Tarjeta de título de MAI Code 2 vs Qwen 4 Max. MAI Code 2 se muestra como el modelo de GitHub Copilot de Microsoft a $0,50 de entrada y $2,50 de salida por millón de tokens, con una ventana de contexto de 1 M, sin endpoint y sin techo de salida publicado. Qwen4-Max se muestra como la API de pago por uso de Alibaba en seis regiones a $1,50 y $4,50 por millón de tokens, con un techo de entrada de 991.808 tokens y un presupuesto de pensamiento compartido de 262.144 tokens.
Guides & Insights

MAI Code 2 vs Qwen 4 Max: Nueve días, dos tarjetas de tarifas, un endpoint

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Hay una fecha límite oculta en esta comparación. Qwen 4 Max —que Alibaba escribe Qwen4-Max y que la API enumera como qwen4-max— pasó a facturación por consumo el 16 de noviembre de 2026, y las cadenas de modelo en vista previa que reemplazó —qwen4-max-preview y qwen4.0-max-preview— dejarán de responder a las 24:00 UTC+8 del 25 de noviembre de 2026. Quedan nueve días a partir de hoy. MAI Code 2, que Microsoft lanzó en Ignite el 17 de noviembre de 2026, un día después de que Qwen4-Max alcanzara disponibilidad general, no tiene esa cuenta atrás: solo se puede acceder a él seleccionándolo dentro de un cliente de GitHub Copilot, a $0.50 por millón de tokens de entrada y $2.50 por millón de salida, con una tarifa promocional vigente hasta el 17 de mayo de 2027. Así que uno de estos dos modelos tiene una fecha límite de migración que todavía puedes dejar pasar, y el otro tiene una fecha de caducidad con la que puedes planificar. Ninguna de esas dos cosas es un benchmark, y entre ambas explican la mayor parte de lo que separa a este par.

La cuestión del precio y la cuestión del acceso apuntan aquí en direcciones opuestas, y solo una de ellas puede resolverse consultando una lista de precios.

Dos modelos que se lanzaron con un día de diferencia y discrepan en todo lo demás

MAI Code 2 llegó a Microsoft Ignite como uno de un lote de siete modelos en un mismo escenario, y su decisión de diseño definitoria es que no existe fuera de las herramientas de su proveedor. Qwen4-Max de Alibaba salió de la vista previa el día anterior, tras un periodo de Token Plan en Singapur, y su decisión de diseño definitoria es la contraria: medición por token en seis regiones, cuatro protocolos de API y una hoja de especificaciones documentada con las partes incómodas incluidas.

Esas veinticuatro horas son toda la historia del dúo. Una empresa lanzó un modelo optimizado para una suscripción que ya vende. La otra lanzó un modelo optimizado para una API que ya opera. Todas las diferencias que siguen se derivan de eso, y por eso vale la pena hacer la comparación.

Las tarjetas de tarifas, con los descuentos que caducan

• Entrada — MAI Code 2 a $0.50 por millón de tokens frente a Qwen4-Max a $1.50 en Singapur, o $1.413 en las regiones globales; MAI es un tercio de la tarifa de Singapur

Producción — $2.50 frente a $4.50 y $4.24; el ratio se estrecha al 56%

• Entrada en caché — $0,025 frente a $0,075 en Singapur y $0,071 en otros lugares; una diferencia de 3×, la ventaja más pequeña de la lista

• Escrituras en caché — Microsoft no publica ninguna, frente a Qwen4-Max a $1,875 por millón por una escritura de cinco minutos y $3,00 por una hora

• A partir del 17 de mayo de 2027 — MAI Code 2 se duplica a $1.00 / $0.05 / $5.00, momento en el que su tarifa de entrada sigue siendo inferior a la de Qwen4-Max y su tarifa de salida es superior a la de este

• Contexto — 991,808 tokens de entrada en Qwen4-Max, que bajan a 983,616 en modo de pensamiento, frente a 1 millón de tokens en MAI Code 2 dentro de VS Code y Copilot CLI

• Presupuesto de salida — no publicado por Microsoft, frente a un presupuesto de 262.144 tokens compartido entre razonamiento y respuesta en Qwen4-Max

Pesos — ninguno de los dos se puede descargar. Microsoft lo afirma explícitamente; el nivel Max de Qwen4-Max no conlleva ningún compromiso de pesos abiertos, a diferencia del nivel 27B de la misma familia

La partida de entrada en caché determina las ejecuciones prolongadas de agentes y va en contra del titular. La lectura de caché de Qwen4-Max es el 5 % de su propia tarifa de entrada, y su ejemplo práctico publicado —una salida de 8000 tokens más una lectura de prefijo dos veces— convierte tres pasadas idénticas en $0,918 frente a $1,908 sin caché. Un equipo que mantiene un mensaje de sistema fijo y un esquema de herramientas delante de una pregunta cambiante obtiene un descuento efectivo mucho mayor de lo que implica la tarifa de entrada. El descuento de caché del 95 % de MAI Code 2 sobre una base inferior es comparable en cuanto a tipo, pero Microsoft no publica ningún cargo por escritura en caché, lo que hace difícil comparar las dos fichas en la única dimensión en la que las cargas de trabajo de agentes gastan la mayor parte de su dinero.

