
Qwen4-Max wurde als Opus-5.5-Besieger bezeichnet: Der Index setzt es 16 Punkte zurück
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 90 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 96 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 87 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 133 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 pro 1 Mio. Tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 120 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 219 tok/s
Das Urteil zum Marktstart über Qwen4-Max lautete, dass es Claude Opus 5.5 sowie sowohl GPT-6.1 Sol als auch GPT-6 Astra schlägt und nur hinter Claude Fable 5.2 zurückliegt. Drei dieser vier Vergleiche fallen auf dem einzigen Scoreboard, das alle fünf Modelle durch dieselben neun Evaluierungen laufen ließ, genau umgekehrt aus. Der Artificial Analysis Intelligence Index v5.0.1, abgelesen am 16. November 2026 – dem Tag, an dem Qwen4-Max in den Verkauf ging –, führt Qwen4-Max mit 43, Claude Opus 5.5 mit 59, GPT-6 Astra mit 57, GPT-6.1 Sol mit 55 und Claude Fable 5.2 mit 65. Sechzehn Punkte hinter dem Modell, das es angeblich schlagen sollte, vierzehn hinter dem zweitgünstigsten der drei und zwölf hinter dem dritten. Der vierte Vergleich – der, in dem Fable 5.2 vorn liegt – ist der einzige Teil der Behauptung, der den Kontakt mit dem Harness übersteht.
Diese Lücke lohnt es sich auseinanderzunehmen, statt sie abzutun, denn die Behauptung ist nicht erfunden. Sie ist das, was herauskommt, wenn ein Vergleich aus nicht zueinander passenden Reasoning-Effort-Einstellungen zusammengesetzt wird und die Diskrepanz jedes Mal zufällig in eine Richtung läuft. Im Folgenden: was Alibaba tatsächlich veröffentlicht hat, was das Scoreboard auf jeder Sprosse jeder Leiter anzeigt, die eine Lesart, unter der die Behauptung buchstäblich wahr wird, und die Zahl, die der Tracker für Qwen4-Max überhaupt nicht hat.
Was Alibaba veröffentlichte – und was nicht.
Als Erstes ist das Launch-Material des Anbieters von den Kommentaren darum herum zu trennen. Alibabas eigener Qwen4-Max-Blogbeitrag vom 16. November 2026 nennt in seinen 3.100 Wörtern nirgends ein konkurrierendes Modell namentlich. Jeder Vergleich darin gilt Qwen3.8-Max, dem eigenen vorherigen Flaggschiff des Unternehmens. Das ist für einen Launch-Beitrag normal und keine Kritik – aber es bedeutet, dass die wettbewerbsorientierte Rahmung nicht vom Anbieter stammt, und jede im Umlauf befindliche Aussage „schlägt Opus“ eine Schlussfolgerung ist, die jemand anders gezogen hat.
Was der Anbieter allerdings behauptet – alles vom Anbieter angegeben und nicht reproduziert:
• Architektur — ein Backbone mit 2,4 Billionen Parametern auf einer neuen Qwen4-Architektur, mit nativer Vision und einem Kontextfenster von einer Million Token.
• Token-Effizienz gegenüber Qwen3.8-Max – 24 % weniger Tokens bei Xhigh-Aufwand und 35 % weniger bei High im Work360-Benchmark von Alibaba sowie 48 % bzw. 49 % weniger bei Terminal-Bench 4.0.
• Kosten pro Aufgabe im Vergleich zu Qwen3.8-Max — durchschnittlich von 4,43 $ auf 1,67 $, eine Senkung um 62 %, mit den größten Reduzierungen bei den Preisen für zwischengespeicherte Eingaben.
• Work360-Wertung — 52,69 gegenüber 47,74 für Qwen3.8-Max.
Nichts davon ist ein labübergreifender Vergleich, und nichts davon lässt sich mit den veröffentlichten Zahlen eines Wettbewerbers abgleichen, weil sie anhand von Benchmarks gemessen werden, die der Anbieter selbst bewertet. Die unabhängige Zahl kam am selben Tag aus einer anderen Richtung.
