Una tarjeta de título generada en 16:9 que dice «Qwen4-Max vs Kimi K4», con el subtítulo «Uno se lanzó esta semana; el otro nunca se ha lanzado», con dos tarjetas redondeadas: un modelo GA documentado con seis regiones y precios de pago por uso, y un nombre sin ficha de modelo, sin identificador de API y sin anuncio. Logotipo de OrcaRouter en la esquina inferior derecha.
Guides & Insights

Qwen4-Max vs Kimi K4: Uno se lanzó esta semana, el otro nunca se ha lanzado.

Autor

jinhao.song

Fecha de publicación

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

Busca K​imi K4 y encontrarás una gran cantidad de textos sobre un modelo que no existe. Busca Qwen4-Max y, a fecha de 16 de noviembre de 2026, encontrarás un modelo al que puedes invocar con una lista de precios publicada, seis regiones y una página de documentación con marca de tiempo de las 09:46 de esa mañana. No son situaciones comparables, y tratarlas como dos lados de un enfrentamiento es el error más común en este rincón del mercado. Por eso, esta página cumple dos funciones: establece qué es K​imi K4 —un nombre sin ficha de modelo, sin identificador de API, sin pesos, sin precio y sin ningún anuncio detrás— y después realiza la comparación que un lector puede usar realmente, entre Qwen4-Max y Kimi K3.1 Pro, el modelo que Moonshot AI lanza hoy y el modelo de pesos abiertos con mayor puntuación en el Artificial Analysis Intelligence Index.

Esa segunda comparación es más interesante que la que escribiste, porque es el único punto en el que Qwen4-Max se topa con un modelo que lo supera en capacidad medida y, a la vez, pierde frente a él en precio. Es también la comparación que muestra por qué resulta costoso el benchmark ausente de Qwen4-Max: frente a Kimi K3.1 Pro hay un número real en un lado de la tabla y un espacio en blanco en el otro.

A generated two-column scoreboard titled 'Qwen4-Max vs Kimi K3.1 Pro - the scoreboard', comparing $1.50 and $4.50 per million tokens against $2.00 and $10.00, a 1,000,000-token context against 1,048,576, a 131,072 maximum output against a 1,000,000-token ceiling, no independent score against 46.5, and no weights against an open parent under a custom licence, over a footer reading 'Qwen4-Max per Alibaba; Kimi figures per Moonshot and Artificial Analysis Index v5.0.1.' OrcaRouter logo bottom-right.

La verificación del Kimi K4, hecha en público

Las afirmaciones de que algo no se ha lanzado pierden fuerza, así que aquí están las pruebas en lugar del veredicto. La documentación de precios para desarrolladores de la API de K​imi de Moonshot AI enumera kimi-k3.1-pro y kimi-k3 como los modelos de la serie K3, con una ventana de contexto de 1.048.576 tokens, además de la serie K2, que según la misma página se retirará por completo a finales de diciembre de 2026. No aparece ningún identificador kimi-k4. La lista de modelos de la plataforma no incluye ninguno. El índice del blog del propio laboratorio no incluye ninguna publicación sobre K4. Una búsqueda en repositorios bajo la organización moonshotai no devuelve nada superior a K3.1 Pro.

El único artefacto que aparece para el nombre es una resubida de terceros en Hugging Face, creada en julio de 2026, con un puñado de descargas, sin documentación y con un conjunto de etiquetas copiado en su totalidad de Kimi K3. No es un artefacto de Moonshot y esta página no lo trata como tal. Un producto insignia de Moonshot ya lanzado deja un rastro verificable en cuestión de días: una tarjeta de modelo con un recuento de parámetros, una línea en la tabla de precios, un identificador de API, una entrada en la clasificación. Un nombre que no ha dejado nada de eso no es un lanzamiento discreto; es un nombre.

Vale la pena decirlo sin rodeos, porque el enfoque de esta página podría malinterpretarse: el hecho de que {{1}}K4{{/1}} no haya salido no dice nada sobre la trayectoria de Moonshot. El laboratorio ha lanzado dos veces en cuatro meses, y el segundo de esos lanzamientos, {{2}}K3.1 Pro{{/2}} el 24 de octubre de 2026, es el mejor resultado de pesos abiertos en el índice actual. El próximo modelo es cuestión de cuándo, no de si. Simplemente no es ahora.

En qué se convirtió Qwen4-Max esta semana

Hasta el 16 de noviembre, Qwen4-Max existía únicamente como qwen4-max-preview: un alquiler exclusivo del Plan Token que se abrió a las 10:00 UTC+8 del 11 de noviembre, con una retirada anunciada a las 24:00 del 25 de noviembre y sin ningún precio por token en ningún sitio. El modelo GA es un identificador distinto, qwen4-max, con tarifas de pago por uso, seis regiones —Singapur, Pekín, Hong Kong, Fráncfort, Virginia y Tokio— y sin fecha de caducidad.

