アリババの早期Qwen 4世代モデルが、ゲーム構築ベンチマークでClaude Opus 5.5を上回った——34勝対10勝——その結果は今日X上で話題になっている。 このテストはGoldieBench：両モデルに同じ固定プロンプトを1回だけ与え、50のタスクで1つのHTMLファイルを出力。すべてのゲームは実際にプレイテストされた。Qwen3.8-Max-Previewの平均得点は10点中8.10点、Opus 5.5は7.60点だった。 雰囲気の重要性が高いタスクで差が最も広がった。Qwenはシンセウェイブ3Dシューティングで8.7対5.8、夕暮れの村で8.4対5.5、トップダウンアクションRPGで8.2対5.5と圧勝。金メダルを8個獲得し、Opusはゼロだった。 一方、Opusも独自の勝利を収めた——そのうち1つは大差だった。彼女の海洋シーンは8.4対Qwenの2.0と、このテスト全体で最大の単一タスク差を記録した。 ただし、これは1つの独立したベンチマークであり、ルールが完全に同一ではなかった。QwenのゲームタスクはQoderのエージェントモード内で実行され、最大2回のQA修正ラウンドが可能だった——ビジョンジャッジがコンソールエラーをフィードバックし、Qwenが自らファイルを編集した。一方、Opusはワンショットで実行された。 また、11月7日に公開された別のテストでは結果が逆だった：GPT-6 Astraが評価したSokoban構築では、Opusが77%、Qwenが70%を記録。所要時間はOpusが約4分に対し、Qwenは31分だった。 このモデル自体はまだプレビュー版のみ：アリババの約2.4兆パラメータを有するフラッグシップモデルで、現在はQoder内でのみ利用可能であり、パブリックAPIは提供されていない。Qwen 4自体はまだ学習中だ。 しかし、方向性は明らかだ。オープンウェイトの挑戦者は、創造的構築テストで勝利を収め始めている——プレビュー版モデルと閉鎖的な最前線との差は、大きく縮まった。 BTCは現在約75,980ドルで、当日約0.1%上昇している。