Une carte-titre générée indiquant « Qwen4-Max vs DeepSeek V4.1 Pro », avec le sous-titre « L’un a une grille tarifaire. L’autre a une phrase dans un journal des modifications. », sur trois cartes : Qwen4-Max avec 1M de contexte et 1,50 $ / 4,50 $ par 1M ; DeepSeek V4.1 Pro sans ID de modèle ni prix, sans carte ; DeepSeek V4 Pro à 0,66 $ / 1,98 $ par 1M avec un indice AA de 23. Un pied de page indique « Chiffres de Qwen4-Max selon Alibaba et Artificial Analysis ; DeepSeek V4.1 Pro n’est pas encore publié au 16 novembre 2026. »
Guides & Insights

Qwen4-Max vs DeepSeek V4.1 Pro : l’un a une grille tarifaire, l’autre a une clause

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 est passé à une facturation à l’usage le 16 novembre 2026 : 1,50 $ par million de jetons d’entrée et 4,50 $ par million de jetons de sortie à Singapour, une fenêtre de contexte de 1 000 000 de jetons, une entrée native d’images et de vidéos, et un indice d’intelligence Artificial Analysis de 43 — 38e sur 81 modèles de ce classement. DeepSeek V4.1 Pro n’a pas d’identifiant de modèle, pas de ligne tarifaire, pas de fenêtre de contexte, pas de benchmark et pas de poids, car DeepSeek ne l’a jamais publié. Le seul document public qui le nomme est la note de version du 10 septembre 2026 pour DeepSeek V4.1 Flash, qui indiquait qu’à partir du 14 septembre, les requêtes adressées à deepseek-v4-pro seraient acheminées vers V4.1 Flash « jusqu’au lancement de V4.1-Pro » — un plan que DeepSeek a retiré après que des développeurs se sont opposés au remplacement d’un modèle de production sous leurs pieds. Deux mois plus tard, ce nom ne recouvre toujours rien. Ainsi, la comparaison qui vaut votre après-midi n’est pas Qwen4-Max face à un modèle qui n’existe pas ; c’est Qwen4-Max face au modèle phare de DeepSeek qui, lui, existe.

Ce qui est sorti le 16 novembre, dans les chiffres qu’utilise un acheteur

{{1}}Le communiqué d'Alibaba décrit Qwen4-Max comme le premier modèle de l'architecture Qwen4 : un mélange d'experts clairsemé avec 2,4 billions de paramètres de backbone, 71 milliards activés par token, plus 328 milliards supplémentaires en paramètres d'embedding N-gram qui sont consultés plutôt que multipliés. Trois couches Gated DeltaNet compressent l'historique dans un état de taille fixe pour chaque couche Qwen Sparse Attention, et quatre branches résiduelles dotées de portes dynamiques de lecture et d'écriture maintiennent la cohésion de la pile profonde. C'est l'explication du fournisseur quant à la baisse du coût du contexte long ; c'est une explication, pas une mesure.

• Contexte — une fenêtre de 1 000 000 de tokens, avec un plafond d’entrée de 991 808 tokens en mode sans réflexion et de 983 616 en mode réflexion. Artificial Analysis répertorie le modèle à 984 k, soit la même fenêtre mesurée depuis l’autre extrémité.

• Sortie — 131 072 tokens en mode non-réflexion ; en mode réflexion, le raisonnement et la réponse partagent un budget unique de 262 144 tokens. reasoning_effort accepte low, high et xhigh, et si vous l'omettez, vous obtenez high.

• Tarif, Singapour — 1,50 $ en entrée, 4,50 $ en sortie par million. Lectures du cache à 0,075 $, écritures du cache à 1,875 $ pour cinq minutes ou 3,00 $ pour une heure.

• Prix, partout ailleurs — 1,413 $ en entrée, 4,24 $ en sortie à Francfort, en Virginie, à Tokyo, à Hong Kong et à Pékin. Même modèle, 5,8 % moins cher par token que la carte de Singapour.

• Par rapport à son propre prédécesseur — Qwen3.8-Max est affiché à 2,00 $ et 6,00 $ à Singapour, soit une baisse de 25 % d'une génération à l'autre des deux côtés du compteur.

Modalité et surface — texte, image et vidéo en entrée, texte en sortie ; O​penAI Chat Completions, O​penAI Responses, A​nthropic Messages et DashScope ; inférence par lots à Pékin uniquement.

