Una tarjeta de título principal generada que muestra «Qwen4-Max vs Step-5 Preview» con el subtítulo «48% más capacidad, 33% más dinero, 6% por punto de índice» y tres insignias tipo píldora que dicen «43 frente a 29 de índice», «.27 frente a .35 por tarea» y «16 de noviembre de 2026». Una línea de pie de página dice «Puntuaciones según Artificial Analysis Intelligence Index v5.0.1; precios según la tarifa de cada proveedor». Estilo vectorial plano sobre un fondo blanco con un degradado de azul a cian y el logotipo de OrcaRouter compuesto en la esquina inferior derecha.
Guides & Insights

Qwen4-Max vs Step-5 Preview: Catorce puntos de índice, medio centavo por punto

Autor

Elias Hawthorne

Fecha de publicación

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

Divide lo que cuesta cada modelo por tarea entre lo que puntúa, y los dos lados de esta comparación quedan dentro de un seis por ciento de distancia entre sí. Qwen4-Max, que Alibaba lanzó hoy, 16 de noviembre de 2026, obtiene 43 en el Artificial Analysis Intelligence Index v5.0.1 con un costo medido de $3.27 por tarea del índice — unos 7.6 centavos por punto del índice. Step-5 Preview, el modelo de mezcla de expertos disperso de 600 mil millones de parámetros de StepFun, lanzado el 20 de septiembre de 2026, obtiene 29 en el mismo índice a $2.35 por tarea — unos 8.1 centavos por punto. Un modelo es un 48 % más inteligente en la única vara de medir con la que se ha comparado a ambos. El otro es más barato en ambos lados del medidor, en un tercio en la entrada y un 40 % en la salida. Y por unidad de capacidad medida, los dos quedan dentro de un siete por ciento el uno del otro, con el flamante buque insignia ligeramente por delante.

Esa no es la comparación que vende ninguno de los dos proveedores, y es la que realmente decide una migración. También trae consigo una asimetría que ninguna publicación de lanzamiento menciona: uno de estos dos modelos tiene una velocidad de salida medida de forma independiente y el otro todavía no tiene ninguna velocidad medida, porque tiene apenas unas horas. Lo que sigue separa lo documentado de lo medido, hace la aritmética de caché que lleva la brecha de precios del 33 % a algo completamente distinto y termina en los dos ejes donde la respuesta no está nada reñida: los pesos y el techo de salida.

Qué es cada uno a día de hoy

Qwen4-Max es el buque insignia de cuarta generación de Alibaba, construido sobre una arquitectura troncal de 2,4 billones de parámetros, con 71.000 millones de parámetros activos por token más 328.000 millones de parámetros de embeddings de N-gramas. Acepta texto, imágenes y vídeo, y devuelve texto. La ventana de contexto documentada es de 1.000.000 de tokens, con un límite máximo de entrada de 991.808 tokens en modo sin pensamiento y de 983.616 en modo con pensamiento; la diferencia es el margen para el razonamiento. La salida máxima es de 131.072 tokens con el pensamiento desactivado; con el pensamiento activado, el razonamiento y la respuesta comparten un presupuesto de 262.144 tokens. El pensamiento está activado de forma predeterminada con un presupuesto de 131.072 tokens y un esfuerzo de razonamiento predeterminado alto, seleccionable entre bajo, alto y xhigh. Esas cifras proceden de la propia documentación de Alibaba, y Qwen4-Max no publica sus pesos, no admite ajuste fino en ninguna región y tampoco admite el despliegue del modelo en ninguna región.

Step-5 Preview es el modelo insignia de StepFun para el trabajo con agentes: 600 mil millones de parámetros totales, 27 mil millones activos, una ventana de contexto de 1 millón de tokens y entrada de texto, imagen y vídeo con salida de texto. El nivel de esfuerzo de razonamiento se puede seleccionar entre bajo, medio y alto. La salida máxima documentada es de 64.000 tokens, y max_tokens tiene un valor predeterminado sin límite, de modo que el modelo elige la longitud. Admite streaming, llamadas a herramientas, salida con JSON Schema y caché de prompts, y la API es compatible con OpenAI.

