
Qwen4-Max se diseñó para el trabajo del mundo real. El reloj del mundo real marca 32 minutos por tarea.
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 80 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 155 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 196 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 85 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 705 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 101 tok/s
"Fabricado para el trabajo del mundo real" es como se está vendiendo Qwen4-Max esta semana, en una plataforma de terceros que listó el modelo el 18 de noviembre, dos días después de que Alibaba lo pusiera a la venta general. Qwen4-Max se lanzó el 16 de noviembre de 2026, y el listado de esa plataforma no añadió nuevos pesos, ni nueva cifra de contexto, ni nuevo precio — solo un eslogan y un botón. El eslogan resulta ser la afirmación más comprobable que alguien haya hecho sobre el modelo, porque el trabajo del mundo real no es una puntuación de benchmark. Es una tarea que tiene que terminar, dentro de un presupuesto, mientras alguien la espera. En el único panel público que mide exactamente eso, Qwen4-Max necesita 32,3 minutos para completar una sola tarea del Intelligence Index. La mediana del sector es 12,4. Su propio predecesor, Qwen3.8-Max, necesitaba 47,4.
Esa es la forma del veredicto, y no es mala. Qwen4-Max es un tercio más rápido que el modelo al que reemplaza y 19 puntos mejor en el mismo índice, y hace el pensamiento adicional con un medidor que es aproximadamente una cuarta parte más barato por token. Lo que cambia el reloj es quién debería recurrir a él. Un modelo que tarda media hora por tarea no es el modelo que pones detrás de una caja de chat o de un bucle de agente de veinte pasos sin decidir, deliberadamente, que puedes permitirte el tiempo de reloj. Este artículo trata de esa decisión y de los tres números que la impulsan: minutos por tarea, tokens por tarea y el único nivel de esfuerzo que se ha medido realmente.
Un eslogan que apunta a la latencia, no a una tabla de clasificación.
El texto de lanzamiento de un producto insignia normalmente se centra en la capacidad. Este se centra en el trabajo, lo que en silencio desplaza la pregunta de «cuán inteligente» a «cuánto tiempo» y «cuánto cuesta». Son preguntas distintas con respuestas distintas, y los propios materiales del proveedor responden mucho mejor a la primera que a la segunda.
Las afirmaciones publicadas de Alibaba sobre Qwen4-Max tienen que ver con la eficiencia, y todas están condicionadas a una configuración de esfuerzo. En la propia suite Work360 del proveedor, el modelo obtiene 52,69 frente a 47,74 de Qwen3.8-Max, mientras genera un 24 % menos de tokens con esfuerzo Xhigh y un 35 % menos con High. En Terminal-Bench 4.0, la reducción de tokens es del 48 % y del 49 % en esas mismas dos configuraciones, y el coste medio por tarea en Work360 cae de 4,43 $ a 1,67 $. Todas esas cifras las reporta el proveedor, ninguna se ha reproducido de forma independiente y todas están ligadas a un nivel de esfuerzo que hay que seleccionar. Ese último detalle no es una nota a pie de página. Es la razón por la que la fila independiente de tiempos no puede interpretarse como «la velocidad del modelo» sin una advertencia.
La fila independiente, explicada sin rodeos
Artificial Analysis midió Qwen4-Max en Intelligence Index v5.0.1 con Xhigh, el nivel superior de su selector de tres niveles, y publicó el panel completo de coste y velocidad junto con la puntuación. Consultado en directo el 18 de noviembre de 2026:
• Índice de Inteligencia — 43 para Qwen4-Max frente a 62 de GPT-6.2 Astra y 34 de Qwen3.8-Max (0902)
• Tiempo real por tarea — 32,3 minutos, frente a una mediana de 12,4 para modelos comparables; Qwen3.8-Max tardó 47,4
• Tokens de salida por ejecución de índice — 127 millones, frente a una mediana del sector de 65,1 millones
• Velocidad de salida — 54 tokens por segundo, medida en el endpoint propio de Alibaba
• Tiempo hasta el primer token de respuesta — 148,57 segundos
Costo por tarea de indexación — $3.27, frente a $10.02 de Qwen3.8-Max
• Contexto anunciado — 984.000 tokens, según lo medido por el rastreador, frente a 1.000.000 en la documentación de Alibaba
El par interesante son los dos primeros. Cuarenta y tres es una puntuación mediocre y la tabla lo dice: describe al modelo como por debajo de la media entre modelos comparables, con una mediana también de 43, así que Qwen4-Max queda exactamente en la línea. Mientras tanto, 32.3 minutos frente a una mediana de 12.4 minutos no es mediocre; es casi el triple del resto. La capacidad quedó en la media, y el coste de extraerla quedó en la cola.

