Una tarjeta de título generada que dice «Qwen4-Max vs Qwen4 27B» con el subtítulo «Uno de estos tiene una tarjeta de precios. El otro tiene una mención en el escenario», sobre tres tarjetas: Qwen4-Max con contexto de 1M, $1.50 / $4.50 por 1M y AA Index 43; Qwen4 27B sin pesos, sin ficha del modelo y sin precio; Qwen3.8-27B a $0.33 / $2.40 por 1M, contexto de 256K y AA Index 20. Un pie de página dice «Las cifras de Qwen4-Max según Alibaba y Artificial Analysis; Qwen4 27B no tiene especificaciones publicadas al 16 de noviembre de 2026».
Guides & Insights

Qwen4-Max vs Qwen4 27B: una diferencia de precio de 4,5 veces y un modelo que no puedes descargar

Autor

jinhao.song

Fecha de publicación

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

La pregunta interesante sobre Qwen4-Max no es si es bueno. Es si deberías pagar $1,50 y $4,50 por millón de tokens por un modelo que piensa en bocados de 262.144 tokens cuando un hermano de 27.000 millones de parámetros —Qwen4 27B— se supone que hace la mayor parte del mismo trabajo en hardware que posees. La trampa es que Qwen4 27B todavía no existe como algo que puedas ejecutar. Alibaba lo mostró en el escenario en la Apsara Conference el 22 de septiembre de 2026 junto con Qwen 4 Max, Qwen 4 Flash y Qwen 4 Plus, y desde entonces no ha publicado ninguna ficha de modelo, ni pesos, ni longitud de contexto, ni precio, ni benchmark para él. Qwen4-Max, en cambio, pasó a cobro por uso el 16 de noviembre con una ventana de 1.000.000 de tokens y un Artificial Analysis Intelligence Index de 43. Así que la versión útil de esta comparación pone al buque insignia que puedes invocar frente al modelo pequeño que no puedes, y responde la pregunta que realmente decide los presupuestos: qué compra la diferencia de precio por token de 4,5 veces, y qué tendría que hacer el 27B para ganarse su lugar.

Dos tarjetas de precios, una de las cuales tiene números

Empieza por lo que está escrito. Todo lo que aparece en esta sección es una cifra publicada; nada se infiere.

• Qwen4-Max, Singapur — $1.50 por millón de tokens de entrada, $4.50 de salida, con tarifa plana durante toda la ventana de 1,000,000 de tokens. Lecturas de caché: $0.075 por millón; escrituras de cinco minutos: $1.875; escrituras de una hora: $3.00.

• Qwen4-Max, otras regiones — $1.413 y $4.24 en Frankfurt, Virginia, Tokio, Hong Kong y Pekín, un descuento del 5,8 % en la tarjeta de Singapur por límites idénticos.

• Qwen4-Max, independiente — AA Index 43 con un costo facturado por el evaluador de $3.27 por tarea de índice, $0.80 por millón en promedio ponderado, 127M de tokens de salida a lo largo de la ejecución.

• Qwen4 27B — sin precio. No es «sin anunciar»; concretamente, no existe ninguna fila en ningún sitio porque no existe ningún modelo al que asociarla.

Lo más parecido a un Qwen pequeño que puedes ejecutar hoy es Qwen3.8-27B, el modelo multimodal denso Apache-2.0 de la generación anterior. Alibaba lo lista a $0.50 y $3.00 por millón en su propia API; nosotros alojamos los pesos y cobramos $0.33 y $2.40, porque los pesos abiertos no tienen un costo por token del proveedor que trasladar. Artificial Analysis le da 20 en el mismo índice —veintitrés puntos por debajo de Qwen4-Max, que es todo el argumento en un solo número.

Así que la ratio honesta no se mide contra un fantasma. Es de 4,5 veces en la entrada y 1,9 veces en la salida cuando se compara Qwen4-Max con el último 27B que realmente se lanzó, y veintitrés puntos de índice de capacidad por la diferencia. Que eso sea una ganga depende por completo de en qué gasta sus tokens tu carga de trabajo, lo cual es una cuestión de tus trazas y no de ninguno de los dos proveedores.

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-27B — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, price per 1M $1.50 / $4.50, inputs text, image and video, open weights no, AA Index 43, cost per task $3.27. Qwen3.8-27B: context 256,000 tokens, price per 1M $0.33 / $2.40, inputs text, image and video, open weights Apache-2.0, AA Index 20, cost per task $3.53. Footer: 'Price and context vendor-reported; Qwen3.8-27B price is OrcaRouter self-hosted, Alibaba lists $0.50 / $3.00. AA Index and cost per task per Artificial Analysis v5.0.1. Qwen4 27B has no published figures.'

