
Qwen 4 vs. Claude Opus 5.5: Sechzehn Indexpunkte – und was sie pro Antwort kosten
- 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 · 126 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 · 44 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 · 147 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 · 123 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
Qwen4-Max erzielt 42,9 Punkte im Artificial Analysis Intelligence Index und Claude Opus 5.5 erzielt 59,1 Punkte — eine Lücke von 16,2 Punkten, gemessen auf derselben Suite, in derselben Revision (v5.0.1), mit nur zwei Monaten Abstand zueinander. In derselben Rangliste kostet eine abgeschlossene Index-Aufgabe $3.27 bei Qwen4-Max und $10.04 bei Claude Opus 5.5. Das Verhältnis ist also eindeutig: Opus liefert 38 % mehr Indexpunkte für 207 % mehr Geld pro Aufgabe. Ob das ein Schnäppchen oder eine Verschwendung ist, hängt ganz davon ab, ob Ihre Arbeitslast Punkte oder Antworten kauft – und das sind nicht dieselben Käufe. Dieser Beitrag bepreist beides.
Die beiden Karten, Dimension für Dimension
Alibaba hat Qwen4-Max am 16. November 2026 in sechs Regionen allgemein verfügbar gemacht, nutzungsbasiert abgerechnet; Anthropic verkauft Claude Opus 5.5 seit dem 22. September 2026. Alles Folgende ist entweder ein Listenpreis des Anbieters oder ein gekennzeichneter Messwert von Artificial Analysis – beides wird nie in einer Zahl vermischt.
• Preis pro Million Tokens — Qwen4-Max $1,50 Eingabe / $4,50 Ausgabe in Singapur ($1,413 / $4,24 in den Regionen mit globalem Geltungsbereich); Claude Opus 5.5 $4,00 Eingabe / $20,00 Ausgabe. Beides sind Listenpreise des Anbieters.
• Zwischengespeicherte Eingabe – Qwen4-Max 0,075 $ pro Million bei einem Cache-Lesezugriff, gegenüber 0,20 $ für Claude Opus 5.5. Qwen veröffentlicht außerdem Preise für Cache-Schreibvorgänge: 1,875 $ für einen fünfminütigen Eintrag und 3,00 $ für eine Stunde.
• Kontextfenster — 1.000.000 Token, bei beiden angegeben. Der Tracker von Artificial Analysis führt Qwen4-Max mit 983.616 auf; das ist die Eingabeobergrenze im Thinking-Modus und kein Widerspruch: Alibaba begrenzt die Eingabe ohne Thinking auf 991.808 und mit Thinking auf 983.616, weil Reasoning und Antwort sich ein gemeinsames Ausgabebudget von 262.144 Token teilen.
• Maximale Ausgabe — Qwen4-Max 131.072 Tokens im Nicht-Denkmodus bzw. 262.144, aufgeteilt zwischen Reasoning und Antwort, wenn das Denken aktiviert ist. Claude Opus 5.5 veröffentlicht keine entsprechende Aufteilung.
• Indexwert — Qwen4-Max 42,9 bei xhigh-Aufwand; Claude Opus 5.5 59,1 bei maximalem Aufwand. Artificial Analysis, v5.0.1.
• Kosten pro Indexaufgabe — 3,27 $ gegenüber 10,04 $. Artificial Analysis, gleiche Revision.
• Gewichte — keines von beiden ist offen. Qwen4-Max ist als proprietär gelistet, mit Alibaba Cloud als einzigem Host; Claude Opus 5.5 ist proprietär und wird über Anthropics API, Amazon Bedrock, Google Cloud und Microsoft Azure vertrieben.
• Eingabemodalität — beide akzeptieren Text und Bilder und geben Text zurück. Keines der beiden verarbeitet Video gemäß den Fähigkeitsflags des Trackers.

Wo die sechzehn Punkte tatsächlich liegen
Eine einzelne Indexzahl verbirgt mehr, als sie offenbart, und dieses Paar ist ein gutes Beispiel. Die Suiten, in denen die beiden Modelle nahe beieinanderliegen, sind nicht die Suiten, über die gestritten wird.
• Terminal-Bench 4.0 — Claude Opus 5.5 59,6 %, Qwen4-Max 48,5 %. Elf Punkte, und derjenige, der am direktesten auf „kann es eine Shell bedienen“ abbildet.
• FrontierCode 2.0 — 46,4 % gegenüber 26,5 %. Dies ist die größte Lücke im Set und die mit der klarsten kommerziellen Konsequenz, weil es sich um Code-Arbeit im Repository-Maßstab und nicht um die Generierung einzelner Funktionen handelt.
• HLE Diamond — 67,9 % gegenüber 44,9 %. Schwierige naturwissenschaftliche Fragen, eine Spanne von 23 Punkten.
• CritPt Agentic Hard — 68,0 % gegenüber 43,0 %. Eine Spanne von 25 Punkten beim Schlussfolgern auf Physikniveau.
• GDPval — 1.866,27 gegenüber 1.808,69. Ein Unterschied von 3,1 % bei einem Benchmark zum Aufgabenwert. Bei ökonomisch fundierter professioneller Arbeit liegen die beiden Modelle dicht beieinander; bei schwieriger technischer Arbeit nicht.