Adónde va la media hora
Dos números explican el reloj, y ninguno es un misterio. El primero es la verbosidad: 127 millones de tokens de salida para terminar la misma suite de nueve evaluaciones que el modelo mediano termina en 65,1 millones. El segundo es el rendimiento: 54 tokens por segundo, lo cual es normal. La velocidad normal multiplicada por el doble de tokens te da aproximadamente el doble de tiempo, y luego un poco más, porque una tarea que se alarga también pasa más tiempo esperando su propio razonamiento.
Si se juntan, la consecuencia práctica son unos cálculos que se pueden hacer sin un benchmark. Si una tarea del mundo real le lleva a Qwen4-Max media hora, entonces un bucle de agente de diez llamadas tarda cinco horas, y un lote nocturno de cien llamadas tarda cincuenta. Eso no es motivo para evitar el modelo —al trabajo por lotes no le importa cuánto tarda una llamada—, pero es una restricción dura para el trabajo interactivo y agéntico, que es exactamente a lo que suele referirse la expresión «trabajo del mundo real».
Hay un efecto de segundo orden que importa más que la media hora bruta. Una tarea de 32 minutos es lo bastante larga como para interactuar mal con todos los timeouts de una pila de producción: el timeout de inactividad de la puerta de enlace, el propio presupuesto de reintentos del cliente, la ventana de visibilidad de la cola, el contenedor que se recicla a los cuarenta minutos. Un modelo que termina en doce minutos sobrevive a una configuración predeterminada. Un modelo que termina en treinta y dos es el modelo que te enseña dónde están configurados tus timeouts, y el fallo que produce —un reintento que duplica el trabajo, o una respuesta truncada facturada por completo— cuesta más de lo que jamás ahorró la diferencia de tokens.

Un punto publicado en la parte superior de un dial de tres niveles
Qwen4-Max expone tres niveles de esfuerzo de razonamiento —bajo, alto y Xhigh— y usa alto por defecto, con un presupuesto de pensamiento que, a su vez, tiene 131.072 tokens por defecto. Artificial Analysis lo puntuó en Xhigh. Es una elección defendible: así se formulan las propias afirmaciones de eficiencia del proveedor y presenta al modelo de la mejor manera posible. Pero implica que los 43 y los 32,3 minutos describen la configuración más costosa que ofrece el modelo, y la configuración de bajo esfuerzo —la que realmente ejecutaría un producto interactivo— no tiene ninguna cifra independiente publicada.
Compare la forma de la divulgación al otro lado de los lanzamientos de este mes. GPT-6.2 Astra publica toda su curva sobre el mismo índice: 62 en max y en Xhigh, 60 en high, 57 en medium, 46 en low. Se ve cuánto le cuesta en capacidad una configuración más barata, y un equipo puede elegir un punto de esa curva. Qwen4-Max le da un solo punto y un valor predeterminado que queda un nivel por debajo. Si ejecuta el modelo en high, está usando una configuración que nadie ha medido, y si lo ejecuta en low, está usando una para la que el proveedor tampoco ha publicado una afirmación.
Esa brecha es el detalle menos divulgado del lanzamiento, y juega tanto a favor del modelo como en su contra. La lectura honesta no es «Qwen4-Max es lento». Es «Qwen4-Max es lento en la configuración con la que se evaluó, y nadie fuera de Alibaba ha cronometrado ninguna otra configuración». Si lo estás evaluando, el ajuste de esfuerzo es el primer experimento que hay que ejecutar, no el último, porque es la única palanca que mueve a la vez el reloj y la factura.
Qué recompensa realmente la tarjeta de precios
En el medidor, {{1}}Qwen4-Max{{/1}} es barato — genuinamente barato, y barato de una forma que castiga lo menos posible la carga de trabajo equivocada.
• Tarifas de Singapur — $1.50 por millón de tokens de entrada y $4.50 por millón de tokens de salida
• Regiones de alcance global — $1,413 de entrada y $4,24 de salida, con tres decimales, que es lo que cotizan los listados de terceros
• Caché: $0.075 por millón por lectura en Singapur, $0.071 en el resto; una escritura de cinco minutos cuesta $1.875 y una de una hora cuesta $3.00
• Contexto largo — tarifa plana. No hay un nivel premium por encima de un umbral de tokens, lo que no es cierto para todos los competidores este mes.
