
Qwen4-Max réduit de 67 % le coût par tâche : d’où provient réellement l’économie
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 90 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 97 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNOUVEAUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 87 tok/s
- OrcaNOUVEAUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 133 tok/s
- OrcaNOUVEAUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 par million de tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 par million de tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligence
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligence
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 par million de tokens · 219 tok/s
Une facture de benchmark est un étrange artefact : c’est le seul document public qui chiffre les habitudes d’un modèle. Artificial Analysis publie ce qu’il a coûté de faire tourner Qwen4-Max dans son Intelligence Index — 3,27 $ par tâche — et il publie la grille tarifaire utilisée pour y parvenir. En divisant l’un par l’autre, on retrouve quelque chose que le laboratoire ne déclare jamais explicitement : le nombre de tokens que Qwen4-Max dépense réellement à réfléchir. Faites de même avec Qwen3.8-Max, le modèle qu’il remplace, et la réduction de 67 % du coût par tâche se décompose nettement en deux chiffres que la plupart des articles sur le lancement du 16 novembre amalgament. Environ la moitié de l’économie est une baisse de prix. L’autre moitié, c’est Qwen4-Max qui parle moins. Et le poste qui domine désormais sa facture n’est pas celui que le prix affiché laisse imaginer.
Le résumé du fournisseur est exact, mais il compresse la partie intéressante. Qwen4-Max, indique Alibaba sur sa page de lancement, utilise environ 24 % de jetons en moins que Qwen3.8-Max à l’effort Xhigh et 35 % de moins à High sur Work360, et 48 % et 49 % de moins sur Terminal-Bench 4.0 ; le coût moyen par tâche sur Work360 passe de 4,43 $ à 1,67 $, soit une réduction de 62 %. Ce sont des chiffres de l’entreprise sur ses propres benchmarks. L’arithmétique indépendante ci-dessous atteint 67 % sur un autre benchmark par une autre voie, ce qui est le type de convergence utile : deux méthodes, même direction, ampleur similaire.
Ce que dit réellement le tableau de bord indépendant
Sur Artificial Analysis, Qwen4-Max obtient 43 à l’Intelligence Index, contre 34 pour Qwen3.8-Max, soit un gain de 27 % en capacité mesurée. La même page affiche les deux modèles à 1,50 $ par million de tokens d’entrée et 4,50 $ par million de tokens de sortie, contre 2,00 $ et 6,00 $ — soit une réduction uniforme de 25 % dans les deux sens. C’est sur l’entrée mise en cache que la remise est spectaculaire : 0,075 $ par million contre 0,25 $, soit une baisse de 70 %, et le taux de remise en cas de cache hit passe de 87,5 % à 95 %.
Le coût par tâche de l’Intelligence Index, pondéré sur les neuf évaluations de l’indice, s’établit à 3,27 $ contre 10,02 $. Divisez le coût par le score et l’écart se creuse : Qwen4-Max offre un point de capacité mesurée pour moins de huit cents, Qwen3.8-Max pour environ trente. C’est le chiffre à retenir si la seule question est de savoir vers quel modèle déplacer une charge de travail — la capacité par dollar s’est améliorée d’environ trois quarts, et non de 67 % comme le suggère le coût par tâche seul.
Inverser la facture pour récupérer le nombre de jetons
Artificial Analysis décompose le coût par tâche en plusieurs composantes : l’entrée au tarif plein, l’écriture en cache, la lecture du cache et la sortie, la sortie étant elle-même divisée en tokens de raisonnement et de réponse. Il publie également les prix. Divisez chaque composante par son prix et vous obtenez les tokens. La méthode se valide sur une ligne : la composante de sortie divisée par 4,50 $ donne 104 940 tokens par tâche, et la page indique séparément 104 939,8 tokens de sortie par tâche pour Qwen4-Max. Concordance exacte à la décimale près, sur une ligne qui a été calculée de deux manières différentes.
