这次跑分来自第三方小众游戏开发专项评测 GameFeel Bench v1.4，并非通用代码基准，测试对象是还未正式发布的 Qwen4-Flash-Early（内部代号 hawk），得分 49.9，高于 Claude Opus 5.5（XHigh）47.2 分；同系列 Qwen4-27B-Early 拿到 44.6 分，接近 Claude Sonnet 5.5 的 45 分，该榜单不只评判代码能否运行，还综合游戏手感、交互创意、视觉表现、音频设计等游戏开发维度打分，和传统代码基准侧重点不一样。
分数与成本对比表
| 模型 | 得分 | 单任务成本 | 备注 |
|---|---|---|---|
| Qwen4-Flash-Early（hawk） | 49.9 | 0.4 美元 | 轻量化版本，本次榜单第一 |
| Claude Opus 5.5 XHigh | 47.2 | 2.6 美元 | 对比基准 |
| Claude Sonnet 5.5 Max | 45.0 | - | 次一级 Anthropic 模型 |
| Qwen4-27B-Early | 44.6 | 0.16 美元 | 可本地部署版本 |
GameFeel Bench 评测特点
- 评测目标偏向独立小游戏原型开发，任务包含玩法逻辑、控制手感、美术素材生成、音效、关卡设计，不是单纯算法刷题。
- 评测由个人开发者维护，属于社区第三方榜单，不是官方权威基准，任务集、打分规则有主观性，和 GameDevBench 等主流游戏开发榜单结果不能直接等同。
- 评分采用人工 + 自动化结合方式，重点考察最终成品的游玩体验，而不是只看代码通过率。
关键边界说明
- 参与测试的是 Qwen4 早期预览版本，不是正式发布版，正式版参数、能力可能调整。
- 仅代表该专项榜单的结果，不能直接等同于通用推理、数学、长文本、通用软件工程能力全面超越 Opus 5.5。
- 成本优势明显：Qwen4-Flash 成本约为 Opus 5.5 的 1/6，27B 本地版成本更低，适合批量小游戏原型迭代。
落地使用建议
- 做小游戏原型、Godot/Pygame 快速 Demo、玩法验证，该榜单参考价值较高；商业大型项目仍需要多基准交叉验证。
- 不要单一依靠这个榜单选型，搭配 SWEBench、GameDevBench 等主流代码基准一起对比。
- 等待 Qwen4 正式版上线后，再做完整、可复现的横向对比。
【相关 FAQ】
问题 1：Qwen4 在 GameFeel Bench 超越 Opus 5.5，是不是代表综合能力更强？
回答 1：不是，只是这个游戏创意开发专项榜单的结果，不能直接推导通用推理、大型工程代码等其他场景的能力更强。
问题 2：GameFeel Bench 和 GameDevBench 是同一个评测吗？
回答 2：不是，GameFeel Bench 侧重游戏手感、创意体验；GameDevBench 是另一套侧重游戏工程代码的基准，二者任务、评分体系不一样。
问题 3：参与测试的 Qwen4-Flash 是正式版本吗？
回答 3：不是，是 Early 早期内测版本，分数属于临时偷跑测试结果，正式版性能可能变化。
问题 4：Qwen4-27B-Early 可以本地部署吗？
回答 4：按照本次披露信息，Qwen4-27B-Early 属于可本地部署版本，成本更低，跑分接近 Sonnet 5.5。
【参考资料】
[2026-11-09]（Qwen4-Flash-Early GameFeel Bench 跑分）凤凰网科技
[2026-11-09]（第三方榜单解读）AIbase
[2026-11-08]（GameFeel Bench v1.4 原始信息）shiritomo
[2026-11-09]（国产大模型游戏开发跑分资讯）C114Pro
[2026-11-08]（GameFeel Bench 项目介绍）GitHub kodasdream/gamefeel-benchmark
【免责声明】
本次跑分属于社区第三方非官方基准、内测早期版本数据，不代表阿里千问官方结论；不同评测基准、提示词、采样参数都会改变模型得分，选型时请多场景实测验证。
本文来自作者[虹频载波使]投稿，不代表新投网立场，如若转载，请注明出处：https://www.eastpo.net/ai/202611/1043.html
评论列表（4条）
我是新投网的签约作者“虹频载波使”！
希望本篇文章《GameFeel Bench v1.4 测试，Qwen4-Flash 早期版本游戏开发跑分首次超过 Claude Opus 5.5》能对你有所帮助！
本站[新投网]内容主要涵盖：互联网行业的追踪与探索
本文概览：这次跑分来自第三方小众游戏开发专项评测 GameFeel Bench v1.4，并非通用代码基准，测试对象是还未正式发布的 Qwen4-Flash-Early（内部代号 hawk），得分 49.9，高于 Claude Opus 5.5（XHigh）47.2 分；同系列 Qwen4-27B-Early 拿到 44.6 分，接近 Claude Sonnet 5.5 的 45 分，该榜单不只评判代码能否运行，还综合游戏手感、交互创意、视觉表现、音频设计等游戏开发维度打分，和传统代码基准侧重点不一样。