Eine generierte Titelkarte mit der Überschrift „Für agentisches Coding empfohlen, gemessen auf Platz 74 von 79“, mit Chips mit den Angaben 54 Token pro Sekunde, 32,2 Minuten pro Index-Aufgabe, 179,79 Sekunden bis zum ersten Antwort-Token und 43 im Intelligence Index sowie einer Fußzeile mit dem Text „Geschwindigkeitswerte: Artificial Analysis, Stand 17. November 2026“.
Guides & Insights

Qwen4-Max wird jetzt für agentisches Coding beworben. Die unabhängige Speed-Row nennt Platz 74 von 79.

Autor

jinhao.song

Veröffentlicht am

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

Am 17. November 2026 um 09:31 UTC veröffentlichte der offizielle Qwen4-Max-Account auf X fünf Wörter und eine Einladung: Das Modell ist jetzt auf einer Drittanbieterplattform live, probieren Sie agentisches Coding aus. Es handelte sich um einen Quote-Tweet der eigenen Ankündigung dieser Plattform, einen Tag nachdem Alibaba das Modell von der Preview-Phase in die kostenpflichtige allgemeine Verfügbarkeit überführt hatte. Der Beitrag ist klein und leicht zu überscrollen. Es ist außerdem das erste Mal, dass der Anbieter seine eigenen Follower auf einen bestimmten externen Zugangsweg für sein Flaggschiff verweist, und er wählte die Arbeitslast — langhorizontiges agentisches Coding —, bei der Qwen4-Max derzeit die schwächste unabhängige Messung auf dem Leaderboard aufweist.

Genau das ist die Spannung, über die es sich zu berichten lohnt, und es ist kein Vorwurf. Dass ein Anbieter ein Modell gegenüber Entwicklern von Agenten bewirbt, ist normal. Was es festzuhalten gilt, ist der Abstand zwischen dem Pitch und den Zahlen, die ein Leser überprüfen kann, denn der Pitch ist das, wonach ein Team handelt, und die Zahlen sind das, was Rechnung und Wanduhr ausweisen.

Was der Beitrag tatsächlich belegt

Drei Dinge, und nicht mehr als drei. Der Rest ist Vermutung, die sich als Nachricht ausgibt.

• Die Befürwortung ist echt und datiert. Der Beitrag trägt einen Zeitstempel vom 17. November, 09:31 UTC, stammt vom eigenen Account des Anbieters und zitiert per Quote-Tweet die frühere Ankündigung der Plattform, statt für sich allein zu stehen. Dass ein Anbieter den Launch eines Partners erneut postet, ist eine bewusste Handlung; der Account erwähnte ihn nicht einfach nur zufällig.

• Die Plattform ist keine zweite Bereitstellung. Ihre Modellseite führt qwen/qwen4-max in einer Tabelle mit der Überschrift „Von ihren eigenen Laboren bereitgestellte geroutete Modelle“ auf – nicht unter ihren eigenen veröffentlichten Editionen. Diese Unterscheidung ist wichtiger als der Marketingtext drumherum: Ein geroutetes Modell ist Alibabas Bereitstellung, die über die Vordertür eines anderen erreicht wird, und das ist die einzige Möglichkeit, wie ein geschlossenes Modell der 2,4-Billionen-Parameter-Klasse überhaupt irgendwo erscheinen kann.

• Es ist eine Beta, keine Kapazität. Das dauerhaft eingeblendete Banner der Website besagt, dass sie sich in einer privaten Beta befindet, und bittet um einen Einladungscode. Eine Befürwortung vom eigenen Konto des Modells ist ein Signal für die Absicht, nicht für Durchsatz, Kontingent oder eine Service-Level-Vereinbarung – und ein Einladungscode ist kein Beschaffungsweg.

Und der Beitrag belegt nicht eine einzige Leistungsaussage. Es enthält keine Tokens-pro-Sekunde-Angabe, keine Aufgabenabschlussrate, keine Kosten pro Aufgabe, keine Aussage darüber, wie viele gleichzeitige Agent-Sitzungen die Route aushält. Lies ihn als „du kannst dieses Modell jetzt hier erreichen“ – mehr sagt er nicht.

