
Qwen4-Max senkt die Kosten pro Aufgabe um 67 %: Woher die Einsparung tatsächlich kommt
- 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 · 97 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 · 119 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
Eine Benchmark-Rechnung ist ein seltsames Artefakt: Sie ist das einzige öffentliche Dokument, das die Gewohnheiten eines Modells bepreist. Artificial Analysis veröffentlicht, was es kostete, Qwen4-Max durch seinen Intelligence Index laufen zu lassen – 3,27 US-Dollar pro Aufgabe –, und veröffentlicht die Preisliste, die dafür verwendet wurde. Teilt man das eine durch das andere, erhält man etwas, das das Labor nie direkt angibt: wie viele Tokens Qwen4-Max tatsächlich fürs Denken ausgibt. Macht man dasselbe mit Qwen3.8-Max, dem Modell, das es ersetzt, zerfällt die 67-prozentige Senkung der Kosten pro Aufgabe sauber in zwei Zahlen, die die meisten Berichte über den Start am 16. November vermengen. Etwa die Hälfte der Einsparung ist eine Preissenkung. Die andere Hälfte ist, dass Qwen4-Max weniger redet. Und der Posten, der seine Rechnung inzwischen dominiert, ist nicht der, den der beworbene Preis nahelegt.
Die Zusammenfassung des Anbieters selbst ist korrekt, verdichtet aber den interessanten Teil. Qwen4-Max, so teilt Alibaba auf seiner Launch-Seite mit, verbraucht bei Xhigh-Aufwand etwa 24 % weniger Tokens als Qwen3.8-Max und bei High auf Work360 35 % weniger sowie auf Terminal-Bench 4.0 48 % bzw. 49 % weniger; die durchschnittlichen Kosten pro Aufgabe auf Work360 sinken von 4,43 $ auf 1,67 $, eine Reduktion um 62 %. Das sind Unternehmenszahlen auf unternehmenseigenen Benchmarks. Die unabhängige Berechnung unten kommt auf einem anderen Benchmark über einen anderen Weg auf 67 %, und das ist die nützliche Art von Übereinstimmung: zwei Methoden, dieselbe Richtung, ähnliche Größenordnung.
Was die unabhängige Anzeigetafel tatsächlich aussagt
Bei Artificial Analysis erzielt Qwen4-Max 43 im Intelligence Index gegenüber 34 für Qwen3.8-Max, ein Plus von 27 % bei der gemessenen Leistungsfähigkeit. Dieselbe Seite bepreist die beiden Modelle mit 1,50 US-Dollar pro Million Eingabe-Token und 4,50 US-Dollar pro Million Ausgabe-Token gegenüber 2,00 und 6,00 US-Dollar – ein pauschaler Rabatt von 25 % in beide Richtungen. Bei zwischengespeicherter Eingabe ist der Rabatt dramatisch: 0,075 US-Dollar pro Million gegenüber 0,25 US-Dollar, eine Senkung um 70 %, und die Rabattquote bei Cache-Treffern steigt von 87,5 % auf 95 %.
Die Kosten pro Aufgabe im Intelligence Index, gewichtet über alle neun Bewertungen im Index, liegen bei 3,27 US-Dollar gegenüber 10,02 US-Dollar. Teilt man die Kosten durch die Punktzahl, wird der Abstand größer: Qwen4-Max liefert einen Punkt gemessener Leistungsfähigkeit für unter acht Cent, Qwen3.8-Max für etwa dreißig Cent. Das ist die Zahl, an der man sich festhalten sollte, wenn die einzige Frage lautet, auf welches Modell man eine Arbeitslast verlagern soll – die Leistungsfähigkeit pro Dollar hat sich um rund drei Viertel verbessert, nicht um die 67 %, die die Kosten pro Aufgabe allein nahelegen.
Die Rechnung umkehren, um die Token-Anzahlen wiederherzustellen
Artificial Analysis schlüsselt die Kosten pro Aufgabe in Komponenten auf: Eingabe zum vollen Tarif, Cache-Schreiben, Cache-Lesen und Ausgabe, wobei die Ausgabe weiter in Reasoning- und Antwort-Tokens unterteilt wird. Außerdem veröffentlicht es die Preise. Teilt man jede Komponente durch ihren Preis, erhält man die Tokens. Die Methode validiert sich selbst an einer Zeile – die Ausgabekomponente geteilt durch 4,50 $ ergibt 104.940 Tokens pro Aufgabe, und die Seite meldet separat 104.939,8 Ausgabe-Tokens pro Aufgabe für Qwen4-Max. Exakte Übereinstimmung auf die Nachkommastelle genau, bei einer Zeile, die auf zwei verschiedene Arten berechnet wurde.
