Čtvrtek 19. Listopadu 2026
8°C | Praha
Svátek má Alžběta

Nejčtenější


Alibaba slibuje levnější Qwen4-Max, nezávislé testy ale ukazují smíšený obraz

Alibaba slibuje levnější Qwen4-Max, nezávislé testy ale ukazují smíšený obraz
Technik kontroluje kabeláž v otevřené serverové skříni v datovém centru

Alibaba představila Qwen4-Max, nový vlajkový model s 2,4 bilionu parametrů, z nichž při zpracování jednoho tokenu aktivuje jen 71 miliard. Firma tvrdí, že stojí výrazně méně než konkurence, a míří s ním na odbornou práci v průmyslu, vědě a financích. Informuje o tom web The Decoder. Všechny výsledky z vlastních testů Alibaby je zatím třeba brát jako tvrzení výrobce.

Co model dělá a jak je postavený

Qwen4-Max patří mezi jazykové modely typu mixture-of-experts (směs expertů). Jeho parametry, tedy naučené číselné váhy, jsou rozdělené do skupin, z nichž se pro každý token (zhruba slovo nebo jeho část) použije jen malý díl. Výpočet je proto levnější, než by odpovídalo celkové velikosti. Podle týmu Qwen model nativně zpracovává obrázky a má kontextové okno o velikosti milionu tokenů.

Novinkou je hybridní architektura, která se poprvé objevuje v řadě Qwen4. Tři vrstvy stlačí předchozí text do zhuštěného stavu a čtvrtá z něj vybere jen podstatné části. Model tak nemusí věnovat stejnou pozornost celému kontextu, což podle Alibaby výrazně snižuje výpočetní nároky u dlouhých vstupů. Mezi vrstvami dále vedou čtyři paralelní spojení s dynamickými branami, které mají stabilizovat tok informací. Embeddingová vrstva n-gramů o 328 miliardách parametrů dodává časté sekvence tokenů jako hotové stavební kameny. Trénink podle firmy probíhal stabilně a chybová funkce klesala bez náhlých skoků.

Cena a výsledky v testech

Úspory se podle Alibaby projevují v provozu. V jejím vlastním testu Work360, který zahrnuje úlohy ze 721 odborných oborů, spotřebuje Qwen4-Max zhruba o čtvrtinu až třetinu méně tokenů než předchozí model. V agentním testu Terminal-Bench 4.0 je spotřeba téměř poloviční. Průměrná cena úlohy ve Work360 klesla o 62 %, ze 4,43 na 1,67 dolaru, a skóre vzrostlo ze 47,74 na 52,69 bodu.

Externí hodnocení přinášejí smíšený obraz. V testu dlouhodobých agentních úloh Agents' Last Exam v1.1 získal model 46,7 bodu, tedy nejvíce ve srovnávané skupině. V Humanity's Last Exam zaostává za Opus 5.5 i modely GPT. Za těmi zůstává také v HealthBench Professional, kde však těsně předstihl Opus 5.5.

Nezávislé srovnání nabízí Artificial Analysis. Na jeho indexu inteligence získal Qwen4-Max při nejvyšším nastavení uvažování 43 bodů. To je o devět více než Qwen3.8-Max a o tři méně než Kimi K3.1 Pro, nejlepší čínský model se 46 body. Cena jedné úlohy indexu vychází na 3,27 dolaru, zatímco u předchůdce to bylo 10,02 dolaru a u Kimi K3.1 Pro 3,68 dolaru. Úspora plyne ze tří zdrojů: ceny tokenů jsou o 25 % nižší, zásahy v mezipaměti stojí o 70 % méně a model potřebuje menší počet tokenů, zhruba 105 000 výstupních na úlohu proti 171 000 u předchůdce.

Levnější je Hy4 od Tencentu s cenou 1,03 dolaru za úlohu, ale na indexu získal o osm bodů méně. V Terminal-Bench 4.0 dosáhl Qwen4-Max 48 %, kdežto Kimi K3.1 Pro 67 %. V testu FrontierCode 2.0 od firmy Cognition se s Kimi dělí o výsledek 26 %, zatímco Tencent Hy4 má 31 %.

Přes vlastní rozhraní API si Alibaba účtuje 1,50 dolaru za milion vstupních tokenů a 4,50 dolaru za milion výstupních. Zásah v mezipaměti stojí 0,075 dolaru.