Tres meses después del lanzamiento, el «Preview» del nombre ya ha perdido su sentido. StepFun todavía hoy lo incluye como Preview en su resumen de modelos, mientras que los checkpoints BF16 y FP8 están en Hugging Face desde el 15 de octubre bajo la StepFun Model License 1.0. Considera la etiqueta una costumbre de nomenclatura, no una advertencia de que el endpoint vaya a cambiar bajo tus pies, pero tampoco la interpretes como un compromiso de disponibilidad general (GA), porque el proveedor no ha asumido ninguno.

La diferencia de precio es de un tercio; la aritmética de la caché es lo que la cambia.

A precios de lista, resumir ambos es fácil: Step-5 Preview es más barato en ambos lados del medidor, y por más que un simple error de redondeo.

• Entrada — Qwen4-Max $1.50 por millón de tokens en Singapur, $1.413 en las otras cinco regiones, frente a Step-5 Preview $1.00

• Salida — Qwen4-Max $4.50, frente a Step-5 Preview $2.70

• Lectura de caché — Qwen4-Max $0.075 por millón, un 95 % de descuento, frente a Step-5 Preview $0.10, un 90 % de descuento

• Escritura de caché — Qwen4-Max $1.875 por millón para un TTL de cinco minutos y $3.00 por una hora, frente a nada en Step-5 Preview, porque la entrada con fallo de caché a $1.00 ya incluye la escritura del prefijo

• Combinado, según la mezcla 7:2:1 de aciertos de caché/entrada/salida de Artificial Analysis — Qwen4-Max $0.80 por millón frente a Step-5 Preview $0.54

Esa línea de escritura en caché es la que se omite, y es la que puede invertir la clasificación con la carga de trabajo adecuada. Tomemos un documento de 300,000 tokens revisado en cuatro pasadas con 3,000 tokens de salida cada una, con tarifas de Singapur, sin razonamiento. En Qwen4-Max, la primera pasada escribe el prefijo a $0.5625 y emite $0.0135 de salida; las tres siguientes lo leen a $0.0225 cada una más $0.0405 de salida entre todas. Total: $0.684. En Step-5 Preview, la primera pasada cuesta $0.30 de entrada y $0.0081 de salida; las tres siguientes cuestan $0.03 cada una más $0.0243. Total: $0.422. Step-5 Preview es un 38% más barato en ese trabajo.

Redúcelo a una sola pasada y la brecha se amplía en lugar de cerrarse —$0.576 frente a $0.308, con Step-5 Preview un 46% más barato—, pero el motivo cambia. En una sola pasada no hay lectura que amortizar, así que estás pagando la prima de escritura en caché de Qwen4-Max por un prefijo que nunca reutilizarás. La regla práctica: el almacenamiento en caché de Qwen4-Max recompensa un prefijo leído muchas veces y penaliza uno leído una sola vez. La lectura de caché plana de $0.10 de Step-5 Preview y su precio de fallo con la escritura incluida conforman la estructura más favorable para cargas de trabajo en las que no puedes predecir la tasa de aciertos.

A generated two-column scoreboard titled 'Qwen4-Max vs Step-5 Preview — the scoreboard'. The Qwen4-Max column reads Intelligence Index 43, cost per index task .27, cost per index point 7.6 cents, cache write .875 per 1M, weights none published, max output 131,072 tokens. The Step-5 Preview column reads Intelligence Index 29, cost per index task .35, cost per index point 8.1 cents, cache write included in .00 miss price, weights BF16 and FP8 on Hugging Face, max output 64,000 tokens. A footer reads 'Index per Artificial Analysis v5.0.1; prices and limits per Alibaba and StepFun documentation, November 2026.'

