Qwen4-Max、Work360のタスクコストを約62%削減――価格優位の一方、性能は用途ごとに明暗
タスクコストを約62%削減、ただし削減率の一般化には注意
AlibabaのQwen4-Maxは、テキスト・画像・動画を入力でき、外部ソフトウェアを利用し、最大100万トークンのコンテキストを扱うプロプライエタリモデルとして公開された。Alibabaの社内評価Work360では、平均タスクコストがQwen3.8-Maxの4.43ドルから1.67ドルへ低下したとされる。差は約62%で、モデルの進歩を単なるベンチマークスコアではなく、業務完了にかかる費用で訴求する発表だ。
Work360は、会計レビュー、製造分析、法務業務、文書作成などを含む、26の大分類、182の中分類、721の専門領域から構成される。Qwen4-Maxのスコアは52.69で、Qwen3.8-Maxの47.74から4.95ポイント上昇した。相対的な伸びは約10.4%となる。スコアの向上とタスクコストの低下は関連する結果だが、単一の指標ではない。前者は同評価上の性能、後者は同社が測定した作業コストを示しており、顧客環境で同じ削減率が得られると保証するものではない。
トークン消費量も評価条件によって減少している。Work360では、推論設定Xhighで約24%、Highで約35%削減された。一方、Terminal-Bench 4.0では対応する設定で約48%、約49%の削減が報告されている。約50%という値はターミナル操作ベンチマークのトークン消費削減であり、Work360における約62%のコスト削減とは別の結果である。後者には価格とトークン使用量の双方が影響しているため、両数値を同じ意味の効率指標として扱うべきではない。
Artificial Analysisによる別の評価では、Qwen4-MaxのIntelligence Indexタスク当たりコストは3.27ドル、Kimi K3.1 Proは3.68ドルで、Qwen4-Maxは約11%低い。ただし、これはWork360とは異なる評価セットによる測定値であり、1.67ドルと直接比較できない。業務導入時には、モデル料金だけでなく、再試行、出力の人手確認、外部ツールの費用、レイテンシも含めて「受け入れ可能な成果を得る総コスト」を算定する必要がある。
API単価は競争力があるが、評価対象の処理条件をそろえる必要
標準API料金は、入力が100万トークン当たり1.50ドル、出力が4.50ドル、キャッシュ入力が0.075ドルとされる。記事が示す比較対象のうち、入力単価はGemini 4 Hydrogenと同額で、出力単価は同モデルより40%低い。また、出力単価は標準利用時のGPT-6.1 Sol、Claude Sonnet 5.5、および導入価格が適用されるGemini 4 Carbonの10ドルに対して55%低く、Claude Opus 5.5の20ドルに対して77.5%低い。
ただし、最安値がすべての用途に適するわけではない。たとえばAnthropicのHaiku 5.5は、入力プロンプトが10万トークンまでなら入力0.10ドル、出力0.50ドルとされ、閾値を超えるとそれぞれ0.50ドル、2.50ドルになる。さらに、記事の料金表ではGoogleの価格がグローバル料金、Qwenの価格がシンガポールリージョンの料金であり、バッチ割引、ツール利用料、リージョン別料金、個別のエンタープライズ契約は比較を変え得る。
キャッシュ料金の適用範囲にも注意がいる。0.075ドルは条件を満たすキャッシュヒットの読み取り料金で、キャッシュ作成は5分間で100万トークン当たり1.875ドル、1時間で3ドルと別料金になる。すべての入力トークンをキャッシュ単価で計算すると、実際の費用を過小評価する。新規顧客向けに3ドルからとするToken Planの販促価格や、qwen4-max-preview向けの別割引も、標準API単価とは区別すべきだ。
エージェント評価は領域ごとに異なり、総合指標では上位に届かない
Qwenの発表資料にあるベンチマークは、エージェントが実行可能な操作の種類によって結果が分かれる。DeepSWE v1.1ではQwen4-Maxが75.7で、表に記載されたモデルの中で最も高い。APEX-Agents v1.1では72.1となり、Claude Opus 5.5の73.5に近い。Agents’ Last Exam v1.1でも46.7を記録し、Qwen3.8-Maxの27.9とClaude Opus 5.5の43.4を上回った。
対照的に、Terminal-Bench 4.0の48.5はKimi K3.1の67.2を大きく下回り、ProgramBenchの31.5はClaude Opus 5.5の65.0の半分未満である。AutomationBench-AAでも72.5で、Kimi K3.1の73.3に及ばない。ChartoGraphyは54.2で、Claude Opus 5.5の66.3やGPT-6.1 Solの67.8を下回る。したがって、エージェント性能を単一の「コーディング能力」や総合順位で評価すると、ターミナル操作、ソフトウェア複製、ワークフロー自動化、チャート読解といった実務上の差を見落とす。