Tous ces chiffres sont propres à A​libaba. Le seul chiffre indépendant disponible aujourd’hui est l’indice AA de 43, qui place Qwen4-Max au-dessus de la médiane du classement, à 41, et sous le niveau frontière. Son coût pour exécuter cet indice une fois est de 3,27 $, avec un prix combiné de 0,80 $ par million, et il a émis 127 millions de jetons de sortie pour ce faire — bavard, mais pas exceptionnellement.

En quoi consiste réellement le nom V4.1 Pro

Moins d’un paragraphe. La note du 10 septembre de DeepSeek a introduit DeepSeek V4.1 Flash, un mélange d’experts de 552 milliards de paramètres reposant sur une nouvelle architecture Causal Encoder-Decoder qui active 8 milliards de paramètres pendant le prefill et 16 milliards pendant le decode, lit les images, prend en charge un contexte de 1 M de tokens et 384 K de sortie, et a été livré sous licence MIT. Dans la même note, DeepSeek a écrit que le trafic de V4 Pro serait transféré vers Flash aux tarifs de Flash « jusqu’au lancement de V4.1-Pro ». Les développeurs ont interprété cela comme un avis de retrait pour un modèle qu’ils exploitaient en production ; DeepSeek a annulé ce plan de routage et a continué à servir deepseek-v4-pro avec une facturation inchangée.

Ce qui est apparu depuis n’a rien de vérifiable. La page tarifaire de DeepSeek liste aujourd’hui exactement deux modèles servis : deepseek-flash, correspondant à DeepSeek-V4.1-Flash-1017, et deepseek-v4-pro, correspondant à DeepSeek-V4-Pro-0813. Il n’existe aucune chaîne deepseek-v4.1-pro dans la référence de l’API, aucune ligne sur la grille tarifaire, et le dépôt le plus récent de l’organisation deepseek-ai sur Hugging Face est toujours V4.1 Flash. Les sites de suivi qui publient une date pour sa sortie publient une estimation ; une page de compte à rebours largement partagée indique le 12 novembre 2026 comme « sortie estimée », et cette date est passée sans qu’aucune annonce ne soit faite.

Ainsi, la lecture honnête du nom est la suivante : il s’agit d’un niveau que DeepSeek a décrit en prose sans rien construire de public dessus. La génération V4 est la seule preuve de ce à quoi ce niveau ressemblerait — DeepSeek V4 Pro est un mélange d’experts de 1,6 billion de paramètres, avec 49 milliards actifs, texte uniquement, un contexte de 1 M, une sortie de 384 K et une licence MIT — et un V4.1 Pro hériterait sans doute de la nouvelle architecture et de la vision native. Sans doute. L’affirmation du fournisseur selon laquelle Flash « surpasse globalement » V4 Pro en performance, en coût et en vitesse laisse véritablement le rôle du niveau Pro dans la gamme V4.1 flou, ce qui est une position étrange pour un produit phare au moment de son annonce.

A generated two-column scoreboard titled 'Qwen4-Max vs DeepSeek V4 Pro — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, output 262,144 thinking plus answer, price per 1M $1.50 / $4.50, modality text, image and video, AA Index 43, cost per task $3.27. DeepSeek V4 Pro: context 1,048,576 tokens, output 384,000 tokens, price per 1M $0.66 / $1.98, modality text only, AA Index 23, cost per task $1.77. Footer: 'Price and context vendor-reported; AA Index and cost per task per Artificial Analysis v5.0.1.'

Le duel que vous pouvez exécuter aujourd’hui : Qwen4-Max contre DeepSeek V4 Pro

Retirez le numéro de version du côté DeepSeek et l'on obtient une véritable confrontation, car DeepSeek V4 Pro 0813 est un modèle phare à poids ouverts, appelable et tarifé. Les deux camps ci-dessous correspondent aux chiffres publiés par les fournisseurs ; la colonne indice est Artificial Analysis v5.0.1, la seule ligne où les deux nombres ont été produits par le même banc d'essai.

• Prix par million — Qwen4-Max 1,50 $ en entrée / 4,50 $ en sortie (Singapour) vs DeepSeek V4 Pro 0,66 $ / 1,98 $ en heures creuses, doublant pour atteindre 1,32 $ / 3,96 $ pendant les fenêtres de pointe en semaine de 01:00–04:00 et 06:00–10:00 UTC.

• Contexte et sortie — 1 000 000 de tokens avec un budget de 262 144 tokens pour la réflexion et la réponse, contre 1 048 576 tokens avec jusqu’à 384 000 tokens de sortie.