Die Karte unter der Empfehlung ist günstiger als die des Anbieters selbst.

Die geroutete Auflistung enthält ihre eigenen Zahlen, und der Preis ist der, den man sich genauer ansehen sollte. Sie nennt $1,40 pro Million Input-Tokens und $4,20 pro Million Output-Tokens, bei einem Kontextfenster von 977K Tokens und dem Status „online“.

• Eingabe — 1,40 $ auf der gerouteten Karte gegenüber 1,413 $ auf Alibabas eigener Global-scope-Karte (Peking, Hongkong, Frankfurt, US-Virginia, Tokio) und 1,50 $ in Singapur.

• Output — 4,20 $ gegenüber 4,24 $ Global und 4,50 $ Singapur.

• Die Richtung – die geroutete Zahl liegt rund 1 % unter der günstigsten veröffentlichten Region des Anbieters und etwa 6,7 % unter der Karte, über die die meisten Leser außerhalb des chinesischen Festlands tatsächlich abgerechnet werden.

• Der genannte Mechanismus — die Plattform beschreibt ihre Gebühr als „den Satz des Labors plus die Routengebühr, eine signierte Routenquittung zu jeder Antwort“.

• Die Kontextangabe — 977K im Listing, gegenüber 1.000.000 auf Alibabas Model Card, wobei die maßgeblichen Obergrenzen 991.808 Eingabe-Tokens im Standardmodus und 983.616 im Thinking-Modus sind.

Diese beiden Fakten passen schlecht zusammen. Eine Route, die auf den Tarif des Labs eine Gebühr aufschlägt, sollte mehr kosten als der direkte Weg, und diese hier kostet weniger als jede veröffentlichte Alibaba-Region. Die naheliegenden Erklärungen sind unspektakulär – ein Aktionspreis, eine regionale Arbitrage darüber, welcher Alibaba-Endpunkt aufgerufen wird, oder eine Listung, die seit der Vorschaukarte nicht aktualisiert wurde – und keine davon lässt sich von außen bestätigen. Was ein Leser tun kann, ist, den gerouteten Preis nicht mehr als den Preis des Modells zu behandeln. Alibabas eigene Karte ist die Referenz; alles darunter ist eine kommerzielle Vereinbarung mit einem Ablaufdatum, das niemand veröffentlicht hat. Wenn die Kosten pro Aufgabe Ihre Entscheidungsgrundlage sind, kalkulieren Sie mit $1.50 für Input und $4.50 für Output in Singapur oder mit $1.413 und $4.24 im Global Scope, und behandeln Sie einen Rabatt als Aufwärtspotenzial statt als den Plan.

A screenshot of the Alibaba Cloud Model Studio documentation page for qwen4-max, captured 17 November 2026 in English, showing the model identifier, the 1,000,000-token context window, a 991,808-token maximum input with a 983,616-token thinking-mode figure, a 131,072-token maximum output with 262,144 in thinking mode, a 131,072 default thinking budget, and per-region pricing of $1.5 and $4.5 per million tokens in Singapore against $1.413 and $4.24 in the Global scope.

Die Arbeitsbelastung in der Stelle ist diejenige, die der Tracker am schlechtesten misst.

Artificial Analysis ist der einzige Anbieter, der unabhängige Messungen von Qwen4-Max veröffentlicht, und seine Seite wurde um eine vollständige Leistungszeile aktualisiert, die am Starttag nicht vorhanden war. Was in dieser Zeile steht, ist nicht mehrdeutig.

• Intelligence Index — 43 in der aus neun Bewertungen bestehenden Suite v5.0.1, Rang 38 von 81 Modellen, knapp über dem Median von 41 des Trackers für diese Preisklasse.

• Ausgabegeschwindigkeit — 54 Token pro Sekunde. Damit liegt es auf Platz 74 von 79 Modellen, die der Tracker nach Leistung einordnet.

• Zeit bis zum ersten Antwort-Token – 179,79 Sekunden, denn das Modell denkt, bevor es spricht, und der standardmäßige Reasoning-Aufwand auf Alibabas Karte ist hoch.

