บทวิเคราะห์คะแนน Benchmark ของ Qwen4-Max: Work360, Terminal-Bench 4.0 และตัวเลขเหล่านี้บอกอะไรเราบ้าง

Qwen4-Max เอาชนะ Qwen3.8-Max ในทุก benchmark ที่ทำการทดสอบร่วมกัน และนำใน 4 จาก 16 รายการโดยรวม แต่ในนั้นมี 10 คะแนนที่เป็นผลทดสอบที่อาลีบาบาทำเอง นี่คือตัวเลขทุกตัว ใครเป็นผู้ทดสอบ และวิธีที่คุณจะทำการตรวจสอบด้วยตัวเอง

Ashley Goolam

Ashley Goolam

16 November 2026

บทวิเคราะห์คะแนน Benchmark ของ Qwen4-Max: Work360, Terminal-Bench 4.0 และตัวเลขเหล่านี้บอกอะไรเราบ้าง

Apidog สำหรับองค์กร

การติดตั้งแบบ On-Premises

SSO & RBAC

รองรับมาตรฐาน SOC 2

สำรวจ Apidog Enterprise

สรุปผล benchmark ของ Qwen4-Max ในบรรทัดเดียว: จากกราฟของ Alibaba Qwen4-Max ทำคะแนนดีกว่า Qwen3.8-Max ในทุกการทดสอบ 15 รายการที่ทั้งสองโมเดลปรากฏอยู่ และติดอันดับ 1 โดยรวมใน 4 จาก 16 รายการ แต่ตัวเลขส่วนใหญ่มาจากการทดสอบที่ Alibaba รันเอง บน Work360 ทำคะแนนได้ 52.69 เทียบกับ 47.74 และต้นทุนเฉลี่ยต่องานลดลงจาก $4.43 เหลือ $1.67

Benchmark จะมีประโยชน์เพียงแค่คำตอบของคำถามว่า “ใครรัน และรันอย่างไร” คู่มือนี้ครอบคลุมคะแนนทุกตัวที่ Alibaba เผยแพร่เมื่อวันที่ 16 พฤศจิกายน 2026 แยกออกเป็นแบบรายงานเอง (self-reported) และของบุคคลที่สาม และปิดท้ายด้วยวิธีทดสอบด้วยตัวเองผ่าน Qwen4-Max API สำหรับพื้นฐาน เริ่มจาก Qwen4-Max คืออะไร และ วิธีเข้าถึง

คะแนน benchmark ของ Qwen4-Max แบบสังเขป

โพสต์เปิดตัว ของ Alibaba เปรียบเทียบ Qwen4-Max กับ Qwen3.8-Max-0902, Opus 5.5, GPT-6.1 Sol, GPT-6 Astra และ Kimi K3.1 ใน benchmark 16 รายการ

ตัวหนาหมายถึงคะแนนสูงสุดในกราฟ ส่วน “Alibaba” หมายความว่าเชิงอรรถไม่ได้อ้างอิง leaderboard ภายนอกสำหรับการทดสอบนั้น จึงควรถือว่าเป็นผลที่ Alibaba รันเอง (เชิงอรรถของ JobBench และ Chartography อธิบายเพียงการตั้งค่าของ Alibaba เท่านั้น)

รายงานเอง vs บุคคลที่สาม: ใครรันการทดสอบแต่ละรายการ

ใน 16 คะแนนนี้ มี 10 รายการเป็นการรายงานเอง และอีก 6 รายการอ้างอิงจาก leaderboard สาธารณะที่บุคคลอื่นรัน การแบ่งแบบนี้เป็นตัวกรองที่มีประโยชน์ที่สุดที่คุณใช้ได้

Diagram sorting the 16 Qwen4-Max benchmarks into two groups: ten run by Alibaba, including Work360, DeepSWE and Terminal-Bench 4.0, and six cited from third-party leaderboards at Mercor, Artificial Analysis, LM Arena, Vals and Agents' Last Exam

กลุ่มบุคคลที่สาม ตามเชิงอรรถของโพสต์เปิดตัว:

ตัวเลขอิสระหนึ่งตัวที่คุณตรวจสอบได้ในวันนี้: Vals Index (เวอร์ชัน 2.2 อัปเดตวันที่ 15 พฤศจิกายน 2026) ระบุ Qwen 4 Max ที่ 63.20% โดยรวม อยู่อันดับ 11 ที่ $9.33 ต่อการทดสอบ ซึ่งต่ำกว่าโมเดลอีกสิบตัว โดยมี Claude Fable 5.2 นำที่ 71.31% และแซง Kimi K3.1 Pro (62.52%) และ Qwen 3.8 Max 0902 (59.05%) เพียงเล็กน้อย ภาพนี้ไม่ค่ึ้อรางเท่ากับกราฟในหน้าแรก

