Eine Titelkarte mit der Aufschrift „Qwen4-Max, gebaut für echte Arbeit“, mit der Zeile „32,3 Minuten pro Aufgabe im Intelligence Index gegenüber einem Median von 12,4 Minuten im Vergleichsfeld“.
Guides & Insights

Qwen4-Max wurde für echte Arbeit gebaut. Die Uhr der realen Welt sagt: 32 Minuten pro Aufgabe.

Autor

Gideon Frost

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

„Für echte Arbeit gebaut“ – so wird Qwen4-Max diese Woche auf einer Drittanbieterplattform verkauft, die das Modell am 18. November gelistet hat, zwei Tage nachdem Alibaba es in den allgemeinen Verkauf gebracht hatte. Qwen4-Max wurde am 16. November 2026 ausgeliefert, und das Listing dieser Plattform fügte keine neuen Gewichte, keine neue Kontextzahl und keinen neuen Preis hinzu – nur einen Slogan und einen Button. Der Slogan ist zufällig die am besten überprüfbare Behauptung, die jemand über das Modell aufgestellt hat, denn echte Arbeit ist kein Benchmark-Wert. Sie ist eine Aufgabe, die abgeschlossen werden muss, innerhalb eines Budgets, während jemand darauf wartet. Auf dem einen öffentlichen Board, das genau das misst, braucht Qwen4-Max 32,3 Minuten, um eine einzelne Intelligence-Index-Aufgabe abzuschließen. Der Median im Feld liegt bei 12,4. Der eigene Vorgänger, Qwen3.8-Max, brauchte 47,4.

Das ist die Form des Urteils, und sie ist nicht schlecht. Qwen4-Max ist ein Drittel schneller als das Modell, das es ersetzt, und auf demselben Index 19 Punkte besser, und es leistet sich das zusätzliche Nachdenken zu einem Tarif, der pro Token rund ein Viertel günstiger ist. Was sich durch die Zeit ändert, ist die Frage, wer danach greifen sollte. Ein Modell, das pro Aufgabe eine halbe Stunde braucht, ist nicht das Modell, das man hinter eine Chatbox oder eine zwanzigstufige Agentenschleife setzt, ohne bewusst zu entscheiden, dass man sich die Wall-Clock-Zeit leisten kann. Dieser Beitrag handelt von dieser Entscheidung und den drei Zahlen, die sie bestimmen – Minuten pro Aufgabe, Token pro Aufgabe und das eine Aufwandsniveau, das tatsächlich gemessen wurde.

Ein Slogan, der auf Latenz abzielt, nicht auf ein Leaderboard.

Werbetexte zum Marktstart eines Flaggschiffs streiten normalerweise über Leistungsfähigkeit. Dieser hier streitet über Arbeit, was die Frage still von „wie klug“ zu „wie lange“ und „wie viel“ verschiebt. Das sind unterschiedliche Fragen mit unterschiedlichen Antworten, und die eigenen Materialien des Anbieters beantworten die erste viel besser als die zweite.

Die veröffentlichten Angaben von A​libaba zu Qwen4-Max betreffen Effizienz, und sie alle setzen eine bestimmte Aufwandsstufe voraus. In der hauseigenen Work360-Suite erzielt das Modell 52,69 gegenüber 47,74 für Qwen3.8-Max und erzeugt dabei bei Xhigh-Aufwand 24 % weniger Token bzw. bei High 35 % weniger. Auf Terminal-Bench 4.0 beträgt die Token-Reduktion 48 % und 49 % bei denselben beiden Einstellungen, und die durchschnittlichen Kosten pro Aufgabe in Work360 sinken von $4.43 auf $1.67. Jede dieser Zahlen ist vom Anbieter gemeldet, keine wurde unabhängig reproduziert, und jede ist an eine Aufwandsstufe gebunden, die man auswählen muss. Dieses letzte Detail ist keine Fußnote. Es ist der Grund, warum die unabhängige Timing-Zeile nicht ohne Einschränkung als „die Geschwindigkeit des Modells“ gelesen werden kann.

Die unabhängige Zeile, schlicht formuliert.