Catorce puntos y un vacío de pruebas que va en la dirección opuesta

Ambos modelos se han pasado por Intelligence Index v5.0.1, que incorpora 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 y Terminal-Bench-Science 0.1. Ninguna de las páginas de los modelos publica puntuaciones separadas por esfuerzo de razonamiento, así que estas son cifras únicas con la configuración que haya utilizado Artificial Analysis.

• Índice — Qwen4-Max 43, ocupa el puesto 38 de 81 en su clase, frente a Step-5 Preview 29, que ocupa el puesto 10 de 29 entre los modelos grandes de pesos abiertos. Las medianas de las clases difieren (41 y 23), por lo que esos puestos no son comparables entre sí aunque las puntuaciones sí lo sean.

• Costo por tarea de indexación — $3.27 frente a $2.35

• Costo por punto de índice: 7,6 centavos frente a 8,1 centavos, por lo que el modelo más caro por tarea es el más barato por unidad de capacidad

• Velocidad de salida: Step-5 Preview, 124 tokens por segundo, frente a ninguna cifra publicada para Qwen4-Max. Artificial Analysis indica que su tiempo por tarea es desconocido y su página de proveedor no informa de ningún benchmark de proveedor.

• Tiempo hasta el primer token de respuesta — Step-5 Preview 23,53 segundos, frente a nada publicado para Qwen4-Max

• Tiempo por tarea de indexación — Step-5 Preview 15,2 minutos frente a la mediana de 13,3 minutos de su clase; Qwen4-Max no tiene dato

• Verbosidad — Qwen4-Max emitió 127 millones de tokens de salida en el índice frente a una mediana de 78,6 millones, mientras que Step-5 Preview emitió 129 millones frente a una mediana de 104 millones. Ambos son verbosos; Qwen4-Max es verboso en relación con un grupo de pares más austero

El primer token a los 23.53 segundos es la cifra que debería preocupar a cualquiera que planifique un despliegue interactivo de Step-5 Preview. No es un artefacto de red: es lo que te cuesta un modelo de 600 mil millones de parámetros con el razonamiento activado por defecto antes de que empiece la respuesta. Los valores predeterminados de razonamiento de Qwen4-Max —razonamiento activado, presupuesto de 131,072 tokens, esfuerzo configurado en alto— apuntan en la misma dirección, y hasta que alguien lo mida no hay forma honesta de decir cuál es más lento. Ese es el coste práctico de comprar el día del lanzamiento: obtienes una puntuación y una tarifa, pero no obtienes una cifra de latencia.

El material de evaluación propio de Alibaba es un asunto aparte y debe leerse como información reportada por el proveedor y no reproducida. En Work360, su benchmark interno que abarca 26 dominios industriales de primer nivel, el proveedor reporta 52,69 para Qwen4-Max frente a 47,74 para Qwen3.8-Max. También reporta que el costo promedio por tarea de Work360 cae de $4,43 a $1,67, una reducción del 62%, y que el uso de tokens cae alrededor del 24% con esfuerzo xhigh y del 35% con esfuerzo high en ese benchmark, con reducciones del 48% y el 49% en Terminal-Bench 4.0. Esas son afirmaciones sobre Qwen4-Max en relación con su predecesor. No dicen nada sobre Step-5 Preview, y ninguna de ellas ha sido verificada de forma independiente.

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026, showing 'Released November 2026', the Alibaba Cloud provider label, an Intelligence Index of 43 ranked 38 of 81, in-benchmark ranks for performance, cost and verbosity, .50 input and .50 output per 1M tokens, a 95% cache discount, .27 cost per task, 127M tokens generated, and a 984k-token context window.

Pesos: este no está ni cerca.

