Una tarjeta de título generada que dice Qwen4-Max vs GPT-6 Luna, con el subtítulo 22 veces el costo de la tarea, 15 puntos de índice, y tres iconos de línea plana que sugieren una curva de costos ascendente, una barra de puntuación y un fotograma de video.
Guides & Insights

Qwen4-Max vs GPT-6 Luna: 22× el coste de la tarea por 15 puntos de índice

Autor

Alistair Wren

Fecha de publicación

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

Somete una solicitud a Qwen4-Max y una solicitud a GPT-6 Luna a la misma batería de evaluación y la factura sale por $3.27 frente a $0.15. Veintidós veces. Pon las puntuaciones una al lado de la otra y es 43 contra 28: quince puntos, que es la diferencia entre un modelo al que le confiarías una ejecución de agente de varias horas y uno al que le confiarías un documento. Ambas brechas son reales, ambas se miden en la misma revisión del índice y ninguna de las dos resuelve la pregunta, porque Qwen4-Max ha estado disponible de forma general desde el 16 de noviembre de 2026 a $1.50 y $4.50 por millón de tokens, mientras que GPT-6 Luna se ha mantenido a una décima parte de eso desde el 22 de septiembre. La decisión no es qué modelo es mejor. Es cuáles quince puntos vas a usar realmente, y la respuesta cambia dos veces a lo largo de esta comparación.

El 22× y de qué está hecho

Empieza por la lista de tarifas, porque el ratio que se anuncia no es el ratio que pagas.

• Entrada — Qwen4-Max $1.50 por millón en Singapur, $1.413 en las regiones de alcance global. GPT-6 Luna $0.10. Quince a uno.

Salida — Qwen4-Max $4.50, o $4.24 Global. GPT-6 Luna $0.50. Nueve a uno.

• Entrada en caché — Qwen4-Max $0.075 Singapur, $0.071 Global, un descuento del 95 %. GPT-6 Luna $0.01, un descuento del 90 %.

• Combinado — Qwen4-Max $0.80 por millón según la ponderación 7:2:1 de aciertos de caché/entrada/salida del rastreador. GPT-6 Luna $0.077. Diez a uno.

• Costo por tarea del Índice de Inteligencia: Qwen4-Max $3.27, GPT-6 Luna $0.15. Veintidós a uno.

Quince, nueve, diez, veintidós. Esos cuatro números no coinciden, y la discrepancia es la parte útil: la ratio por tarea es más del doble de la ratio de precio combinado porque Qwen4-Max tiene que emitir más tokens para completar la suite, no porque sus tarifas sean peores de lo que sugiere la tarjeta. El panel de verbosidad del tracker sitúa a Qwen4-Max en 127 millones de tokens de salida frente a una mediana de 90 millones; a Luna, en 110 millones frente a la misma mediana. Ambos están del lado verboso. Qwen4-Max lo está un 15% más, y ese 15% hace un trabajo real en una brecha de 22× que una tarjeta de tarifas de 10× habría predicho.

Todas las cifras de esta sección son mediciones de Artificial Analysis sobre el índice v5.0.1 —el índice rebasado, por lo que una puntuación de Luna de una tabla de clasificación de julio no es comparable con el 28 citado aquí—, combinadas con la tarifa publicada por cada proveedor. Ninguno de los dos proveedores ha publicado una comparación directa equivalente, y cualquier comparación construida a partir de estas cifras es aritmética sobre dos ejecuciones separadas, no un benchmark.

A generated two-column scoreboard for Qwen4-Max and GPT-6 Luna across six shared dimensions: index 43 against 28 at max and 18 at the default, price $1.50 and $4.50 against $0.10 and $0.50 per 1M, cost per index task $3.27 against $0.15, time per task 29.8 minutes against 12.2, output speed 59 against 103 tokens per second, and input modalities text, image and video against text and image.

El ajuste de esfuerzo es la palanca más importante

Esto es lo que hace que el encuadre de 43 contra 28 sea engañoso, y no se trata de una corrección menor.

