出品 | 网易科技《态度》栏目

作者 | 袁宁

编辑 | 丁广胜

11月11日，阿里正式宣布新一代大模型Qwen4-预览版（qwen4-max-preview）发布，首发上线千问AI平台Token Plan。活动期间用户可享限时2折、新用户再享折上5折，算下来最低1折即可抢先体验Qwen4旗舰模型。

虽然不少开源社区开发者心心念念的Qwen4-27B还没亮相，但目前，Qwen4-Max预览版已同步接入千问办公（QwenWork）、Qoder、千问App、QwenStudio等平台，支持高达1M（100万）Tokens的上下文窗口，以及文本、图像、视频原生多模态输入。

目前阿里尚未公布Qwen4-Max预览版的具体参数细节和刷榜成绩。从官方披露的信息来看，Qwen4拥有更深入的世界知识与立体空间感知能力，重点在Coding（复杂编程）和Agentic（智能体操作）两项核心能力上再升级，瞄准的是复杂编程、前端交互设计、专业办公、软件操作等真实干活场景。

网易科技第一时间围绕这些主打特性，用四道涵盖矢量动画、热梗互动游戏、手绘看图造工具以及多源财报“排雷”的测试题，对Qwen4-Max预览版进行了一轮深度实测。

经过实测，网易科技发现Qwen4-Max预览版在任务理解和完成，特别是前端工程交付和简单任务执行路径拆解上的表现超出预期。它不再只是应付差事地给个粗糙Demo，而是会主动补齐任务中没有交代的细节，比如说网易科技实测任务中的调校控制台、几何闭合判定、甚至门扇开启弧区的碰撞计算。

但同时，在复核中网易科技也发现，当交互指令涉及复杂的二维空间路径寻路或严苛的未披露口径标注时，模型仍存在一些走捷径的细节偏差。

1.经典基准测试：一句提示词，交回带“调校台”的鹈鹕骑行

首先，我们照例用大模型圈最经典的“鹈鹕骑自行车”测试题打头阵，检验它的空间直觉与前端生成成色。我们给出的提示词极其简短：“创建一个HTML，内容是SVG绘制一个鹈鹕骑自行车的2D动画，不需要任何测试。”

面对这句只有二十多个字的指令，Qwen4-Max预览版直接交回了一个名为《鹈鹕骑行俱乐部》的单文件HTML应用。

图注：《鹈鹕骑行俱乐部》网页截图，可访问：file:///Users/mac/Library/Containers/com.tencent.xinWeChat/Data/Library/Application%20Support/com.tencent.xinWeChat/2.0b4.0.9/beb14f32851b97a698fc485b993195d8/Message/MessageTemp/1ef9513c2e74db95eb01b1d69c4d0796/File/%E9%B9%88%E9%B9%95%E9%AA%91%E8%87%AA%E8%A1%8C%E8%BD%A6.html

这道题原本只考模型能不能画对鹈鹕的大喉囊和自行车架的几何关系，但Qwen4-Max主动做了一次“超纲交付”：

页面不仅有骑行动画，还内置了落日、正午、夜骑和晨雾四个场景预设；配备了车铃、翘前轮（Wheelie）、暂停，以及SVG、PNG导出按钮。

右侧更是直接给出了一个实时控制台，支持调节骑行速度、车轮半径、路面颠簸和海风强度。

为了确认这些滑块是不是“样子货”，我们检查了交付文件的底层源码。源码显示，模型在脚本中写了鹈鹕腿部关节位置的实时计算逻辑（逆运动学近似），并且当用户拖动滑块改变“车轮半径”时，程序会动态重建自行车的相关部件。这让调大车轮、改变骑行速度之后的动作表现有了真正可检查的代码支撑，而不是简单的画面缩放。

不过，实测也发现在大幅调大鹈鹕体型的同时，车身比例也同时进行了变大，虽然协调但指令遵循并不一致。

2.玩梗互动游戏《画地为牢》：把名场面台词做成指尖游戏

紧接着，结合近期全网刷屏的综艺热梗，我们给Qwen4-Max预览版出了一道前端题，制作一个手机上能玩的中文互动短剧网页《画地为牢》。

这道题要求模型只用剪影、灯光和字幕，在20–40秒的流程里原样保留两句核心台词：许飞说“我画地为牢啊厉娜”，以及厉娜说“我原谅你了许飞”。剧情必须靠用户亲手“画线”和“擦线”来推进：

1.用户必须绕着许飞画一个闭合的圈。画半圈、乱点、或者把圈画在厉娜身边都不能触发下一幕；

2.厉娜走近说出原谅台词后，用户必须在朝向厉娜的一侧擦开足够宽的缺口，让许飞穿过用户实际擦开的地方走到厉娜身边。

图片：《画地为牢》互动网页截图，可访问file:///Users/mac/Library/Containers/com.tencent.xinWeChat/Data/Library/Application%20Support/com.tencent.xinWeChat/2.0b4.0.9/beb14f32851b97a698fc485b993195d8/Message/MessageTemp/1ef9513c2e74db95eb01b1d69c4d0796/File/%E7%94%BB%E5%9C%B0%E4%B8%BA%E7%89%A2.html

从交付效果来看，模型不仅接住了这个二创热梗，还给出了相当克制的舞台剧质感。开场冷光打在许飞身上，说出“我画地为牢啊厉娜”后提示观众画圈；圈成之后，许飞低头看脚下，厉娜向前走近停在圈外，说出“我原谅你了许飞”，舞台灯光随之转暖，而地上那道手绘的圈依然横亘在两人之间；直到观众擦开一段线，两人最终站进同一束暖光里，结束页浮现出一句颇有余味的文案“牢是画的，门也是”（看到这句话时，也是让人很意外）。

这道题表面看是玩梗，底层考的其实是前端几何判定。我们对生成的源码进行了复核，发现，防作弊判定很扎实。源码中确实编写了几何校验逻辑，会逐一检查用户画线的首尾距离是否足够接近（闭合判定）、许飞的坐标是否在多边形圈内、以及厉娜是否在圈外。在擦线阶段，代码也会单独计算擦除缺口的宽度和朝向角度，擦得太窄或者擦反了方向（背对厉娜），都会触发单独的错误提示，不会糊里糊涂放行。

但同时，也存在一些细节偏差，在最后一步“许飞沿着缺口走出去”的实现上，模型耍了个小聪明，源码里人物走出时只读取了缺口的横向（X轴）位置，移动路径依然是沿着舞台地面水平走过去。这意味着，如果玩家把缺口擦在圆圈的斜上方，程序虽然能判定缺口有效并触发下一幕，但许飞走过去的路线却未必会精确穿过斜上方的那个缺口。

3.手绘户型图秒变“卧室布局工具”：连开门弧线都算进了碰撞体积

测完了创意互动，我们再来测一个硬核的“多模态看图+实用工具开发”场景。

我让另一个模型生成了一张专门为测试手绘的带尺寸虚构户型图，要求Qwen4-Max预览版按真实比例重建房间、窗、门的开启区域、暖气和柱子，并放进一张150×200cm的床、一张120×60cm的书桌和一个80×60cm的衣柜。同时要求支持拖动、90度旋转、导出厘米坐标与本地保存，且“越出房间、压住固定设施、互相重叠或挡门时要明确提醒，不能把不合格布局当成合格”。

模型交付的单文件HTML准确还原了手绘图上的所有空间参数：画出了4米×5米的房间、180厘米的窗、40厘米见方的柱子、暖气片以及90厘米的内开门，尺寸与原图完全一致，并在页面中预置了床、书桌、衣柜以及拖动、旋转、坐标编辑、本地保存和导出面板。

为了检验它写的碰撞检测到底灵不灵，我们直接把交付文件中的核心校验函数单独提取出来，跑了四组边界测试输入：

这道题最值得称赞的细节，是模型对“门扇开启区”的处理。很多模型看户型图，只会把门当成墙上的一条线段；而Qwen4-Max预览版把原图上表示开门方向的弧线，在代码里真正写成了一个参与碰撞计算的四分之一圆（扇形区域）。也就是说，家具哪怕没有碰到墙体，只要摆在了门扇推开的扫掠弧线内，系统就会判定门打不开并报错。

4.专业办公“反幻觉”测试：把“规模翻倍”和“收入增70%”拆明白了

最后一道题，我们回到日常的专业办公场景，测试模型在面对公司公关话术与财务报表口径冲突时的信息提炼与“反幻觉”能力。

我给模型提供了三份虚构材料：

要求模型以科技记者视角写一段180字以内的快讯导语，用表格列出可直接比较的数字、分母和来源，并交代现有材料能把毛利率变化归因到什么程度。

图片：Qwen4-Max输出的快讯导语与可比数字对照表截图

在这道极易踩坑的财经题上，Qwen4-Max预览版展现出了极强的口径纪律性：

首先，模型没有被米兰体育-米兰(中国)官网稿A里的“翻倍”带偏，导语第一句直接锚定更扎实的财务数据，“按会计口径确认收入0.85亿元，同比增70%（B）”；紧接着挑明米兰体育-米兰(中国)官网稿所称的“规模1.20亿元、同比翻倍”包含0.35亿元渠道伙伴交易额（A），“口径不同不可直接对比”。

其次，对于数据计算也很准确。模型准确算出毛利额从0.15亿元增至0.17亿元（同比增长约13.3%）；并严格以会计确认收入（0.85亿元和0.50亿元）为分母，算出毛利率从30%降至20%，下滑10个百分点，还在表格中特意提醒“分母为会计口径收入，非1.20亿元规模”。

5.结语：惊喜的部分是替我多想的几步

整体测下来，Qwen4-Max预览版给人的最大惊喜，在于它交付物的工程完整度和逻辑严密性。

无论是《鹈鹕骑行俱乐部》里主动关联车轮半径与腿部关节的计算代码、《画地为牢》里对多边形包裹与擦除缺口朝向的校验，还是《卧室布局工具》里那个实打实参与碰撞检测的四分之一圆开门弧区，都说明Qwen4在Coding和多模态空间理解上，已经从“跑通表面视觉效果”迈向了“构建底层物理与几何规则”。而在面对文字材料的逻辑陷阱时，它对口径差异的敏锐度也足以胜任高要求的案头助理工作。

当然，从《画地为牢》人物走出路径只取横向坐标的“偷懒”写法来看，当单次提示词中包含过多复合空间约束时，模型在个别分支逻辑上仍会出现精度妥协。