Was die unabhängige Testumgebung liest
Artificial Analysis v5.0.1 ist ein aus neun Evaluierungen bestehender zusammengesetzter Index – AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset und Terminal-Bench-Science 0.1 –, der vom Tracker und nicht von den Labs durchgeführt wird. Darin liegt Qwen4-Max mit 43 auf Rang 38 von 81 Modellen, etwas über dem Feldmedian von 41. Das ist ein respektabler Einstand für eine Architektur der ersten Generation. Es ist kein Spitzenmodell, und die vier Modelle, über die es eingeordnet wurde, liegen alle vor ihm:
• Claude Opus 5.5 — 59 bei Max, 57 bei Xhigh, 52 bei High, 48 bei Medium, 35 bei Low. Veröffentlicht am 22. September 2026.
• GPT-6 Astra — 57 bei Max, 55 bei Xhigh, 55 bei High, 52 bei Medium, 43 bei Low. Veröffentlicht am 3. September 2026, Wissensstand April 2026.
• GPT-6.1 Sol — 55 bei Max, 52 bei Xhigh, 50 bei High, 46 bei Medium, 35 bei Low. Veröffentlicht am 29. September 2026.
• Claude Fable 5.2 — 65 bei Max, 62 bei Xhigh, 62 bei High, 56 bei Medium, 54 bei Low. Veröffentlicht am 9. November 2026.
• Qwen4-Max — 43, veröffentlicht als einzelner Wert ohne Staffelung nach Aufwandsstufe. Veröffentlicht am 16. November 2026.
Diese letzte Asymmetrie erzählt die ganze Geschichte. Qwen4-Max ist ein Reasoning-Modell, und der Tracker bewertet seine Konkurrenten bei fünf separaten Reasoning-Einstellungen, während er Qwen4-Max bei nur einer bewertet. Welche Einstellung auch immer die 43 erzeugt hat, sie wird mit der stärksten von Opus 5.5, Astra und Sol verglichen, und der Tracker verrät nicht, wie viel Spielraum darunter noch bleibt. „43 gegen 59“ ist also kein direkter Vergleich der Obergrenzen der beiden Modelle – es ist die einzige gemessene Einstellung von Qwen4-Max gegen die beste von Opus 5.5.
Die eine Lesart, unter der die Behauptung wahr ist
Liest man die Ranglisten von oben nach unten, hört die Behauptung auf, falsch zu sein, und beginnt, irreführend zu sein, was ein interessanteres Scheitern ist. Die 43 von Qwen4-Max wird nicht von jeder Sprosse jedes Gegners geschlagen. Sie übertrifft oder erreicht die unterste Sprosse bei drei der vier:
• Gegen Claude Opus 5.5 – 43 übertrifft die 35 der Low-Einstellung um acht Punkte und unterliegt den 48 von Medium um fünf. Der Übergangspunkt liegt zwischen Low und Medium.
• Gegen GPT-6 Astra — 43 gleicht genau Astras Low-Einstellung von 43 und verliert gegen Mediums 52 um neun.
Gegen GPT-6.1 Sol — 43 schlägt Sols Low-Einstellung von 35 um acht Punkte und verliert gegen Mediums 46 um drei. Das ist die knappste Entscheidung im Feld.
• Gegen Claude Fable 5.2 — 43 unterliegt jeder Stufe, einschließlich der 54 der Low-Einstellung, um elf Punkte. Es gibt keine Einstellung von Fable 5.2, die Qwen4-Max erreicht.
Ein Vergleich also, der Qwen4-Max gegen Konkurrenten antreten ließe, die mit „Low effort“ liefen, würde genau die berichtete Reihenfolge für Opus 5.5 und Sol ergeben, genau das berichtete Gleichstand-oder-besser gegen Astra und genau die berichtete Niederlage gegen Fable 5.2. Das ist eine kohärente, in sich stimmige Ergebnismenge, und sie ist die einzige auf diesem Harness, die die kursierende Reihenfolge erzeugt. Ob jemand sie absichtlich zusammengestellt hat oder darauf gekommen ist, indem er eine Standardkonfiguration mit einer niedrigsten Einstellung verglich – die Arithmetik landet dort.
Die praktische Konsequenz ist der Teil, auf den es für alle ankommt, die einen Launch-Thread lesen statt eine Punktetafel: Bei gleichem Reasoning-Aufwand liegt Qwen4-Max ungefähr eine Stufe hinter GPT-6.1 Sol und zwei Stufen hinter Claude Opus 5.5. Das ist ein wirklich konkurrenzfähiges Debüt. Es ist keine Führungsposition, und es ist weit entfernt von der „outperformt“-Darstellung.