GPT-6 Luna viene con seis ajustes de razonamiento — ninguno, bajo, medio, alto, xhigh y máximo — y su valor predeterminado es medio. Artificial Analysis puntúa cada nivel. La variación no es una diferencia de redondeo:

• Max — 28 en el índice, $0.15 por tarea, 12,2 minutos, 103 tokens por segundo.

• Xhigh — 23, 7,4 minutos, 99 tokens por segundo.

• Alto — 21, 6,0 minutos, 91 tokens por segundo.

• Medio — 18, 3,5 minutos, 93 tokens por segundo. Esta es la configuración predeterminada, y es la que usan casi todas las llamadas de producción.

• Bajo — 10, 0,6 minutos, 87 tokens por segundo.

• Sin razonamiento — 9, 2,0 minutos, 84 tokens por segundo.

Así que la comparación honesta no es 43 frente a 28. Es 43 frente a 18 para un cliente que no envía ningún parámetro effort, y 43 frente a 28 para uno que sube el dial al máximo y paga seis veces la latencia por ello. Veinticinco puntos con el valor predeterminado y quince con el máximo, del mismo modelo, sin ningún cambio de precio en la tarjeta.

La escala de Qwen4-Max tiene tres niveles —low, high, xhigh— y su valor por defecto es high. No existe medium: tanto Chat Completions como DashScope asignan medium a high, así que pedir el nivel intermedio cuesta lo mismo que el más alto. Es un selector peor que el de Luna, e importa por la misma razón: el nivel que eliges decide la puntuación, y Qwen4-Max te ofrece menos formas de comprar menos capacidad.

Lo que el rastreador no publica para Qwen4-Max es una puntuación en cada uno de sus tres niveles; la página incluye 43 y se detiene. La escalera completa de seis niveles de Luna es pública, lo que convierte a Luna en el modelo más fácil de modelar y el más difícil de citar. Si estás elaborando una previsión de costes, una escalera publicada por completo vale más que un único número mejor, porque puedes ver dónde está el punto de inflexión.

A screenshot of the OrcaRouter model page for openai/gpt-6-luna, captured in an English interface, showing the OpenAI breadcrumb, the openai/gpt-6-luna identifier, a 128K max output, vision and tools and JSON and reasoning capability chips, an output modality of text, and a public-benchmarks line attributed to OpenAI dated 2026-09-22.

El acantilado de 272.000 tokens de Luna

Ambos modelos anuncian un contexto de un millón de tokens y solo uno de ellos cobra la misma tarifa en todo ese contexto, y esto es lo más costoso que un comprador puede pasar por alto.

• Qwen4-Max — $1.50 y $4.50 fijos durante toda la ventana completa de 1,000,000 de tokens, sin niveles por tramos a 32K ni a 128K. El límite de entrada documentado es de 991,808 tokens sin pensamiento y 983,616 con el pensamiento activado; la salida sin pensamiento tiene un tope de 131,072 y el pensamiento más la respuesta comparten 262,144.

• GPT-6 Luna — $0.10 y $0.50 hasta 272,000 tokens de entrada; después, $0.20 por entrada y $0.75 por salida por encima de eso. La repreciación se aplica a toda la solicitud, no al excedente: un prompt de 300,000 tokens paga el doble por los 300,000 completos, no por los últimos 28,000. La ventana de contexto es de 1,050,000 según la documentación de OpenAI y de 1M en el tracker; entrada máxima: 922,000; límite de salida: 128,000.

Ejecuta el caso de contexto largo y el 22× se reduce hacia 7,5×. Un documento de 400.000 tokens con una respuesta de 8.000 tokens cuesta $0,60 de entrada y $0,09 de salida en Qwen4-Max — $0,69 con tarifas de Singapur. La misma solicitud en Luna cuesta $0,08 de entrada y $0,006 de salida, $0,086. Siete veces y media, no veintidós. Luna sigue siendo drásticamente más barata, y lo es por un tercio del margen que implica la cifra titular.