これらの比較値はQwenの発表チャートを再掲したもので、独立した再測定ではない。記事によると、一部のスコアにはMercorやArtificial Analysisなど外部評価者によるものが含まれるが、評価条件やデータセットのバージョンが異なる場合もある。導入判断では、公開スコアを候補選定に使いつつ、自社のツール構成、入力形式、失敗許容度に合わせた再現評価が必要だ。
Artificial AnalysisのIntelligence Indexでは、Qwen4-Maxは43で、Qwen3.8-Maxの34から改善した。一方、Kimi K3.1 Proは46、GPT-6.1 SolとClaude Sonnet 5.5は55、Claude Opus 5.5は59、Gemini 4 Carbonは60、Claude Fable 5.2は65だった。これは記事に掲載された推論設定での比較であり、各モデルのデフォルト設定での性能をそのまま示すものではない。それでも、特定タスクでの競争力と、複合的な知能指標での位置には隔たりがある。
速度もコストとは独立した評価軸だ。記事掲載時点のArtificial Analysisのモデルページでは、Intelligence Indexのタスク完了に約32分、最初の回答トークンまでに約159秒と報告されている。これは負荷の高い評価ワークロードとその設定に関する測定であり、あらゆる応答が同じ速度になるという意味ではない。しかし、出力単価が低くても応答時間が長ければ、対話型サービスや時間制約のある処理の総合的な価値は変わり得る。
大規模MoEと限定されたモダリティ、そしてクローズド提供
Alibabaが説明するQwen4-Maxのバックボーンは2.4兆パラメータで、各トークンの処理時に活性化されるのは710億パラメータとされる。さらに、局所的なトークンパターン表現のために3280億パラメータを追加で割り当てている。したがって、2.4兆というバックボーンの数値だけで全構成要素を含むモデル全体の規模を表すわけではない。MoE設計ではネットワークの一部だけをトークンごとに活性化し、圧縮された履歴と選択的な注意機構によって長い入力の処理効率を狙う。情報経路の改訂は学習安定性の改善を目的とするという。
Alibabaは、Qwen3.8-Maxと比べて活性化パラメータが約25%少ないとも述べている。また、事前学習の予測スコアは知識、コード、質問応答、STEMで改善したという。ただし、これらは予測性能の測定であり、完了した業務の成功率と同一ではない。記事は比較対象にベースモデルと事後学習済みチェックポイントが混在する点も注記している。パラメータ数や予測スコアだけから、顧客業務の信頼性や運用コストを結論づけることはできない。
公開仕様では、入力はテキスト・画像・動画、出力はテキストであり、音声入力やネイティブな画像・音声・動画生成は記載されていない。デモに含まれる3D作業、ゲームエンジンを用いたインタラクティブソフトウェア、動画制作ワークフローも、モデル自体がメディアを直接生成することとは異なる。動画や画像の分析には直接入力できる一方、録音音声を中心とする処理では別の統合設計が必要となる。用途ごとにモダリティの対応範囲と実際の精度を検証する必要がある。
提供形態はQwenCloud API、Qwen Studio、QwenWork、Qoderで、APIはツール呼び出し、構造化応答、ウェブ検索、バッチ処理、OpenAIおよびAnthropic API形式との互換性を備えるとされる。一方、Qwen4-Max自体はオープンウェイトではなく、ダウンロード可能な重みは提供されていない。Alibabaはより小型のQwen4モデルをオープンリリースする方針を示したが、記事掲載時点ではライセンスも公開日程も明らかでなく、Maxの重みを将来公開するという確約もない。自社インフラでの運用や重みの改変が必須の組織にとって、価格競争力だけではこの制約を解消できない。
開発者・エンジニア視点での考察
-
ベンチマークを自社の操作単位に分解する。 エージェントの導入評価は、コード生成の正誤だけでは不十分だ。ターミナル操作、ツール呼び出し、結果の解釈、修正、最終成果物の受け入れ判定を別々に計測し、ProgramBenchやTerminal-Benchのように異なる傾向を示す指標と照合する。特に自動保守では、実行に成功した操作数だけでなく、変更の妥当性やレビュー後の差し戻し率を記録したい。
-
モデル料金ではなく、成果物単位の総費用を比較する。 キャッシュ作成・読み取り、入力と出力のトークン量、外部ツール費用、再試行、人手確認を含め、受け入れ可能な成果物1件当たりの費用を算出する。Work360の1.67ドルとArtificial Analysisの3.27ドルは別の評価であり、自社の業務データと受け入れ基準を使った測定で置き換える必要がある。処理時間も同時に記録し、費用削減と応答遅延のトレードオフを確認する。
-
デプロイ要件とモダリティ要件を早期にゲート化する。 Qwen4-MaxはクローズドなAPI提供であり、公開仕様上は音声入力やネイティブメディア出力にも対応しない。オンプレミス運用、重みの改変、音声中心の入力が必須条件なら、性能評価を深掘りする前に適合性を確認する。一方、画像・動画を入力して外部ソフトウェアを操作するワークフローでは、モデルが直接生成する範囲とツール側が担う範囲を切り分け、システム全体として検証する。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。