• Zeit pro Intelligence-Index-Aufgabe — 32,2 Minuten, gegenüber einem Median von 13,3 Minuten bei vergleichbaren Modellen. Der Tracker bezeichnet dies als „auffallend langsam“.

• Ausführlichkeit — 127 Millionen Ausgabe-Tokens im gesamten Index, gegenüber einem Median von 78,6 Millionen. Das entspricht Rang 65 von 80.

• Kosten pro Indexierungsaufgabe — 3,27 $, Rang 44 von 80, wobei bereits ein 95-%-Cache-Rabatt angewendet wurde.

Jede Zahl in dieser Liste ist eine Messung des Trackers selbst, nicht von Alibaba. Die veröffentlichten Angaben des Anbieters sind eine ganz andere Sammlung und werden überall, wo sie auftauchen, als Herstellerangaben gekennzeichnet: ein Token-Effizienzgewinn von 24 % bis 35 % gegenüber Qwen3.8-Max im eigenen Work360-Benchmark, 48 % bis 49 % bei Terminal-Bench 4.0 und durchschnittliche Kosten pro Aufgabe, die von 4,43 $ auf 1,67 $ sinken. Nichts davon wurde unabhängig reproduziert. Die beiden Datensätze widersprechen sich nicht – ein Modell kann pro Aufgabe effizient und pro Token trotzdem langsam sein –, aber nur einer von beiden sagt einem, wie sich eine Agenten-Schleife um 2 Uhr nachts anfühlt.

Es gibt eine zweite Lücke im eigenen Material des Anbieters, und sie ist seltsam für ein Modell, das mit agentischem Coding verkauft wird. Alibabas Modellkarte veröffentlicht keine Parameteranzahl; das Launch-Material beschreibt ein spärliches Mixture-of-Experts mit 2,4 Billionen Parametern, von denen pro Token 71 Milliarden aktiviert sind, und der Tracker führt die Größe als nicht offengelegt. Es gibt außerdem keinen von Alibaba selbst veröffentlichten Terminal-Bench-4.0-Wert für dieses Modell, nur die Behauptung relativer Effizienz gegenüber seinem Vorgänger. Ein Anbieter, der möchte, dass Agenten-Entwickler ein Modell übernehmen, führt üblicherweise mit einer absoluten agentischen Kennzahl. Dieses Modell führte mit einem Verhältnis.

Was 32 Minuten pro Aufgabe und 54 Token pro Sekunde mit einer Schleife anrichten

Stückpreise verdecken dies, deshalb hier die Berechnung für die Form, die der Beitrag bewirbt – ein Coding-Agent, der eine Aufgabe über mehrere Turns hinweg abarbeitet. Alles davon leitet sich aus den veröffentlichten Sätzen und der gemessenen Geschwindigkeit ab, nicht aus einer Abrechnung.

• Generierungszeit pro Turn – ein 3.000-Token-Patch und -Reasoning-Block bei 54 Tokens pro Sekunde sind etwa 56 Sekunden reine Ausgabe. Bei 8.000 Tokens sind es grob 2,5 Minuten, bevor das Modell überhaupt etwas gelesen hat.

• Eine Sitzung mit 25 Turns – 25 Turns à 3.000 Ausgabe-Tokens sind 75.000 Tokens, etwa 23 Minuten Generierung bei dieser Geschwindigkeit, plus 25 separate Wartezeiten auf das erste Antwort-Token von jeweils fast drei Minuten, wenn die Harness den Kontext nicht warm hält. Allein der Overhead kann die Generierung übersteigen.

• Dieselbe Sitzung in Geld ausgedrückt — 75.000 Ausgabe-Tokens zu 4,50 $ pro Million ergeben 0,34 $. Die Rechenleistung ist billig; die Zeit ist es nicht. Diese Umkehrung ist der nützlichste einzelne Punkt, um die Wirtschaftlichkeit dieses Modells zu verstehen.