Toutes les autres lignes héritent de cette assurance, avec une hypothèse formulée ouvertement : que les écritures dans le cache sont facturées au tarif plein des jetons d’entrée, ce que l’arithmétique appliquée aux deux modèles implique, plutôt que quelque chose que l’un ou l’autre fournisseur documente explicitement.
Que ressort-il, par tâche de l'Intelligence Index :
• Jetons de sortie — Qwen4-Max 104 940 contre Qwen3.8-Max 170 794, soit une réduction de 39 %.
• Tokens de raisonnement — 68 914 contre 119 698, soit une baisse de 42 %. Le budget de réflexion a diminué bien plus que le budget de réponse.
• Tokens de réponse — 36 025 contre 51 096, en baisse de 30 %. Qwen4-Max consacre désormais 66 % de sa sortie au raisonnement, contre 70 % pour son prédécesseur ; il n’est pas simplement plus court, sa répartition est différente.
• Tokens lus depuis le cache — environ 14,9 millions contre 22,7 millions, en baisse de 34 %. Ce sont les tokens de contexte rejoués qui dominent toute longue exécution agentique.
• Jetons d’écriture de cache — environ 1,11 million contre 1,66 million, soit une baisse de 33 %.
Deux choses ressortent. Premièrement, la réduction de tokens n’est pas concentrée dans la réponse visible, là où un utilisateur remarquerait la verbosité, mais dans le raisonnement et dans le contexte rejoué, là où personne ne regarde. Deuxièmement, les volumes de tokens par tâche sont énormes en termes absolus — quatorze millions de lectures de cache par tâche — ce qui indique ce que mesure réellement l’Intelligence Index : un travail à long horizon avec un grand contexte persistant, et non une réponse à des questions en un seul tour.

Décomposez les 67 % en prix et comportement
Le coût est le prix multiplié par le volume, donc la réduction peut être décomposée proprement. Facturez les volumes de tokens de Qwen3.8-Max aux tarifs de Qwen4-Max et une tâche coûte 4,97 $ au lieu de 10,02 $ — le changement de prix à lui seul représente une baisse de 50 %. Appliquez aussi le comportement de Qwen4-Max et on obtient 3,27 $, soit 34 % de moins sur ce qui restait. En multipliant ensemble, 0,496 fois 0,658 donne 0,326 : la réduction observée de 67 %, entièrement expliquée, sans rien laisser de côté.
Quelle moitié mérite le crédit dépend de l’ordre dans lequel vous l’imputez, et il vaut la peine de le dire plutôt que de choisir le chiffre flatteur. En pourcentage, le prix compte pour environ 50 % et la discipline sur les tokens pour environ 34 %. En dollars — 6,76 $ économisés par tâche au total, 5,06 $ dus aux tarifs et 1,70 $ au volume — le prix en représente les trois quarts. Les deux présentations sont correctes ; elles répondent à des questions différentes. Si vous prévoyez les dépenses du prochain trimestre, la grille tarifaire est le levier le plus important et le plus sûr. Si vous vous demandez si le modèle est réellement plus économique, les 34 % qui viennent du fait de dépenser moins de tokens sont la part la plus durable, car une baisse de prix peut être annulée, alors qu’une architecture ne peut pas l’être.
L’orientation des chiffres du fournisseur corrobore cette scission sans qu’on le lui demande. Alibaba attribue la réduction aux deux facteurs dans la même phrase, et ses 62 % sur Work360 sont proches des 67 % mesurés indépendamment sur l’Intelligence Index — deux bancs d’essai, deux ensembles de tâches, une conclusion.
Le poste budgétaire devenu discrètement le plus important
C’est ici que le prix affiché est trompeur. Avant, les lectures de cache représentaient 57 % de la facture et les écritures de cache 33 %. Après, les écritures de cache représentent 51 % et les lectures de cache 34 %. Le modèle est devenu moins cher sur chaque poste, mais la remise était déséquilibrée — 70 % de remise sur les lectures de cache, 25 % sur les écritures de cache — et elle a inversé le classement des deux coûts les plus importants.