El presupuesto de salida se redujo camino a la disponibilidad general

El hecho menos divulgado sobre la GA de Qwen4-Max es que la vista previa le daba más espacio para pensar. En la vista previa, el presupuesto compartido de pensamiento y respuesta era de 393.216 tokens; en la GA, es de 262.144. La salida sin pensamiento está limitada a 131.072. Un tercio del margen desapareció en el mismo momento en que el modelo adquirió una tarjeta de precios real y cinco nuevas regiones.

Que eso sea una regresión depende de tu carga de trabajo, pero es un delta documentado que cualquiera que siga apuntando una configuración a las cadenas de vista previa necesita conocer, porque esas cadenas se retiran en nueve días. El identificador qwen4-max es el que sobrevive.

El equivalente de MAI Code 2 no se ha publicado. Microsoft documenta una ventana de contexto de un millón de tokens y niveles de razonamiento configurables —la documentación de Copilot confirma que la profundidad de razonamiento es ajustable y señala que el contexto extendido es una función de VS Code y la CLI de Copilot—, pero no hay ningún límite de salida en ningún documento de Microsoft, así que no hay nada que comparar con la cifra de 262.144. Esa asimetría está presente en toda esta comparativa: Qwen4-Max te dice los números incómodos y MAI Code 2, los que lo favorecen.

Lo que dicen las puntuaciones independientes, desde el único lado que las tiene

Artificial Analysis sitúa a Qwen4-Max en 43 en el Intelligence Index v5.0.1, con un coste de 3,27 $ por tarea del índice, 32,1 minutos por tarea, 55 tokens por segundo de salida y 155,4 segundos hasta el primer token de respuesta, con una ventana de contexto que mide en 984 k. Son cifras de mitad de tabla. La nota sobre verbosidad de la misma página es la lectura más útil: el modelo generó aproximadamente el doble de tokens de salida que el modelo mediano en la ejecución del índice, por lo que su precio nominal por token subestima su coste real por tarea.

MAI Code 2 no tiene ninguna fila en Artificial Analysis — ni página de modelo, así que no hay lectura de índice. Lo que existe es la publicación de lanzamiento de Microsoft: cuatro benchmarks con nombre, tres ejecutados en la plataforma interna MSBench de la compañía a través de GitHub Copilot CLI con los subagentes desactivados y al máximo esfuerzo de razonamiento, el cuarto obtenido de Artificial Analysis, y los resultados expresados como el 96 % del rendimiento de Claude Opus 5.5 a un 5 % del coste y el 98 % del de GPT-6.1 Sol a un 40 %. No se publica la tasa de acierto por benchmark.

Si los comparas con honestidad, no puedes clasificarlos. El 43 de Qwen4-Max en un índice neutral es mediocre; las ratios de MAI Code 2 son sólidas en sus propios términos; miden cosas distintas en harnesses distintos y ninguno de los dos proveedores ha ejecutado la prueba del otro. Lo que sí puedes decir es que la cifra de Qwen4-Max es auditable y la de MAI Code 2 no lo es, lo cual es una afirmación sobre la evidencia y no sobre la capacidad.

Artificial Analysis page for Qwen4 Max showing an Intelligence Index of 43 against a median of 43, $1.50 input and $4.50 output per million tokens, a 95 percent cache discount, 55 tokens per second, 32.1 minutes per task, $3.27 per task, 127 million output tokens against a median of 651 million, and a 984k token context window.

Los verbos que cada modelo fue entrenado para ejecutar

El posicionamiento de Microsoft para MAI Code 2 es acotado y específico: llevar código a producción, depuración profunda, implementación de múltiples archivos, razonamiento a nivel de todo el repositorio, trabajo de interfaz de usuario, y paneles y visualización. La publicación de lanzamiento es igualmente específica sobre los límites —los modelos "explícitamente todavía no están ajustados para problemas más difíciles, como la investigación en ciencia fundamental y el trabajo agéntico de horizonte muy largo"— y la afirmación sobre la evaluación ciega de frontend, con un 64% de preferencia de los revisores frente a GPT-6 Sol, se circunscribe exactamente a esa fortaleza de codificación visual.

El posicionamiento de Qwen4-Max es más amplio por construcción, y su documentación lo demuestra: entrada de texto, imagen y vídeo, salida estructurada, llamada a herramientas en paralelo, finalización de prefijo, búsqueda web y almacenamiento en caché tanto explícito como implícito, a través de OpenAI Chat Completions, OpenAI Responses, Anthropic Messages y DashScope. La inferencia por lotes existe solo en Pekín, y únicamente la ruta Batch File aplica el descuento; Batch Chat figura a la tarifa en tiempo real, así que la palabra "lote" en el nombre de un endpoint no es garantía de precio allí.

