Qwen4 实测：编程能力有进步但速度慢、性价比低

具体测试中，赛博朋克版清明上河图花了 1 小时 38 分钟，HY4 只需 20 分钟；超级玛丽复刻还原度约 70-80%，但耗时近 2 小时，HY4 当时约 47 分钟。游戏手柄测试暴露了硬伤：模型把键盘鼠标误识别成手柄，接入真实手柄后点亮 4 个幽灵设备且无一能同步，而 Sonnet5.5 几分钟就能做对全部控制逻辑。跑完全部例子消耗 1146 Credit，按原价折算相当于三个月配额。

结论是 Qwen4 相比 3.8 有明显进步，但作为 4 系旗舰没有拉开与国内同行的差距，与 Fable 5.2、GPT-6 Astra、Gemini 4 已不在一个水平线。大模型竞技平台 arena 的 Top10 中已看不到国产模型，Anthropic、OpenAI、谷歌分别占 4、3、2 个名额。日常使用场景下，作者认为 WorkBuddy + HY4 的速度和成本组合更划算。

Qwen4 被嘲笑了！国模被啥锁死了？

Qwen4 也是铺垫了很久，传得相当神！ 但是，拖了很久才发。发布之后，居然没免费品尝环节，这一点就输给 HY4 了！ 阿里啊阿里，你还没企鹅大气啊。 就在我犹豫要不要充值的那一刻，我就刷到了几条消息！ 第一条是这样的： 博主开玩笑地说：Qwen4 最吓人的不是它表现有多差，而是这居然已经是旗舰版了。这个推文的阅读已经 8 万了。 第二条是一个视频： 配文是：Qwen4 Max 成功解决了困扰世界的物理难题！ 因为它这个轮子的走向非常神奇。 第三条，就是它们在 X 的“付费推广”信息！ 推广好先进，已经推到国外去了。一边是企业付费推广，一边是 X 友的“嘲讽”。 这个节奏不对，平时都是他们负责吹牛逼，我负责来戳泡泡！ 我本来都不打算冲了，他们这么一说，我立马就跑去充值了。 看我能不能来反向吹一波。 最低档专业版 10 美金不到，然后拿了个折扣。 花了半天时间，测试题目基本做完了。这次还让它做了两个大项目：绝地求生和荒野大镖客。 然后，我就准备开始写文章了。 我们的测试类文章，一般会先介绍一下这个模型的卖家秀，也就是官网给的基准信息和前期排名情况。 但是我找了半天发现还没任何相关的数据，只有一条即将发布的推文。 这是一个什么样的节奏啊？我特地等了一天，测试都跑完了，相关数据还没出来。 我还等着 Qwen 说它“国模第一，国际第二”呢！ 它是直接不给我靶子，我都不好发射。 好吧，直接看结果吧！ 首先来赛博朋克版清明上河图。 结果如下： 这个配色和形态其实还可以的啊。左下角搞了一个进度条，右侧还有一个控制面板，想得也挺周到的。 比较大的问题就是空间堆叠感还是比较重，元素多的部分很混乱。 虹桥这一块，全都堆叠在一起了，桥的起点和终点都是悬空的。很多细节还是禁不起推敲。 最要命的是这个例子花了 1 小时 38 分钟，作为参考，HY4 只花了 20 分钟。 时间差这么多，效果并没有特别出众。 其实 DS3.1、Step5、HY4、Qwen4 它们这一批新模型在这个例子上都是有进步的。可以感受到它们的变化，已经从没法看，到能看了。但是这个题目上 Opus 和 Fable 很早就做得特别优秀了。 第二个例子：天文机械表。 这个例子其实做得也不错，UI 上没有明显 bug，功能基本也正确。审美部分见仁见智吧。 下面放一个对比图： 第一个是 Qwen3.8 Max 的，第三个是 HY4 的！ 从对比来看，进步还是很大的，3.8 的时候问题很大，指针都没有。 设计感上 HY4 好一点，看着更高级！ 然后是游戏复刻，超级玛丽的效果如下： 这个画面感还可以，我玩了一下，地图和玩法基本是对的，只是有一些小问题，比如跳跃有点困难。这个效果感觉比 HY4 好一些，当然它也没有做到高度还原，还原度大概 70~80% 吧！ 这个例子最大的问题是，消耗时间太久了，花了差不多两个小时，HY4 当时大概是 47 分钟！ 明明是抄作业，为啥要抄这么久呢？ 上面的例子我都说还可以，还不错，那主要是针对最近的国产模型而言的。因为我也不想一上来就说国产模型不行，所以我就尽量表述得让大家看着舒服。 接下来是甲维斯的车库，整体效果如下： 网页复刻部分基本上没问题，当前的多模态模型，基本都能很好地完成这个问题了。建模部分的话自行车和人物这部分基本是能看的。 另外其他的载具的建模就有些抽象，空间关系也有问题： 机车和保时捷，都是积木块的感觉，人陷入到车子里面了。 