• Modalité — texte, image et vidéo en entrée contre texte uniquement. C’est la plus grande différence fonctionnelle entre eux, et de loin.

Backbone — 2,4 T au total, 71 Md actifs, plus 328 Md en embeddings de N-grammes, contre 1,6 T au total, 49 Md actifs. Le nombre de paramètres prédit le coût d’entraînement, pas l’efficacité en tokens ; à considérer comme des notes d’architecture.

• Indice indépendant — 43 contre 23 au réglage d’effort Max de D​eepSeek, avec 21 en High et 13 sans raisonnement. Un écart de vingt points tient à la génération, pas aux réglages.

• Coût indépendant par tâche d'indexation — 3,27 $ contre 1,77 $. Notez le sens : D​eepSeek l'emporte sur le coût, d'environ 1,8×, selon la comptabilisation des tokens propre à l'évaluateur.

Verbosité — 127M de jetons de sortie sur l’ensemble de l’index, contre un chiffre que la page de D​eepSeek indique par tâche plutôt qu’au total ; la comparaison qui compte est le coût par tâche terminée, et non les jetons par jeton.

• Poids — propriétaires, API uniquement vs MIT, téléchargeables en 48 fragments safetensors.

• Économie du cache — Qwen4-Max facture 1,875 $ par million pour écrire une entrée de cache de cinq minutes et 0,075 $ pour la lire, soit une remise de 95 % ; D​eepSeek ne facture rien d’explicite pour l’écriture et 0,022 $ par million pour la lecture, soit une remise de 97 %. Le cache de D​eepSeek est à la fois moins cher et automatique, ce qui compte davantage que le tarif affiché sur les charges de travail des agents.

Estimation du coût d’une tâche à contexte long sur les deux compteurs

Prenez un préfixe de base de code de 300 000 jetons, dix tours de travail dessus, 4 000 jetons de sortie par tour, la réflexion activée, et un préfixe stable d’un tour à l’autre. Il s’agit d’arithmétique sur des prix catalogue publiés, pas d’une exécution mesurée.

• Qwen4-Max, Singapour, non mis en cache — 300 000 jetons d’entrée à 1,50 $ par million, soit 0,45 $ par tour ; dix tours représentent 4,50 $. La sortie est de 4 000 jetons à 4,50 $ par million, soit 0,018 $ par tour, 0,18 $ sur dix. Total : 4,68 $.

• Qwen4-Max avec le cache qui fait son travail — une écriture à 1,875 $ par million, 0,5625 $, puis neuf lectures à 0,075 $ par million, 0,0225 $ chacune, 0,2025 $. L’entrée tombe à 0,765 $, la sortie reste à 0,18 $. Total 0,945 $, soit une réduction de 3,8× pour une seule ligne de configuration de requête.

• DeepSeek V4 Pro, hors heures de pointe, sans cache — 300 000 tokens d’entrée à 0,66 $ par million, soit 0,198 $ par tour, 1,98 $ sur dix. La sortie à 1,98 $ par million représente 0,00792 $ par tour, 0,0792 $ au total. Total : 2,06 $.

• DeepSeek V4 Pro avec des hits de cache — le premier tour coûte 0,198 $ ; les neuf tours suivants sont lus à 0,022 $ par million, soit 0,0066 $ chacun. L'entrée atteint environ 0,257 $, la sortie 0,079 $. Total : 0,336 $. Pendant les fenêtres de pointe, doublez-le.

Deux conclusions résistent au calcul. Premièrement, au prix catalogue, Qwen4-Max coûte environ 2,8 fois ce que coûte DeepSeek V4 Pro pour ce type de tâche, avec ou sans mise en cache. Deuxièmement, l’affirmation d’Alibaba selon laquelle Qwen4-Max utilise de 24 % à 35 % de tokens en moins que Qwen3.8-Max ne comble pas un écart de 2,8× ; même en supposant une généreuse économie de 35 % de tokens, Qwen4-Max reste à environ deux fois le coût par tâche terminée. La comparaison du fournisseur lui-même, de 4,43 $ à 1,67 $ par tâche, se fait par rapport à sa propre génération précédente, et non par rapport à DeepSeek.

Qu’est-ce qui ferait de V4.1 Pro un véritable adversaire ?