Step-5 Preview ya se puede descargar hoy. El repositorio de Hugging Face incluye safetensors BF16 y FP8 bajo la StepFun Model License 1.0 —una licencia al estilo Apache-2.0 con un requisito de atribución y una condición de uso comercial—, además de la plantilla de chat, tres variantes cuantizadas y recetas de despliegue: FP8 en cuatro B300 u ocho H200 con vLLM, FP8 en el mismo hardware con SGLang, y BF16 en ocho B300 o dieciséis H200. Alrededor de 1.600 descargas en el último mes.

Qwen4-Max no tiene checkpoint ni forma de obtenerlo. La documentación de Alibaba marca el ajuste fino como no compatible en todas las regiones y el despliegue de modelos como no compatible en todas las regiones, lo cual es una afirmación más contundente que «los pesos aún no están disponibles»: indica que el proveedor no va a permitirte ejecutar este modelo por tu cuenta a través de su plataforma en absoluto. Si tu requisito es un modelo que puedas cuantizar, ajustar finamente, aislar en una red desconectada o fijar a una compilación específica, la comparación termina aquí y termina a favor de StepFun.

También cambia lo que te aporta lo «open». La licencia de Step-5 Preview permite el uso comercial con condiciones, así que una revisión legal forma parte del coste de adopción, y las recetas de despliegue asumen un nodo de cuatro a dieciséis GPU: este no es un modelo que se ejecute en una estación de trabajo. Pero es un modelo cuyo comportamiento no puede cambiar bajo tus pies mediante una actualización silenciosa del proveedor, y para cualquiera que construya un sistema regulado o de larga vida, eso vale más que catorce puntos de índice.

El límite de salida, y un conflicto de documentación que vale la pena conocer

Esta es la diferencia menos llamativa y la que más probablemente afecte a una carga de trabajo concreta. Qwen4-Max te ofrece 131.072 tokens de salida con el pensamiento desactivado y un presupuesto compartido de 262.144 tokens con el pensamiento activado. La documentación de la API de Step-5 Preview indica un máximo de 64.000 tokens de salida. Su ficha de modelo en Hugging Face indica que la salida puede llegar hasta los 1M tokens completos, y que la entrada y la salida cuentan contra el mismo límite.

Esas dos afirmaciones provienen del mismo proveedor con un mes de diferencia, y ninguna está marcada como obsoleta. Si está planeando una tarea de salida extensa —un informe completo, un parche grande, un documento generado—, lea la documentación de la API en lugar de la ficha, y pruebe el límite máximo antes de diseñar en torno a él. La cifra de 64.000 es coherente con el tiempo de 15,2 minutos por tarea de indexación; la cifra de 1M implicaría algo bastante diferente.

Otra asimetría que vale la pena señalar: ambos modelos aceptan entrada de video, pero solo StepFun publica el detalle operativo. Hasta 60 imágenes por solicitud en detalle bajo o alto, video como URL, Base64 o una referencia stepfile://, MP4 de menos de 128 MB y se recomienda que los clips duren menos de cinco minutos. Alibaba documenta la entrada de video para Qwen4-Max sin publicar límites comparables en la página del modelo. Si el video es central para tu carga de trabajo en lugar de algo incidental, esa diferencia en la calidad de la documentación es en sí misma una señal sobre a qué proveedor se le ha hecho antes la pregunta.

¿Quién debería elegir qué, esta semana?

Elige Qwen4-Max si el techo importa más que la factura: razonamiento complejo, trabajo agéntico de horizonte largo o cualquier cosa en la que 43 frente a 29 en un índice de nueve evaluaciones sea la diferencia entre una tarea que se completa y una que no. Acepta dos riesgos a cambio. El primero es que estás comprando desde el primer día sin una cifra independiente de latencia y sin reproducción por terceros de las afirmaciones de Work360 del proveedor. El segundo es la prima por escritura en caché, que grava silenciosamente el trabajo de contexto largo de una sola pasada a $1.875 por millón de tokens escritos.