Work360: benchmark งานที่ Alibaba สร้างเอง

Work360 เป็น benchmark สำหรับงานอุตสาหกรรมที่ซับซ้อนของ Alibaba ครอบคลุม 26 โดเมน 182 โดเมนย่อย และ 721 สาขาเฉพาะทาง Qwen4-Max ทำคะแนนได้ 52.69 เพิ่มจาก 47.74 ของ Qwen3.8-Max

ต้องอ่านด้วยความระมัดระวัง: Alibaba เป็นผู้ออกแบบ benchmark และรันโมเดลเอง การเปรียบเทียบที่เผยแพร่ครอบคลุมเพียง Qwen4-Max และ Qwen3.8-Max และยังไม่มี leaderboard สาธารณะสำหรับสิ่งนี้ นี่คือตัวเลขเปรียบเทียบระหว่างเจเนอเรชัน ไม่ใช่การจัดอันดับกับค่ายอื่น

สิ่งที่ Work360 ให้ได้คือตัวเลขต้นทุน: ต้นทุนเฉลี่ยต่องานลดลงจาก $4.43 เหลือ $1.67 คิดเป็นการลดลง 62% มาจากการใช้ token ต่องานที่น้อยลงและราคาที่ถูกลงรวมกัน Qwen4-Max มีราคา $1.50 ต่อ 1M input tokens และ $4.50 ต่อ 1M output tokens ตามหน้าโมเดลของ QwenCloud ดูรายละเอียดเต็มได้ในคู่มือราคา Qwen4-Max ของเรา

Terminal-Bench 4.0 และประสิทธิภาพการใช้ token

Terminal-Bench วัดการที่ agent ทำงานจริงในเทอร์มินัลสำเร็จ Alibaba รายงานคะแนน 48.5 สำหรับ Qwen4-Max บนเวอร์ชัน 4.0 เพิ่มจาก 38.9 ของ Qwen3.8-Max บนกราฟของ Alibaba เอง โมเดลที่ไม่ใช่ Qwen ทั้งสี่ตัวได้คะแนนระหว่าง 56.1 ถึง 67.2 สูงกว่าทั้งหมด

ข้ออ้างที่ใหญ่กว่าคือเรื่องประสิทธิภาพ Alibaba ระบุว่าการใช้ token ลดลงราว 48% ที่ระดับความพยายาม Xhigh และ 49% ที่ระดับ High บน Terminal-Bench 4.0 และลดลงราว 24% (Xhigh) และ 35% (High) บน Work360 กราฟคะแนน-vs-tokens ของ Alibaba แสดงภาพรวมได้ว่า:

ใช้ token น้อยลงแต่ได้คะแนนดีขึ้นเป็นทิศทางที่ถูกต้อง หากคุณจ่ายตามจำนวน token แต่ก็เป็นการรายงานเองเช่นกัน

ข้อควรตรวจสอบที่ควรรู้: Terminal-Bench leaderboard สาธารณะตอนนี้ตั้งค่าเริ่มต้นเป็นเวอร์ชัน 4.1 และ Qwen4-Max ยังไม่ปรากฏในนั้น ณ วันที่ 16 พฤศจิกายน Qwen3.8-Max-0902 ได้ 27.0% บนเวอร์ชัน 4.1 (รันด้วย Claude Code ที่ระดับ max effort) เทียบกับ 38.9 บนกราฟ 4.0 ของ Alibaba เป็นคนละเวอร์ชันและคนละ harness จึงอย่านำมาลบกัน แต่มันแสดงให้เห็นว่าคะแนนเปลี่ยนไปมากเพียงใดตามการตั้งค่า

Qwen4-Max นำที่ไหน และตามหลังที่ไหน

เมื่อเทียบกับโมเดล frontier อื่น ๆ ในกราฟ ภาพรวมเป็นแบบทางเลือก:

นำ (4 จาก 16): DeepSWE v1.1 (75.7 ได้เปรียบ 0.2 คะแนนจาก Kimi K3.1), Agents’ Last Exam v1.1 (46.7), HLAB-Vals-1.1 (21.3) และ BioMysteryBench (85.0 นำ GPT-6.1 Sol ไม่ถึงหนึ่งคะแนน)

รองชนะเลิศอย่างฉิวเฉียด: APEX-Agents v1.1 (72.1 เทียบ 73.5), AutomationBench-AA (72.5 เทียบ 73.3) และ AA-Briefcase (Elo 1686 เทียบ 1801)

