Alibaba新AI「Qwen4-Max」公開、使用トークン半減で主要16項目中4つが首位に
2.4兆パラメータ。
11月16日に登場したAlibabaの新しいAIモデル「Qwen4-Max」の規模です。
前モデルより大型化したわけではなく、むしろ同じ作業をこなすのに使うトークン(AIが処理する文章の単位)の数を半分近くまで減らしながら、複数のベンチマークで首位を取ったことが注目を集めています。
法人でAIモデルを選ぶ担当者や、API経由でAIを使っている開発者にとっては、性能とコストのどちらを重視するかの判断材料が増えたことになります。
先に結論をまとめると:
– AlibabaのQwenチームが2.4兆パラメータのMoE(複数の専門家AIを切り替えて使う仕組み)モデル「Qwen4-Max」を11月16日に公開
– 前モデル比で使用トークンが約50%減り、タスクあたりのコストは60%以上下がった一方、Alibabaが公開した16項目のベンチマークのうち4項目で首位を記録
– 海外のAIウォッチャーからは、紙の上の成績と実際の実力が一致していないのではという疑問を投げかける声も出ている
何が起きたのか
Qwen4-Maxは2.4兆パラメータのMoEアーキテクチャを採用し、画像を読み取れるビジョン機能と、100万トークンという長い文章をまとめて処理できる機能を備えています。
Alibabaのペイアズユーゴー型API・トークンプラン、それに開発環境の「QwenWork」「Qoder」「QwenStudio」からすでに利用できる状態で公開されました。
料金はQwenCloud上で入力100万トークンあたり1.50ドル、出力100万トークンあたり4.50ドルです。
公開直後、海外のAIウォッチャー@kimmonismus氏が懐疑的な投稿をしています。
日本語に訳すと、「Qwenは良いリリースではない。
紙の上では主要ベンチマークでOpus 5.5と肩を並べているように見えるが、AA Index(Artificial Analysisが出す指数)はまったく違う実情を示している。
Qwenが蒸留(他モデルの出力を学習に使う手法)から締め出されていることが、その失敗を物語っているようだ」という内容で、日本時間11月16日夜に投稿されたものです。
Qwen 4 is not a good release.
— Chubby♨️ (@kimmonismus) 2026年11月16日
Although it appears on paper to be on par with Opus 5.5 in key benchmarks, the AA Index paints a completely different picture.
The fact that Qwen is being cut off from distillation seems to illustrate this failure. https://t.co/RsuqCBoQs9 pic.twitter.com/pg6HrinyoO
公開されたベンチマークの数字だけでは実力を測れないという指摘です。
ただ、この投稿は1件にとどまり、同じ見方を示す投稿が他にも広がっているかどうかまでは確認できていません。
そこで、Alibaba自身が公開した数字と、第三者の評価がどう違うのかを確かめてみました。
調べて分かったこと
ベンチマークの数字は何を示しているのか?
Alibabaは今回、16項目のベンチマーク結果を公開しました。
コーディング力を測る「DeepSWE v1.1」で75.7点、長い対話をこなす力を見る「Terminal-Bench 4.0」で48.5点、幅広い知識を問う「Humanity’s Last Exam」で51.7点、コーディング対戦の「CodeArena」で1750 Eloを記録しています。
Alibaba独自の業務タスク評価「Work360」では52.69点となり、前モデル「Qwen3.8-Max」の47.74点から伸びました。
16項目のうち、法律分野のエージェント評価「HLAB-Vals-1.1」(21.3点)、「Agents’ Last Exam v1.1」(46.7点)、生物学分野の「BioMysteryBench」(85.0点)、そして先述の「DeepSWE v1.1」の4項目で首位を取っています。
性能を保ちながらコストを下げられた理由は?
もう一つの見どころは効率化です。
前モデルの「Qwen3.8-Max」と比べて使用トークン数が約50%減り、タスクあたりのコストは60%以上下がったといいます。
同じ答えを出すのに必要な計算量そのものを減らせたことになり、API利用料が直接のコストになる企業にとっては採用のハードルが下がる材料です。
価格を抑えつつ性能を上げたという方向性は、9月の発表時点から一貫しているようです。
懐疑的な見方はどこから来ているのか?
一方で、@kimmonismus氏が指摘した「蒸留から締め出されている」という部分は、他社が自社モデルの学習にQwen4-Maxの出力を使いにくくなっている状況を指しているとみられます。
Alibabaが公開したベンチマークの数字自体を否定する材料は見当たりませんが、独立した第三者機関による評価と、Alibaba自身が選んで公開した項目とでは、見える景色が違う可能性があります。
発表直後の段階では、どちらの見方が実情に近いか判断するにはもう少し時間がかかりそうです。
個人や中小規模の開発者はいつから使えるのか?
現時点で利用できるのはAPI経由の有料プランと、Alibabaが提供する開発環境のみです。
小規模版のオープンリリースも予定されているとのことですが、公開時期や対象モデルの詳細はまだ明らかになっていません。
無料で試したい個人開発者は、このオープン版の発表を待つことになりそうです。
Shiritomo編集部の考察:ベンチマーク数字だけで判断しない
AIモデルの比較記事では、公開されたベンチマークの点数がそのまま「強さ」として扱われがちです。
しかし今回のように、モデルを出した企業自身が選んだ評価項目と、外部の指数が異なる結果を示すケースは珍しくありません。
ベンチマークは測定条件(質問の種類・採点方法・比較対象の選び方)によって結果が変わるため、一つの数字だけで導入を決めるのはリスクがあります。
実務でモデルを選ぶ際は、自社の業務に近いタスクで小規模に試してから判断するのが安全でしょう。
コスト面の50%以上の効率化は実利が大きいぶん、性能面の評価は複数の指標を見比べる姿勢が必要になりそうです。
まとめ
Qwen4-Maxは、コスト効率と一部ベンチマークでの首位という実績を持って登場しましたが、評価のすべてが一致しているわけではなく、実力の見極めにはまだ時間がかかりそうです。
さらに深掘りしたい方へ
Qwen4-Maxの料金やモデル仕様は、AlibabaのQwenチームによる公式発表や技術ブログで随時更新されています。
最新の対応状況を確認したい方は、公式サイトの発表ページもあわせてご覧ください。