Die Kosten pro Aufgabe trennen zwei Behauptungen von einer.
Die Leistungsfähigkeit ist nur die Hälfte dessen, was das Gerede zum Marktstart behauptet hat, und in puncto Kosten fällt das Bild für Qwen4-Max günstiger aus – bei zwei der drei Modelle, nicht beim dritten.
• Listenpreis — Qwen4-Max kostet 1,50 $ pro Million Eingabe- und 4,50 $ pro Million Ausgabe-Tokens, mit 95 % Cache-Rabatt und einem Mischpreis von 0,80 $ pro Million. Dieser Mischpreis ist der niedrigste aller fünf Modelle hier: GPT-6.1 Sol liegt bei 1,47 $, Claude Opus 5.5 bei 2,94 $, Claude Fable 5.2 bei 5,74 $ und GPT-6 Astra bei 7,70 $.
• Kosten pro abgeschlossener Aufgabe — Claude Fable 5.2: 26,54 $, Claude Opus 5.5: 10,04 $, GPT-6 Astra: 6,24 $, Qwen4-Max: 3,27 $, GPT-6.1 Sol: 1,27 $. Alle mit der Max-Einstellung des jeweiligen Modells.
• Die Umkehrung — Qwen4-Max hat den günstigsten kombinierten Preis im Feld und die drittgünstigste Aufgabe. Es schlägt Claude Opus 5.5 pro Aufgabe um den Faktor drei und GPT-6 Astra um etwa zwei, und verliert gegen GPT-6.1 Sol um den Faktor 2,6.
Der Mechanismus ist Ausführlichkeit, und der Tracker misst sie direkt: Qwen4-Max generierte 127 Millionen Ausgabe-Tokens für die Fertigstellung des Index, gegenüber einem Feldmedian von 78,6 Millionen, und wird als sehr ausführlich eingestuft. Ein Modell, das 60 % mehr schreibt als der Median, verbraucht seinen Preisvorteil dafür. Alibabas eigene Token-Reduktionswerte von 24 bis 35 % sind echte Verbesserungen gegenüber Qwen3.8-Max und sagen nichts darüber aus, wie ausführlich das Modell in absoluten Zahlen ist – und genau diese Zahl landet auf einer Rechnung.
Die Kostenseite der Behauptung lässt sich also sauber aufteilen. „Günstiger im Betrieb als Opus 5.5 und Astra“ stimmt pro Aufgabe – und zwar mit großem Abstand; das ist die stärkste Aussage dieses Artikels für Qwen4-Max. „Günstiger als GPT-6.1 Sol“ ist pro Aufgabe um den Faktor 2,6 falsch, obwohl Qwen4-Max’ kombinierter Tarif 46 % niedriger ist. Wer auf Grundlage der Preisliste budgetiert hat und auf der Rechnung das Gegenteil herausbekam, ist auf dieselbe Diskrepanz gestoßen.
Die Zahl, die der Tracker nicht hat
Eine Spalte auf der Qwen4-Max-Seite ist auf eine Weise leer, die es verdient, hervorgehoben zu werden. Artificial Analysis meldet die Zeit pro Aufgabe für jedes Modell, das hier aufgeführt wird – Claude Opus 5.5 mit 24,9 Minuten auf Max, GPT-6 Astra mit 20,9, GPT-6.1 Sol mit 22,9, Claude Fable 5.2 mit 41,8 – und meldet für Qwen4-Max N/A, wobei das Zeitdiagramm mit „No publicly available API“ annotiert ist.
Lies diese Anmerkung sorgfältig, bevor du daraus eine Schlussfolgerung ziehst, denn sie ist keine Aussage darüber, dass das Modell nicht aufgerufen werden kann. Alibaba veröffentlicht Preise pro Token für Qwen4-Max, und in seinem Launch-Post heißt es, die API-Preise seien im Vergleich zu Qwen3.8-Max gesenkt worden; außerdem führt der Tracker selbst Alibaba Cloud als Anbieter des Modells auf und nennt Kosten von 3,27 US-Dollar pro Aufgabe. Ein Modell mit Preisliste, Anbieter und gemessenen Kosten pro Aufgabe hat eine API. Die wahrscheinlichere Lesart ist, dass die Timing-Messung über den vom Tracker verwendeten Weg nicht ermittelbar war, und die Seite sagt nicht, welcher das ist. Die eigene FAQ des Trackers auf derselben Seite besagt, das Modell sei „über 1 Anbieter über die API verfügbar“, was ebenfalls nicht mit der Diagramm-Anmerkung übereinstimmt.