Trois artefacts publiés, et ce sont les trois mêmes qui ont signalé chaque sortie de D​eepSeek. Une entrée dans le journal des modifications qui nomme le modèle, car c'est là que V4.1 Flash et V4 Pro 0813 ont tous deux été annoncés. Un dépôt dans l'organisation deepseek-ai dont le nom contient V4.1-Pro ; c'est là que les poids seraient déposés si la gamme suit la convention MIT de la famille. Ou une troisième colonne sur la page de tarifs, qui compte aujourd'hui exactement deux modèles. Tant que l'un de ces éléments n'aura pas bougé, toute fiche technique que vous consultez pour D​eepSeek V4.1 Pro — nombre de paramètres, contexte, prix, score — est extrapolée de la génération V4 et doit être lue comme telle.

Il y a encore un point à surveiller qui n’est pas un artefact mais une affirmation : DeepSeek affirme que Flash surpasse V4 Pro en performance, en coût, en vitesse et en temps total d’exécution des tâches. Si cela reste vrai pour la génération V4.1, un V4.1 Pro devra se justifier sur autre chose que « plus gros » — et la réponse la plus probable est celle que personne n’a publiée : il constituera la gamme multimodale à long horizon plutôt que la gamme bon marché.

Placer l'un ou l'autre derrière une seule touche

OrcaRouter ne sert pas Qwen4-Max. Il ne figure pas au catalogue de plus de 200 modèles en date du 16 novembre, et aucune fiche adjacente ne le fait figurer au catalogue ; la voie honnête vers Qwen4-Max passe aujourd'hui par l'API Model Studio d'A​libaba elle-même et par plusieurs plateformes tierces. Ce que nous servons, c'est le volet D​eepSeek de cette page, au prix catalogue du fournisseur, répercuté sans marge : deepseek/deepseek-v4-pro-0813 à 0,66 $ en entrée et 1,98 $ en sortie par million, 1 M de contexte, 384 K de sortie, les endpoints compatibles avec O​penAI, Responses et Anthropic, avec les fenêtres heures creuses et heures pleines appliquées exactement comme D​eepSeek les publie.

Cette asymétrie est le point pratique de cette comparaison. Vous pouvez mettre DeepSeek V4 Pro sur la clé dont vous disposez déjà et l’évaluer cet après-midi. Vous ne pouvez pas encore faire cela avec Qwen4-Max ici, et prétendre le contraire serait le genre d’affirmation qui coûte une semaine à une équipe. Ce qu’une couche de routage vous apporte en attendant, c’est un état mixte peu coûteux : DeepSeek V4 Pro portant le volume au prix catalogue, une fraction fantôme du trafic envoyée directement à A​libaba pour Qwen4-Max, et un seul endroit où les deux factures se lisent côte à côte. Lorsqu’un modèle arrive effectivement dans le catalogue, déplacer un pourcentage de trafic vers lui est une règle de routage plutôt qu’une intégration, et le basculement automatique signifie qu’un modèle non éprouvé peut se trouver derrière un modèle éprouvé sans devenir un point de défaillance unique lors de son premier après-midi difficile.

A screenshot of the OrcaRouter model page for DeepSeek V4 Pro 0813 at the identifier deepseek/deepseek-v4-pro-0813, showing the $0.66 input and $1.98 output prices, the Tools, JSON and Reasoning capability tags, the attribution to DeepSeek, and the description of a 1M-token context window with up to 384K output tokens, thinking and non-thinking modes with low, high and max reasoning effort, and native support for the Responses API.

La décision qui vous attend cette semaine

Si vous avez besoin du modèle le plus puissant que vous puissiez appeler aujourd'hui et que le coût est la contrainte, DeepSeek V4 Pro est la réponse à 0,66 $ et 1,98 $, et l'écart de vingt points d'indice avec Qwen4-Max est le prix de cette remise — un vrai prix, pas une erreur d'arrondi. Si votre charge de travail comporte de la vidéo ou des images en entrée, DeepSeek V4 Pro ne peut pas du tout le faire, et la vision native de Qwen4-Max plus une fenêtre de 1M valent le 2,8× même avant de compter les affirmations de l'agent Work360 qu'A​libaba a publiées et que personne n'a reproduites.

Si ce que vous vouliez réellement, c'était DeepSeek V4.1 Pro, la réponse est qu'il n'y a aucun modèle de ce genre à attendre, seulement une clause dans un journal des modifications de septembre que DeepSeek n'a pas appliquée. Construisez sur ce qui existe ; gardez la bascule peu coûteuse ; et consultez la page tarifaire de DeepSeek une fois par mois, car c'est cette page qui changera en premier.

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).

Comparés dans cet article3

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