Lo que un 27B aporta y que un modelo insignia de 2,4 billones de parámetros no puede

Tres cosas, y ninguna de ellas es calidad.

El primero es una factura fija. Un modelo insignia alojado es un costo variable que escala con el tráfico y con lo verboso que esté el modelo ese día; un 27B abierto en tu propio hardware es un costo de capital y un calendario de depreciación. Con $0.33 y $2.40 por millón, un equipo que gasta $3,000 al mes en el modelo insignia está gastando aproximadamente $700 en el modelo pequeño para el mismo volumen de tokens — y en el momento en que ese volumen se duplica, una de esas cifras se mueve y la otra no.

El segundo es la latencia que usted controla. Un modelo denso de 27B en un solo nodo responde con una forma que usted puede predecir, porque no hay una cola detrás de él ni un presupuesto de pensamiento de largo horizonte que usted no haya solicitado. Qwen4-Max usa de forma predeterminada reasoning_effort: high con un presupuesto de pensamiento de 131,072 tokens, y una solicitud que no especifica nada ha reservado más margen de salida del que usarán la mayoría de los trabajos. Ese valor predeterminado es adecuado para un modelo insignia e inadecuado para un clasificador, un enrutador o las mil pequeñas decisiones que toma un agente entre las interesantes.

El tercero es la licencia. Los pesos de Apache-2.0 hacen que el modelo pueda cuantizarse, ajustarse, incorporarse a un producto que distribuyas y ejecutarse en una jurisdicción donde la API no está disponible. Qwen4-Max es propietario, se ofrece desde seis regiones y solo devuelve texto: sin pesos, sin ajuste fino y sin despliegue en las instalaciones. La documentación de A​libaba señala que no se admiten el ajuste fino ni el despliegue del modelo para él en ningún lugar.

Lo que un 27B no puede comprarte es aquello para lo que se construyó Qwen4-Max. El backbone de 2,4 billones de parámetros con 71 mil millones de parámetros activos, los 328 mil millones de parámetros de embedding N-gram, las capas Gated DeltaNet que comprimen el historial en un estado fijo para cada capa Qwen Sparse Attention — nada de esa arquitectura se traslada a un modelo denso de 27B, y tampoco lo hace la ventana de 1.000.000 de tokens. El propio planteamiento del fabricante sobre la familia es que los modelos más pequeños están «ajustados para lo que mejor hacen los modelos pequeños», lo cual es una forma elegante de decir que no son el mismo producto.

Lo único que A​libaba ha dicho sobre Qwen4 27B, y lo que vale

En la publicación de lanzamiento de Qwen4-Max del 16 de noviembre, el párrafo final dice: «Y Max es solo el primer vistazo a Qwen4. Los modelos más pequeños de la familia llegarán al código abierto, construidos sobre el mismo linaje y entrenados con la misma generación de técnicas, ajustados para lo que los modelos pequeños hacen mejor».

Esa es la declaración más reciente y específica que existe sobre el nivel de 27B, y vale exactamente lo que dice, que es menos de lo que parece. «Llegar al código abierto» es un compromiso con una licencia, no una fecha. «Mismo linaje» es una afirmación sobre la descendencia arquitectónica, no sobre un checkpoint publicado. Y la frase no nombra 27B en absoluto; el nombre del nivel proviene del anuncio de septiembre en el escenario, donde el responsable de LLM de Qwen mostró cuatro modelos y solo dijo que la familia llegaría pronto. Entre ambas declaraciones hay una brecha de dos meses con cuatro niveles prometidos, uno entregado y el de pesos abiertos —históricamente, el nivel que se lanza primero con pesos descargables— todavía ausente.

Lo que haría que esta página quedara desactualizada se puede comprobar en tres lugares, y los tres son los que han señalado cada lanzamiento de Qwen. Un repositorio en la organización de Qwen en Hugging Face con un nombre Qwen4; los repositorios de modelos más recientes de la organización hoy son todos Qwen3.8, actualizados por última vez a principios de noviembre. Una ficha de modelo en qwen.ai que nombre la gama con una longitud de contexto y una licencia. O una fila de precios para un 27B alojado, que te diría cuánto cree Alibaba que vale la gama antes de que lleguen los pesos. Hasta que uno de esos cambios se produzca, cualquier número de parámetros, ventana de contexto o puntuación que leas para Qwen4 27B es una extrapolación a partir de Qwen3.8-27B y debería etiquetarse como tal.