Jede andere Zeile erbt diese Gewissheit, wobei eine Annahme offen dargelegt wird: dass Cache-Schreibvorgänge zum vollen Eingabetarif abgerechnet werden, was sich aus der Arithmetik über beide Modelle hinweg ergibt, und nicht etwas, das einer der Anbieter ausdrücklich dokumentiert.
Was ergibt sich pro Intelligence-Index-Aufgabe:
• Ausgabe-Tokens — Qwen4-Max 104.940 gegenüber Qwen3.8-Max 170.794, eine Reduzierung um 39 %.
• Reasoning-Tokens — 68.914 gegenüber 119.698, 42 % weniger. Das Denkbudget schrumpfte deutlich stärker als das Antwortbudget.
• Antwort-Tokens — 36.025 gegenüber 51.096, ein Rückgang um 30 %. Qwen4-Max verwendet jetzt 66 % seiner Ausgabe für Reasoning statt der 70 %, die sein Vorgänger dafür aufwendete; es ist nicht bloß kürzer, sondern anders proportioniert.
• Cache-Read-Tokens – etwa 14,9 Millionen gegenüber 22,7 Millionen, ein Rückgang um 34 %. Dabei handelt es sich um die erneut abgespielten Kontext-Tokens, die jeden langen agentischen Lauf dominieren.
• Cache-Schreib-Tokens — etwa 1,11 Millionen gegenüber 1,66 Millionen, ein Rückgang um 33 %.
Zwei Dinge fallen auf. Erstens ist die Token-Reduzierung nicht in der sichtbaren Antwort konzentriert, wo ein Nutzer Weitschweifigkeit bemerken würde, sondern im Reasoning und im wiedergegebenen Kontext, wo niemand zusieht. Zweitens sind die Token-Volumina pro Aufgabe in absoluten Zahlen enorm – vierzehn Millionen Cache-Reads pro Aufgabe –, was zeigt, was der Intelligence Index tatsächlich misst: langfristige Arbeit mit einem großen persistenten Kontext, nicht die Beantwortung einer einzelnen Frage.

Teile die 67 % in Preis und Verhalten auf
Die Kosten sind Preis multipliziert mit Volumen, daher lässt sich die Reduktion sauber zerlegen. Berechnet man Qwen3.8-Max’ Token-Volumen zu den Tarifen von Qwen4-Max, kostet eine Aufgabe 4,97 $ statt 10,02 $ — allein die Preisänderung macht eine Senkung um 50 % aus. Wendet man zusätzlich das Verhalten von Qwen4-Max an, landet man bei 3,27 $, weitere 34 % weniger von dem, was übrig blieb. Multipliziert man beides, ergibt 0,496 mal 0,658 gleich 0,326: die beobachtete Reduktion um 67 %, vollständig erklärt, ohne Rest.
Welche Hälfte die Anerkennung verdient, hängt davon ab, in welcher Reihenfolge man sie abrechnet, und es lohnt sich, das zu sagen, statt die schmeichelhaftere Zahl zu wählen. In Prozent ausgedrückt entfallen etwa 50 % auf den Preis und etwa 34 % auf Tokendisziplin. In Dollar – insgesamt 6,76 $ Ersparnis pro Aufgabe, 5,06 $ aus Tarifen und 1,70 $ aus Volumen – entfallen drei Viertel auf den Preis. Beide Darstellungen sind korrekt; sie beantworten unterschiedliche Fragen. Wenn Sie die Ausgaben für das nächste Quartal prognostizieren, ist die Preisliste der größere und verlässlichere Hebel. Wenn Sie fragen, ob das Modell wirklich wirtschaftlicher ist, ist die 34 %, die aus dem Verbrauch weniger Tokens stammt, die nachhaltigere, denn eine Preissenkung lässt sich rückgängig machen, eine Architektur nicht.
Die Richtung der eigenen Zahlen des Anbieters bestätigt die Aufteilung, ohne dass danach gefragt wurde. Alibaba führt die Reduzierung im selben Atemzug auf beide Faktoren zurück, und seine 62 % bei Work360 liegen nahe an den 67 %, die unabhängig auf dem Intelligence Index gemessen wurden – zwei Testumgebungen, zwei Aufgabensätze, ein Fazit.
Der Posten, der unbemerkt zum größten wurde
Hier führt der beworbene Preis in die Irre. Vorher machten Cache-Lesevorgänge 57 % der Rechnung aus und Cache-Schreibvorgänge 33 %. Nachher entfallen 51 % auf Cache-Schreibvorgänge und 34 % auf Cache-Lesevorgänge. Das Modell wurde bei jedem Posten günstiger, aber der Rabatt war ungleich verteilt – 70 % auf Cache-Lesevorgänge, 25 % auf Cache-Schreibvorgänge – und er kehrte die Rangfolge der beiden größten Kostenposten um.
Cache-Schreibvorgänge werden zum Eingabetarif abgerechnet, 1,50 US-Dollar pro Million – das Zwanzigfache des Cache-Lesetarifs von 0,075 US-Dollar. Eine Workload, die ihren Kontext häufiger neu schreibt, als sie ihn wiedergibt, zahlt für diese Angewohnheit jetzt mit der teuersten Währung auf der Preiskarte. Das ist die praktische Konsequenz der Preisänderung, die die Launch-Berichterstattung weitgehend übersehen hat, und sie spricht für die unspektakuläre Arbeit: stabile Prompt-Präfixe, langlebige Sitzungen, weniger vollständige Kontext-Neuaufbauten. Auf Qwen3.8-Max spielten diese Gewohnheiten eine geringere Rolle, weil das Wiedergeben ohnehin teuer genug war, um die Rechnung zu dominieren.
Die Lehre gilt über dieses Modell hinaus. Wenn ein Anbieter die Preise für eine Token-Klasse weit stärker senkt als für andere, verändert sich damit auch die optimale Prompt-Architektur, und die Rechnung, die Sie erhalten, ist ein nachlaufender Indikator für die Architektur, die Sie für die vorherige Karte gebaut haben.

Die Effizienz ist relativ, und die absolute Zahl ist wenig schmeichelhaft.
Eine Reduzierung der Ausgabe-Tokens um 39 % klingt nach einem schlanken Modell. Verglichen mit dem Feld ist es jedoch eine schlankere Version eines sehr gesprächigen Modells. Über den gesamten Indexlauf hinweg erzeugte Qwen4-Max 127 Millionen Ausgabe-Tokens; das Medianmodell erzeugt 78,6 Millionen. Qwen3.8-Max erzeugte 150 Millionen. Beide Qwen-Modelle liegen weit auf der geschwätzigen Seite, und Qwen4-Max hat sich lediglich von dem 1,9-fachen des Medians auf das 1,6-fache verschoben.
Das ist kein Widerspruch zur Effizienzbehauptung – es ist die korrekte Lesart davon. Die Behauptung lautet, dass Qwen4-Max ein besseres Ergebnis als sein Vorgänger erzielt und dabei weniger Tokens verbraucht, und beide Hälften treffen zu. Es ist keine Behauptung, dass das Modell wortkarg ist, und jedes Budgetmodell, das auf der Annahme aufbaut, ein hochbewertetes Modell müsse ein prägnantes sein, wird deutlich danebenliegen. Wenn Ihr Ausgabevolumen Ihre Kosten bestimmt, reduziert der Wechsel zu Qwen4-Max die Anzahl und ändert nicht die Kategorie.
Die Pretraining-Kennzahlen des Anbieters deuten auf einer anderen Ebene in dieselbe Richtung. Bei internen BPB-Evaluierungen ist Qwen4-Max-Base in jedem Bereich um 5–13 % besser als Qwen3.8-Max-Base und aktiviert dabei 25 % weniger Parameter – die Architektur leistet mehr Arbeit pro Recheneinheit, was zu einem Modell passt, das weniger Tokens benötigt, um zu einem Ergebnis zu kommen. Ob das 2,4-Billionen-Parameter-Backbone, die 71 Milliarden aktivierten Parameter und die zusätzlichen 328 Milliarden N-Gramm-Einbettungsparameter der Grund dafür sind, ist eine Erklärung des Anbieters und keine Messung, die jemand außerhalb von Alibaba reproduziert hat.
Was fehlt im Kostenbild?
Die Latenz zum Beispiel. Die Intelligence-Index-Karte führt die Zeit pro Aufgabe für Qwen4-Max als nicht zutreffend auf; für Qwen3.8-Max liegt sie bei 48,1 Minuten gegenüber einem Median von 13,3 Minuten – eines der langsamsten gemessenen Ergebnisse. Ein Modell, das pro Aufgabe 67 % günstiger ist und pro Aufgabe eine unbekannte reale Laufzeit benötigt, ist noch mit nichts umfassend verglichen worden. Günstige Tokens, auf die man warten muss, sind ein anderes Produkt.
Anbieterbreite zum anderen. Der Preis hinter jeder der oben genannten Zahlen ist ein einziger Erstanbieter-Tarif von Alibaba Cloud, und das Modell ist derzeit nur bei einem Host vertreten. Es gibt keine zweite Quelle für Arbitrage, also ist die Tarifkarte der Preis. Und Qwen3.8-Max ist jetzt zugunsten von Qwen4-Max als veraltet markiert und wird alle achtzehn statt alle sechs Stunden einem Benchmark unterzogen, was bedeutet, dass sich die Vergleichsbasis langsamer aktualisiert als das Modell, gegen das sie gemessen wird.