ตามหลังชัดเจน: ProgramBench (31.5 เทียบ 65.0), Terminal-Bench 4.0 (48.5 เทียบ 67.2), AgentArena (7.5 เทียบ 18.2), Chartography (54.2 เทียบ 71.1) และ Humanity’s Last Exam (51.7 เทียบ 59.8)

สองในสี่ตำแหน่งที่นำ คือ Agents’ Last Exam และ HLAB-Vals มาจาก leaderboard บุคคลที่สาม จึงเป็นข้ออ้างที่แข็งแกร่งที่สุดในกราฟ ด้าน coding แบ่งเป็น: การนำแบบแคบบน DeepSWE และช่องว่างกว้างบน ProgramBench และ Terminal-Bench หากคุณรัน terminal agent ระยะยาว ควรทดสอบก่อนเปลี่ยน สำหรับสิ่งที่เปลี่ยนแปลงตั้งแต่เจเนอเรชันก่อน ดูที่ Qwen4-Max vs Qwen 3.8

ตัวเลข secure coding และ pre-training

Secure coding. บน Last Secure Code Bench ในโหมด “code reconstruction without security hint” โดยตรวจสอบทั้งความถูกต้องของฟังก์ชันและช่องโหว่ อัตราผ่านระดับฟังก์ชันเพิ่มจาก 22.0% ของ Qwen3.8-Max เป็น 31.8% ส่วนของโค้ดที่ผ่านทั้งสามระดับ (ฟังก์ชัน ไฟล์ และ repository) เพิ่มจาก 8% เป็น 14.7% ผลลัพธ์ระดับฟังก์ชันราวสองในสามยังตกการตรวจสอบอยู่ การรีวิวด้านความปลอดภัยจึงยังเป็นหน้าที่ของคุณ

Pre-training. ในการประเมินภายในครอบคลุมความรู้ โค้ด คำถาม-คำตอบ และ STEM Qwen4-Max-Base มี bits per byte ต่ำกว่า Qwen3.8-Max-Base ราว 5% ถึง 13% ขณะเปิดใช้พารามิเตอร์น้อยลง 25% Alibaba ระบุว่า checkpoint สองตัวในการเปรียบเทียบนั้น (GLM-5.3 และ Kimi-K3.1-Pro) เป็นแบบ post-trained ซึ่งอาจบิดเบือนผล

สิ่งที่ยังขาดหายไป

  1. การตั้งค่าการประเมินของการทดสอบส่วนใหญ่ โพสต์เปิดตัวไม่ได้ระบุว่าแต่ละแท่งคะแนนมาจากระดับความพยายาม (High หรือ Xhigh) หรือ agent harness ตัวใด
  2. ความแปรปรวน ไม่มี error bar หรือจำนวนรอบการรัน Leaderboard อย่าง Terminal-Bench รายงานค่าคลาดเคลื่อนราว 3 ถึง 4 คะแนน ซึ่งมากกว่าบางช่องว่างข้างต้น
  3. การรัน Terminal-Bench และ Work360 อย่างอิสระ ทั้งสองยังไม่ปรากฏบน leaderboard สาธารณะ

รัน benchmark Qwen4-Max ของคุณเองด้วย Apidog CLI

ไม่มี benchmark สาธารณะตัวใดที่ใช้ prompt หรือ schema ของคุณ วิธีตรวจสอบที่ซื่อสัตย์และเร็วที่สุดคือชุดทดสอบเล็ก ๆ จากคำขอของคุณเอง รันด้วยวิธีเดียวกันทุกครั้ง โดยบันทึกการใช้ token เพื่อให้คำนวณต้นทุนต่องานของคุณเองได้

Workflow diagram: your coding agent gives one prompt, Apidog CLI runs test cases against the qwen4-max model on the QwenCloud API, the report records pass or fail plus usage tokens, and you multiply tokens by price to get cost per task

ให้ coding agent ของคุณจัดการการตั้งค่าด้วย Apidog CLI ติดตั้งครั้งเดียว:

npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_APIDOG_TOKEN>
apidog skill install

apidog skill install สอนการใช้ CLI ให้ agent ของคุณ ส่วนคู่มือติดตั้งครอบคลุมเรื่อง token จากนั้นให้ prompt เดียว:

In Apidog project <projectId>, add POST /chat/completions for the QwenCloud
OpenAI-compatible API (model qwen4-max, Bearer auth from {{DASHSCOPE_API_KEY}}).
Create an environment "qwencloud-sg" with base URL
https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1.
Create a test case that asserts status 200, a non-empty choices array and a
usage object. Run it once per row of ./prompts.csv, save a JSON report, and
give me pass rate plus total prompt and completion tokens.

