Eine generierte Titelkarte mit der Aufschrift „Qwen4-Max vs DeepSeek V4.1 Pro“ und dem Untertitel „Der eine hat eine Preisliste. Der andere hat einen Satz in einem Changelog.“, über drei Karten: Qwen4-Max mit 1 Mio. Kontext und 1,50 $ / 4,50 $ pro 1 Mio.; DeepSeek V4.1 Pro ohne Modell-ID und ohne Preis, keine Karte; DeepSeek V4 Pro mit 0,66 $ / 1,98 $ pro 1 Mio. und AA Index 23. Eine Fußzeile lautet: „Qwen4-Max-Zahlen laut Alibaba und Artificial Analysis; DeepSeek V4.1 Pro ist mit Stand 16. November 2026 unveröffentlicht.“
Guides & Insights

Qwen4-Max vs. DeepSeek V4.1 Pro: Der eine hat eine Preisliste, der andere eine Klausel

Autor

jinhao.song

Veröffentlicht am

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

Qwen4-Max wurde am 16. November 2026 auf verbrauchsabhängige Abrechnung umgestellt: 1,50 US-Dollar pro Million Eingabe-Token und 4,50 US-Dollar pro Million Ausgabe-Token in Singapur, ein Kontextfenster von 1.000.000 Token, native Bild- und Videoeingabe und ein Artificial Analysis Intelligence Index von 43 — Platz 38 von 81 Modellen in dieser Rangliste. D​eepSeek V4.1 Pro hat keine Modellkennung, keine Preiszeile, kein Kontextfenster, keinen Benchmark und keine Gewichte, weil D​eepSeek es nie veröffentlicht hat. Das einzige öffentliche Dokument, das es nennt, sind die Versionshinweise vom 10. September 2026 zu DeepSeek V4.1 Flash, in denen es hieß, dass ab dem 14. September Anfragen an deepseek-v4-pro an V4.1 Flash weitergeleitet würden, „bis V4.1-Pro startet“ — ein Plan, den D​eepSeek zurückzog, nachdem Entwickler dagegen protestiert hatten, dass ihnen ein Produktionsmodell untergeschoben wurde. Zwei Monate später steht hinter dem Namen noch immer nichts. Der Vergleich, der Ihren Nachmittag wert ist, ist also nicht Qwen4-Max gegen ein Modell, das nicht existiert, sondern Qwen4-Max gegen das D​eepSeek-Flaggschiff, das tatsächlich existiert.

Was am 16. November ausgeliefert wurde – in den Zahlen, die ein Käufer verwendet

Alibabas Veröffentlichung beschreibt Qwen4-Max als das erste Modell auf der Qwen4-Architektur: ein sparse Mixture-of-Experts mit 2,4 Billionen Backbone-Parametern, 71 Milliarden pro Token aktiviert, plus weitere 328 Milliarden in N-gram-Embedding-Parametern, die nachgeschlagen statt multipliziert werden. Drei Gated-DeltaNet-Schichten komprimieren die Historie in einen Zustand fester Größe für jede Qwen-Sparse-Attention-Schicht, und vier Residualzweige mit dynamischen Lese- und Schreib-Gates halten den tiefen Stack zusammen. Das ist die Darstellung des Anbieters, warum die Kosten für langen Kontext sinken; es ist eine Darstellung, keine Messung.

• Kontext – ein Fenster von 1.000.000 Tokens, mit einer Eingabeobergrenze von 991.808 Tokens im Non-Thinking-Modus und 983.616 im Thinking-Modus. Artificial Analysis listet das Modell mit 984k auf, was dasselbe Fenster von der anderen Seite aus gemessen ist.

• Ausgabe — 131.072 Tokens im Nicht-Denkmodus; im Denkmodus teilen sich Reasoning und Antwort ein einziges Budget von 262.144 Tokens. reasoning_effort akzeptiert low, high und xhigh; wird es weggelassen, ergibt sich high.

• Preis, Singapur — 1,50 $ Eingabe, 4,50 $ Ausgabe pro Million. Cache-Lesevorgänge zu 0,075 $, Cache-Schreibvorgänge zu 1,875 $ für fünf Minuten oder 3,00 $ für eine Stunde.