Artificial Analysis hat Qwen4-Max auf dem Intelligence Index v5.0.1 bei Xhigh gemessen – der höchsten Stufe seiner dreistufigen Einstellung – und zusammen mit dem Ergebnis die vollständige Kosten- und Geschwindigkeitsübersicht veröffentlicht. Live abgerufen am 18. November 2026:

• Intelligenz-Index — 43 für Qwen4-Max gegenüber 62 für GPT-6.2 Astra und 34 für Qwen3.8-Max (0902)

• Wall-Clock-Zeit pro Aufgabe — 32,3 Minuten, gegenüber einem Median von 12,4 bei vergleichbaren Modellen; Qwen3.8-Max benötigte 47,4

• Ausgabe-Tokens pro Indexlauf — 127 Millionen, gegenüber einem Feldmedian von 65,1 Millionen

• Ausgabegeschwindigkeit — 54 Tokens pro Sekunde, gemessen am eigenen Endpunkt von A​libaba

• Zeit bis zum ersten Antwort-Token — 148,57 Sekunden

• Kosten pro Indexierungsaufgabe — 3,27 $, gegenüber 10,02 $ für Qwen3.8-Max

• Angegebener Kontext — 984.000 Token, gemessen vom Tracker, gegenüber 1.000.000 in Alibabas Dokumentation

Das interessante Paar sind die ersten beiden. Dreiundvierzig ist ein mittelmäßiger Wert, und das Board sagt das auch – es beschreibt das Modell als unterdurchschnittlich unter vergleichbaren Modellen, mit einem Median ebenfalls von 43, sodass Qwen4-Max genau auf der Linie liegt. 32,3 Minuten gegenüber einem Median von 12,4 Minuten sind dagegen nicht mittelmäßig; das ist fast das Dreifache des Feldes. Die Leistungsfähigkeit landete im Durchschnitt, und die Kosten, sie herauszuholen, landeten im Tail.

A single-column scoreboard for Qwen4-Max: Intelligence Index 43, wall clock per task 32.3 minutes, 127 million output tokens per run, 54 tokens per second, 984k context window, and $3.27 cost per index task, all measured by Artificial Analysis on 18 November 2026.

Wohin die halbe Stunde geht

Zwei Zahlen erklären die Laufzeit, und keine von beiden ist ein Rätsel. Die erste ist die Ausführlichkeit: 127 Millionen Ausgabe-Tokens, um dieselbe Suite aus neun Evaluierungen abzuschließen, die das Medianmodell in 65,1 Millionen abschließt. Die zweite ist der Durchsatz: 54 Tokens pro Sekunde, was normal ist. Normale Geschwindigkeit mal doppelt so viele Tokens ergibt ungefähr die doppelte Zeit – und dann noch ein bisschen mehr, weil eine Aufgabe, die lange läuft, auch länger damit verbringt, auf ihr eigenes Reasoning zu warten.

Fügt man das zusammen, ergibt sich als praktische Konsequenz eine Arithmetik, die man ohne Benchmark anstellen kann. Wenn eine Aufgabe aus der realen Welt mit Qwen4-Max eine halbe Stunde dauert, dann dauert eine Agentenschleife mit zehn Aufrufen fünf Stunden, und ein nächtlicher Stapellauf mit hundert Aufrufen fünfzig. Das ist kein Grund, das Modell zu meiden – Stapelverarbeitung kümmert sich nicht darum, wie lange ein Aufruf dauert –, aber es ist eine harte Einschränkung für interaktive und agentische Arbeit, und genau dafür steht „Arbeit aus der realen Welt“ üblicherweise als Kurzform.

Es gibt einen Effekt zweiter Ordnung, der mehr zählt als die reine halbe Stunde. Eine 32-Minuten-Aufgabe ist lang genug, um mit jedem Timeout in einem Produktions-Stack schlecht zu interagieren: dem Idle-Timeout des Gateways, dem eigenen Retry-Budget des Clients, dem Sichtbarkeitsfenster der Queue, dem Container, der nach vierzig Minuten recycelt wird. Ein Modell, das in zwölf Minuten fertig ist, übersteht eine Standardkonfiguration. Ein Modell, das in zweiunddreißig Minuten fertig ist, ist das Modell, das dir beibringt, wo deine Timeouts gesetzt sind, und der Fehler, den es erzeugt – ein Retry, der die Arbeit dupliziert, oder eine abgeschnittene Antwort, die voll abgerechnet wird – kostet mehr, als die Token-Differenz je eingespart hat.

The Artificial Analysis page for Qwen4-Max on Intelligence Index v5.0.1, showing a score of 43 at Xhigh effort alongside the cost, speed and time-to-first-token panel.

