Une carte de titre 16:9 générée sur un fond bleu marine foncé portant « Qwen4-Max » avec le sous-titre « Deux dates, un seul tableau des scores », et trois cartes arrondies : DATE DU MODÈLE 16 nov. 2026, DEUXIÈME VENDEUR 18 nov. 2026, SCORE DE L’INDICE 43. Une ligne de pied de page indique « Artificial Analysis Intelligence Index v5.0.1 ». Logo OrcaRouter en bas à droite.
Guides & Insights

Qwen4-Max est désormais en vente à deux endroits. Le classement indépendant est la partie qui vaut la peine d’être lue

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Qwen4-Max a été mis en vente générale le 16 novembre 2026, et dès le matin du 18 novembre, une plateforme d’inférence tierce en faisait elle aussi la promotion, avec le même contexte de 1 M de jetons et les mêmes entrées texte, image et vidéo. Voilà la nouvelle, et c’est une petite nouvelle : un second vendeur est un événement de distribution, pas un événement de modèle. Ce qui est arrivé dans la même fenêtre et n’a presque retenu aucune attention est une mesure. Artificial Analysis comporte désormais une entrée Qwen4-Max, et sur son Intelligence Index, elle attribue au modèle un score de 43, contre 34 pour Qwen3.8-Max, le prédécesseur qu’il remplace.

Ces deux chiffres s’accompagnent d’un contexte qui détermine s’il s’agit de bonnes nouvelles, et le blog du fournisseur ne le fournit pas. Cet article fait donc trois choses, dans l’ordre : ce qui a réellement été livré le 16 novembre, ce que la ligne indépendante dit que l’article de lancement ne dit pas, et ce qui change — et ce qui casse silencieusement — lorsque le même modèle est servi par quelqu’un d’autre qu’Alibaba.

Deux dates, et une seule d'entre elles correspond à une sortie

La date du modèle est le 16 novembre 2026. L'équipe Qwen d'Alibaba a daté son article de lancement du 16 novembre, et la page de documentation Model Studio consacrée au modèle porte un horodatage de mise à jour du 2026-11-16 09:46:08, avec l'en-tête « qwen4-max (Latest Model) » et un identifiant de modèle simple de qwen4-max. C'est cette page qui compte sur le plan commercial : elle a remplacé un identifiant d'aperçu, qwen4-max-preview, qui avait été ouvert le 11 novembre dans le cadre d'un forfait de crédits avec une date de retrait publiée au 25 novembre. La disponibilité générale impliquait une grille tarifaire à l'usage, six régions et aucune date d'expiration.

L’événement du 18 novembre est d’une autre nature. Une plateforme qui n’est pas A​libaba a commencé à référencer le modèle pour ses propres clients, deux jours après l’apparition de la grille tarifaire. Rien n’a changé au sujet du modèle le 18 novembre : pas de nouveaux poids, pas de nouvelle valeur de contexte, pas de nouveau prix annoncé par le laboratoire. Si vous lisez des articles qui présentent cette semaine comme un lancement, le cadrage est en retard d’un cran — Qwen4-Max a été lancé le 16, et ce qui s’est passé le 18, c’est qu’il est devenu revendable à grande échelle. Cette distinction n’est pas de la pédanterie. Elle vous dit quelles questions poser : non pas « que peut-il faire », question à laquelle on a répondu lundi, mais « qu’est-ce qui survit au passage par un revendeur », question à laquelle personne n’a répondu.

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-Max' with five rows: index score 43 against 34; output tokens per run 127M against 150M; wall-clock per task 32.1 min against 47.5 min; cost per task $3.27 against $10.02; throughput 55 tok/s against 'not listed'. Footer reads 'Artificial Analysis Intelligence Index v5.0.1, measured November 2026'. OrcaRouter logo bottom-right.

Qu’est-ce qui est sorti le 16 novembre ?