La especificación publicada indica un contexto de 1.000.000 de tokens, una salida máxima de 131.072 tokens en modo sin razonamiento, un presupuesto compartido de 262.144 tokens para razonamiento más respuesta, entrada de texto, imagen y vídeo, y salida solo en texto. El razonamiento está habilitado de forma predeterminada con un presupuesto de 131.072 tokens y el esfuerzo de razonamiento establecido en alto. La API es compatible con O​penAI Chat Completions, O​penAI Responses, A​nthropic Messages y DashScope, lo que significa que un SDK de A​nthropic existente apuntado a una nueva URL base funcionará sin necesidad de reescribirlo. El ajuste fino y el despliegue de modelos se documentan como no admitidos, y no se publican pesos.

A screenshot of Alibaba Cloud Model Studio's 'Model releases and updates' changelog, dated 2026-11-16 and headed qwen4-max, with the 2026-11-11 qwen4-max-preview entry visible below and the documentation timestamp at the top of the page.

Qwen4-Max frente al K​imi al que de verdad puedes llamar

Kimi K3.1 Pro fue un lanzamiento de post-entrenamiento más que una nueva arquitectura: Moonshot lo describe como Kimi K3 reentrenado con sustancialmente más cómputo de post-entrenamiento, incluido un aprendizaje por refuerzo conjunto a gran escala en cientos de dominios de aplicación. La ventana de contexto no cambia: 1.048.576 tokens; la entrada de visión y vídeo no cambia, y el límite máximo de salida tampoco: 1M de tokens. Lo que cambió de forma más determinante fue el precio: 2,00 $ por millón de tokens de entrada y 10,00 $ por millón de salida, frente a los 3,00 $ y 15,00 $ de K3.

• Precio de entrada: Qwen4-Max 1,50 $ por 1M en Singapur y 1,413 $ en otras regiones, frente a Kimi K3.1 Pro 2,00 $.

• Precio de salida — Qwen4-Max $4.50 Singapur, $4.24 en otros lugares, frente a Kimi K3.1 Pro $10.00

• Lectura de caché — Qwen4-Max $0.075 tras una escritura de cinco minutos de $1.875, frente a Kimi K3.1 Pro $0.20 tras una escritura de $2.00

• Contexto — Qwen4-Max 1.000.000 tokens frente a Kimi K3.1 Pro 1.048.576 tokens, una ventaja del 4,6 % para K​imi

• Salida máxima — Qwen4-Max: 131.072 en modo sin pensamiento, frente al techo de 1 M de tokens de Kimi K3.1 Pro, una gran ventaja para Kimi

• Puntuación independiente: Qwen4-Max no publicada, frente a Kimi K3.1 Pro 46.5 en Artificial Analysis Intelligence Index v5.0.1, el mejor resultado de pesos abiertos en la tabla

• Pesos — Qwen4-Max: ninguno publicado, frente a K3, el modelo matriz de Kimi K3.1 Pro, abierto bajo una licencia personalizada

• Benchmark del proveedor — Qwen4-Max: ninguno, frente a Kimi K3.1 Pro con 65,7 % en Terminal-Bench 4.0, según lo reportado por el proveedor

La fila del precio de salida es la que reorganiza un presupuesto. Con 4,50 $ frente a 10,00 $, Qwen4-Max es un 55 % más barato en salida en Singapur y un 58 % más barato en las demás regiones. Una canalización que genera 50 millones de tokens de salida al mes paga 225 $ en Qwen4-Max y 500 $ en Kimi K3.1 Pro. Esa es una diferencia real, y es el argumento individual más sólido a favor del modelo más nuevo.

La fila del techo de salida es la que puede anularlo. Kimi K3.1 Pro emitirá un millón de tokens en una sola respuesta; Qwen4-Max se limita a 131.072 fuera del modo de razonamiento y a 262.144 compartidos con él. Si tu carga de trabajo incluye generar documentos largos, reescrituras de archivos completos o trazas de razonamiento extendidas en una sola llamada, puede que el modelo más barato no sea capaz de terminar la tarea a ningún precio, y un descuento del 55 % en una solicitud que tiene que dividirse en ocho llamadas no es un descuento.

Por qué el espacio en blanco en la columna de puntuación es lo importante

Cada comparación de modelos que publica este blog se topa con el mismo muro con los nuevos buques insignia de Alibaba: la documentación es inusualmente precisa sobre la mecánica y completamente silenciosa sobre la calidad. La página de Qwen4-Max especifica la temperatura predeterminada en cada modo, los valores de top-p y top-k, el presupuesto de razonamiento, los límites máximos exactos de tokens de entrada y salida por modo, y las seis regiones con sus ámbitos de despliegue. No publica ninguna tabla de benchmarks, ni reportada por el proveedor ni de otro tipo, y no hay ninguna entrada de Qwen4 en el índice de modelos de Artificial Analysis: la URL por modelo devuelve un 404.