Agent จะตรวจสอบรูปแบบ payload แต่ละแบบก่อนเขียนอะไรลงไป Flag ทุกตัวด้านล่างมาจาก apidog <command> --help บน Apidog CLI 2.2.12:

apidog cli-schema get endpoint-create
apidog cli-schema validate endpoint-create --file ./qwen-chat.json
apidog endpoint create --project <projectId> --file ./qwen-chat.json
apidog environment create qwencloud-sg --project <projectId> --base-url https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file ./case.json
apidog test-case create --project <projectId> --file ./case.json
apidog run --test-case <caseId> --project <projectId> -e <envId> -d ./prompts.csv --env-var "DASHSCOPE_API_KEY=$DASHSCOPE_API_KEY" -r cli,json

-d รันหนึ่งรอบต่อแถวของไฟล์ prompt ของคุณ และ --env-var ส่งคีย์ตอนรัน เพื่อให้ไม่ต้องเก็บคีย์ไว้ในโปรเจกต์ Agent จะอ่านบล็อก usage แต่ละอันจากรายงาน JSON ใน apidog-reports คูณ prompt tokens ด้วย $1.50 และ completion tokens ด้วย $4.50 ต่อล้าน คุณก็จะได้ต้นทุนต่องานของตัวเองไว้เทียบกับ $1.67 ของ Alibaba

สลับ environment เพื่อรันชุดทดสอบเดิมกับโมเดลที่คุณใช้อยู่ และรันซ้ำสองถึงสามครั้งเพื่อดูความแปรปรวนที่กราฟเปิดตัวไม่ได้แสดง บรรทัด apidog run เดียวกันนี้ใส่ลง CI ได้ด้วย -r junit ดูคู่มือ CI/CD สำหรับการตั้งค่า agent แบบทีละขั้น ดูที่ Apidog CLI in Claude Code แพน Free ของ Apidog รองรับผู้ใช้ได้ถึง 4 คน

คำถามที่พบบ่อย

Benchmark ของ Qwen4-Max เป็นอิสระหรือไม่? ส่วนใหญ่ไม่ ใน 16 คะแนนในกราฟของ Alibaba มีสิบคะแนนเป็นผลที่ Alibaba รันเอง อีกหกคะแนนอ้างอิงจาก leaderboard บุคคลที่สาม: APEX-Agents (Mercor), AA-Briefcase และ AutomationBench-AA (Artificial Analysis), CodeArena และ AgentArena (LM Arena), HLAB-Vals (Vals) และ Agents’ Last Exam

Work360 คืออะไร? Benchmark สำหรับงานอุตสาหกรรมที่ซับซ้อนของ Alibaba เอง ครอบคลุม 26 โดเมน Qwen4-Max ทำคะแนน 52.69 เทียบกับ 47.74 ของ Qwen3.8-Max โดยมีเพียงสองโมเดลนี้ปรากฏในการเปรียบเทียบที่เผยแพร่

Qwen4-Max ทำได้ดีแค่ไหนบน Terminal-Bench 4.0? Alibaba รายงานคะแนน 48.5 เพิ่มจาก 38.9 โดยใช้ token ประมาณครึ่งหนึ่ง โมเดล frontier อื่น ๆ ในกราฟได้คะแนน 56.1 ถึง 67.2

Qwen4-Max รันแล้วถูกกว่า Qwen3.8-Max หรือไม่? จากการประเมิน Work360 ของ Alibaba ต้นทุนเฉลี่ยต่องานลดลงจาก $4.43 เหลือ $1.67 ราคาหน้าร้านคือ input $1.50 และ output $4.50 ต่อ 1M tokens ดูคู่มือ Token Plan สำหรับตัวเลือกสมาชิก และQwen4-Max ฟรี สำหรับวิธีใช้โดยไม่มีค่าใช้จ่าย

Live Delivery ในการเปิดตัว Qwen4-Max คืออะไร? เป็น agent workflow ที่ส่งมอบเวอร์ชันแรกที่ใช้งานได้ให้เร็วที่สุด แล้วปรับปรุงต่อไปขณะที่คุณกำกับอยู่ ไม่ใช่ benchmark ดูรายละเอียดในคู่มือปลั๊กอิน Qwen Live Delivery ของเรา

ฝึกการออกแบบ API แบบ Design-first ใน Apidog

ค้นพบวิธีที่ง่ายขึ้นในการสร้างและใช้ API