La spécification ci-dessous est celle d'Alibaba, tirée de l'article de lancement et de la documentation du modèle, et aucun de ses éléments n'a été reproduit de manière indépendante — l'architecture, en particulier, est une description par le fournisseur d'une session d'entraînement que nul observateur extérieur n'a inspectée.

• Architecture — une nouvelle conception Qwen4 dotée d'un backbone de 2,4 billions de paramètres, de 71 milliards de paramètres activés par token, et de 328 milliards de paramètres d'embedding N-gram supplémentaires

• Attention — trois couches Gated DeltaNet alimentent chaque couche Qwen Sparse Attention, laquelle compresse l’historique en états de taille fixe et indexe le contexte à une granularité de micro-blocs

• Travail sur la stabilité — quatre branches résiduelles parallèles avec des portes dynamiques de lecture et d’écriture, décrit par le laboratoire comme la raison pour laquelle l’exécution 2.4T n’a connu aucun pic de perte

• Contexte — 1 000 000 de tokens dans la documentation du fournisseur ; Artificial Analysis mesure la fenêtre utilisable à 984 000

• Plafond de sortie — 131,072 jetons avec la réflexion désactivée, ou 262,144 partagés entre la réflexion et la réponse

• Modalité — entrée texte, image et vidéo ; sortie texte. Vision native, et non une fonction ajoutée

• Effort de raisonnement — niveaux sélectionnables, que l’article de lancement nomme High et Xhigh lorsqu’il cite ses propres chiffres d’efficacité

• Outillage — appel de fonctions, appels d’outils en parallèle, recherche web, sortie structurée conforme à JSON Schema, complétion de préfixe, mise en cache explicite et implicite

• Interfaces — O​penAI Chat Completions et Responses, A​nthropic Messages et DashScope, soit la plus large surface de protocoles qu’A​libaba ait livrée sur un produit phare

• Ce qui manque — l’affinage et le déploiement de modèles sont tous deux indiqués comme non pris en charge. Il n’y a aucun checkpoint, et l’article de lancement indique seulement que des modèles Qwen4 plus petits « arrivent en open source »

Les arguments d’efficacité sont ceux sur lesquels le lancement insiste le plus, et ils valent la peine d’être formulés précisément parce qu’ils sont conditionnels. Face à Qwen3.8-Max, le fournisseur indique environ 24 % de tokens en moins sur son benchmark Work360 au niveau d’effort Xhigh et 35 % de moins au niveau High, ainsi que 48 % et 49 % de moins sur Terminal-Bench 4.0 aux deux mêmes réglages. Le coût moyen par tâche sur Work360 passe de 4,43 $ à 1,67 $, soit une réduction de 62 %. Chacun de ces chiffres est rapporté par le fournisseur, et chacun d’eux est lié à un niveau d’effort — ce qui devient le détail important plus tard, lorsqu’un revendeur décide comment exposer ce réglage.

La ligne indépendante que personne ne cite

Artificial Analysis a publié Qwen4-Max sur l’Intelligence Index v5.0.1, et la fiche est d’une franchise inhabituelle. Le score est de 43, ce que le site décrit comme inférieur à la moyenne des modèles comparables — la médiane est également de 43, si bien que le modèle se situe exactement sur la ligne plutôt qu’au-dessus. C’est une phrase moins flatteuse que « en hausse de neuf points par rapport à son prédécesseur », et les deux sont vraies. Qwen3.8-Max, mesuré comme snapshot 0902, obtient 34 sur le même indice.

Le reste de la ligne est ce qui rend l’argument intéressant, car cela sépare la capacité du coût de son extraction.

• Score de l'indice — Qwen4-Max 43 contre Qwen3.8-Max (0902) 34 sur v5.0.1

• Tokens de sortie par exécution d’index — 127 millions contre 150 millions, face à une médiane du secteur de 65,1 millions. Les deux modèles sont extrêmement verbeux ; le nouveau l’est moins.