Les écritures dans le cache sont facturées au tarif d’entrée, soit 1,50 $ par million, vingt fois le taux de lecture du cache de 0,075 $. Une charge de travail qui réécrit son contexte plus souvent qu’elle ne le rejoue paie désormais cette habitude dans la unité la plus coûteuse de la carte tarifaire. C’est la conséquence pratique du changement de tarification que la couverture du lancement a largement manquée, et cela plaide pour le travail peu glamour : des préfixes d’invite stables, des sessions de longue durée, moins de reconstructions complètes du contexte. Sur Qwen3.8-Max, ces habitudes comptaient moins, car le rejeu était de toute façon assez cher pour dominer la facture.
La leçon se généralise au-delà de ce modèle. Lorsqu’un fournisseur réduit bien plus fortement le prix d’une classe de jetons que celui des autres, l’architecture de prompt optimale change en conséquence, et la facture que vous recevez est un indicateur retardé de l’architecture que vous avez conçue pour la carte précédente.

L’efficacité est relative, et le chiffre absolu n’est guère flatteur.
Une réduction de 39 % des tokens de sortie donne l’impression d’un modèle frugal. Comparez-le au reste du secteur : ce n’est qu’une version plus frugale d’un modèle très bavard. Sur l’ensemble du run de l’indice, Qwen4-Max a généré 127 millions de tokens de sortie ; le modèle médian en génère 78,6 millions. Qwen3.8-Max en a généré 150 millions. Les deux modèles Qwen se situent très largement du côté verbeux, et Qwen4-Max est simplement passé de 1,9 fois la médiane à 1,6 fois celle-ci.
Ce n’est pas une contradiction de l’affirmation d’efficacité — c’en est la lecture correcte. L’affirmation est que Qwen4-Max obtient un meilleur résultat que son prédécesseur tout en dépensant moins de tokens, et les deux volets tiennent. Ce n’est pas une affirmation selon laquelle le modèle est silencieux, et tout modèle budgétaire bâti sur l’hypothèse qu’un modèle à score élevé doit être concis se trompera largement. Si le volume de sortie détermine votre coût, passer à Qwen4-Max réduit le nombre et ne change pas la catégorie.
Les chiffres de pré-entraînement du fournisseur vont dans le même sens à un autre niveau. Sur les évaluations BPB internes, Qwen4-Max-Base est 5 à 13 % meilleur que Qwen3.8-Max-Base dans tous les domaines tout en activant 25 % de paramètres en moins — l’architecture fournit plus de travail par unité de calcul, ce qui est cohérent avec un modèle qui a besoin de moins de tokens pour parvenir à une conclusion. Que le socle de 2,4 billions de paramètres, les 71 milliards de paramètres activés et les 328 milliards de paramètres d’embedding N-gram supplémentaires en soient la raison relève de l’explication du fournisseur, et non d’une mesure que quiconque hors d’Alibaba aurait reproduite.
Qu’est-ce qui manque dans le tableau des coûts ?
La latence, pour commencer. La fiche Intelligence Index indique que le temps par tâche n’est pas applicable pour Qwen4-Max ; pour Qwen3.8-Max, il est de 48,1 minutes contre une médiane de 13,3 minutes, l’un des résultats les plus lents mesurés. Un modèle qui coûte 67 % de moins par tâche et dont le temps réel par tâche est inconnu n’a pas été pleinement comparé à quoi que ce soit. Des tokens bon marché pour lesquels il faut attendre sont un produit différent.
La diversité des fournisseurs, autre point. Le prix derrière chaque chiffre ci-dessus provient d’un tarif unique fourni directement par Alibaba Cloud, et le modèle n’apparaît actuellement que chez un seul hébergeur. Il n’existe pas de seconde source pour arbitrer, donc la grille tarifaire fait foi. Et Qwen3.8-Max est désormais marqué comme obsolète au profit de Qwen4-Max et évalué toutes les dix-huit heures plutôt que toutes les six, ce qui signifie que la base de référence comparative est actualisée plus lentement que le modèle auquel elle sert de point de comparaison.