Mark III 现在基本上做不好，属于大家都很差，差得差不多。 这个例子跑了 1 小时 34 分钟！ 我一直强调时间，就说明它这个时间相对是比较慢的！ 下面来看一下，游戏手柄测试。 这个做得不好，和之前的一批 Flash 模型一个水准。 画得也不好看，控制逻辑也有问题。 首先它错误地把键盘鼠标识别成了手柄。其次我接入一个手柄它直接点亮了四个手柄。然后其中没有一个手柄能做出同步动作的。 我虽然提醒它要注意幽灵手柄，但是它其实并没有真的理解。 这个例子又干了 1 个多小时。作为参考，Sonnet5.5 只用几分钟，做得比它漂亮，控制逻辑全对。 Qwen4 作为一个旗舰 Max 模型，完全没有体现出旗舰模型该有的实力。 这个例子上 K3.1 Pro 肯定做得比它好。 另外我还搞了两个大制作，分别是荒野大镖客和绝地求生。结果嘛，意料之中的抽象。 绝地求生直接卡死了，不方便截图。 荒野大镖客能打开，效果如下： 有人，有马，有篝火，还有金字塔形的帐篷，好像挺全面的。但这显然不是我要的 3A 大作。属于 3 岁小孩的大作。 骑马也是别有一番风味： 作为顶级国模，本来应该是去对标 Claude 的 Fable 5.2 的。但是... 我都不好意思放对比效果，这样太残忍了 。 这个例子，其实 HY4 也跑了，Opus 5.5 也跑了，Fable 5.2 也跑了。目前正在整理中，有机会后面给大家看对比视频吧。 反正国模和美模的差距已经不是一丁半点了。 实力大概就是这个样子！ 下面看看消耗部分吧： 它这个 token 是乱写的，虽然有这个字段，但是字段里没有写这个数据。 Credit 应该是真实的数据！ 从这个表格中可以看到， Qwen4 的时间消耗非常久，动不动就是 1 个小时起步 ，长的可以到 2 个小时。但是从它的结果来看， 我觉得等这么久是不值得的 。 另外看一下它的费用情况。我是入门档，价格为 59 元。 开通后一个月的 Credit 大概是 2000！ 因为现在有非常大的折扣，所以只扣了 1146，相当于半个多月的配额用完了。 我只是跑了几个例子而已哦~~如果按原价的话， 我需要三个月的配额才能跑完这些例子 。 好像，没啥性价比。 所以可以总结一下了。 能力方面，在国内的话不算差，比 3.8 是有明显进步的。但是显然没有早期吹的那么神，作为一个 4 开头的版本，效果没有任何惊艳的地方。 最近更新的这一批模型都是这个状态，相比自己肯定有进步，但是能力上限不够高，自主性太差了。相比国内同行好像也差不多，没有明显地拉开差距。 相比国外的 Fable 5.2、GPT-6 Astra、Gemini 4 感觉已经不在一个水平线了。 Top10 里面完全看不到国产模型了！ 这个图片来自大模型竞技平台 arena，这个平台其实是华人创建的，平时国产模型上线都是会比正常状态抬高一些的，现在也抬不动了。 A 一家拿下 4 个名额，O 拿下三个，G 拿下两个。 基本上被 Anthropic、OpenAI、谷歌给包圆了。Anthropic 领先幅度太大了。次旗舰 Sonnet 就非常能打！ 不说了不说了，说多了都是……！ 能力说完了，再来结合一下开发效率和开发成本。 这个综合性价比就非常差了！ 如果大家只是日常使用，没啥复杂的事情，那么肯定是选择既便宜，又快的模型了。 这一点我觉得不如 WorkBuddy + HY4！ HY4 明显速度更快，成本更低。 所以说回开头，被人嘲笑，也不无道理。主要确实没啥可以秀的。 感觉国模被什么东西锁死了，更新节奏很慢，提升幅度很小。 我好着急啊，我本来希望有个模型赶紧能达到 Opus 5.5 的水平。 等啊等啊等，等来了 DeepSeek 4.1 Flash，等来了 Kimi 3.1 Pro，等来了混元 4，等来了千问 4。 但是说实话，他们干 Opus 5 都很难！ 前路漫漫，继续努力吧。

本条情报归属 AITOP「模型」核心栏目，重点聚焦中国 AI 产业与国产大模型生态。在跨区域产业观察坐标中，该动态直接关联「中美大模型技术代差与商业化对照」「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：Qwen4、HY4、编程助手、模型评测，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明：本文原始线索采编自「掘金本周最热」（@甲维斯），经 AITOP 多维评分管线结构化提炼。