• Preis, überall sonst — $1.413 Eingabe, $4.24 Ausgabe in Frankfurt, Virginia, Tokio, Hongkong und Peking. Dasselbe Modell, 5,8 % günstiger pro Token als die Singapur-Karte.

Im Vergleich zu seinem eigenen Vorgänger – Qwen3.8-Max ist in Singapur mit 2,00 und 6,00 US-Dollar gelistet – beträgt die Senkung von Generation zu Generation auf beiden Seiten des Zählers 25 %.

• Modalität und Oberfläche — Text, Bild und Video rein, Text raus; O​penAI Chat Completions, O​penAI Responses, A​nthropic Messages und DashScope; Batch-Inferenz nur in Peking.

Jede dieser Zahlen stammt von A​libaba selbst. Die einzige heute verfügbare unabhängige Zahl ist der AA Index mit 43, der Qwen4-Max über dem Median des Boards von 41 und unter der Frontier-Kategorie einordnet. Ein einmaliger Lauf dieses Index kostet 3,27 US-Dollar, der Mischpreis liegt bei 0,80 US-Dollar pro Million, und dabei wurden 127 Millionen Output-Tokens ausgegeben — wortreich, aber nicht außergewöhnlich.

Woraus der Name V4.1 Pro eigentlich besteht

Weniger als ein Absatz. DeepSeeks Mitteilung vom 10. September führte DeepSeek V4.1 Flash ein – ein Mixture-of-Experts-Modell mit 552 Milliarden Parametern auf einer neuen Causal-Encoder-Decoder-Architektur, das beim Prefill 8 Milliarden Parameter aktiviert und beim Decode 16 Milliarden, Bilder liest, einen Kontext von 1 Mio. Tokens und 384K Ausgabe bedient und unter MIT veröffentlicht wurde. In derselben Mitteilung schrieb DeepSeek, dass der Traffic von V4 Pro zu Flash-Tarifen auf Flash umgeleitet werde, „bis V4.1-Pro erscheint". Entwickler lasen das als Stilllegungsankündigung für ein Modell, das sie in der Produktion laufen hatten; DeepSeek nahm den Routing-Plan zurück und bediente deepseek-v4-pro weiter zu unveränderten Abrechnungskonditionen.

Was seitdem aufgetaucht ist, ist nichts Verifizierbares. Die Preisseite von DeepSeek listet heute genau zwei bereitgestellte Modelle: deepseek-flash, das DeepSeek-V4.1-Flash-1017 zugeordnet ist, und deepseek-v4-pro, das DeepSeek-V4-Pro-0813 zugeordnet ist. In der API-Referenz gibt es keinen String deepseek-v4.1-pro, keine Zeile in der Preisliste, und das neueste Repository in der deepseek-ai-Organisation auf Hugging Face ist weiterhin V4.1 Flash. Tracker, die ein Datum dafür veröffentlichen, geben damit eine Schätzung an; eine viel geteilte Countdown-Seite nennt den 12. November 2026 als „geschätzte Veröffentlichung“, und dieses Datum ist ohne Ankündigung verstrichen.

Die ehrliche Lesart des Namens ist also diese: Es ist eine Stufe, die DeepSeek in Prosa beschrieben und auf der es nichts Öffentliches aufgebaut hat. Die V4-Generation ist der einzige Beleg dafür, wie diese Stufe aussehen würde – DeepSeek V4 Pro ist ein Mixture-of-Experts-Modell mit 1,6 Billionen Parametern, 49 Milliarden aktiven Parametern, rein textbasiert, 1M Kontext, 384K Ausgabe, MIT-Lizenz – und ein V4.1 Pro würde vermutlich die neue Architektur und native Vision erben. Vermutlich. Die eigene Behauptung des Anbieters, Flash übertreffe V4 Pro „umfassend“ bei Leistung, Kosten und Geschwindigkeit, lässt den Zweck der Pro-Stufe in der V4.1-Reihe wirklich unklar erscheinen, was für ein Flaggschiff, das angekündigt wird, eine seltsame Ausgangslage ist.