Elige Step-5 Preview si necesitas tener el modelo en propiedad, si necesitas un rendimiento medido de 124 tokens por segundo y un primer token de 23,53 segundos con el que puedas planificar, o si tu carga de trabajo es intensiva en caché de una forma que no puedes predecir. Acepta que estás comprando 29 puntos de índice, que el primer token llega lentamente y que el proveedor documenta el techo de salida de dos maneras diferentes.

La tercera opción es la honesta para la mayoría de los equipos esta semana: ninguna de las dos, de forma exclusiva. La diferencia entre estos dos modelos por unidad de capacidad medida es del 6%, lo que queda holgadamente dentro del margen de error de una sola versión del índice, y ambos han sido evaluados solo una vez por un único arnés de evaluación. Un equipo que se decanta por uno de ellos amparándose en la puntuación del día del lanzamiento está tomando posición sobre un número que no ha sido reproducido.

Ejecutando ambos sin un segundo contrato

Hoy ninguno de los dos modelos está en el catálogo de OrcaRouter — 215 identificadores de modelos, revisados esta mañana, sin ninguna entrada de Qwen4 y sin ningún modelo de texto de StepFun entre ellos. Ambos son accesibles a través de las API de sus propios proveedores: las seis regiones de Alibaba para Qwen4-Max, el endpoint compatible con OpenAI de StepFun en api.stepfun.ai/v1 para Step-5 Preview. Decir lo contrario sería el tipo de afirmación que envejece mal en cuestión de una semana.

Lo que hacemos con la ruta es sustituir el modelo Qwen4-Max. Qwen3.8-Max está en nuestro catálogo como qwen/qwen3.8-max al precio de lista de Alibaba de $2,00 de entrada y $6,00 de salida por millón de tokens, trasladado sin ningún margen, junto a otros 214 identificadores en una única URL base compatible con OpenAI. Eso importa por exactamente una razón en esta comparación: un modelo del día de su lanzamiento es lo peor posible en lo que apostar una ruta de producción, y la postura sensata es mantener la generación ya probada en la ruta mientras mides el nuevo contra tu propio tráfico. El DSL de enrutamiento expresa eso como una política en lugar de un cambio de código: envía las llamadas difíciles, con mucha carga de razonamiento, al nuevo modelo, mantén el trabajo de alto volumen en el más barato y ya probado, y deja que la conmutación por error automática cubra el caso en que un endpoint recién estrenado se degrade bajo una carga que no previste.

La tarificación de traspaso también hace que la aritmética de este artículo siga siendo honesta. Cuando Alibaba recorta una tarifa —como lo hizo hoy, al pasar Qwen4-Max a $1,50 y $4,50 desde los $2,00 y $6,00 de Qwen3.8-Max—, un catálogo que traslada el precio de lista del proveedor lo refleja ese mismo día, y no en la próxima renovación del contrato. Eso no es un argumento a nuestro favor frente a la API propia de cualquiera de los dos proveedores. Es un argumento para no firmar nada que bloquee un precio que no haya visto mantenerse durante un mes.

A screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026, showing the model identifier, text, image and video input with text output, a 1M-token context window, a list date of 2026-08-03, .00 input and .00 output per 1M tokens, measured latency figures, and an OpenAI-compatible Python sample pointing at https://api.orcarouter.ai/v1.

La comparación que los lectores querrán dentro de dos semanas no es la que aparece en este titular. Es la latencia de Qwen4-Max y el lanzamiento estable de Step-5 Preview, ambos medidos por alguien que no es el proveedor, con cargas de trabajo que la gente realmente ejecuta. Hasta entonces, la postura defendible es estrecha y poco glamurosa: una brecha de capacidad del 48%, una brecha de precio del 33%, una brecha del 6% por unidad de capacidad, y un conjunto de decisiones —pesos, límite de salida, estructura de caché— que ninguna puntuación de índice captura y que perdurarán más allá de esta semana de lanzamiento.