Transformer les calculs en un budget que vous maîtrisez
Deux leviers découlent de la décomposition, et ils sont indépendants. Le premier est le prix : une grille tarifaire que vous ne pouvez pas négocier reste une grille tarifaire que vous pouvez contourner, ce qui est le cas lorsqu’on paie le prix catalogue et rien au-dessus. OrcaRouter répercute les tarifs catalogue des fournisseurs avec 0 % de marge, de sorte qu’une baisse pratiquée par un fournisseur, du type de celle qu’Alibaba a consentie le 16 novembre, atteint votre facture le jour même plutôt qu’au prochain renouvellement de contrat — et l’ampleur de cette baisse en particulier, notamment les 70 % sur les entrées mises en cache, est exactement le genre de changement qu’un mécanisme de répercussion rend visible au lieu de l’absorber en silence.
Le deuxième levier est le volume, et c’est celui que le modèle ne peut pas créer pour vous. Le DSL de routage compose plusieurs modèles en un seul appel, de sorte que l’essentiel d’un pipeline peut tourner sur un modèle bon marché tandis que la queue difficile — les tâches qui ont réellement besoin d’un MoE de 2,4 billions de paramètres — est envoyée à un modèle qui en dispose. Cette répartition permet de capturer le dividende comportemental de 34 % sans payer les tarifs des modèles de pointe pour un travail qui n’en avait jamais besoin, et c’est la réponse naturelle à une charge de travail où quatorze millions de jetons de contexte par tâche sont la norme.
Pour être précis sur ce que nous proposons et ne proposons pas : Qwen4-Max ne figure pas dans notre catalogue au 16 novembre 2026. Le modèle Qwen que nous routons aujourd'hui est qwen/qwen3.8-max, le prédécesseur que cet article utilise comme référence. Pour une équipe qui souhaite vérifier si la réduction de tokens tient sur son propre trafic avant de s'engager, le basculement automatique est la voie à faible risque — router une partie du trafic, garder la solution de repli active et comparer de vraies traces plutôt que des tâches de benchmark.
Qu’est-ce qui changerait cette lecture ?
Artificial Analysis publie des décomptes agrégés de tokens par modèle, et cet article déduit les volumes par tâche à partir de ses composantes de coût. Si le harnais a changé entre les deux exécutions — compositions de tâches différentes, pondération différente —, une partie de la réduction de 39 % du volume de sortie pourrait être imputable au harnais et non au modèle. Le rapprochement exact sur la ligne de sortie plaide contre cette explication, mais ne l’exclut pas, et quiconque dispose de son propre trafic devrait considérer les chiffres dérivés comme une hypothèse à tester plutôt que comme un fait sur lequel planifier.
Les chiffres Work360 du fournisseur comportent une réserve différente, qu’Alibaba énonce elle-même : deux des points de contrôle de la comparaison BPB sont post-entraînés plutôt que de base, ce qui affaiblit une présentation à périmètre comparable. La réduction de coût de 62 % sur Work360 n’est pas concernée, puisqu’elle compare des modèles livrés sur un ensemble de tâches fixe, mais les affirmations concernant le pré-entraînement doivent être lues en gardant cela à l’esprit.
Ce qui subsiste après tout cela, c’est la forme de la réponse plutôt que sa précision. Un lancement présenté comme une baisse de prix est aussi, et à peu près autant, un changement dans ce que le modèle dépense pour parvenir à une réponse — et cette seconde moitié est ce qu’un concurrent ne peut pas copier en ajustant une grille tarifaire. C’est le chiffre à surveiller lorsque les modèles Qwen4 plus petits sortiront, car si la discipline des tokens est architecturale, elle les accompagnera, et si elle était une propriété de ce seul checkpoint, elle ne le fera pas.
Comparés dans cet article1
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