A generated two-column scoreboard titled 'Qwen4-Max vs DeepSeek V4 Pro — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, output 262,144 thinking plus answer, price per 1M $1.50 / $4.50, modality text, image and video, AA Index 43, cost per task $3.27. DeepSeek V4 Pro: context 1,048,576 tokens, output 384,000 tokens, price per 1M $0.66 / $1.98, modality text only, AA Index 23, cost per task $1.77. Footer: 'Price and context vendor-reported; AA Index and cost per task per Artificial Analysis v5.0.1.'

Das Duell, das du heute ausprobieren kannst: Qwen4-Max gegen DeepSeek V4 Pro

Zieht man die Versionsnummer auf der D​eepSeek-Seite ab, gibt es einen echten Wettstreit, denn DeepSeek V4 Pro 0813 ist ein aufrufbares, bepreistes Flaggschiff mit offenen Gewichten. Beide Seiten unten sind die veröffentlichten Zahlen der Anbieter; die Indexspalte ist Artificial Analysis v5.0.1, die einzige Zeile, in der die beiden Zahlen mit derselben Testumgebung erzeugt wurden.

• Preis pro Million — Qwen4-Max 1,50 $ Eingabe / 4,50 $ Ausgabe (Singapur) vs. DeepSeek V4 Pro 0,66 $ / 1,98 $ außerhalb der Spitzenzeiten, was sich in den Wochentags-Spitzenzeitfenstern von 01:00–04:00 und 06:00–10:00 UTC auf 1,32 $ / 3,96 $ verdoppelt.

• Kontext und Ausgabe — 1.000.000 Tokens mit einem Denk-plus-Antwort-Budget von 262.144 Tokens gegenüber 1.048.576 Tokens mit bis zu 384.000 Ausgabe-Tokens.

• Modalität — Text, Bild und Video als Eingabe gegenüber nur Text. Dies ist der mit Abstand größte funktionale Unterschied zwischen ihnen, und er ist alles andere als knapp.

• Backbone — 2,4T insgesamt, 71B aktiv, plus 328B in N-Gramm-Embeddings vs. 1,6T insgesamt, 49B aktiv. Parameteranzahlen prognostizieren Trainingskosten, nicht Token-Effizienz; behandle sie als Architekturhinweise.

• Unabhängiger Index — 43 gegenüber 23 bei DeepSeeks Einstellung „Max Effort", mit 21 bei „High" und 13 ohne Reasoning. Zwanzig Punkte sind eine generationsbedingte Lücke, keine einstellungsbedingte.

• Unabhängige Kosten pro Index-Aufgabe — 3,27 $ vs. 1,77 $. Beachten Sie die Richtung: D​eepSeek gewinnt bei den Kosten um etwa das 1,8-Fache, nach der eigenen Token-Abrechnung des Evaluators.

• Ausführlichkeit — 127 Mio. Ausgabe-Tokens im gesamten Index gegenüber einem Wert, den die Seite von D​eepSeek pro Aufgabe statt insgesamt angibt; entscheidend ist der Vergleich der Kosten pro abgeschlossener Aufgabe, nicht Token pro Token.

• Gewichte — proprietär, nur per API vs. MIT, herunterladbar in 48 safetensors-Shards.

• Cache-Ökonomie — Qwen4-Max verlangt 1,875 US-Dollar pro Million für das Schreiben eines fünfminütigen Cache-Eintrags und 0,075 US-Dollar für das Lesen, ein Rabatt von 95 %; DeepSeek verlangt für das Schreiben nichts ausdrücklich und 0,022 US-Dollar pro Million für das Lesen, ein Rabatt von 97 %. Der Cache von DeepSeek ist sowohl günstiger als auch automatisch, was bei Agent-Workloads mehr zählt als der beworbene Tarif.

Kostenberechnung eines Long-Context-Jobs auf beiden Zählern

Nehmen Sie ein Präfix einer Codebasis von 300.000 Tokens, zehn Arbeitsrunden damit, 4.000 Ausgabetokens pro Runde, aktiviertes Denken und ein Präfix, das über die Runden hinweg stabil bleibt. Das ist Arithmetik mit veröffentlichten Listenpreisen, kein gemessener Lauf.

