تست عملی Qwen4 Max؛ مدل جدید علیبابا
خلاصهٔ کاملتر
Qwen4 Max جدیدترین مدل زبانی بزرگ علیبابا هست که فعلاً بهصورت پیشنمایش از طریق Qwen Chat و API در دسترسه. تو این مقاله نویسنده مدل رو با چند تست عملی امتحان کرده. به گفتهٔ نویسنده، فرق اصلیش با Qwen 3 اینه که کمتر دچار overthinking (یعنی فکر کردن طولانی و بیفایده) میشه و حلقهٔ tool use قویتری داره: بهجای حدس زدن، خودش کد پایتون مینویسه و اجرا میکنه تا ادعاش رو چک کنه. یه نسخهٔ بزرگتر mixture-of-experts هم که اینترنت دربارهش حرف میزنه، هنوز منتشر نشده.
تو تستهای خلاقانه، مدل با یه پرامپت مفصل یه شبیهسازی پزشکی شبیه بوتاکس رو تو Blender ساخت که نقاط تزریق و تغییرات قبل و بعد رو درست نشون میداد. یه تست دیگه یه شبیهسازی کامل یه روز از یه دکهٔ غذای پشتبومی بود، از قبل از طلوع تا آتشبازی شب، فقط با HTML و CSS و JavaScript. نور، جای خورشید و آتشبازی خوب دراومدن، ولی یه غذای محلی خاص (یه حیوون کامل کبابشده روی سیخ چرخون) مخصوصاً موقع عوض شدن زاویهٔ دوربین مدل رو اذیت کرد. هر کدوم از این دو تست حدود یه ساعت طول کشید.
تو تست چندزبانه، از مدل خواستن برای بیش از ۸۰ زبان اسم یه حزب سیاسی بسازه که بومی به نظر بیاد و تکراری نباشه. Qwen4 Max برای هر ۸۲ زبان اسم یکتا داد و خیلیهاش از مفاهیم واقعی محلی اومده بودن، مثل Ubuntu برای زولو و Gotong Royong برای اندونزیایی. تنها ایرادش این بود که کنار بعضی اسمها توضیح اضافه کرد، در حالی که فقط اسم خواسته شده بود.
سختترین تست یه تصویر ماهوارهای از جنوبشرق استرالیا بود. مدل خودش با پایتون اسم شهرها رو پیکسل به پیکسل پیدا کرد، دو تا شهر نزدیک رو اول قاطی کرد ولی خودش اشتباه رو گرفت و درستش کرد.
مدل بعد با فاصلهٔ ۱۲ جفت شهر مقیاس رو حدود ۱ کیلومتر بر پیکسل حساب کرد و پهنای نوار سبز ساحلی رو حدود ۳۲۰ کیلومتر (با خطای حدود ۵۰ کیلومتر) تخمین زد. برای توضیح rain shadow (یعنی خشک بودن پشت کوه چون رطوبت هوا اون طرف کوه میباره) از lapse rate واقعی استفاده کرد: حدود ۵.۵ درجه سرد شدن به ازای هر ۱۰۰۰ متر بالا رفتن و ۹.۸ درجه گرم شدن موقع پایین اومدن. کل کار بیش از ۱۰ دقیقه طول کشید و مدل صریحاً گفت کجا کمتر از همه مطمئنه.
تست آخر عکس یه بچه تو صندلی عقب ماشین بود که کمربندش رو زیر بغلش بسته بود. مدل این جزئیات رو درست دید، چیزی که ظاهراً Qwen 3 نمیدید. بعد برای ۹ کشور فرق قانون روی کاغذ و اجرای واقعی رو جدا کرد و نتیجه گرفت فقط تو استرالیا احتمال جریمهٔ واقعی زیاده، تو لهستان و شیلی یه کم احتمال هست و بقیه جاها، حتی آمریکا، عملاً اجرا نمیشه. گفت معمولاً راننده جریمه میشه نه بچه. نویسنده میگه سطح thinking قابل تنظیمه، ولی حتی روی low هم مدل بیشتر از نسخههای قبلی فکر میکنه و روی high عملکردش بهتر میشه.
نکات کلیدی:
- Qwen4 Max فعلاً پیشنمایشه و از Qwen Chat و API در دسترسه.
- نسخهٔ بزرگتر mixture-of-experts (معروف به 480B) هنوز منتشر نشده.
- برای ۸۲ زبان اسم یکتا و بومی ساخت، بدون تکرار.
- تو تحلیل تصویر ماهوارهای، مقیاس حدود ۱ کیلومتر بر پیکسل و نوار ساحلی حدود ۳۲۰ کیلومتر حساب شد.
- تو تستهای سخت استدلالی هیچ hallucination دیده نشد و مدل عدم قطعیتش رو گفت.
- سطح thinking قابل تنظیمه و روی high عملکرد بهتره.