Esa inversión tiene un segundo filo, y corta en la dirección opuesta. Por debajo de 272.000 tokens, el acantilado nunca se aplica, y la mayoría de las cargas de trabajo de agentes —el contexto de una base de código, una conversación de soporte, un bucle de llamadas a herramientas— se sitúan muy por debajo de ese umbral. Un equipo que lee «contexto de 1M» en ambas tarjetas y presupuesta Luna a $0.10 para un trabajo de 500.000 tokens se ha quedado corto en el presupuesto en 2× en la entrada y 1,5× en la salida, y el error solo aparece en la factura.

También hay una consideración sobre residencia que conviene conocer antes de que el precio importe: la residencia de datos en la UE en Luna solo está disponible con el procesamiento Standard, lo que descarta por completo los descuentos de Batch y Fast. Si un requisito de residencia está dentro del alcance, la tarifa efectiva de Luna es la estándar, y la estructura de descuentos con la que contabas no está disponible para ti.

Vídeo, y la fila a la que Luna no puede entrar

La diferencia entre modalidades es menor de lo que sugiere el marketing y mayor de lo que implica un vistazo a la hoja de especificaciones.

• GPT-6 Luna: acepta texto e imágenes y devuelve texto. No es un modelo de vídeo ni de audio. La generación de imágenes, la generación de voz, la transcripción y la traducción están documentadas como no compatibles.

• Qwen4-Max — entrada de texto, imagen y video, salida de texto, con la visión gestionada de forma nativa en lugar de mediante un extractor. OpenAI Chat Completions, OpenAI Responses, Anthropic Messages y DashScope por el lado del protocolo, frente a Responses, Chat Completions y Batch de Luna.

Así que Qwen4-Max es el único de los dos al que puedes darle una grabación de pantalla, una grabación de una clase o una reseña en vídeo y hacerle una pregunta al respecto. Es una diferencia de capacidad real, y no una diferencia de benchmark: ningún índice de ninguna de las dos fichas lo mide, y ningún ajuste del nivel de esfuerzo en Luna lo consigue. Si el vídeo forma parte de la carga de trabajo, la comparación termina aquí y el 22× es el precio de entrada.

Si el video no lo es, la fila es decoración, y la amplitud de protocolos es la mitad más interesante. Qwen4-Max habla cuatro formatos de conexión; Luna habla tres y condiciona su superficie de herramientas más completa a Responses —las herramientas integradas como búsqueda web, búsqueda de archivos, intérprete de código y shell alojado se ejecutan allí, y la llamada a funciones en Chat Completions solo funciona cuando el esfuerzo de razonamiento se establece en none. Una canalización que migra a Chat Completions para ahorrar dinero y aun así espera llamadas a herramientas falla en la primera solicitud. Esa es una trampa de migración, no una brecha de capacidades, y es el tipo de cosa que cuesta una semana en lugar de un porcentaje.

Esta es la costura en la que una capa de enrutamiento se justifica por sí misma, más que la elección de un modelo. OrcaRouter ya ofrece openai/gpt-6-luna a los precios de lista de OpenAI, con un 0 % de margen añadido — así que un cambio de precio de Luna se aplica aquí el mismo día en que aparece en la tarifa de O​penAI — y Qwen4-Max no está alojado aquí; se puede acceder a él mediante la propia API de Model Studio de A​libaba y varias plataformas de terceros. Una API para más de 200 modelos, una clave, y un DSL de enrutamiento que clasifica una solicitud y la envía a aquel de los dos al que la fila indica que pertenece: Luna para el nivel de extracción de alto volumen, la clase Qwen para el trabajo de vídeo y contexto largo que Luna estructuralmente no puede asumir. La conmutación por error automática cubre el día en que el nivel barato tiene una mala hora, que es el día en que una canalización de un solo proveedor descubre que tiene una.