Agenti, laboratoře a hry

Alibaba při uvedení modelu staví na samostatném zvládání dlouhých úloh. Aby uživatel neviděl výsledek až na konci, nabízí funkci „Live Delivery“ (Průběžné dodávání). Model brzy dodá použitelnou první verzi a rozpracovává ji v dalších průchodech, přičemž uživatel může kdykoli změnit směr. Související zásuvný modul Qwen-Live-Delivery-Plugin firma zveřejnila s otevřeným zdrojovým kódem.

Alibaba uvádí také nasazení u partnerů. Automobiloví partneři SANF a Pacific Union prý zkrátili ruční programování jednoho obrobku z přibližně 475 na 24 minut. Ve financích model využívá 90 nástrojů MCP ke stahování tržních dat a výsledky dodává jako ověřitelné soubory Excel a PowerPoint s dohledatelným původem čísel. S pomocí vlastního řešiče MindOpt snížil náklady na přidělování výpočetních úloh pro anotaci dat v průměru o 10,42 %. Při rozdělování úloh CPU v datacentrech našel optimální řešení více než čtrnáctkrát rychleji než srovnávací metoda.

Pracovník umisťuje hliníkový obrobek do CNC frézky v hale s obráběcími stroji
Pracovník umisťuje hliníkový obrobek do CNC frézky v hale s obráběcími stroji

Ve spolupráci se systémem Mira od startupu Deep Principle model podle Alibaby 48 hodin autonomně navrhoval, syntetizoval a testoval nové chladivo pro výkonné čipy v datacentrech. Prohledal 2,7 milionu molekulárních kandidátů, řídil automatizovanou laboratoř a dokončil čtyři celé cykly návrhu, syntézy a měření. S platformou PharmMaster od pekingského startupu DP Technology optimalizoval 24 kandidátních molekul proti zánětlivé reakci spojené s Alzheimerovou chorobou. Finální kandidát se podle Alibaby váže na cílový protein zhruba 3,6krát lépe než známá výchozí látka z patentu. Experti DP Technology výsledek považují za dostatečně slibný pro další laboratorní testy.

Automatizované laboratorní zařízení dávkuje čirou kapalinu do skleněných nádob při práci se vzorky chladiva
Automatizované laboratorní zařízení dávkuje čirou kapalinu do skleněných nádob při práci se vzorky chladiva

Model má také z jediného textového zadání vytvořit hratelnou hru v enginech Unity, Unreal Engine a Godot. Ukázkovým projektem je „Meow of Magic“ (Mňouknutí magie), dobrodružství v Unreal Engine o kočce čarodějce. Model hru sám spouští a podle vizuální a interaktivní zpětné vazby ladí kameru, animace i osvětlení. Anthropic přitom nedávno zvolil opačný směr: po vlně neoficiálních klonů Halo a GTA: Vice City zakázal svému nástroji Claude Code existující hry napodobovat.

Bezpečnost a dostupnost

V testu Last Secure Code Bench vzrostl podíl kódu, který je funkční i bezpečný, z 22 na 31,8 %. U hodnocení bezpečnosti na všech třech úrovních testování se tento podíl téměř zdvojnásobil, z 8 na 14,7 %. Alibaba také zkoumala rizika CBRN (chemická, biologická, radiologická a jaderná). Interní hodnotitelé prošli úplné řetězce uvažování modelu a podle firmy nenašli schopnost, která by uživateli podstatně zvýšila možnosti. Nezávislé ověření těchto tvrzení zatím nemáme.

Qwen4-Max je dostupný v QwenCloud a v produktech QwenWork, Qoder a QwenStudio. Menší modely Qwen4 chce Alibaba později vydat s otevřeným zdrojovým kódem, váhy varianty Max však zveřejňovat nebude. Předchozí Qwen3.8-Max, který vyšel v srpnu, měl také 2,4 bilionu parametrů, ale 95 miliard aktivních na token.

Co z toho plyne

Pro české firmy a vývojáře je důležitější než pořadí v žebříčku cena za dokončenou úlohu. U agentů, kteří spotřebují stovky tisíc tokenů na jeden úkol, rozhoduje o nákladech právě jejich počet. Otevřené zůstává, zda se úspory potvrdí mimo Alibabou vybrané testy, jak se model chová v evropských jazycích a jak bude vypadat nabídka menších modelů s otevřenými váhami. Při nasazení v EU bude navíc záležet na tom, jak se k univerzálním modelům a jejich poskytovatelům postaví regulace podle nařízení o umělé inteligenci (AI Act).

diskuse probíhá na sociálních sítích

  

ROZUM EX MAŠINA

  

NEJNOVĚJŠÍ ZPRÁVY