一个叫Flash的早期模型，跑到了Claude旗舰前面。

更扎眼的是账单：对方做一道任务要2.60美元，它只要0.40美元。

这就是Qwen 4最新流传的游戏开发测评结果。按用户提供的GameFeel Benchmark v1.4榜单，Qwen-4-Flash-Early总分49.9，超过Claude Opus 5.5 XHigh的47.2，排在这份榜单最前面。

分数高了2.7分，单任务成本低了约85%。

先说明消息身份：这是一位第三方评测作者公布的早期访问测试，不是阿里正式发布Qwen 4，也不能当成官方价格表。

一个Flash，把旗舰挤到了身后

先看最直接的对照。

两款Qwen都是Early，意为早期版本。Flash的代号是hawk，27B版本则标示为270亿参数规模。

让人意外的地方在这里：Flash早期版拿到了总分第一，27B早期版也只比Sonnet 5.5 Max低0.4分。

不过，同一个模型的不同推理档位要分开看。Sonnet 5.5 XHigh在榜单里是42.8分，Max是45.0分。简单写成“27B超过Sonnet”会漏掉这个关键条件。

来源：用户提供的GameFeel Benchmark v1.4榜单，数值对应图中版本。

真正刺眼的，是六分之一的账单

49.9对47.2，是分数上的领先。

0.40美元对2.60美元，则可能改变开发者的选择。

按榜单数字计算，Flash的单任务成本约为Opus的15.4%，也就是约六分之一。换个角度，Opus完成一次测试任务的花费，够Flash跑约6.5次。

假设任务数量和平均成本都不变，跑100次，分别是40美元和260美元。这个例子只是把测试成本放大，不能当成实际项目报价。

做游戏原型经常需要反复改：跳跃太飘，调；敌人太强，调；画面不好看，再改。每次尝试更便宜，同一笔预算就能多试几轮。

对开发者来说，低成本的价值，是留出更多修改的机会。

27B早期版的0.16美元同样值得注意。但0.16美元和0.40美元，都应当理解为这次测试所报告的单任务花费，不能改写成Qwen官方API售价，更不是每百万Token价格。

来源：用户提供的GameFeel v1.4性价比图；横轴为单任务成本，纵轴为总分。

总分第一，不等于每一项都赢

GameFeel面向游戏开发相关任务。这类测试引人关注，是因为游戏成品除了代码，还要考虑玩法、反馈、视觉和声音。

能运行和愿意玩，之间隔着不少细节。比如同样是一次命中，声音、停顿和画面反馈不同，体验可能差很多。这些是理解游戏开发任务的例子，并非逐项复述该榜单的评分规则。

但这份结果里，也有不能跳过的另一面。

在用户提供的GameFeel·RE分项图中，Flash早期版是19.9，Opus 5.5 XHigh是21.7，Sonnet 5.5 Max是23.3。

这一分项，Claude仍然领先。

所以，准确的说法是“Qwen早期版在这份游戏开发测评中总分领先”，而不是“所有能力全面碾压Claude”。游戏开发榜单也不能直接代表数学、长文、科研和全部编程任务。

来源：用户提供的GameFeel·RE分项图。

先别急着喊开源最强，还有两件事要看

第一，评测作者follistatin明确提到，Qwen-4-27B此前的音频分数计算有误，已经修正。

主动纠错值得肯定，也提醒我们：转发数字之前，要看榜单版本。后续仍需要更多独立测试，确认排名是否稳定。

来源：follistatin（@follistatindev）公开帖，用户提供。

第二，早期访问不等于正式发布，模型名称里的27B也不等于权重已经公开。现有材料不足以确认最终开源安排、本地部署要求和正式售价。

眼下值得关注的，是一个很具体的信号：在这份第三方测试里，Qwen 4早期版把更高的总分和更低的任务成本放到了一起。

如果正式版和更多开发者实测能复现这个组合，Claude要回答的问题就更直接了：同样一笔开发预算，用户为什么选择你？