
Alibaba introduceert Qwen4-Max, een AI-model dat taakkosten met 62% verlaagt en extra beveiligingsmaatregelen tegen cyberaanvallen bevat.
Alibaba heeft Qwen4-Max gelanceerd, een AI-model met 2,4 biljoen parameters dat volgens het bedrijf de gemiddelde kosten voor het uitvoeren van professionele taken met 62% verlaagt ten opzichte van zijn voorganger. Tegelijkertijd zijn er extra beveiligingsmaatregelen toegevoegd om misbruik voor offensieve cybersecuritydoeleinden en andere risicovolle toepassingen tegen te gaan.
Volgens Alibaba, gebaseerd op Work360 , een benchmark die prestaties meet op 721 gespecialiseerde vakgebieden , presteert Qwen4-Max beter dan Qwen3.8-Max, terwijl het 35% minder tokens gebruikt in de modus voor intensief redeneren. De gemiddelde kosten per taak dalen daardoor van $4,43 naar $1,67. Het model behoudt de 2,4 biljoen parameters van zijn voorganger, maar activeert per token ongeveer 71 miljard parameters in plaats van 95 miljard. Qwen4-Max ondersteunt een contextvenster van 1 miljoen tokens. De kostenbesparing wordt toegeschreven aan het lagere tokenverbruik en nieuwe tarieven van $1,50 per miljoen inputtokens en $4,50 per miljoen outputtokens, lager dan de eerdere $2 en $6. Ter vergelijking rekent Anthropic voor Claude Opus 5.5 $20 per miljoen outputtokens.
Analisten waarschuwen dat deze cijfers vooral als benchmark van de leverancier moeten worden gezien en niet als gegarandeerde kostenverlaging voor gebruikers. De werkelijke kosten hangen af van het aantal succesvolle resultaten, inclusief herhalingen, benodigde tokens voor redenering en tijd die medewerkers besteden aan het controleren van outputs. Alibaba noemt ook verbeteringen in codeer- en agentbeoordelingen, waarbij in een demonstratie in de auto-industrie de programmeertijd voor handmatige werkstukken daalde van 475 naar 24 minuten.
Op het gebied van cybersecurity meldt Alibaba dat het trainingsdata filtert op basis van het doel van de taak. Data voor defensieve taken zoals kwetsbaarheidsverificatie, detectie en herstel worden behouden, terwijl data voor offensieve taken die aanvalscapaciteiten verbeteren, worden verwijderd. Door extra codebeveiligingscontroles tijdens training steeg het aandeel functies dat zowel functionele als beveiligingstests doorstaat van 22% naar 31,8%. Interne experts van Alibaba constateren een aanzienlijke verbetering van de defensieve capaciteiten van het model.
Deskundigen stellen echter vragen bij de scheiding tussen offensieve en defensieve cybersecuritykennis via filtering van trainingsdata. Omdat kennis over bijvoorbeeld SQL-injecties zowel voor aanvallen als verdediging nodig is, is het lastig deze betrouwbaar te scheiden. Onafhankelijke validatie wordt aanbevolen, waarbij wordt geadviseerd dat beveiligingsprofessionals beoordelingen laten uitvoeren door overheidsinstanties of externe red teams in plaats van alleen op interne tests van Alibaba te vertrouwen.