• Por lotes: una tarifa de procesamiento por lotes de archivos exclusiva de Beijing de $0.707 de entrada y $2.12 de salida
Esas son las tarifas publicadas de Alibaba. La estructura importa más que las cifras: un precio plano en toda la ventana significa que la revisión de un documento de 400.000 tokens cuesta aquí $0,60 de entrada, mientras que un modelo con multiplicador de contexto largo cobraría varias veces eso. Para las cargas de trabajo en las que este modelo es realmente bueno —documentos largos, vídeo, extracción masiva—, la tarifa plana vale más que la cifra destacada por token. Y para las cargas en las que es malo —interactivas, multiturno, agénticas—, la tarifa es irrelevante, porque la restricción es el reloj y no el medidor.
La parte que nadie incluyó en la lista: no hay ningún punto de control
El ajuste fino y el despliegue del modelo aparecen marcados como no compatibles en la documentación del modelo. Qwen4-Max está disponible en alquiler, pero no se puede poseer, y la única concesión de la publicación de lanzamiento respecto a los pesos abiertos es que los modelos Qwen4 más pequeños «llegarán al código abierto». Para un modelo que se comercializa por su utilidad en el trabajo del mundo real, esto es un límite real y no un detalle de licencia: los equipos con más trabajo del mundo real por hacer suelen ser los que quieren hacer ajuste fino con él. Si tu plan incluye una variante destilada, un despliegue on-prem o una instantánea reproducible anclada a un conjunto de pesos fijo, este modelo no ofrece ninguna de las tres cosas, y ningún listado de terceros puede añadirlas.

Lo que puedes llamar ahora
Qwen4-Max no está en nuestro catálogo — la ruta no existe, y no vamos a insinuar lo contrario. Lo que sí está es Qwen3.8-Max, que hoy se puede enrutar a su precio de lista del proveedor con 0% de margen, y que es el modelo con el que realmente harías la comparación antes de decidir que una tarea de 32 minutos vale la pena: obtiene 34 frente a 43, pero es el modelo con el precio y el comportamiento que tu equipo ya entiende.
La cuestión de enrutamiento que plantea este lanzamiento es acotada y merece exponerse con precisión. Cuando un modelo tarda media hora por tarea, el modo de fallo que importa no es una respuesta incorrecta — es una llamada que muere en el minuto veintinueve después de haberse facturado veintinueve minutos. Ese es el argumento para poner un modelo de larga duración detrás de una ruta con conmutación por error automática en lugar de llamar directamente a un proveedor: el reintento llega a un endpoint activo, y la lógica de escalado reside en la ruta en lugar de en el código de tu aplicación. Una sola clave para más de 200 modelos también significa que la comparación de la siguiente sección es un cambio de configuración en lugar de un segundo contrato.
Quién debería moverse, y quién debería esperar
Cambia ahora si tu trabajo es por lotes, con mucho texto, con entrada de vídeo o se mide en horas en lugar de segundos. Un precio plano para contexto largo, una ventana de 984.000 tokens, entrada de vídeo nativa, llamada a herramientas con soporte de vídeo y un coste de 3,27 $ por tarea de indexación frente a los 10,02 $ del modelo al que sustituye constituyen una actualización directa para ese tipo de trabajo, y el reloj de 32 minutos es irrelevante cuando no hay nada esperando al otro lado.
Espera, o al menos prueba el ajuste primero, si tu trabajo es interactivo o agéntico. Los números publicados describen el ajuste más caro que tiene el modelo, en un tablero donde la tarea mediana termina en doce minutos, y el ajuste que realmente desplegarías nunca se ha cronometrado de forma independiente. Ejecuta los esfuerzos bajo y alto contra tus propias trazas antes de ejecutarlos contra un benchmark: ese experimento cuesta unos pocos dólares y responde una pregunta que el post de lanzamiento no planteó.
Y lee la fecha correctamente, sea cual sea el bando en el que estés. Qwen4-Max salió a la venta al público general el 16 de noviembre de 2026. Lo que ocurrió el día 18 es que pasó a estar disponible en otro sitio, bajo un eslogan sobre el trabajo en el mundo real. El modelo no cambió. El reloj no cambió. El eslogan es lo único nuevo, y es la única afirmación de la página que puedes comprobar tú mismo.
Comparados en este artículo2
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