• Allwissenheit — 48,1 für Claude Opus 5.5 gegenüber 27,7 für Qwen4-Max, was nach einer weiteren Klatsche klingt, bis man die Halluzinationsspalte im nächsten Abschnitt betrachtet.
• Kompetenzaufteilung — Das Modell von Anthropic liegt bei allen sechs Teilwerten, die der Tracker veröffentlicht, vorn, mit dem geringsten Abstand in Finanzen und Rechnungswesen (59,4 gegenüber 54,1) und dem größten im Ingenieurwesen (65,3 gegenüber 50,1).
Die praktische Einordnung: Wenn es bei Ihrer Arbeit um Zusammenfassen, Extrahieren oder quellengestützte Dokumentenanalyse geht, überzeichnet die 16-Punkte-Schlagzeile den Unterschied. Wenn es bei Ihrer Arbeit um agentisches Coding geht, unterschätzt sie ihn.

Beide Modelle erfinden Dinge. Eines tut das deutlich weniger.
Artificial Analysis weist neben dem Genauigkeitswert auch eine Allwissenheits-Halluzinationsrate aus, und dies ist die einzige Spalte, in der Qwen4-Max klar gewinnt: 28,4 % seiner falschen oder nicht verifizierbaren Antworten waren Halluzinationen, gegenüber 50,3 % bei Claude Opus 5.5. Anders ausgedrückt: Opus liegt weit häufiger richtig, aber wenn er falsch liegt, ist er mehr als doppelt so häufig selbstsicher falsch statt nur still.
Das spielt bei allem eine Rolle, was einen menschlichen Prüfschritt hat. Ein Modell, das in 50 % der Fälle, in denen es falsch liegt, „Ich weiß es nicht“ sagt, kostet dich eine Nachfrage. Ein Modell, das in 50 % der Fälle, in denen es falsch liegt, etwas erfindet, kostet dich einen Faktencheck-Durchlauf für jede Ausgabe, was ein anderer und deutlich größerer Kostenposten ist.
Die Rechnung ist Input, nicht Output.
Beide Modelle werden mit einer plakativen Ausgaberate verkauft, und bei beiden ist die Ausgaberate nicht der Punkt, an dem das Geld fließt. Zerlegt man die eigenen Kostenangaben pro Aufgabe von Artificial Analysis: Bei Qwen4-Max entfallen von den $3,27 insgesamt $2,80 auf Eingabe-Tokens und $0,47 auf die Ausgabe. Bei Claude Opus 5.5 entfallen von $10,04 insgesamt $6,57 auf die Eingabe und $3,47 auf die Ausgabe. Das sind 86 % bzw. 65 %, und in beiden Fällen besteht der Großteil der Eingabeposition aus Cache-Verkehr — $1,12 der Eingabekosten von Qwen4-Max sind Cache-Lesevorgänge und $1,67 sind Cache-Schreibvorgänge; die entsprechenden Opus-Werte sind $4,74 und $1,80.
Das ist der Grund, warum der Vergleich pro Token zwischen diesen beiden Modellen die am wenigsten nützliche Zahl auf der Seite ist. Der Ausgabepreis von Qwen4-Max ist 4,4× günstiger als der von Opus, und doch beträgt sein Kostenvorteil pro Antwort nur 3,1×, weil es einen größeren Anteil seines Budgets für Kontext ausgibt, den es lesen muss, und – bei 1,875 US-Dollar pro Million für einen fünfminütigen Cache-Schreibvorgang – für Kontext, den es schreiben muss.
Ein Agent mit vierzig Turns, zweimal bepreist
Nehmen Sie einen Coding-Agenten, der pro Runde 8.000 Tokens an Tool-Ausgabe hinzufügt, vierzig Runden läuft und pro Runde 1.500 Tokens an Antwort ausgibt. Kein Caching, Listenpreise:
Qwen4-Max — 6,56 Millionen akkumulierte Eingabe-Tokens zu 1,50 $, plus 60.000 Ausgabe-Tokens zu 4,50 $: 9,84 $ + 0,27 $ = 10,11 $.
• Claude Opus 5.5 — 6,56 Millionen Eingabe zu 4,00 $, plus 60.000 Ausgabe zu 20,00 $: 26,24 $ + 1,20 $ = 27,44 $.
Jetzt derselbe Lauf mit einer Cache-Trefferquote von 90 % auf dem akkumulierten Prefix – was ein gut gebauter Agent-Loop tatsächlich erreicht:
• Qwen4-Max — 5,904 Mio. im Cache zu 0,075 $ (0,44 $) + 656 Tsd. neu zu 1,50 $ (0,98 $) + 0,27 $ Ausgabe = 1,69 $.
• Claude Opus 5.5 — 5,904 Mio. zwischengespeichert zu 0,20 $ (1,18 $) + 656 Tsd. neu zu 4,00 $ (2,62 $) + 1,20 $ Ausgabe = 5,01 $.