Frente a Kimi K3.1 Pro, esa asimetría tiene una consecuencia específica. El lado de Kimi tiene una cifra propia que todos pueden ver y una cifra independiente de la misma edición del índice, y ambas están en lo más alto de la tabla de pesos abiertos. El lado de Qwen tiene un precio y una ficha técnica. Un comprador que los compara no está comparando dos modelos; está comparando un modelo medido con uno documentado, y la única forma de cerrar esa brecha es medirlo él mismo.

Lo cual es más barato de lo que parece. Cien prompts extraídos de tu propio tráfico, ejecutados en ambos, a estas tarifas, cuestan unos pocos dólares. Ese es todo el presupuesto de evaluación necesario para convertir Qwen4-Max de una incógnita en una cantidad conocida para tu carga de trabajo, y es menos que el costo de una sola semana de equivocarse con el precio de salida.

El único punto en el que ambos diseños divergen más radicalmente

La arquitectura K3 de Moonshot se apoya en Kimi Delta Attention, un mecanismo de atención lineal con un estado recurrente de tamaño fijo, en 69 de sus 92 capas dispersas. Ese diseño es lo que hace que un contexto de 1 millón de tokens sea asequible de servir, y también es la razón por la que los evaluadores independientes restan credibilidad a las afirmaciones propias sobre contexto largo en toda la industria: los híbridos de atención lineal suelen ceder unos puntos en la recuperación de aguja en un pajar en comparación con la atención completa. Qwen no publica nada sobre el diseño de atención de Qwen4-Max, así que no hay forma de saber de qué lado de ese intercambio se sitúa.

Lo que Qwen sí publica es una implementación de almacenamiento en caché de prompts con modos explícito e implícito y una escritura en caché de cinco minutos a $1.875 por millón frente a una lectura de $0.075 — un descuento del 96 % en la lectura. El equivalente de Kimi es $2.00 por escritura y $0.20 por lectura, un descuento del 90 %. Ambos diseños recompensan un prefijo estable y penalizan un prompt que cambia en cada turno, y ninguno cambia la aritmética en una solicitud única.

Para el trabajo con documentos de contexto largo —la carga de trabajo que ambos proveedores están vendiendo—, la prueba práctica es la misma en cualquiera de los dos modelos: crea una prueba de aguja sobre tu propio corpus antes de confiar en la ventana anunciada. Un modelo que responde correctamente a 900K tokens con tus datos vale más que uno que responde correctamente a 1M en un benchmark sintético, y solo uno de esos dos números se puede conocer sin tu propio arnés de pruebas.

Llamándolos en paralelo

OrcaRouter incluye Kimi K3.1 Pro como kimi/kimi-k3.1-pro al precio de lista de Moonshot — $2.00 de entrada y $10.00 de salida por millón — trasladado sin recargo, en la misma URL base compatible con OpenAI que el resto de un catálogo de 215 identificadores, con ambos endpoints /v1/chat/completions y /v1/responses. Qwen4-Max no está en ese catálogo hoy; está disponible a través de la propia API de Alibaba, donde se aplica la tarifa regional anterior.

A screenshot of the OrcaRouter model page for Kimi K3.1 Pro, showing the identifier kimi/kimi-k3.1-pro, $2.00 input and $10.00 output per million tokens, the 1,048,576-token context window, the large maximum output figure, text, image and video input, and the 2026-10-24 vendor date.

La razón para mantener ambos accesibles en lugar de elegir uno es que la decisión entre ellos depende de la carga de trabajo, no del modelo. El trabajo de generación larga quiere el techo de salida de Kimi. La generación de alto volumen en la que las respuestas son cortas quiere el precio de salida de Qwen4-Max. Cualquier caso en el que una respuesta incorrecta resulte caro quiere el modelo con una puntuación hasta que hayas generado una puntuación para el otro. Una política de enrutamiento expresa eso como reglas en lugar de como una decisión de arquitectura, y la conmutación por error automática evita que el más nuevo de los dos se convierta en un punto único de fallo mientras sigues recopilando evidencia.

En qué punto deja esto la búsqueda con la que empezaste

Si ha venido por el Kimi K4, la respuesta es que no se ha lanzado, no se ha anunciado nada al respecto y el modelo que conviene evaluar hoy es Kimi K3.1 Pro, que, según el índice actual, es el modelo de pesos abiertos más potente disponible para cualquiera. Esté atento a una ficha de modelo y no a un rumor: un documento que reúna parámetros, contexto, precio y un identificador de API es la señal que este blog ha utilizado todo el año para distinguir un modelo ya lanzado de un nombre que circula.

Si viniste por el lado de Qwen4-Max, la respuesta es que es real, tiene precio y es barato exactamente en una dimensión que importa —los tokens de salida—, aunque se limita a una fracción de lo que el modelo K​imi emitirá en una sola respuesta y no incluye ninguna medición de calidad. Cómpralo donde domine el volumen de salida y las respuestas sean cortas. Pruébalo antes de comprarlo en cualquier otro sitio. Y considera la diferencia entre $4.50 y $10.00 como una invitación a ejecutar tu propia evaluación, porque ese es el único número de esta comparación que actualmente es gratis.

Comparados en este artículo2

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