A screenshot of the Artificial Analysis page for GPT-6 Luna, captured in an English interface, showing the Intelligence, Performance and Price panels, a 1M-token context note, a speed figure, a 12.2-minute time per task and the model's measured intelligence score of 28.

Cuándo cada modelo es la opción correcta

Tres cargas de trabajo, tres respuestas distintas, y en la tercera es donde está en realidad la mayoría de los equipos.

Alto volumen, bien especificado, verificado.Clasificación sobre un corpus, extracción de conjuntos de documentos, resumen, la etapa de triaje de soporte de un pipeline. Luna a $0,15 por tarea frente a Qwen4-Max a $3,27 supone una reducción de costes del 95 % para un trabajo que nunca necesitó un 43. El 18 que se obtiene con la configuración predeterminada de Luna está por encima de la mediana de su franja de precio y la salida es verificable, que es todo el argumento. No hay duda.

De largo horizonte, sin supervisión y costoso si sale mal. Ejecuciones de agentes de varias horas, refactorizaciones a escala de repositorio, investigaciones que abarcan docenas de llamadas a herramientas. Quince puntos de índice son la diferencia entre un modelo que puede mantener un plan y uno que lo pierde, y a $3.27 por tarea frente a una ejecución que cuesta una hora de ingeniero rehacer, el precio no es la limitación. Qwen4-Max es también el único de los dos que aceptará una entrada de video, lo que, para una parte creciente del trabajo agéntico —capturas de pantalla, grabaciones de pantalla, rastros de IU—, es la diferencia entre una carga de trabajo que existe y una que no.

Sensible a la latencia, en algún punto intermedio. Este es el caso al que no responde ninguna de las dos tarjetas. Luna decodifica a 103 tokens por segundo con el máximo esfuerzo y a 93 en su configuración predeterminada; Qwen4-Max, a 59. Luna termina una tarea de indexación en 12,2 minutos al máximo y en 3,5 en la configuración predeterminada; Qwen4-Max, en 29,8. Si hay una persona esperando, 59 tokens por segundo es la cifra que decide si el producto se siente vivo, y ningún ahorro por tarea compensa una interfaz que se atasca. Si nadie está esperando, 29,8 minutos es tiempo real con el que puedes planificar.

La forma correcta para la mayoría de los equipos no es una de estas dos, sino ambas — y la razón es que el límite de decisión es una propiedad a nivel de solicitud, no a nivel de contrato. Un pipeline que clasifica en Luna y escala a un modelo de frontera cuando el clasificador no está seguro obtiene el ahorro del 95 % en el 90 % fácil y los quince puntos en el resto. Para eso sirve el DSL de enrutamiento, y es la única configuración en esta comparación que no requiere elegir a un perdedor.

La factura que realmente puedes predecir

Veintidós veces el coste de la tarea por quince puntos de índice. Divide uno entre el otro y Qwen4-Max cuesta $0.076 por punto de índice frente a los $0.0054 de Luna — catorce veces más por punto, que es la cifra que hace que Luna parezca la compra obvia y la cifra menos útil, porque nadie consume puntos de índice.

Lo que la gente consume es una carga de trabajo, y la carga de trabajo tiene tres propiedades que deciden esto: a cuántos tokens llega el contexto, si hay una persona esperando y si detectar una respuesta incorrecta resulta barato. Luna gana las dos primeras de forma contundente y pierde la tercera tan mal que la comparación se invierte. Qwen4-Max gana la tercera y lo cobra a una tarifa que solo tiene sentido si la alternativa es volver a ejecutarlo.

La predicción que sobrevive a todo esto: si estás eligiendo entre estos dos por precio, ya has elegido mal, porque el 22× no es una prima que debas pagar en cada solicitud de un pipeline; es una prima que pagas en la pequeña fracción de solicitudes que la necesitan. Enruta esa fracción. El resto es un error de redondeo que puedes gastar en otra cosa.

Comparados en este artículo1

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