena.ai@arena发布时间 (北京时间)

Arena 上线 Qwen4-Max,并发布 Peter Gostev 的实测视频,用 3D 场景、游戏、创意提示词、网页设计和交互式讲解等任务,将其输出与 Opus、GPT、Kimi、Fable 对比。

同一件事,精选收录的是《Qwen4-Max 在 Agent Arena 较 Qwen3.8-Max 净提升 7.5%,阿里升至第 5》

@Alibaba_Qwen 的 Qwen4-Max 现已登陆 Arena。@petergostev 在 3D 场景、游戏、创意提示词、网站设计和交互式讲解上对它进行了测试,并将其输出与 Opus、GPT、Kimi 和 Fable 的输出进行了对比。

观看 Peter 的第一印象,并在推文串的链接中查看他的提示词。

00:00 Qwen4-Max 距离前沿有多近?
00:29 金门大桥:首个 3D 测试
01:59 体素罗马及更多 3D 对比
05:35 将画作转化为 3D 世界
09:09 游戏:Qwen 对比 Opus 和 Fable
10:18 创意场景与镜头运用
12:32 钩针蘑菇测试
13:36 网站设计:差距较小
15:47 Qwen 对比 GPT:网页设计与可用性
18:26 更多测试:飞机、徒步和字体排印
19:33 交互式讲解:闪电与 Enigma
21:27 皮皮岛:Qwen 对比 Fable
22:08 定价未知与最终感想

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