Mô hình Qwen 4 sớm của Alibaba đã đánh bại Claude Opus 5.5 trong bài kiểm tra xây dựng trò chơi — 34 chiến thắng so với 10 — và kết quả này đang gây sốt trên X hôm nay. Bài kiểm tra là GoldieBench: cùng một prompt cố định được đưa cho cả hai mô hình, một lần duy nhất, đầu ra một tệp HTML, trên 50 nhiệm vụ — mọi trò chơi đều được thử nghiệm thực tế. Qwen3.8-Max-Preview đạt trung bình 8,10/10. Opus 5.5 đạt trung bình 7,60. Khoảng cách lớn nhất xuất hiện ở những nhiệm vụ đòi hỏi không khí. Qwen giành 8,7 so với 5,8 cho trò bắn súng 3D phong cách synthwave, 8,4 so với 5,5 cho làng hoàng hôn, và 8,2 so với 5,5 cho trò hành động-RPG nhìn từ trên xuống. Nó giành 8 huy chương vàng, trong khi Opus không có huy chương nào. Opus vẫn giành chiến thắng trong một số trận đấu — và một trong số đó là chiến thắng áp đảo. Cảnh biển của Opus đạt 8,4 so với 2,0 của Qwen, khoảng cách lớn nhất trong một nhiệm vụ đơn lẻ trong toàn bộ bài kiểm tra. Tuy nhiên, điểm cần lưu ý: đây chỉ là một bài kiểm tra độc lập, và các quy tắc không hoàn toàn giống nhau. Các nhiệm vụ trò chơi của Qwen được chạy trong chế độ agent của Qoder với tối đa hai vòng sửa lỗi QA — một người đánh giá hình ảnh gửi lại lỗi console và Qwen tự chỉnh sửa tệp của mình. Trong khi đó, Opus chạy theo chế độ một lần duy nhất. Một bài kiểm tra riêng biệt được công bố ngày 7 tháng Mười Một cho kết quả ngược lại: trong bài kiểm tra xây dựng Sokoban do GPT-6 Astra đánh giá, Opus đạt 77% so với 70% của Qwen — trong khoảng 4 phút, so với 31 phút của Qwen. Mô hình này hiện vẫn ở trạng thái bản xem trước: mô hình chủ lực của Alibaba với khoảng 2,4 nghìn tỷ tham số, chỉ có sẵn trong Qoder và chưa có API công khai. Bản thân Qwen 4 vẫn đang trong quá trình huấn luyện. Nhưng xu hướng là rõ ràng: đối thủ mở trọng số hiện đang chiến thắng trong các bài kiểm tra sáng tạo xây dựng — và khoảng cách giữa một mô hình xem trước và ranh giới đóng đã thu hẹp đáng kể. BTC đang ở mức gần 75.980 USD, tăng khoảng 0,1% trong ngày.