Was von der Unklarheit übrig bleibt, ist enger und dennoch nützlich: Es gibt keinen unabhängigen Latenzwert für Qwen4-Max am Tag seines Marktstarts, während jedes Modell, mit dem es verglichen wird, einen hat. Wenn Ihre Arbeitslast latenzempfindlich ist, entscheiden Sie auf Basis einer Zahl, die noch niemand veröffentlicht hat, und die ehrliche Haltung ist, sie selbst zu messen, bevor Sie einen Produktionspfad darauf festlegen.

Was von den Launch-Behauptungen standhält
Drei der kursierenden Tatsachenbehauptungen erweisen sich als zutreffend und verdienen es, klar ausgesprochen zu werden, denn eine Faktenprüfung, die nur abstreicht, ist keine Faktenprüfung:
• Das Kontextfenster – angegeben mit einer Million Tokens, vom Tracker mit 984.000 gemessen. Das ist ein echtes Million-Token-Modell, kein aufgerundetes 200K.
• Native Vision — der Tracker erfasst Text- und Bildeingaben mit Textausgabe, was der Beschreibung „native vision" des Anbieters entspricht und nicht einem zusätzlich an ein Textmodell angebauten Encoder.
• Die Preissenkung – 1,50 $ und 4,50 $ pro Million gegenüber der höheren Preiskarte von Qwen3.8-Max und der niedrigste Mischpreis unter den fünf hier verglichenen Modellen. Die Richtung der Preisgeschichte ist unbestritten.
Was nicht standhält, ist das Ranking, und das Ranking ist der Teil, der am häufigsten wiederholt wurde.
Was am Tag des Launches damit zu tun ist
Der sinnvolle Umgang mit einem Modell wie diesem besteht nicht darin, in der Debatte Partei zu ergreifen, sondern die Option günstig zu halten. Qwen4-Max ist eine Architektur der ersten Generation zu einem wirklich niedrigen Stückpreis, mit einer unabhängigen Bewertung im Mittelfeld und ohne Latenzangabe – ein Profil, das einen Test belohnt und eine Migration bestraft.
Dafür ist Routing da. Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol und Claude Fable 5.2 sind alle über OrcaRouter zu den Listenpreisen der jeweiligen Anbieter mit 0 % Aufschlag geroutet, sodass eine Preisänderung eines Anbieters noch am selben Tag wirksam wird und die obige Rechnung pro Aufgabe aktuell bleibt, ohne einen zweiten Vertrag oder eine Änderung am SDK. Qwen4-Max wird nicht über OrcaRouter geroutet – es ist über Alibabas eigene Model-Studio-API und mehrere Drittanbieter-Plattformen erreichbar, und dieser Artikel wird nichts anderes behaupten. Was Routing in dieser Situation bringt, ist der Vergleich: Die vier Modelle, gegen die gemessen wurde, liegen hinter einem Schlüssel für über 200 Modelle, sodass das Benchmarking von Qwen4-Max gegen sie eine Konfigurationsänderung auf einer Seite des Zauns ist statt einer Beschaffung auf beiden.
Und wenn Qwen4-Max sich tatsächlich einen Platz verdient, automatisches Failover, was ein ungemessenes Modell sicher in einen Live-Pfad bringt – die Anfrage fällt auf ein Modell durch, dessen Latenz man tatsächlich kennt, statt zu scheitern, wenn das neue langsam oder nicht verfügbar ist, und zwar so, wie es seine fehlende Latenzangabe vermuten lässt.

Die Einordnung zum Marktstart war, dass ein günstiges chinesisches Modell zwei amerikanische Flaggschiffe überholt habe. Was der Prüfaufbau tatsächlich zeigt, ist ein preislich gut aufgestelltes Modell eine Stufe hinter dem günstigsten von ihnen und zwei Stufen hinter dem besten – mit echter Vision-Fähigkeit, einem echten Million-Token-Fenster und ohne veröffentlichte Geschwindigkeit. Das ist ein besseres Produkt, als die Behauptung es klingen ließ, und ein schlechteres Ranking, und der Unterschied zwischen diesen beiden Dingen ist genau der Abstand zwischen einem Thread und einer Rangliste.
In diesem Artikel verglichen3
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