• Temps réel par tâche — 32,1 minutes contre 47,5 minutes, pour une médiane du panel de 11,5. Plus rapide que son prédécesseur, mais toujours parmi les modèles mesurés les plus lents

• Débit — 55 jetons de sortie par seconde, mesuré sur l'API propre d'A​libaba

• Coût par tâche — 3,27 $ contre 10,02 $, le chiffre le plus utile de la ligne

Lisez ces éléments ensemble : l’amélioration est réelle, mais plus limitée que ne le laisse entendre le marketing. Qwen4-Max gagne neuf points d’indice, réduit le temps d’horloge d’un tiers et diminue d’environ deux tiers le coût de réalisation d’une tâche par rapport au modèle qu’il remplace. Il n’apporte pas de gain de vitesse en termes absolus : à 32,1 minutes par tâche, il est près de trois fois plus lent que le modèle médian du même classement, et il consomme près de deux fois le volume médian de tokens pour y parvenir. Si votre charge de travail est sensible à la latence, ce n’est pas le chiffre de l’indice qui déterminera votre facture.

A screenshot of the Artificial Analysis page for Qwen4 Max, headed 'Qwen4 Max: Intelligence, Performance & Price Analysis' and dated November 2026, showing an Intelligence Index score of 43 against a median of 43, 55 output tokens per second, a 984k context window, $1.50 input and $4.50 output per million tokens, $3.27 per task and 127M tokens generated on the index run.

Qu’est-ce qui survit au relais vers un revendeur ?

C’est la partie que l’inscription du 18 novembre rend urgente plutôt que théorique. Lorsqu’un modèle est servi par une plateforme qui n’est pas son auteur, quatre éléments circulent de manière fiable et un seul ne le fait pas.

Les quatre qui voyagent : la fiche tarifaire, parce qu’elle est copiée depuis la page du fournisseur ; le chiffre de contexte, parce qu’il fait la une ; la liste des modalités, parce qu’elle figure dans les textes marketing ; et la forme du protocole, puisque la plupart des plateformes exposent un point de terminaison compatible OpenAI, quel que soit ce qui se trouve derrière. Ce sont les éléments que chaque fiche présente correctement, et ce sont ceux que chaque article comparatif cite.

Ce qui ne se transpose pas, c’est le mapping de l’effort. L’économie de Qwen4-Max dépend de l’effort par conception : les économies de tokens annoncées par le fournisseur varient de 24 % à 35 % sur Work360 selon que vous exécutez Xhigh ou High, et la documentation expose ce choix sous forme de paramètre de requête. Un revendeur qui fixe l’effort à une valeur par défaut unique, ou qui mappe un paramètre de raisonnement de style OpenAI sur seulement deux des trois niveaux, vous fournit un modèle dont le coût par tâche peut différer d’un tiers du chiffre publié par le fournisseur — avec un prix par token identique sur la facture. Si vous comparez une offre aux propres chiffres d’A​libaba, fixez explicitement le niveau d’effort et vérifiez ce que la plateforme en fait avant de tirer la moindre conclusion sur le prix.

Deux points plus mineurs à vérifier : si le budget partagé de 262 144 jetons pour la réflexion et la réponse est appliqué ou tronqué silencieusement, et si la mise en cache des prompts est répercutée aux tarifs de cache du fournisseur plutôt qu’au tarif d’entrée complet. Les deux ont un impact financier réel sur les longues exécutions d’agents, et aucun des deux n’est visible dans un titre.

Ce qui n'a pas changé, et ne changera pas

Le fait le plus lourd de conséquences concernant Qwen4-Max ne figure ni sur la fiche tarifaire ni dans le classement : vous ne pouvez pas le posséder. Il n’existe aucun checkpoint pour ce modèle, et la documentation indique que le fine-tuning et l’auto-déploiement ne sont pas pris en charge. La dernière phrase de l’article de lancement promet que les niveaux inférieurs de Qwen4 arriveront en open source, ce qui est une déclaration sur l’avenir de la famille, pas sur ce modèle. Chaque voie d’accès à Qwen4-Max passe par l’API de quelqu’un, qu’il s’agisse des six régions d’A​libaba ou du point de terminaison d’un revendeur.

