Qwen4 系列在 GameFeel Bench 游戏创造力评测跑分首超 Opus5.5 解读

阿里云千问 Qwen4 早期版本在 GameFeel Bench v1.4 游戏创造力专项评测中实现突破，Qwen4-Flash-Early 拿到 49.9 分，超过 Claude Opus 5.5（XHigh）47.2 分，是国产大模型在这个偏向游戏手感、创意、开发全链路的基准里首次完成反超，同时 Qwen4-27B-Early 拿到 44.6 分，接近 Sonnet 5.5 的 45 分，并且推理成本相比 Opus5.5 大幅下降，性价比优势突出。

评测基础信息与得分对照表

GameFeel Bench 评测维度清单

这个基准和普通代码评测不一样，不只看代码能不能跑，是 7 个维度等权综合打分，重点偏向游戏创作的主观体验：

1. 游戏代码生成：完整产出可运行游戏源码
2. Bug 修复：定位、修复游戏运行故障
3. 游戏手感（GameFeel）：物理反馈、操作顺滑度、打击感设计
4. 创意策划：玩法、世界观、关卡设计创意
5. 视觉美术描述：场景、角色、特效设计表达
6. 音频设计：BGM、音效、氛围音频方案
7. 合规与调试：测试、边界问题处理能力

Qwen4 在创意、音频分项优势明显；短板集中在 bug 修复、回归测试环节。

本次突破的意义说明

1. 赛道差异化突破：通用大模型榜单里 Opus 长期强势，而游戏创作需要兼顾代码、物理、手感、美术创意，属于复合型任务，这次是国产模型在这个细分专项的标志性成绩。
2. 轻量化模型取胜：拿分的是 Flash 轻量版本，不是超大参数量旗舰，同时推理成本只有 Opus5.5 的约 1/6，适合游戏工作室批量生成原型、快速迭代玩法。
3. 定位偏向游戏原型生产：适合独立游戏开发者快速出 Demo、玩法验证、关卡文案、音效方案，不是直接替代专业游戏引擎和程序员。
4. 注意边界：当前为 Early 早期内测版本跑分，并非 Qwen4 正式版，成绩为第三方独立基准，不是阿里官方发布的正式评测结果。

【相关 FAQ】

问题 1：GameFeel Bench 和普通代码 SWE-bench 有什么区别？

回答 1：SWE-bench 侧重通用软件代码正确性；GameFeel Bench 专门面向游戏创作，除代码之外，还要评估游戏手感、玩法创意、视觉、音频设计，更贴近游戏开发者真实创作流程。

问题 2：Qwen4-Flash 跑分超过 Opus5.5，是不是代表它综合能力全面更强？

回答 2：仅在 GameFeel Bench 这个游戏创作专项胜出，不等于综合通用能力、长文本、复杂工程任务全面超越 Opus5.5，不同基准的侧重差异很大。

问题 3：Qwen4-27B 版本在这个榜单表现如何？

回答 3：Qwen4-27B-Early 拿到 44.6 分，和 Claude Sonnet 5.5 的 45 分非常接近，而且推理成本更低，适合本地私有化部署做游戏原型。

问题 4：这个跑分是 Qwen4 正式版的成绩吗？

回答 4：不是，参与测试的是 Qwen4 Early 早期内测版本，正式版的能力、跑分、定价还要等官方发布。

【参考资料】

[2026-11-09]（Qwen 4 疑似偷跑！游戏开发超越 Opus 5.5，成本暴降 85%）凤凰网科技

[2026-11-09]（千问 Qwen4 游戏开发跑分首度超越 Opus 5.5）DoNews

[2026-11-08]（GameFeel Bench v1.4 榜单）GitHub kodasdream/gamefeel-benchmark

【免责声明】

本次数据来自第三方开源 GameFeel Bench v1.4 内测跑分，被测模型为 Qwen4 早期预览版本，不代表正式版能力；单一专项基准结果不能等同于大模型综合实力；模型实际产出效果受提示词、推理参数影响，仅供行业参考，不构成选型唯一依据。