আলিবাবার প্রাথমিক Qwen 4-যুগের মডেলটি একটি গেম বিল্ডিং বেঞ্চমার্কে Claude Opus 5.5-কে পরাজিত করেছে — ৩৪টি জয়ের বিপরীতে ১০টি — এবং আজ X-এ এই ফলাফলটি বিস্ফোরিত হয়েছে। পরীক্ষাটি হল GoldieBench: ৫০টি টাস্কের জন্য উভয় মডেলকে একই নির্দিষ্ট প্রম্পট দেওয়া হয়েছিল, একবারের জন্য, একটি HTML ফাইল আউটপুট হিসাবে — প্রতিটি গেম বাস্তবিকভাবে পরীক্ষা করা হয়েছে। Qwen3.8-Max-Preview-এর গড় স্কোর ছিল ১০-এর মধ্যে ৮.১০। Opus 5.5-এর গড় স্কোর ছিল ৭.৬০। যেখানে আবহাওয়ার (atmosphere) গুরুত্বপূর্ণ, সেখানেই পার্থক্যটি সবচেয়ে বেশি। Qwen-এর সিনথওয়েভ 3D শুটারের স্কোর ৮.৭ বনাম ৫.৮, টুইলাইট গ্রামের স্কোর ৮.৪ বনাম ৫.৫, এবং টপ-ডাউন অ্যাকশন-RPG-এর স্কোর ৮.২ বনাম ৫.৫। Qwen ৮টি গোল্ড মেডেল জিতেছে, Opus-এর ০টি। Opus-ও নিজস্বভাবে কিছু লড়াইয়ে জিতেছে — এবং একটি লড়াইয়ের ফলাফলটি ছিল অসাধারণ। এর সমুদ্রের দৃশ্যটি ৮.৪ স্কোর পেয়েছিল, Qwen-এর ২.০-এর বিপরীতে, যা পুরো পরীক্ষার মধ্যেই সবচেয়ে বড় একক-টাস্কের পার্থক্য। কিন্তু, এটি একটি স্বতন্ত্র বেঞ্চমার্ক, এবং নিয়মগুলি একইভাবে ছিলনা। Qwen-এর গেমটি Qoder-এর agent mode-এর ভিতরে, 최대 2টি QA fix round-এর সাথে চলছিল —একজন vision judge console errors-কে back-feed-এর মাধ্যমে Qwen-কেনইতসি file-টি edit-করত। Opus-এর case-এ one-shot-এর rules apply-হয়েছিল। আরও 7 November-এ published-একটি separate test-এ result-টি exactly opposite: GPT-6 Astra-দ্বারা judged Sokoban build-এ, Opus 77% score-পেয়েছিল, Qwen-এর 70% -এর opposite-এ, ~4 minutes-এ, Qwen-এর 31-এর opposite-এ। মডেলটি still preview-only: Alibaba-এর ~2.4-trillion-parameter flagship model, currently only available inside Qoder, public API still not available। Qwen 4 itself still in training. কিন্তু directionটি clear: open-weight challenger now winning creative-build tests —এবং preview model and closed frontier-এর gapটি now significantly smaller। BTC $75,980-এ close, today-এ ~0.1% increase।