C’est un arrangement normal pour un modèle phare de la frontière en 2026, et cela a une conséquence normale : votre intégration est une location, et le nombre de bailleurs vient de passer de un à plus d’un. C’est là le seul argument réellement valable en faveur de l’offre du 18 novembre — non pas qu’elle soit moins chère, mais qu’elle constitue une autre voie d’approvisionnement pour un modèle que vous ne pouvez pas héberger vous-même.

Si vous mettez cela en place cette semaine

Qwen4-Max ne figure pas au catalogue d'OrcaRouter aujourd'hui, et cet article ne va pas prétendre le contraire. Ce qui s'y trouve, c'est le modèle qu'il remplace : qwen/qwen3.8-max, le modèle phare de 2,4 billions de paramètres qui a obtenu 34 sur le même indice et coûte 2,00 $ en entrée et 6,00 $ en sortie par million de jetons sur la liste d'Alibaba. Si vous développez sur la gamme Qwen et souhaitez essayer Qwen4-Max sans parier un chemin de production sur un accord commercial vieux de deux jours, le schéma raisonnable consiste à garder le prédécesseur sur la même clé et à router entre les deux — OrcaRouter prend en charge plus de 200 identifiants de modèles de différents fournisseurs derrière un seul point de terminaison compatible OpenAI à 0 % de marge, avec un basculement automatique, afin qu'une panne côté fournisseur ou une limite de débit ne fasse pas tomber votre application avec elle. Le DSL de routage fait la même chose un niveau en dessous : vous pouvez composer un modèle bon marché pour l'essentiel d'une charge de travail et n'escalader vers le modèle coûteux que là où la tâche en a réellement besoin, plutôt que de payer les tarifs du modèle phare à chaque appel.

A screenshot of the OrcaRouter models catalogue showing the filter rail and the header '226 models, 17 providers, one API key, one bill', with a card for Google Gemini 4 Carbon and its per-million input and output rates visible.

Ce n’est pas la même chose que d’avoir Qwen4-Max sur la clé, et cela ne devrait pas être présenté comme tel. C’est la différence entre attendre qu’un modèle atteigne votre stack et disposer d’un stack capable de l’absorber lorsqu’il y arrive.

Qu'est-ce qui changerait cette pièce ?

Trois choses, par ordre décroissant de probabilité. Une deuxième mesure indépendante de Qwen4-Max permettrait de trancher si 43 est un plancher ou un plafond — un seul classement, un seul harnais, un seul réglage d’effort constituent une base bien trop mince pour un verdict, et ce blog a déjà vu des révisions d’indices faire varier les scores de plus de dix points. Une ventilation publiée par niveau d’effort d’Artificial Analysis, correspondant à ce qu’elle fait déjà pour GLM-5.3, rendrait le chiffre du coût par tâche réellement exploitable plutôt qu’une moyenne sur un réglage non spécifié. Et un checkpoint Qwen4 — n’importe quel checkpoint Qwen4 — mettrait entièrement fin à l’argument de la location.

D’ici là, la lecture correcte de cette semaine est la plus prosaïque. Un produit phare a été lancé lundi avec une grille tarifaire réelle et un score indépendant compétitif mais pas en tête ; un revendeur s’en est emparé mercredi, ce qui est la distribution qui fait ce que fait la distribution ; et le chiffre qui devrait décider de votre intégration n’est pas 1,50 $ ni 43, mais 32,1 minutes et une facture de tokens qui tourne à environ deux fois la médiane du secteur. Ce sont ces deux-là que vous paierez réellement.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement