Qwen4 还没发布，先在游戏榜上把 Opus 5.5 超了

11 月 9 日，一个叫 GameFeel Bench 的榜单更新了一行数据：

Qwen4-Flash-Early，49.9 分。

排在它后面的是 Claude Opus 5.5（XHigh），47.2 分。

一个还没发布的模型，用一个“轻量版”的早期预览，在一个游戏开发榜上，超了 Anthropic 现在的旗舰。完成同样一个任务，它花 $0.40，Opus 5.5 花 $2.60。

同一天上榜的还有 Qwen4-27B-Early：44.6 分，接近 Sonnet 5.5 的 45 分，单任务成本 $0.16。

这不是 AA，也不是 Arena。它是一个独立游戏开发者做的垂直榜，样本只有 12 个游戏。但在 Qwen4 正式发布之前，这是第一个能拿来看的硬数字。

这个榜，测的不是考试

GameFeel Bench 的作者是一个独立游戏开发者，评测方式很具体：

• 给模型 12 个未公开的游戏项目
• 每个模型要给游戏加内容、做平衡性修改
• 从 7 个维度打分：实现、bug 发现、平衡、创意、视觉、音效、RE
• 当前版本 v1.4

它考的不是“这道题会不会做”，而是“给你一个半成品游戏，你能不能把它改得更好玩”。

这恰好是现在 Agent 最值钱的能力：不是单轮生成，是在一个已经有状态的项目里，持续做对的修改。

五个成绩放一起：

• Qwen4-Flash-Early（Max）：49.9，$0.40/任务
• Claude Opus 5.5（XHigh）：47.2，$2.60/任务
• Claude Sonnet 5.5（Max）：45.0
• Qwen4-27B-Early（XHigh）：44.6，$0.16/任务
• Claude Sonnet 5.5（XHigh）：42.8

Flash 的成本是 Opus 的约六分之一，27B 是约十六分之一。

如果这个数字能在正式版上站住，Agent 的定价逻辑会被改一遍。

先别急着开香槟

这条数据有几个必须说清楚的前提。

第一，它是早期预览版。 模型名里带 Early，不是最终发布的 Qwen4。早期版可能更强，也可能因为安全对齐、稳定性调整而变弱。

第二，27B 的分数刚被修正过。 最初写的是 47.0，后来作者发现音效评分算错，改成了 44.6。这说明评测流程还在迭代，数字不是一次成型。

第三，49.9 不是 27B 的成绩。 Flash 和 27B 是两个模型，不能把 Flash 的第一名当成“本地 27B 也第一”。

第四，样本很小。 一个人、12 个游戏、一个垂直榜。2.7 分的领先，换一次重跑就可能变。它证明的是“这个方向有戏”，不是“全面超过 Opus 5.5”。

第五，GameFeel 测的是游戏开发创造力，不是通用推理、代码库维护、长程 Agent。 这些能力要看 Terminal-Bench、SWE-bench、AA 这类榜。

所以更准确的说法是：Qwen4 的早期 Flash，在“改游戏”这件事上，单点超过了 Opus 5.5；Qwen4-27B 摸到了 Sonnet 5.5 的边。

官方只说了三个字：在训练

把时间线拉出来，会发现这事不是突然发生的。

官方确认的只有一件事：Qwen4 在训练。

没有模型卡，没有权重，没有 API 模型 ID，没有价格，没有许可证，没有发布日期。

“下周发布”是参会者转述 CTO 的话，11 月 2—8 日这个窗口已经过去，没有发布。现在传的“11 月 10 日 23 点（PT）发 27B”来自 Reddit，不是官方。11 月 11 日东京有一场 Qwen meetup，也被当成可能的节点。

真正该盯的三个地方：Qwen 的 Hugging Face 组织页、@Alibaba_Qwen 的 X 账号、qwen.ai 的博客。这三个地方出现模型卡或权重，才算发布。

四款型号，目前只有名字

阿姆斯特丹的幻灯片列了四款：

四款的参数、上下文、价格、许可证，官方一个都没公布。

Qwen 的代码里还出现过 qwen4-coder-plus、qwen4-omni-120b 之类的 ID，说明家族可能不止四款，但这些同样没有官方确认。

架构线索：看 Qwen3.8-Flash-Next

Qwen4 的架构预览版是 Qwen3.8-Flash-Next，规格比较明确：

• 总参数 125B，每 token 激活 6B
• 512 个专家，10 个 routed + 1 个 shared
• 额外 51B n-gram embedding 表 + 4B MTP 头，落盘约 180B
• 原生上下文 262,144 token，YaRN 可扩到 1M
• 输入支持文本、图像、视频，输出文本
• 许可证是 qwen-community-1.0，不是 Apache 2.0

Qwen4 大概率沿用这套稀疏 MoE + 原生多模态的设计。但 Max 的具体规模、27B 是 dense 还是 MoE，官方都没说。

27B 才是本地玩家该盯的

对大多数开发者来说，Max 和 Plus 是 API 的事，真正改变工作方式的是 27B。

上一代 Qwen3.8-27B 是 Apache 2.0 开源，4-bit MLX 版本约 16GB，能在单卡或大内存 Mac 上跑。如果 Qwen4-27B 延续这个路线，并且 44.6 分接近 Sonnet 5.5，那它会是本地部署的一个新基准。

早期权重据传约 35GB，这是 BF16 口径；量化之后能压到多少，要等社区实测。

对本地玩家来说，关键不是“它是不是第一”，而是“它能不能在我的 24GB/32GB 显存上，稳定干完一个长任务”。

QoDuck 是不是它

QoDuck 是 11 月 7 日出现在 Qoder 里的匿名模型：每天免费额度、1M 上下文、最高思考档不扣 Credits。

社区普遍怀疑它就是 Qwen4 的预览版，理由很直接：

• 时间点紧接 11 月 6 日的预热
• 计费系数 0.5×，和 Qwen 旗舰档位对得上
• 支持 1M 上下文
• 有测试者称模型体积约 27GB（未证实）

但阿里没有确认。更稳妥的说法是：QoDuck 是 Qwen4 发布前的一次真实场景灰度，可能是 Qwen4，也可能是同架构的另一个版本。

什么时候能真正用上

短期看三个信号：

1. Hugging Face 出现 Qwen4-27B 的模型卡——这是本地玩家真正能动手的时刻
2. 阿里云百炼/OpenRouter 出现 qwen4 的 API ID 和价格——这是开发者能接的时刻
3. Qwen4-Max 的模型卡——这是判断它能不能全面对标 Opus 5.5 的时刻

Manifold 的预测市场给“12 月前发布”93.5%，给“11 月 25 日前开源权重”83%。市场很乐观，但市场也会错。

最后

这次最值得注意的，不是“国产模型第一”这个标题，而是两个数字的对比：

49.9 分，$0.40。47.2 分，$2.60。

如果 Qwen4 正式版能把这个性价比保持住，哪怕它只在部分任务上接近 Opus 5.5，Agent 的成本结构也会变。不是“谁更强”的问题，是“同样的活，谁更值得被大量调用”。

但在此之前，它仍然是一个没发布的模型，和一个只有 12 个游戏的榜单。

单点超车不难，难的是全面可用。

参考来源：

• AIbase 报道
• GameFeel Bench
• Qwen 官方预热
• 阿里 9·22 路线图