Ejemplo resuelto: el mismo bucle de agente en ambas tarjetas

Toma un agente de automatización de soporte: indicación de sistema y esquema de herramientas de 40.000 tokens, una conversación de 6.000 tokens, ocho llamadas a herramientas por ticket, 900 tokens de salida por llamada, sin modo de pensamiento, 20.000 tickets al mes. Almacena en caché el prefijo. Esto es aritmética con precios de lista publicados.

• Qwen4-Max, Singapur, sin caché — 46,000 tokens de entrada por llamada a $1.50 por millón son $0.069; ocho llamadas son $0.552 por ticket. La salida a 900 tokens y $4.50 por millón son $0.00405 por llamada, $0.0324 por ticket. $0.584 por ticket, $11,690 al mes.

• Qwen4-Max con el prefijo en caché: el prefijo de 40.000 tokens se escribe una vez a $1,875 por millón y se lee en las siguientes siete llamadas a $0,075. Por ticket, el prefijo cuesta $0,075 por la escritura más $0,021 por siete lecturas; los 6.000 tokens móviles cuestan $0,072 a lo largo de ocho llamadas. La entrada queda en $0,168 y la salida se mantiene en $0,0324. $0,20 por ticket, $4.010 al mes, y la caché hizo más por la factura que cualquier cambio de modelo.

• Qwen3.8-27B con nuestra tarifa de autoalojamiento — 46.000 tokens de entrada por llamada a $0,33 por millón son $0,0152; ocho llamadas, $0,121. La salida a 900 tokens y $2,40 por millón es $0,00216 por llamada, $0,0173 por ticket. $0,139 por ticket, $2.780 al mes.

Se desprenden dos cosas. El almacenamiento en caché del prefijo en el modelo insignia ahorra un 66 % y lo sitúa dentro de 1,4× del precio sin caché del modelo pequeño: la diferencia entre niveles es menor que la diferencia entre usar la caché y no usarla. Y la ventaja del modelo pequeño es real, pero no transformadora con este volumen de tokens: unos $1.200 al mes en 20.000 tickets. Donde se vuelve transformadora es a diez veces ese volumen, o donde el trabajo es lo bastante simple como para que un modelo de 20 índices sea suficiente, lo cual, para el enrutamiento de llamadas a herramientas y la clasificación, normalmente lo es.

Donde el buque insignia no es opcional

Hay una categoría de trabajo en la que el nivel de 27B no es un sustituto más barato, sino una opción inviable, y ser claro al respecto marca la diferencia entre una comparación útil y una página de ventas.

• Trabajo de contexto largo por encima de 256.000 tokens: Qwen3.8-27B se detiene en 262.144; Qwen4-Max soporta 1.000.000, con un límite de entrada de 991.808 tokens en modo sin razonamiento. Una revisión de contrato de 400.000 tokens no cabe en absoluto en el modelo pequeño.

• Ejecuciones de agentes de horizonte largo: las afirmaciones agénticas de Alibaba sobre Qwen4-Max describen una ejecución autónoma de 48 horas para el descubrimiento de materiales en una plataforma de laboratorio húmedo y una revisión de diligencia debida legal sobre 198 documentos de trabajo que produjo un informe de 86 páginas. Independientemente de lo que se piense de las demostraciones de proveedores, describen una clase de tarea que un modelo de 20 índices no intenta.

• Entrada de vídeo de gran longitud — Qwen4-Max acepta vídeo y una ventana de 1M; la familia 27B acepta vídeo a 262K. La aritmética de los fotogramas por segundo de metraje es implacable.

• Codificación segura — A​libaba informa que las tasas de aprobación a nivel de función de Last Secure Code Bench aumentan del 22,0 % al 31,8 % entre generaciones en el nivel Max, y que el código seguro simultáneamente a granularidad de función, archivo y repositorio pasa del 8 % al 14,7 %. Son cifras del proveedor y no reproducidas, pero son el tipo de número que solicita una revisión de seguridad y que la ficha de un modelo pequeño no incluye.

El patrón es que el modelo insignia justifica su precio en las tareas que son largas, multimodales o en las que equivocarse sale caro, y no en las tareas que son numerosas. La mayoría de los sistemas en producción contienen ambos tipos, por lo que la respuesta a «cuál» suele ser «ambos, con enrutamiento».

