Una tarjeta de título generada que dice 'Qwen 4 vs DeepSeek V4.1 Pro: dos tarjetas de precios, un costo idéntico por punto de índice', con el subtítulo '7,6 centavos y 7,7 centavos por punto de índice, de una tarea de $3,27 y una tarea de $1,77'. Tres filas numeradas dicen 'puntuación del índice 42,9 frente a 23,1, Artificial Analysis v5.0.1', 'costo por tarea de índice completada $3,27 frente a $1,77' y 'el modelo DeepSeek Pro que realmente se comercializa es V4 Pro 0813'. Un pie de página dice 'Puntuaciones y costo por tarea según el Artificial Analysis Intelligence Index v5.0.1; precios según la tarifa publicada de cada proveedor'. Estilo vectorial plano sobre blanco con acentos azul y cian, la marca de OrcaRouter compuesta en la esquina inferior derecha.
Guides & Insights

Qwen 4 vs DeepSeek V4.1 Pro: dos tarjetas de precios, un costo idéntico por punto de índice

Autor

jinhao.song

Fecha de publicación

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

Divide el coste por tarea completada de cada modelo entre su puntuación en el Intelligence Index y ocurre algo curioso. Qwen4-Max, con 3,27 $ por tarea y 42,9 puntos, da 7,6 centavos por punto del índice. D​eepSeek V4.1 Pro —o, mejor dicho, el modelo que realmente se sirve bajo el nivel Pro de D​eepSeek, DeepSeek V4 Pro 0813, con 1,77 $ por tarea y 23,1 puntos— da 7,7 centavos por punto. Dos empresas, dos tarifas que difieren en un factor de cuatro en el precio de salida, dos niveles de capacidad separados por casi veinte puntos y el mismo coste por unidad de inteligencia medida con un margen de menos del uno por ciento. Esa coincidencia es todo el enfrentamiento, y resulta más útil que cualquier fila de benchmark por sí sola.

Una nota sobre el nombre en el slug: D​eepSeek no tiene en su catálogo ningún modelo llamado V4.1 Pro. Su página de precios enumera exactamente dos modelos servidos —deepseek-flash, que corresponde a DeepSeek-V4.1-Flash-1017, y deepseek-v4-pro, que corresponde a DeepSeek-V4-Pro-0813—. La cadena V4.1 Pro sobrevive en una nota de septiembre sobre un lanzamiento futuro que desde entonces ha desaparecido de la página. Así que esta es una comparación con el modelo Pro real de D​eepSeek, y cada cifra de D​eepSeek que aparece a continuación es la de ese modelo.

La aritmética primero, porque es el argumento.

Artificial Analysis publica tanto la puntuación del índice como el coste modelado de ejecutar el conjunto completo de índices, usando los precios de lista de cada proveedor y los tokens que el modelo consumió realmente. Esas dos cifras bastan para poner precio a la capacidad directamente.

• Qwen4-Max — 42,9 puntos de índice con esfuerzo xhigh; 3,27 $ por tarea; 7,6 centavos por punto.

• DeepSeek V4 Pro 0813 — 23,1 puntos con el máximo esfuerzo; 1,77 USD por tarea; 7,7 centavos por punto.

• La ratio — 1,007. DeepSeek es un 46 % más barato por tarea completada y un 46 % menos capaz, y ambos hechos se anulan.

• Frente al precio pico — la tarifa de D​eepSeek se duplica dentro de sus franjas de días laborables de 01:00–04:00 y 06:00–10:00 UTC, de $0.66/$1.98 a $1.32/$3.96. La cifra de $1.77 utiliza la tarifa pico, así que el trabajo fuera de pico reduce el costo por punto de D​eepSeek a aproximadamente 3.8 centavos y se convierte en el modelo más barato por punto por un factor de dos.

Esa última línea es la que permite actuar. Los dos modelos son compras equivalentes al precio de lista de D​eepSeek, y Qwen4-Max es el doble de eficiente si puedes programar dentro de la ventana de descuento de D​eepSeek, lo que indica que la decisión no tiene nada que ver con la calidad del modelo, sino con si tu tráfico se puede procesar por lotes.