Esa es la asimetría práctica entre un modelo de programación y un modelo general. MAI Code 2 probablemente sea mejor en aquello para lo que fue creado, y Microsoft tiene benchmarks internos que no te mostrará. Qwen4-Max hará muchas más cosas, y la propia lectura independiente de Alibaba dice que apenas es competente en la mitad de programación.

Dónde ejecutar cada uno y para qué sirve realmente un router aquí

MAI Code 2 está disponible en GitHub Copilot en Pro, Pro+, Max, Business y Enterprise, en Windows, macOS y Linux, en Copilot CLI y Visual Studio Code. MAI Code 2 Flash es el único modelo de la familia con una superficie de API: una vista previa de acceso limitado en Microsoft Foundry a través de una API Responses compatible con OpenAI. Qwen4-Max está en la plataforma propia de Alibaba en seis regiones. Ninguno de los dos está hoy en el catálogo de OrcaRouter, así que ninguna afirmación de enrutarlos sería cierta.

Lo que sí incluye el catálogo es Qwen3.8-Max a $2.00 y $6.00 en Singapur — el modelo Qwen4-Max es un 25 % más barato que en ambos lados del medidor — además de los modelos de frontera con los que compararías un modelo de programación barato: Claude Opus 5.5, Kimi K3.1 Pro, Gemini 4 Carbon. Todos a precio de lista del proveedor con un 0 % de recargo, todos con una sola clave. Eso importa para un tipo específico de decisión: si tienes la intención de elegir entre MAI Code 2 y Qwen4-Max ejecutando ambos en tus propios repositorios, la comparación necesita un control, y el control es medible hoy, mientras que ninguno de los candidatos lo es.

El argumento de enrutamiento que resiste el contacto con estos dos modelos no es «poner ambos detrás de un único endpoint». Es que el endpoint que sí controlas es donde reside el respaldo. Un pipeline que llama a Qwen3.8-Max puede conmutar a un segundo proveedor sin cambiar el código; una licencia de Copilot no puede conmutar a nada, porque no hay nada debajo de ella que enrutar.

Cómo elegir sin un benchmark compartido

Usa Qwen4-Max si el modelo tiene que responder a una solicitud que construye tu código. Ese es todo el caso y es decisivo: una API con cuatro protocolos y seis regiones frente a una entrada de selector de modelos no es una competencia reñida para nada automatizado. Deja de usar las cadenas de vista previa antes del 25 de noviembre, presupuesta la verbosidad que expuso la ejecución del índice y presupuesta un límite de salida un tercio menor que el de la vista previa.

Elija MAI Code 2 si los desarrolladores ya están en Copilot y el trabajo es la reparación empresarial rutinaria para la que Microsoft le fijó el precio. Con un tercio de la tarifa de entrada de Qwen4-Max y poco más de la mitad de su tarifa de salida, incluso un modelo que necesite un segundo intento puede ganar en coste por tarea finalizada; y, a diferencia de Qwen4-Max, su tarifa promocional tiene una fecha de finalización declarada en lugar de un tarifario abierto que usted no controla.

No elijas ninguno si la carga de trabajo requiere una puntuación que puedas defender ante un comité de compras. Un modelo tiene una lectura independiente mediocre; el otro no tiene ninguna lectura independiente en absoluto. En esa situación, la medida defendible es ejecutar el que puedas llamar contra un modelo que esté en una tabla de clasificación neutral, con tus propias tareas, y comparar el coste por tarea finalizada en lugar del precio por token.

Alibaba Cloud Model Studio documentation page headed 'Recommended models', updated 2026-11-16, listing qwen4-max as the latest model for text generation alongside the qwen3.7-plus and qwen3.8-flash cards.Scoreboard comparing MAI Code 2 and Qwen4-Max across six dimensions. Input $0.50 versus $1.50 per million tokens, output $2.50 versus $4.50, cached input $0.025 versus $0.075, context 1M tokens versus a 991,808-token input ceiling, maximum output not published versus a 262,144-token shared budget, and access via GitHub Copilot versus a metered API in six regions.

Lo que cambiaría el veredicto es un único número absoluto de Microsoft. Una tasa de aprobación de Terminal Bench 2.1, publicada tal como Moonshot publicó el 65,7 % en Terminal-Bench 4.0, permitiría a un comprador situar MAI Code 2 en el mismo eje que el 43 de Qwen4-Max y dejar de depender de una proporción. Hasta entonces, la elección está entre un modelo que se puede medir y un descuento que se puede verificar, y el consejo honesto es tomar la opción medible para todo lo automatizado y el descuento para todo aquello ante lo que hay una persona sentada.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario