Una tarjeta de título generada que dice 'Qwen4-Max fue considerado un vencedor de Opus 5.5' con el subtítulo 'El índice lo sitúa 16 puntos por detrás' y tres tarjetas de cifras que dicen '43 frente a 59 en el índice', '$3.27 frente a $1.27 por tarea' y 'tiempo por tarea: no publicado'. Un pie de página dice 'Índice, coste por tarea y tiempo por tarea según Artificial Analysis Intelligence Index v5.0.1, consultado el 16 de noviembre de 2026.' Estilo vectorial plano sobre fondo blanco con acentos de degradado azul y cian, la marca OrcaRouter compuesta en la esquina inferior derecha.
Guides & Insights

Qwen4-Max fue llamado un superador de Opus 5.5: el índice lo sitúa 16 puntos por detrás

Autor

jinhao.song

Fecha de publicación

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

El veredicto del día del lanzamiento sobre Qwen4-Max fue que supera a Claude Opus 5.5 y tanto a GPT-6.1 Sol como a GPT-6 Astra, y que solo queda por detrás de Claude Fable 5.2. Tres de esas cuatro comparaciones se invierten en el único cuadro de puntuaciones que sometió a los cinco modelos a las mismas nueve evaluaciones. Artificial Analysis Intelligence Index v5.0.1, consultado el 16 de noviembre de 2026 —el día en que Qwen4-Max salió a la venta—, sitúa a Qwen4-Max en 43, a Claude Opus 5.5 en 59, a GPT-6 Astra en 57, a GPT-6.1 Sol en 55 y a Claude Fable 5.2 en 65. Dieciséis puntos por detrás del modelo al que se decía que superaba, catorce por detrás del segundo más barato de los tres y doce por detrás del tercero. La cuarta comparación, aquella en la que Fable 5.2 va por delante, es la única parte de la afirmación que sobrevive al contacto con el arnés de evaluación.

That gap is worth taking apart rather than dismissing, because the claim is not invented. It is what you get when a comparison is assembled from reasoning-effort settings that do not match, and the mismatch happens to run in one direction every time. Below: what A​libaba actually published, what the scoreboard reads at each rung of each ladder, the one reading under which the claim becomes literally true, and the figure the tracker does not have for Qwen4-Max at all.

What A​libaba published, and what it did not

The first thing to separate is the vendor's launch material from the commentary around it. A​libaba's own Qwen4-Max blog post, dated 16 November 2026, mentions no competing model by name anywhere in its 3,100 words. Every comparison in it is against Qwen3.8-Max, the company's own previous flagship. That is a normal thing for a launch post to do and it is not a criticism — but it means the competitive framing did not come from the vendor, and any "beats Opus" statement in circulation is an inference somebody else drew.

Lo que el proveedor sí afirma, todo ello reportado por el proveedor y no reproducido:

• Arquitectura: una base de 2,4 billones de parámetros sobre una nueva arquitectura Qwen4, con visión nativa y una ventana de contexto de un millón de tokens.

• Token efficiency against Qwen3.8-Max — 24% fewer tokens at Xhigh effort and 35% fewer at High on A​libaba's Work360 benchmark, and 48% and 49% fewer on Terminal-Bench 4.0.

• Costo por tarea frente a Qwen3.8-Max: de un promedio de $4.43 a $1.67, una reducción del 62%, con las mayores bajadas en el precio de entrada en caché.

• Puntuación de Work360: 52,69 frente a 47,74 de Qwen3.8-Max.

Ninguno de esos es una comparación entre laboratorios, y ninguno puede contrastarse con las cifras publicadas por un competidor, porque se miden en benchmarks que el propio proveedor puntúa. La cifra independiente llegó ese mismo día desde una dirección diferente.

Lo que lee el arnés independiente

Artificial Analysis v5.0.1 es un compuesto de nueve evaluaciones —AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset y Terminal-Bench-Science 0.1— ejecutado por el rastreador, no por los laboratorios. En él, la puntuación de 43 de Qwen4-Max se sitúa en el puesto 38 de 81 modelos, un poco por encima de la mediana del conjunto de 41. Es un debut respetable para una arquitectura de primera generación. No es un líder, y los cuatro modelos sobre los que fue situado están todos por delante de él:

• Claude Opus 5.5 — 59 en Max, 57 en Xhigh, 52 en High, 48 en Medium, 35 en Low. Publicado el 22 de septiembre de 2026.

• GPT-6 Astra — 57 en Max, 55 en Xhigh, 55 en High, 52 en Medium, 43 en Low. Lanzado el 3 de septiembre de 2026, fecha de corte de conocimiento: abril de 2026.

• GPT-6.1 Sol — 55 en Max, 52 en Xhigh, 50 en High, 46 en Medium, 35 en Low. Lanzado el 29 de septiembre de 2026.

Claude Fable 5.2 — 65 en Max, 62 en Xhigh, 62 en High, 56 en Medium, 54 en Low. Publicado el 9 de noviembre de 2026.

• Qwen4-Max — 43, publicado como una única cifra, sin una escala por nivel de esfuerzo. Lanzado el 16 de noviembre de 2026.

Esa última asimetría lo explica todo. Qwen4-Max es un modelo de razonamiento, y el tracker califica a sus competidores en cinco configuraciones de razonamiento distintas mientras que califica a Qwen4-Max en una sola. La configuración que sea que produjo el 43 se compara con la más fuerte de Opus 5.5, Astra y Sol, y el tracker no te dice cuánto margen de mejora queda por debajo. Así que "43 frente a 59" no es una comparación equivalente de los techos de ambos modelos: es la única configuración medida de Qwen4-Max contra la mejor de Opus 5.5.

La única interpretación bajo la cual la afirmación es verdadera.

Lee las escaleras hacia abajo y la afirmación deja de ser falsa y empieza a ser engañosa, lo cual es un fallo más interesante. El 43 de Qwen4-Max no es superado por cada peldaño de cada oponente. Supera o empata el peldaño inferior de tres de los cuatro:

• Frente a Claude Opus 5.5: 43 supera en ocho puntos al 35 del ajuste Low y pierde por cinco ante el 48 de Medium. El punto de cruce se sitúa entre Low y Medium.

• Contra GPT-6 Astra — 43 empata exactamente con el ajuste Low de Astra, de 43, y pierde por nueve frente al 52 de Medium.

• Contra GPT-6.1 Sol — 43 supera por ocho puntos la configuración Low de Sol, de 35, y pierde por tres frente a la Medium, de 46. Esta es la comparación más reñida del tablero.

• Contra Claude Fable 5.2: 43 pierde frente a todos los niveles, incluido el 54 del ajuste Low, por once puntos. No hay ningún ajuste de Fable 5.2 que Qwen4-Max alcance.

Así, una comparación que enfrentara a Qwen4-Max con competidores ejecutados en esfuerzo bajo produciría exactamente el orden reportado para Opus 5.5 y Sol, exactamente el empate o mejor resultado reportado frente a Astra, y exactamente la derrota reportada frente a Fable 5.2. Ese es un conjunto de resultados coherente y autoconsistente, y es el único conjunto en este arnés que produce el orden que circula. Ya sea que alguien lo haya armado deliberadamente o haya llegado a él comparando una configuración predeterminada contra un ajuste mínimo, la aritmética termina ahí.

La consecuencia práctica es lo que importa para cualquiera que lea un hilo de lanzamiento en lugar de un marcador: con el mismo esfuerzo de razonamiento, Qwen4-Max está aproximadamente un peldaño por detrás de GPT-6.1 Sol y dos peldaños por detrás de Claude Opus 5.5. Es un debut genuinamente competitivo. No es un liderazgo, y está muy lejos del encuadre de «supera a».

A generated two-column scoreboard titled 'Qwen4-Max vs Claude Opus 5.5 — the scoreboard'. The Qwen4-Max column reads 'Index at Max effort: 43', 'Lowest published effort: 43, single score', 'Blended price: $0.80 per million', 'Cost per index task: $3.27', 'Time per task: not published', 'Context window: 984k'. The Claude Opus 5.5 column reads 'Index at Max effort: 59', 'Lowest published effort: 35 at Low', 'Blended price: $2.94 per million', 'Cost per index task: $10.04', 'Time per task: 24.9 minutes', 'Context window: 1M'. A footer reads 'Index, per-task cost and time per task per Artificial Analysis v5.0.1, read 16 November 2026; prices per vendor cards.'

El coste por tarea separa dos afirmaciones de una

La capacidad es solo la mitad de lo que afirmaba el revuelo del lanzamiento, y en cuanto al precio, el panorama es más favorable a Qwen4-Max —para dos de los tres modelos, y no para el tercero.

• Precio de lista: Qwen4-Max cuesta $1.50 por millón de tokens de entrada y $4.50 por millón de tokens de salida, con un descuento de caché del 95% y una tarifa combinada de $0.80 por millón. Esa tarifa combinada es la más baja de los cinco modelos que aparecen aquí: GPT-6.1 Sol cuesta $1.47, Claude Opus 5.5 $2.94, Claude Fable 5.2 $5.74 y GPT-6 Astra $7.70.

• Costo por tarea completada: Claude Fable 5.2 $26.54, Claude Opus 5.5 $10.04, GPT-6 Astra $6.24, Qwen4-Max $3.27, GPT-6.1 Sol $1.27. Todos con la configuración Max de cada modelo.

• La inversión: Qwen4-Max tiene la tarifa combinada más barata de la tabla y la tercera tarea más económica. Supera a Claude Opus 5.5 por tarea en un factor de tres y a GPT-6 Astra en aproximadamente dos, y pierde frente a GPT-6.1 Sol por un factor de 2.6.

The mechanism is verbosity, and the tracker measures it directly: Qwen4-Max generated 127 million output tokens completing the index, against a field median of 78.6 million, and is classed as very verbose. A model that writes 60% more than the median spends its rate advantage doing so. A​libaba's own 24-to-35% token-reduction figures are real improvements against Qwen3.8-Max and say nothing about how verbose the model is in absolute terms, which is the number that reaches an invoice.

Así que la parte del coste de la afirmación se divide con claridad. «Es más barato de ejecutar que Opus 5.5 y Astra» es cierto por tarea, por un margen amplio, y es el punto más sólido de este artículo a favor de Qwen4-Max. «Es más barato que GPT-6.1 Sol» es falso por tarea por un factor de 2,6, aunque la tarifa combinada de Qwen4-Max sea un 46 % más baja. Cualquiera que haya presupuestado a partir de la carta de tarifas y haya obtenido la respuesta opuesta en la factura ha encontrado la misma discrepancia.

La cifra que el rastreador no tiene.

Una columna de la página de Qwen4-Max está vacía de una forma que merece señalarse. Artificial Analysis informa el tiempo por tarea de todos los modelos que enumera aquí —Claude Opus 5.5 con 24,9 minutos en Max, GPT-6 Astra con 20,9, GPT-6.1 Sol con 22,9, Claude Fable 5.2 con 41,8— e indica N/A para Qwen4-Max, con el gráfico de tiempos anotado como «No hay una API disponible públicamente».

Read that annotation carefully before drawing a conclusion from it, because it is not a statement that the model cannot be called. A​libaba publishes per-token prices for Qwen4-Max and its launch post says API prices were lowered relative to Qwen3.8-Max, and the tracker itself lists A​libaba Cloud as the model's provider and quotes a $3.27 per-task cost. A model with a rate card, a provider and a measured per-task cost has an API. The more likely reading is that the timing measurement was not obtainable through whatever path the tracker used, and the page does not say which. The tracker's own FAQ, on the same page, says the model "is available via API through 1 provider", which does not square with the chart annotation either.

Lo que sobrevive a la ambigüedad es más acotado y sigue siendo útil: no existe una cifra independiente de latencia para Qwen4-Max el día de su lanzamiento, mientras que todos los modelos con los que se le compara tienen una. Si tu carga de trabajo es sensible a la latencia, estás eligiendo con base en un número que nadie ha publicado todavía, y la postura honesta es medirla por tu cuenta antes de comprometer una ruta de producción con él.

A headless-browser screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026 in English, showing the Alibaba proprietary-model header with 'Released November 2026', the rank badges Intelligence #38/81, Performance Cost #44/80 and Verbosity #65/80, the price block reading In $1.50, Out $4.50 and Cache 95%, the $3.27 per intelligence index task figure, the 127M output-token count, the summary prose noting a score of 43 against a median of 41, and a technical specification block reading Reasoning Yes, Input modality Text+Image, Output modality Text and Context window 984k.

Qué se sostiene en las afirmaciones del lanzamiento

Tres de las afirmaciones fácticas que circulan resultan ciertas y merecen decirse sin rodeos, porque una verificación de afirmaciones que solo resta no es una verificación de afirmaciones:

• La ventana de contexto: anunciada en un millón de tokens y medida por el rastreador en 984.000. Es un modelo de un millón de tokens real, no un 200K redondeado hacia arriba.

• Visión nativa: el rastreador registra entrada de texto e imágenes con salida de texto, lo que coincide con la descripción de «visión nativa» del proveedor, en lugar de un codificador complementario acoplado a un modelo de texto.

• La reducción de precio — $1.50 y $4.50 por millón frente a la tarifa más alta de Qwen3.8-Max, y la tarifa combinada más baja entre los cinco modelos comparados aquí. La dirección de la narrativa de precios no está en duda.

Lo que no se sostiene es la clasificación, y la clasificación es la parte que más se repitió.

Qué hacer con esto el día del lanzamiento

La jugada útil con un modelo como este no es tomar partido en el debate, sino mantener barata la opción. Qwen4-Max es una arquitectura de primera generación con un precio unitario genuinamente bajo, una puntuación independiente en la mitad de la tabla y ninguna cifra de latencia: un perfil que premia una prueba y penaliza una migración.

That is what routing is for. Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol and Claude Fable 5.2 are all routed on OrcaRouter at each vendor's list price with 0% markup, so a vendor rate change is live on the same day and the per-task arithmetic above stays current without a second contract or an SDK change. Qwen4-Max is not routed on OrcaRouter — it is reachable through A​libaba's own Model Studio API and several third-party platforms, and this article will not pretend otherwise. What routing buys you in that situation is the comparison: the four models it was measured against sit behind one key across 200-plus models, so benchmarking Qwen4-Max against them is a configuration change on one side of the fence rather than procurement on both.

Y si Qwen4-Max se gana un lugar, la conmutación por error automática es lo que hace que un modelo no medido sea seguro para ponerlo en una ruta activa: la solicitud pasa a un modelo cuya latencia sí tienes, en lugar de fallar cuando el nuevo es lento o no está disponible de la forma en que su dato de tiempo faltante da a entender que podría estarlo.

A headless-browser screenshot of the OrcaRouter model page for anthropic/claude-opus-5.5, captured 16 November 2026 in English, showing the FLAGSHIP and ZDR badges, the Claude Opus 5.5 heading with its identifier, the Anthropic attribution and 'Public benchmarks by Anthropic · 2026-09-22' line, Vision, Tools, JSON and Reasoning capability badges, a p50 time to first token of 7.98 s, a zero-data-retention availability note, the description placing it as Anthropic's flagship for reasoning, coding and long-horizon agentic work with a 1M-token context, the /v1/chat/completions and /v1/messages endpoints, and the price block reading $4.00 input and $20.00 output per million tokens.

El encuadre del día del lanzamiento fue que un modelo chino barato había superado a dos buques insignia estadounidenses. Lo que el arnés realmente muestra es un modelo con un buen precio, un escalón por detrás del más barato de ellos y dos escalones por detrás del mejor, con una capacidad de visión real, una ventana real de un millón de tokens y ninguna velocidad publicada. Eso es un producto mejor de lo que la afirmación hizo parecer y un ranking peor, y la diferencia entre esas dos cosas es exactamente la distancia entre un hilo y un marcador.

Comparados en este artículo2

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