Die Rechnung in ein Budget verwandeln, das Sie selbst steuern
Aus der Zerlegung ergeben sich zwei Hebel, und sie sind unabhängig. Der erste ist der Preis: Eine Preisliste, über die man nicht verhandeln kann, ist immer noch eine Preisliste, die man umgehen kann – genau das ist der Fall, wenn man Listenpreis zahlt und nichts darüber hinaus. OrcaRouter gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter, sodass eine Anbieter-Preissenkung, wie Alibaba sie am 16. November vorgenommen hat, noch am selben Tag auf Ihrer Rechnung ankommt und nicht erst bei der nächsten Vertragsverlängerung – und das Ausmaß dieser besonderen Senkung, insbesondere die 70 % auf gecachte Eingaben, ist genau die Art von Änderung, die eine Durchreichungsvereinbarung sichtbar macht, statt sie stillschweigend zu absorbieren.
Der zweite Hebel ist das Volumen, und er ist derjenige, den das Modell nicht für Sie erzeugen kann. Die Routing-DSL fasst mehrere Modelle zu einem einzigen Aufruf zusammen, sodass der Großteil einer Pipeline auf einem günstigen Modell laufen kann, während der schwierige Rest – die Aufgaben, die tatsächlich ein MoE mit 2,4 Billionen Parametern benötigen – an eines gesendet wird, das darüber verfügt. Durch diese Aufteilung erfassen Sie die 34 % Verhaltensdividende, ohne für Arbeit, die diese nie gebraucht hat, Frontier-Tarife zu zahlen, und sie ist die natürliche Antwort auf eine Arbeitslast, bei der vierzehn Millionen Kontext-Tokens pro Aufgabe normal sind.
Um präzise zu sein, was wir anbieten und was nicht: Qwen4-Max ist Stand 16. November 2026 nicht in unserem Katalog. Das Qwen-Modell, das wir heute routen, ist qwen/qwen3.8-max, der Vorgänger, den dieser Artikel als Ausgangsbasis verwendet. Für ein Team, das testen möchte, ob die Token-Reduktion mit dem eigenen Traffic standhält, bevor es sich festlegt, ist automatisches Failover der risikoarme Einstieg — einen Teil des Traffics routen, den Fallback aktiv halten und echte Traces statt Benchmark-Aufgaben vergleichen.
Was würde diese Lesart ändern
Artificial Analysis veröffentlicht aggregierte Token-Zahlen pro Modell, und dieser Artikel leitet die Volumina pro Aufgabe aus seinen Kostenkomponenten ab. Wenn sich der Harness zwischen den beiden Läufen geändert hat – andere Aufgabenmischungen, eine andere Gewichtung –, könnte ein Teil der 39-prozentigen Reduktion der Ausgabe auf den Harness und nicht auf das Modell zurückgehen. Die exakte Abstimmung in der Ausgabezeile spricht dagegen, schließt es aber nicht aus, und wer eigenen Traffic hat, sollte die abgeleiteten Zahlen als Hypothese behandeln, die es zu testen gilt, statt als Tatsache, auf die man seine Planung stützt.
Die Work360-Zahlen des Anbieters enthalten einen anderen Vorbehalt, den Alibaba selbst nennt: Zwei der Checkpoints im BPB-Vergleich sind nachtrainiert statt Basis, was eine vergleichbare Gegenüberstellung abschwächt. Die 62 % Kostensenkung bei Work360 ist davon nicht betroffen, da sie ausgelieferte Modelle auf einem festen Aufgabensatz vergleicht, doch die Aussagen zum Pre-Training sollten mit diesem Vorbehalt im Hinterkopf gelesen werden.
Was all das überdauert, ist die Form der Antwort und nicht ihre Präzision. Ein als Preissenkung gerahmter Launch ist zugleich – und ungefähr ebenso sehr – eine Änderung dessen, wie viel das Modell aufwendet, um zu einer Antwort zu gelangen; und die zweite Hälfte ist der Teil, den ein Wettbewerber nicht durch Anpassen einer Preisliste kopieren kann. Das ist die Zahl, auf die man achten sollte, wenn die kleineren Qwen4-Modelle erscheinen, denn wenn die Token-Disziplin architektonisch bedingt ist, wird sie mit ihnen reisen, und wenn sie eine Eigenschaft dieses einen Checkpoints war, dann nicht.