• Der Cache ist der Hebel, der darüber entscheidet, ob es tolerierbar ist – ein 200.000-Token-Kontext, kalt erneut gelesen, kostet $1,50 pro Million, also $0,30 pro Turn; mit 95 % Rabatt gecacht kostet er etwa $0,015. Über 25 Turns ist das der Unterschied zwischen $7,50 und $0,38 an Eingabe, was die Ausgaberechnung völlig in den Schatten stellt.

Anders gesagt: Bei Qwen4-Max ist nicht die Ausgabelänge die Größe, die man messen sollte, sondern die Cache-Trefferquote und die First-Token-Latenz. Eine Schleife, die ihren Kontext warm hält und eine dreiminütige Denkzeit toleriert, ist praktikabel. Eine Schleife, die bei jedem Zug einen kalten 200K-Kontext erneut sendet, zahlt das Zwanzigfache des Eingabetarifs und wartet jedes Mal drei Minuten darauf. Die 32,2-Minuten-Index-Aufgabe ist die zusammengesetzte Kennzahl des Trackers, nicht deine Aufgabe, aber ihre Richtung ist das, woran man die Planung ausrichten sollte.

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 17 November 2026 in English, showing an Intelligence Index of 43 at rank 38 of 81, a performance rank of 74 of 79, time to first answer token of 179.79 seconds, output speed of 54 tokens per second, 32.2 minutes per index task, 127 million output tokens, a $3.27 cost per index task, and a 984k context window.

Der Beleg sagt nicht, was geantwortet hat.

Dies ist der Teil der Routing-Liste, der mehr Aufmerksamkeit verdient als sein Preis. Die Dokumentation der Plattform selbst ist ungewöhnlich offen: Jede geroutete Antwort trägt einen signierten Routenbeleg, und der Beleg „beweist nicht, welche Gewichte geantwortet haben“. Er hält fest, wohin eine Anfrage gesendet wurde und was die jüngste Prüfung gemeldet hat. Modelle, die die Plattform selbst veröffentlicht, erhalten eine stärkere Kette – Dateien, die per SHA-256-Digest gespeichert werden, Revisionen, die durch einen Datei-Map-Hash identifiziert werden, signierte Datensätze unter einem gepinnten Herausgeberschlüssel, ein Append-only-Transparenzprotokoll – und der für qwen/qwen4-max angezeigte Verifizierungsstatus ist „unbekannt“.

Bei einem geschlossenen Modell ist das kein Skandal, sondern eine strukturelle Grenze, die jeder Router teilt, unsere eingeschlossen: Wenn die Gewichte nicht veröffentlicht werden, kann kein Dritter beweisen, welche Gewichte ein Token erzeugt haben. Was folgt, ist eher eine praktische Regel als eine Kritik. Wenn Ihre Arbeit davon abhängt, dass das Modell tatsächlich Qwen4-Max ist – eine Eval, eine Benchmark-Einreichung, eine vertragliche Behauptung darüber, welches Modell die Daten berührt hat –, dann ist ein gerouteter Endpoint für sich genommen kein ausreichender Beweis, egal wie gut der Beleg aussieht. Wenn Sie die Fähigkeit brauchen, ist ein gerouteter Endpoint in Ordnung und die Provenienzfrage akademisch.

So probieren Sie es aus, ohne einen Produktionspfad darauf zu verwetten

Um klar zu sagen, wo wir stehen: OrcaRouter leitet Qwen4-Max nicht weiter. Der Katalog enthält qwen/qwen3.8-max, anthropic/claude-fable-5.2 und openai/gpt-6.1-sol; eine Anfrage mit einer qwen4-Kennung liefert heute nicht gefunden zurück. Wenn du also dieses Modell mit unserem Schlüssel nutzen willst, wartest du wie alle anderen. Was wir tun können, ist die Evaluierung kostengünstig umkehrbar zu machen.

Der Grund, sich darum zu kümmern, ist, dass alles an diesem Launch dagegen spricht, es hart zu codieren. Das Modell ist einen Tag alt, seine einzige unabhängige Leistungszeile reiht es bei der Geschwindigkeit auf Platz 74 von 79 ein, sein gerouteter Preis unterbietet die Preiskarte seines eigenen Anbieters aus Gründen, die niemand erklärt hat, und die Plattform, die die Empfehlung trägt, befindet sich in einer privaten Beta hinter einem Einladungscode. Jedes davon kann sich innerhalb einer Woche ändern – und ein Übergang von Preview zu GA, der zugleich das gemeinsame Budget für Denken plus Antwort von 393.216 Tokens auf 262.144 senkte und die Abrechnung von Credits auf Abrechnung pro Token umstellte, ist genau die Art von Änderung, die einen Produktionspfad in Woche zwei bricht.

Das spricht dafür, das Experiment hinter einem gerouteten Endpunkt statt hinter einem fest codierten zu belassen: das neue Modell auf einer Route, qwen/qwen3.8-max als Fallback, ein Schlüssel und eine Rechnung für beides. Mit 0 % Aufschlag und dem durchgereichten Listenpreis des Anbieters entspricht die Rechnung, die Sie anhand von Alibabas Preisliste aufstellen, genau der, die Ihnen berechnet wird – was auch bedeutet, dass eine Preissenkung des Anbieters noch am selben Tag bei uns sichtbar wird und nicht erst bei der nächsten Vertragsverlängerung. Modell-Fusion ist die andere Option, die man bei einem noch nicht erprobten Modell kennen sollte: Lassen Sie es neben dem etablierten Modell auf einer Stichprobe Ihres eigenen Traffics laufen und vergleichen Sie die Ausgaben, bevor eines von beiden den Pfad übernimmt. Wenn Sie einfach nur sehen möchten, wie eine API für über 200 Modelle aussieht, ist der Katalog öffentlich.

A generated two-column scoreboard titled 'Qwen4-Max — the pitch and the meter', with rows comparing what the launch material claims against what Artificial Analysis measured: agentic coding endorsed on 17 November against a performance rank of 74 of 79, a 1,000,000-token context against 984k recorded by the tracker, a vendor token-efficiency ratio against an Intelligence Index of 43 at rank 38 of 81, no published speed figure against 54 tokens per second, no published task time against 32.2 minutes per index task, and average cost per task cut from $4.43 to $1.67 against $3.27 per task measured by the tracker. Footer reads 'Vendor figures unreproduced; speed, cost and index figures per Artificial Analysis, 17 November 2026.'

Was würde diese Lesart ändern?

Drei Dinge, geordnet danach, wie sehr sie von Bedeutung wären.

Das erste ist eine Geschwindigkeitszahl von jemand anderem als dem einen Tracker. Eine einzelne Messung von 54 Tokens pro Sekunde auf einem zusammengesetzten Benchmark ist eine dünne Grundlage für eine Produktionsentscheidung, und der Anbieter hat überhaupt keine veröffentlicht. Wenn ein zweiter unabhängiger Testaufbau in der Nähe dieser Zahl landet, ist die Langsamkeit eine Eigenschaft des Modells, und Agenten-Entwickler sollten ihre Schleifen entsprechend dimensionieren. Wenn er weit darüber liegt, war der Endpunkt des Trackers das Problem, und dieser Abschnitt altert schlecht – was die richtige Art für ihn ist zu altern.

Das Zweite ist, dass sich der Verifizierungsstatus dieses gerouteten Listings von „unbekannt“ wegbewegt – oder dass die Plattform die private Beta verlässt. Beides würde aus einer freigegebenen Route etwas machen, hinter das man eine Support-Zusage stellen könnte.

Der dritte Punkt ist, dass Alibaba eine absolute Agentic-Coding-Bewertung veröffentlicht statt eines Verhältnisses zu seinem Vorgänger. Bis dahin ist die Befürwortung eine Absichtserklärung, und die einzige veröffentlichte Messung der Arbeitslast, für die es wirbt, sind 32,2 Minuten pro Aufgabe bei 54 Tokens pro Sekunde. Das ist kein Grund, Qwen4-Max zu meiden — es ist ein Grund, es an Ihren eigenen Aufgaben zu benchmarken, bevor Sie jemandem einen Liefertermin versprechen, und währenddessen den bisherigen Anbieter als Ausweichroute bereitzuhalten.