Ein veröffentlichter Punkt oben auf einem dreistufigen Drehregler

Qwen4-Max bietet drei Stufen für den Reasoning-Aufwand – low, high und Xhigh – und verwendet standardmäßig high, mit einem Denkbudget, das selbst standardmäßig 131.072 Tokens beträgt. Artificial Analysis hat es mit Xhigh bewertet. Das ist eine vertretbare Entscheidung: So werden die Effizienzangaben des Anbieters selbst formuliert, und es stellt das Modell im bestmöglichen Licht dar. Aber es bedeutet, dass die 43 und die 32,3 Minuten die teuerste Konfiguration beschreiben, die das Modell bietet, und dass es für die Low-Effort-Konfiguration – diejenige, die ein interaktives Produkt tatsächlich ausführen würde – überhaupt keine veröffentlichte unabhängige Zahl gibt.

Vergleiche die Form der Offenlegung auf der anderen Seite der diesmonatigen Veröffentlichungen. GPT-6.2 Astra veröffentlicht seine gesamte Kurve auf demselben Index: 62 bei max und bei Xhigh, 60 bei high, 57 bei medium, 46 bei low. Du kannst sehen, was dich eine günstigere Einstellung an Fähigkeit kostet, und ein Team kann einen Punkt auf dieser Kurve wählen. Qwen4-Max liefert dir einen Punkt und einen Standard, der eine Stufe darunter liegt. Wenn du das Modell auf high laufen lässt, läufst du eine Konfiguration, die niemand gemessen hat, und wenn du es auf low laufen lässt, läufst du eine, für die der Anbieter ebenfalls keine Angabe veröffentlicht hat.

Diese Lücke ist das am wenigsten berichtete Detail des Launches, und sie spricht ebenso für wie gegen das Modell. Die ehrliche Lesart ist nicht „Qwen4-Max ist langsam“. Sie lautet: „Qwen4-Max ist bei der Einstellung langsam, mit der es gebenchmarkt wurde, und niemand außerhalb A​libabas hat eine andere Einstellung gemessen“. Wenn du es evaluierst, ist der Effort-Regler das erste Experiment, das du durchführen solltest, nicht das letzte, denn er ist der eine Hebel, der gleichzeitig die Laufzeit und die Rechnung bewegt.

Was die Preiskarte tatsächlich belohnt

Am Zähler ist Qwen4-Max günstig — wirklich günstig, und zwar auf eine Weise günstig, die die falsche Workload am wenigsten bestraft.

• Singapur-Tarife — 1,50 $ pro Million Input-Token und 4,50 $ pro Million Output-Token

• Regionen mit globalem Geltungsbereich — $1.413 Eingabe und $4.24 Ausgabe, auf drei Dezimalstellen, was die Angebote von Drittanbietern angeben

• Cache — 0,075 $ pro Million bei einem Lesevorgang in Singapur, 0,071 $ anderswo; ein fünfminütiger Schreibvorgang kostet 1,875 $ und eine Stunde kostet 3,00 $

• Langkontext — pauschal. Es gibt keine Premium-Stufe oberhalb einer Token-Schwelle, was diesen Monat nicht auf jeden Wettbewerber zutrifft

• Batch — ein ausschließlich in Peking verfügbarer Datei-Batch-Tarif von 0,707 $ für Eingaben und 2,12 $ für Ausgaben

Das sind die veröffentlichten Tarife von A​libaba. Die Struktur ist wichtiger als die Zahlen: Ein pauschaler Preis über das gesamte Fenster bedeutet, dass eine Dokumentenprüfung mit 400.000 Token hier 0,60 US-Dollar für die Eingabe kostet, während ein Modell mit Langkontext-Multiplikator ein Mehrfaches davon berechnen würde. Für die Arbeitslasten, in denen dieses Modell tatsächlich gut ist – lange Dokumente, Video, Massenextraktion –, ist der Pauschaltarif mehr wert als der Pro-Token-Kampfpreis. Und für die Arbeitslasten, in denen es schlecht ist – interaktiv, Multi-Turn, agentisch –, ist der Tarif irrelevant, denn der begrenzende Faktor ist die Uhr und nicht der Zähler.

Der Teil, den niemand aufgeführt hat: Es gibt keinen Kontrollpunkt.

Fine-Tuning und Modell-Deployment sind in der Dokumentation des Modells beide als nicht unterstützt gekennzeichnet. Qwen4-Max ist mietbar und nicht besitzbar, und das einzige Zugeständnis des Launch-Posts an offene Gewichte ist, dass kleinere Qwen4-Modelle „als Open Source kommen“. Für ein Modell, das mit realer Arbeit in der Praxis beworben wird, ist das eine echte Einschränkung und kein bloßes Lizenzdetail: Die Teams, die die meiste reale Arbeit zu erledigen haben, sind meist genau die Teams, die darauf feintunen möchten. Wenn Ihr Plan eine destillierte Variante, ein On-Prem-Deployment oder einen reproduzierbaren Snapshot umfasst, der an einen festen Gewichtssatz gebunden ist, bietet dieses Modell keines der drei, und kein Drittanbieter-Eintrag kann sie hinzufügen.

The OrcaRouter model page for qwen/qwen3.8-max, listing the vendor rates and the routable endpoint for Qwen4-Max's predecessor.

Was Sie jetzt anrufen können

Qwen4-Max ist nicht in unserem Katalog — die Route existiert nicht, und wir werden nichts anderes andeuten. Was darin ist, ist Qwen3.8-Max, das heute zu seinem Anbieter-Listenpreis mit 0 % Aufschlag routbar ist und das das Modell ist, gegen das Sie tatsächlich benchmarken würden, bevor Sie entscheiden, dass eine 32-minütige Aufgabe es wert ist: Es erzielt 34 gegenüber 43, aber es ist das Modell mit dem Preis und dem Verhalten, das Ihr Team bereits versteht.

Die Routing-Frage, die dieser Launch aufwirft, ist eng begrenzt und es lohnt sich, sie präzise zu formulieren. Wenn ein Modell eine halbe Stunde pro Aufgabe benötigt, ist der Fehlermodus, der Sie interessiert, nicht eine falsche Antwort – es ist ein Aufruf, der in Minute neunundzwanzig abbricht, nachdem neunundzwanzig Minuten abgerechnet wurden. Das spricht dafür, ein lang laufendes Modell hinter eine Route mit automatischem Failover zu setzen, statt einen Anbieter direkt aufzurufen: Der erneute Versuch landet auf einem aktiven Endpunkt, und die Eskalationslogik liegt in der Route statt in Ihrem Anwendungscode. Ein Schlüssel für mehr als 200 Modelle bedeutet außerdem, dass der Vergleich im nächsten Abschnitt eine Konfigurationsänderung ist und kein zweiter Vertrag.

Wer sollte umziehen, und wer sollte warten

Wechseln Sie jetzt, wenn Ihre Arbeit Batch-Verarbeitung, dokumentenlastig, Videoeingang oder in Stunden statt in Sekunden gemessen ist. Pauschale Preise für langen Kontext, ein Kontextfenster von 984.000 Tokens, native Videoeingabe, videofähiges Tool-Calling und Kosten von 3,27 US-Dollar pro Indexierungsaufgabe gegenüber 10,02 US-Dollar für das Modell, das es ersetzt, sind ein unkompliziertes Upgrade für diese Art von Aufgabe – und die 32-Minuten-Zeit ist irrelevant, wenn am anderen Ende niemand wartet.

Warte – oder teste zumindest zuerst den Regler, wenn deine Arbeit interaktiv oder agentisch ist. Die veröffentlichten Zahlen beschreiben die teuerste Einstellung, über die das Modell verfügt, auf einem Leaderboard, auf dem die mediane Aufgabe in zwölf Minuten abgeschlossen wird, und die Einstellung, die du tatsächlich einsetzen würdest, wurde nie unabhängig gemessen. Lass die niedrigen und hohen Effort-Stufen gegen deine eigenen Traces laufen, bevor du sie gegen einen Benchmark laufen lässt – dieses Experiment kostet ein paar Dollar und beantwortet eine Frage, die der Launch-Post nicht gestellt hat.

Und lies das Datum richtig, egal in welchem Lager du stehst. Qwen4-Max kam am 16. November 2026 in den allgemeinen Verkauf. Was am 18. geschah, ist, dass es woanders verfügbar wurde, unter einem Slogan über reale Arbeit. Das Modell hat sich nicht geändert. Die Uhr hat sich nicht geändert. Der Slogan ist das Einzige, was neu ist, und er ist die einzige Behauptung auf der Seite, die du selbst überprüfen kannst.

In diesem Artikel verglichen2

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert