📡 Signal|Alibaba の Qwen4-Max、コード4指標で他社を上回ったのは1つ
Alibaba の Qwen4-Max、公式比較図のコード4指標で他社首位は DeepSWE の1つだけ。前の世代比で仕事1件あたりのコストは62%減。

Alibaba (アリババ) の Qwen チームは11月16日、新しい旗艦 AI モデル「Qwen4-Max」を公式ブログで公開した。公式ブログの比較図でコード系の 4 つの評価を見ると、Qwen4-Max が他社モデルを上回ったのは DeepSWE v1.1 の 1 つで、残る 3 つでは Anthropic や OpenAI、Moonshot のモデルが上にいる。
「コード性能で他社を上回る」という発表時の受け止めは、同社の数字の一部だけを切り取ったものだ。Qwen4-Max の前進がはっきり出ているのは、他社との比較より、前の世代からの伸びと、仕事 1 件あたりのコストの方にある。初期報は報道をもとに 速報 で伝え、比較の相手を「Claude Fable 5.1」「Kimi K3.1 Pro」としたが、公式の比較図に並ぶのは Opus5.5、GPT6.1-Sol、GPT6-Astra、Kimi K3.1 の 4 モデルだった。
コード 4 指標の並び
公式ブログの比較図から、コード系の 4 指標を抜き出す。数字は Alibaba が示したもので、CodeArena など一部の指標は外部のリーダーボードからの引用だと脚注にある。
- DeepSWE v1.1 (エージェントによるコーディング): Qwen4-Max 75.7、Kimi K3.1 75.5、GPT6.1-Sol 75.2、Opus5.5 74.2 — Qwen4-Max が首位
- CodeArena (ウェブ開発・Elo): Opus5.5 1816、GPT6-Astra 1763、Qwen4-Max 1750
- Terminal-Bench 4.0 (端末操作のコーディング): Kimi K3.1 67.2、Opus5.5 59.6、Qwen4-Max 48.5
- ProgramBench (ソフトウェアの再現): Opus5.5 65.0、GPT6-Astra 55.0、Qwen4-Max 31.5
DeepSWE の首位は 0.2 ポイント差だ。Terminal-Bench では比較した他社 4 モデルのすべてを下回り、ProgramBench で上回ったのは Kimi K3.1 (25.0) だけだった。Alibaba 自身もブログで、他社に勝ったとは書いていない。書いているのは、前の世代の Qwen3.8-Max から評価したほぼすべての能力で強くなったという点だ。
伸びたのはコストの側
前の世代との比較では数字がそろって動く。自社の仕事の評価 Work360 で、得点は 47.74 から 52.69 に上がり、1 件の仕事にかかる平均コストは 4.43 ドルから 1.67 ドルへ 62% 下がった。同じ Work360 で使うトークンは、推論の深さの設定 (Xhigh / High) ごとに約 24%・35% 減ったという。
モデルの骨格は、2.4 兆パラメーターの本体のうち 1 トークンあたり 710 億を動かす混合エキスパート (MoE) 型で、画像を直接読む機能と 100 万トークンの文脈を持つ。提供は QwenCloud の API と定額の Token Plan で、同じ系列の小さいモデルはオープンソースで出す予定だとしている。
AI の競争軸は、最高点の取り合いから、同じ仕事をいくらで済ませるかに広がっている。Qwen4-Max の発表は、その単価の側で数字を出してきた。コードの最上位を争うモデルとしてより、仕事 1 件あたりの費用を下げる道具として受け止める方が、同社の示したデータに沿っている。
安全面の説明
ブログには安全の節もある。訓練データのうち、脆弱性の検証や修復といった防御の用途は残し、攻撃の能力を高める用途のデータは除いたという。社内の専門家が長い作業の記録を見た結果、大規模なサイバーセキュリティ上のリスクをもたらす能力は見られなかったとしている。いずれも同社の自己評価で、外部の検証はまだない。
次に見るもの
最初の確認先は、比較図の脚注が引用元に挙げる外部のリーダーボードだ。CodeArena を載せる Arena と、Artificial Analysis の評価で、Qwen4-Max の値が他社と同じ条件で並ぶかを確かめる。
もう一つは、Qwen の公式 X アカウント。11月11日に Token Plan でのプレビュー開始を告知した場所で、予告した小さいモデルのオープンソース公開の日付もここで出る。
ことば
- 混合エキスパート (MoE) — モデルの中に多数の「専門家」の部品を持ち、入力ごとに一部だけを動かす設計。Qwen4-Max は 2.4 兆のうち 710 億だけを動かし、規模のわりに計算の費用を抑えている。
- Work360 — Alibaba が作った仕事の評価。26 の大分野から 721 の専門分野まで業務の場面を分類し、実務に近い課題でモデルを採点する。Alibaba 自身が作った物差しで、外部の評価ではない。
🔗 一次ソース