Ejecutando el estado mixto en una tecla

OrcaRouter ofrece la familia Qwen3.8 —Qwen3.8-Max, Qwen3.8-Flash y Qwen3.8-27B— en un único endpoint compatible con OpenAI al precio de lista del proveedor, con un 0 % de margen, y el 27B es el que ejecutamos en nuestra propia infraestructura a partir de los pesos Apache-2.0, por lo que su precio es de $0.33 y $2.40 en lugar de los $0.50 y $3.00 de A​libaba. No incluye Qwen4-Max: ese modelo se puede consultar a través de la propia API Model Studio de A​libaba y de varias plataformas de terceros, y no figura en el catálogo a 16 de noviembre.

Lo que eso hace posible hoy es el patrón de enrutamiento por el que aboga esta comparación, sin esperar al 27B. Una API para más de 200 modelos hace que la decisión de nivel deje de ser una decisión de compras: una solicitud que cabe en 256K y parece rutinaria va a qwen/qwen3.8-27b; una solicitud que es larga, multimodal o marcada como de alto riesgo va a un modelo de frontera con la misma clave; el DSL de enrutamiento expresa esa división como una regla en lugar de como una rama en el código de tu aplicación. La conmutación por error automática significa que el nivel barato puede soportar el volumen sin convertirse en un punto único de fallo cuando tiene un mal día, y un recorte de precios de cualquier proveedor llega a tu clave el mismo día porque el precio de lista se transfiere tal cual en lugar de aplicar un margen.

La fusión de modelos es la tercera opción de ese conjunto de herramientas y la que peor encaja con este par en concreto: un panel de modelos que responden juntos cuesta más que cualquiera de ellos por separado, y la razón para usarla es el desacuerdo en preguntas difíciles, no el volumen. Vale la pena saber que existe; no vale la pena recurrir a ella en un enrutador de tickets de soporte.

A screenshot of the OrcaRouter model page for Qwen3.8-27B at the identifier qwen/qwen3.8-27b, showing the $0.33 input and $2.40 output prices, the Vision, Tools, JSON and Reasoning capability tags, the attribution to Qwen dated 2026-08-13, and the description of it as Alibaba's open-weight 27B dense multimodal model released under Apache-2.0 and self-hosted on OrcaRouter's own infrastructure, accepting text, images and video with a 256K-token context window.

Qué hacer antes de que lleguen las pesas

Si tu motivo para esperar a Qwen4 27B es que quieres un modelo abierto pequeño que puedas ejecutar tú mismo, la espera no te está costando mucho: Qwen3.8-27B es Apache-2.0, tiene una ventana de 256K, lee texto, imágenes y vídeo, y marca 90,3 en LiveCodeBench v6 y 89,2 en GPQA Diamond en la propia ficha de Qwen —cifras del proveedor, y muy buenas para su tamaño. Empieza por ahí, mide qué efecto tiene un modelo de índice 20 en tu tasa de éxito de tareas, y sabrás antes de que llegue el checkpoint de Qwen4 si el nivel es adecuado para tu carga de trabajo.

Si tu motivo es el costo, primero almacena en caché el prefijo. El ejemplo práctico anterior muestra un ahorro del 66 % en el modelo insignia gracias a un único parámetro de solicitud, lo que es mayor que la diferencia entre el modelo insignia y el modelo pequeño sobre la misma base sin caché. Los equipos suelen buscar un modelo más barato cuando la parte cara de su factura es un prefijo que vuelven a leer a precio completo.

Y si tu razón es la capacidad, ningún 27B servirá como sustituto. Los veintitrés puntos de índice que separan a Qwen3.8-27B de Qwen4-Max son la diferencia entre un modelo que maneja bien el trabajo rutinario y otro que acomete las tareas largas, multimodales y de alto riesgo; y el lenguaje de la propia hoja de ruta de Alibaba dice que los modelos pequeños se están ajustando para lo que mejor hacen los modelos pequeños, lo que es una promesa de eficiencia más que de paridad. Implementa ya la división del enrutamiento, sobre los niveles que existen, y el día que un Qwen4 27B llegue a Hugging Face será una entrada en el catálogo y un cambio de regla, no una migración.

A screenshot of Alibaba Cloud Model Studio's documentation page for qwen4-max (Latest Model), dated 11-16, showing the model description as the next-generation flagship multimodal model in the Qwen family covering text generation, image and video understanding and deep reasoning, its support for web search, tool calling and structured outputs, its OpenAI and Anthropic API compatibility, and its deployment regions including China (Beijing), Singapore and Germany (Frankfurt).