• Qwen4-Max, Singapur, ohne Cache — 300.000 Eingabe-Token zu 1,50 $ pro Million sind 0,45 $ pro Runde; zehn Runden sind 4,50 $. Die Ausgabe beträgt 4.000 Token zu 4,50 $ pro Million, 0,018 $ pro Runde, 0,18 $ über zehn Runden. Insgesamt 4,68 $.

• Qwen4-Max, wobei der Cache seine Arbeit tut — ein Schreibvorgang zu 1,875 $ pro Million, 0,5625 $, dann neun Lesevorgänge zu 0,075 $ pro Million, jeweils 0,0225 $, 0,2025 $. Die Eingabe fällt auf 0,765 $, die Ausgabe bleibt bei 0,18 $. Insgesamt 0,945 $, eine 3,8-fache Senkung für eine Zeile der Request-Konfiguration.

• DeepSeek V4 Pro, außerhalb der Spitzenzeiten, ohne Cache — 300.000 Eingabe-Tokens zu $0,66 pro Million ergeben $0,198 pro Durchlauf, $1,98 für zehn. Die Ausgabe zu $1,98 pro Million ergibt $0,00792 pro Durchlauf, insgesamt $0,0792. Gesamt: $2,06.

• DeepSeek V4 Pro mit Cache-Treffern — der erste Turn kostet $0.198; die neun späteren Turns werden mit $0.022 pro Million gelesen, jeweils $0.0066. Input liegt bei etwa $0.257, Output bei $0.079. Gesamt $0.336. In den Peak-Fenstern verdoppelt sich das.

Zwei Schlussfolgerungen halten der Rechnung stand. Erstens kostet Qwen4-Max zum Listenpreis bei dieser Art von Aufgabe rund 2,8-mal so viel wie DeepSeek V4 Pro, mit oder ohne Caching. Zweitens schließt A​libabas Behauptung, Qwen4-Max verbrauche 24 % bis 35 % weniger Tokens als Qwen3.8-Max, keine 2,8-fache Lücke; selbst eine großzügige Token-Ersparnis von 35 % lässt Qwen4-Max bei etwa doppelten Kosten pro abgeschlossener Aufgabe. Der eigene Vergleich des Anbieters von 4,43 $ zu 1,67 $ pro Aufgabe ist ein Vergleich mit seiner eigenen vorherigen Generation, nicht mit D​eepSeek.

Was würde V4.1 Pro zu einem echten Gegner machen

Drei veröffentlichte Artefakte – und es sind dieselben drei, die jede D​eepSeek-Veröffentlichung angekündigt haben. Ein Changelog-Eintrag, der das Modell nennt, denn dort wurden sowohl V4.1 Flash als auch V4 Pro 0813 angekündigt. Ein Repository in der deepseek-ai-Organisation mit V4.1-Pro im Namen, wo die Gewichte landen würden, wenn die Stufe der MIT-Konvention der Familie folgt. Oder eine dritte Spalte auf der Preisseite, auf der heute genau zwei Modelle stehen. Bis eines davon eintritt, ist jedes Datenblatt, das du zu D​eepSeek V4.1 Pro liest – Parameteranzahl, Kontext, Preis, Score – aus der V4-Generation extrapoliert und sollte auch so gelesen werden.

Es gibt noch eine weitere Sache, auf die man achten sollte, die kein Artefakt ist, sondern eine Behauptung: D​eepSeek sagt, Flash schlägt V4 Pro bei Leistung, Kosten, Geschwindigkeit und Gesamtaufgabenzeit. Wenn das in der V4.1-Generation weiterhin gilt, muss sich ein V4.1 Pro mit etwas anderem als „größer“ rechtfertigen – und die wahrscheinlichste Antwort ist die, die niemand veröffentlicht hat: dass es die multimodale Long-Horizon-Stufe sein wird und nicht die günstige.