Zwei Dinge fallen dabei auf. Caching senkt beide Rechnungen um mehr als 80 %, ein Agent ohne Prompt-Caching zahlt also fünf- bis sechsmal so viel, wie er müsste. Und das Verhältnis ändert sich kaum – 2,7× ohne Caching, 3,0× mit Caching –, weil der Vorteil von Qwen4-Max auf der Cache-Schreibrate konzentriert ist, die das Caching-Szenario von vornherein nutzt. Das sind Listenpreis-Berechnungen auf Basis veröffentlichter Tarife, keine gemessenen Rechnungen; Ihre Anzahl der Turns, das Prefix-Wachstum und die Cache-Hit-Ratio werden die absoluten Zahlen deutlich verändern.
Hier zeigt sich auch, warum sich eine Routing-Schicht lohnt und nicht nur bequem ist. Wir geben die Listenpreise der Anbieter mit 0 % Aufschlag weiter, die Differenz oben ist also die des Anbieters, nicht unsere – und wenn Anthropic die Opus-Karte ändert, ist diese Änderung am selben Tag mit demselben Schlüssel live. Beide Modelle sind über einen einzigen Endpunkt mit automatischem Failover aufrufbar, was hier besonders wichtig ist, weil zwischen ihren Veröffentlichungsdaten zwei Monate liegen: Eine Qwen4-Max-spezifische Regression zeigt sich als fehlgeschlagene Anfrage und nicht als schlechte Antwort, die Ihnen erst eine Woche später auffällt.
Was „von der Destillation abgeschnitten“ tatsächlich behauptet
Die Behauptung, die zu diesem Duell kursiert – dass Qwen4-Max auf den Benchmarks der Anbieter konkurrenzfähig aussieht und dann auf dem unabhängigen Index zusammenbricht, und dass Alibas Abschneiden von der Destillation diesen Absturz erklärt –, sind in Wahrheit zwei Behauptungen in einem Mantel, und nur die erste ist messbar.
Der erste Punkt stimmt und ist nicht mysteriös. Alibabas Launch-Material meldet Work360 mit 52,69 gegenüber 47,74 für die vorherige Generation, 24 % und 35 % weniger Tokens beim selben Benchmark, 48 % und 49 % bei Terminal-Bench 4.0 sowie gesenkte Kosten pro Aufgabe von 4,43 $ auf 1,67 $. All das ist vom Anbieter angegeben und nicht reproduziert. Gegen einen unabhängigen Index aus neun Suiten, der FrontierCode 2.0 und CritPt Agentic Hard umfasst – Suiten, für die Alibaba keine Zahlen veröffentlicht –, landet das Modell bei 42,9. Eine Benchmark-Suite des Anbieters und eine unabhängige, die unterschiedliche Dinge messen, werden voneinander abweichen; das ist der Normalfall, kein Beleg für irgendetwas.
Die zweite Behauptung zur Distillation kann ein Käufer weder überprüfen noch zur Grundlage seines Handelns machen, und sie ist keine Eigenschaft des Modells, die sich abrufen lässt. Verifizierbar und nützlich ist die Form des Defizits: konzentriert bei Code im Repository-Maßstab und in den harten Wissenschaften, dünn beim Wert für professionelle Aufgaben. Das ist eine Aussage darüber, wo das Modell eingesetzt werden sollte, und sie bleibt bestehen, egal was sich darüber, wie es trainiert wurde, letztlich als wahr erweist.

Eins von beiden bekommen
Claude Opus 5.5 ist in unserem Katalog als anthropic/claude-opus-5.5 zu Anthropics Listenpreis, 4,00 $ Input und 20,00 $ Output pro Million. Qwen4-Max ist nicht in unserem Katalog – eine qwen4-Kennung liefert heute not-found – und der Weg dorthin führt über Alibabas eigene Model Studio API und mehrere Drittplattformen. Wir werden nichts anderes vortäuschen, und der ehrliche Ersatz auf unserer Seite ist qwen/qwen3.8-max, das bisherige Flaggschiff, für 2,00 $ und 6,00 $.
Die Entscheidungsregel ist also enger, als die Punkteübersicht nahelegt. Wenn Ihre Arbeitslast Coding im Repository-Maßstab, schwieriges technisches Schlussfolgern oder irgendetwas ist, bei dem eine falsche Antwort teuer und eine langsame Antwort nicht teuer ist, dann sind die 16 Punkte real, und 10,04 $ pro Aufgabe ist der Preis dafür. Wenn Ihre Arbeitslast quellengestützte Dokumentarbeit in großem Umfang ist, bei der GDPval sagt, dass die beiden Modelle innerhalb von 3 % liegen, dann zahlen Sie Opus' Tarif für einen Unterschied, der in Ihrem Evaluationsset nicht sichtbar wird – und Qwen4-Max zu 3,27 $ ist der bessere Kauf, mit einer niedrigeren Halluzinationsrate als Bonus. Die Zahl, die Sie vor Ihrer Entscheidung berechnen müssen, ist nicht die Indexlücke. Es ist der Anteil Ihres Inputs, der im Cache liegt.
In diesem Artikel verglichen2
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