A generated two-column scoreboard titled 'Qwen4-Max vs DeepSeek V4 Pro 0813 - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The DeepSeek column reads index score 23.1, cost per index task $1.77, cents per index point 7.7, input per million $1.32 at peak, output per million $3.96 at peak, hallucination rate 94.1%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

Lo que 23 puntos compran que 43 no

La paridad en eficiencia es una feliz coincidencia; no es motivo para ejecutar un modelo que obtiene 23 en una batería de pruebas en la que la mediana del sector se sitúa en los cuarenta. La brecha no es uniforme, y su forma es el argumento para elegir siempre Qwen4-Max.

• Terminal-Bench 4.0 — Qwen4-Max 48,5 %, DeepSeek V4 Pro 14,1 %. Una diferencia de 34 puntos, la mayor divergencia individual de esta comparación.

• FrontierCode 2.0 — 26,5 % frente a 17,1 %. Una diferencia más estrecha que la de la terminal, pero aún decisiva para el trabajo con repositorios.

• HLE Diamond — 44,9 % frente a 19,5 %.

• CritPt Agentic Hard — 43,0% frente a 35,0%. La más reñida de las suites de razonamiento difícil y el único caso en el que el déficit de D​eepSeek podría considerarse recuperable con andamiaje.

• GDPval — 1.808,69 frente a ninguna cifra publicada para el modelo DeepSeek. La ausencia merece señalarse en lugar de ocultarse: en tareas profesionales con fundamento económico no hay una lectura comparable, así que la defensa de cualquiera de los dos modelos en ese terreno depende de tu propia evaluación.

• Desglose de capacidades — DeepSeek va por detrás en las cinco subpuntuaciones que reporta Artificial Analysis, con el peor resultado en legal (27,5 frente a 49,6 de Qwen4-Max) y el más cercano en estrategia y operaciones (41,1 frente a 56,9).

Si la carga de trabajo es «leer esto y extraer aquello», ambos modelos superan el listón y decide el precio. Si la carga de trabajo es «operar una shell hasta que pasen las pruebas», una puntuación del 14,1 % en terminal significa que el modelo falla seis de cada siete ejecuciones, y por mucha baratura que haya, una ejecución fallida no resulta barata: pagas los tokens de todos modos y luego pagas a una persona para que termine el trabajo.

A headless-browser screenshot of the Artificial Analysis page for DeepSeek V4 Pro 0813, captured 17 November 2026 in English, showing DeepSeek's mark, the label Open weights model, Released August 2026, an intelligence rank, a performance rank, a speed reading of 93 output tokens per second, an index score of 23, the summary describing the model as below average in intelligence for its size, text-only input, text output and a 1M-token context window.

La columna que debería decidirlo para cualquiera con un paso de revisión

Artificial Analysis hace un seguimiento de las alucinaciones por separado de la precisión, y la cifra de D​eepSeek es el dato más descalificador de este enfrentamiento: una tasa de alucinación del 94,1 %, frente al 28,4 % de Qwen4-Max y aproximadamente el 50 % de los modelos de frontera de esta franja de precio. Su puntuación de omnisciencia es negativa (−6,4), lo que significa que respondió con menos precisión de la que habría logrado absteniéndose.

Una tasa de alucinación del 94 % no significa que el 94 % de las respuestas sean incorrectas. Significa que, de las preguntas que el modelo respondió mal o no pudo verificar, casi todas se respondieron con contenido fabricado en lugar de rechazarse. Para un pipeline con una persona en el bucle, eso es un multiplicador de costos; para uno sin ella, es un riesgo. Qwen4-Max tampoco es un modelo confiable según los estándares de frontera, pero con un 28,4 % al menos falla de una forma que un revisor puede detectar.

Uno de estos tiene licencia MIT, y eso cambia los cálculos.

DeepSeek V4 Pro se distribuye bajo MIT con los pesos publicados; Qwen4-Max es propietario, solo está alojado por Alibaba Cloud y no tiene checkpoint descargable. Esa asimetría merece más peso del que suele recibir en una comparación de precios, porque cambia lo que significa «coste por tarea».

• Coste marginal — Los $0,66/$1,98 de DeepSeek son un precio de lista por la GPU de otro. En autoalojamiento, tu coste marginal es tu propio nivel de utilización, que con un volumen alto y estable suele ser un tercio de eso y con un volumen bajo es peor que la API.

• Lo que cedes: el contexto de 1M de tokens y el límite de salida de 384K que documenta D​eepSeek siguen aplicándose en tu propio hardware, pero heredas el soporte del kernel, las decisiones de cuantización y la carga de evaluación de saber si tu despliegue coincide con la referencia.

• Lo que no puede hacer con Qwen4-Max: no ajuste fino, no despliegue en las instalaciones, no inspección de pesos y ninguna capacidad de seguir prestando servicio si cambian los precios regionales de A​libaba. Seis regiones es una distribución más amplia que la de la mayoría, y aun así sigue siendo la decisión de un único proveedor.

La licencia MIT es también la razón honesta por la que DeepSeek V4 Pro aparece en tantos hosts mientras que Qwen4-Max aparece en uno. Eso es una propiedad de la licencia, no un veredicto sobre el modelo.

A headless-browser screenshot of the OrcaRouter model page for DeepSeek V4 Pro 0813, captured 17 November 2026 in English, showing the identifier deepseek/deepseek-v4-pro-0813, an off-peak input price of $0.66, the byline DeepSeek dated 2026-08-12, and the description noting a 1M-token context, up to 384K output tokens, thinking and non-thinking modes with low, high and max effort, JSON output and tool calls.

Ejecutar ambos sin apostar por ninguno

Estos dos son una pareja natural para una capa de enrutamiento en lugar de una decisión de uno u otro, porque sus debilidades no están correlacionadas: D​eepSeek es barato y débil en ejecución agéntica, Qwen4-Max tiene un precio medio y es competente en esa tarea, y la diferencia de precio es lo suficientemente pequeña como para que enviar el 20% más difícil del tráfico al modelo más caro cueste menos que los fallos que evita. Un DSL de enrutamiento pone esa división en una sola llamada — clasificar por tipo de tarea, enviar el trabajo basado en shell a una ruta y el trabajo de extracción a otra — y la conmutación por error automática cubre el caso en que cualquiera de los proveedores se degrada.

Lo que no vamos a afirmar: Qwen4-Max no está en nuestro catálogo. Un identificador qwen4 devuelve no encontrado hoy, su ruta es la API Model Studio de A​libaba y varias plataformas de terceros, y lo más cercano que servimos es qwen/qwen3.8-max a $2.00 y $6.00 — el buque insignia anterior, una generación de índice por detrás, y $1.50 por millón más barato en salida. La parte de DeepSeek está en nuestro catálogo como deepseek/deepseek-v4-pro-0813 al precio de lista propio de DeepSeek sin recargo añadido, así que las tarifas de valle y punta anteriores son lo que se te factura, no una aproximación.

¿Qué cambiaría la respuesta?

Tres cosas, en orden de probabilidad. Un D​eepSeek V4.1 Pro que realmente se lance reiniciaría esta comparación, porque la nota de septiembre afirmaba mejoras en rendimiento, coste, velocidad y tiempo total de tarea frente a V4 Pro —todo ello una afirmación de la propia D​eepSeek y nada de ello reproducible hasta que haya un ID de modelo y una tarifa—. Un recorte de precio de Qwen4-Max rompería la coincidencia por punto a favor de Q​wen y haría desaparecer el argumento de eficiencia. Y una evaluación independiente de cualquiera de los dos modelos en tareas que realmente ejecutas superaría todos los números de esta página, incluidos los de Artificial Analysis.

Hasta entonces, la regla es breve. Si tu trabajo se puede procesar por lotes y tiene forma de documento, DeepSeek V4 Pro con tarifas fuera de horas punta es la capacidad más barata de la tabla, y la tasa de alucinación es aquello en torno a lo que construyes una verificación. Si tu trabajo ejecuta un shell, abre un repositorio o produce algo que un cliente lee sin revisión, paga los $1.50 extra por tarea y asume la brecha de 34 puntos en terminal.