Eines von beiden hinter einer einzigen Taste bekommen

OrcaRouter bedient Qwen4-Max nicht. Es ist nicht im Katalog von mehr als 200 Modellen (Stand 16. November) enthalten, und keine benachbarte Auflistung ändert etwas daran; der ehrliche Weg zu Qwen4-Max führt heute über die eigene Model Studio API von A​libaba und mehrere Plattformen von Drittanbietern. Was wir jedoch anbieten, ist der D​eepSeek-Teil dieser Seite, zu dem vom Anbieter ohne Aufschlag weitergegebenen Listenpreis: deepseek/deepseek-v4-pro-0813 zu 0,66 $ Eingabe und 1,98 $ Ausgabe pro Million, 1M Kontext, 384K Ausgabe, die O​penAI-, Responses- und Anthropic-kompatiblen Endpunkte, wobei die Off-Peak- und Peak-Fenster genau so gelten, wie D​eepSeek sie veröffentlicht.

Genau diese Asymmetrie ist der praktische Kern dieses Vergleichs. DeepSeek V4 Pro lässt sich mit dem Schlüssel, den Sie bereits haben, einsetzen und noch heute Nachmittag messen. Mit Qwen4-Max geht das hier noch nicht, und so zu tun, als wäre es anders, wäre die Art von Behauptung, die ein Team eine Woche kostet. Was Ihnen eine Routing-Schicht in der Zwischenzeit tatsächlich verschafft, ist ein günstiger gemischter Zustand: DeepSeek V4 Pro trägt das Volumen zum Listenpreis, ein Schattenanteil des Traffics wird für Qwen4-Max direkt an A​libaba geschickt, und es gibt eine einzige Stelle, an der die beiden Rechnungen nebeneinander gelesen werden. Wenn ein Modell dann tatsächlich in den Katalog aufgenommen wird, ist das Verschieben eines Prozentsatzes des Traffics darauf eine Routing-Regel und keine Integration, und automatisches Failover bedeutet, dass ein unerprobtes Modell hinter einem erprobten stehen kann, ohne an seinem ersten schlechten Nachmittag zum Single Point of Failure zu werden.

A screenshot of the OrcaRouter model page for DeepSeek V4 Pro 0813 at the identifier deepseek/deepseek-v4-pro-0813, showing the $0.66 input and $1.98 output prices, the Tools, JSON and Reasoning capability tags, the attribution to DeepSeek, and the description of a 1M-token context window with up to 384K output tokens, thinking and non-thinking modes with low, high and max reasoning effort, and native support for the Responses API.

Die Entscheidung, vor der Sie diese Woche stehen

Wenn Sie das stärkste Modell benötigen, das Sie heute aufrufen können, und die Kosten der begrenzende Faktor sind, ist DeepSeek V4 Pro die Antwort für 0,66 $ und 1,98 $, und die Index-Lücke von zwanzig Punkten zu Qwen4-Max ist der Preis für diesen Rabatt — ein echter Preis, kein Rundungsfehler. Wenn Ihre Arbeitslast auf der Eingabeseite Video oder Bilder enthält, kann DeepSeek V4 Pro das gar nicht leisten, und Qwen4-Max’ native Vision plus ein 1M-Fenster ist das 2,8-Fache wert, noch bevor Sie die Behauptungen zu den Work360-Agenten mitzählen, die A​libaba veröffentlicht hat und die niemand reproduziert hat.

Wenn Sie eigentlich DeepSeek V4.1 Pro wollten, lautet die Antwort, dass es kein solches Modell gibt, auf das man warten müsste, sondern nur eine Klausel in einem Changelog vom September, die DeepSeek nicht umgesetzt hat. Bauen Sie auf das, was existiert; halten Sie den Wechsel günstig; und prüfen Sie einmal im Monat die Preisseite von DeepSeek, denn das ist die Seite, die sich zuerst ändern wird.

A screenshot of Alibaba Cloud Model Studio's documentation page for qwen4-max (Latest Model), dated 11-16, showing the model description as the next-generation flagship multimodal model in the Qwen family covering text generation, image and video understanding and deep reasoning, its support for web search, tool calling and structured outputs, its OpenAI and Anthropic API compatibility, and its deployment regions including China (Beijing), Singapore and Germany (Frankfurt).

In diesem Artikel verglichen4

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