
Qwen4-Max vs Grok 4.7 : un million de tokens de contexte contre un demi-million, et un score qui va avec
- 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 · 96 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 · 152 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 requête qui lit 400 000 tokens d’historique de dépôt et écrit un correctif de 20 000 tokens coûte 6,80 $ avec Qwen4-Max d’Alibaba aux prix catalogue internationaux, et 8,00 $ avec Grok 4.7 — et seul l’un de ces deux modèles a été soumis à une évaluation indépendante qui dise quoi que ce soit sur sa capacité à accomplir la tâche. Voilà la comparaison en une phrase : Qwen4-Max d’Alibaba, disponible de manière générale avec une grille tarifaire publiée depuis le 16 novembre 2026, est moins cher au token et dispose d’une fenêtre de contexte deux fois plus grande ; Grok 4.7 de SpaceXAI, livré le 21 septembre 2026, est celui qui possède un score mesuré, quatre niveaux de raisonnement sélectionnables et un an d’historique opérationnel. Lequel de ces deux faits compte le plus dépend entièrement de ce que fait votre charge de travail lorsqu’elle manque de place.
Les deux modèles acceptent du texte en entrée et produisent du texte en sortie, avec une entrée d’image en complément ; tous deux prennent en charge l’appel d’outils et la sortie structurée, et tous deux sont proposés dans la même gamme de prix. Les différences qui subsistent au contact d’une charge de travail réelle sont la marge de contexte, l’économie du cache, les éléments de preuve et la manière dont chaque fournisseur vous permet de consacrer du calcul au raisonnement.

Ce qu’est chacun, dans les termes mêmes du fournisseur
Qwen4-Max est le fleuron de quatrième génération d'Alibaba, documenté comme un modèle multimodal qui accepte du texte, des images et des vidéos et produit du texte. Ses limites publiées sont une fenêtre de contexte de 1 000 000 de tokens, une sortie maximale de 131 072 tokens en mode non-raisonnement, et un budget combiné raisonnement-plus-réponse de 262 144 tokens. Le raisonnement est activé par défaut avec un budget de 131 072 tokens et un effort de raisonnement réglé sur élevé, ce qui constitue une posture par défaut différente de celle de la plupart des fleurons occidentaux et qu'il vaut la peine de connaître avant de comparer quoi que ce soit à ce modèle.
Grok 4.7 est le modèle texte phare actuel de SpaceXAI, un modèle de raisonnement doté d’une fenêtre de contexte de 500 000 tokens, d’une date de coupure des connaissances en mai 2026, de la prise en charge d’images en entrée et de quatre niveaux de raisonnement, dont un nouveau niveau maximal. SpaceXAI ne publie aucun nombre de paramètres pour ce modèle et décrit cette version comme un modèle de base plus grand avec un entraînement par renforcement plus long plutôt qu’une nouvelle architecture. Son prix catalogue est de 2,00 $ par million de tokens d’entrée, 6,00 $ par million de tokens de sortie et 0,50 $ par million de tokens d’entrée mis en cache.

Comparez-les sur les dimensions qui déterminent les achats :
• Contexte — Qwen4-Max 1 000 000 de jetons contre Grok 4.7 500 000 de jetons
• Sortie maximale — Qwen4-Max : 131 072 en mode sans réflexion, 262 144 partagés avec le mode réflexion, contre le plafond de sortie publié par le fournisseur pour Grok 4.7, que SpaceXAI ne distingue pas séparément du contexte
• Prix d'entrée — Qwen4-Max 1,50 $ par million à Singapour, 1,413 $ à Francfort, en Virginie, à Tokyo, Hong Kong et Pékin, contre 2,00 $ pour Grok 4.7
• Prix de sortie — Qwen4-Max 4,50 $ à Singapour, 4,24 $ ailleurs, contre 6,00 $ pour Grok 4.7
• Entrée mise en cache — Qwen4-Max 0,075 $ en lecture après une écriture de cinq minutes à 1,875 $, contre 0,50 $ en lecture pour Grok 4.7
• Modalité — Qwen4-Max : entrées texte, image et vidéo, contre Grok 4.7 : entrées texte et image
• Score indépendant — Qwen4-Max : aucun publié, contre Grok 4.7 à 35,5 sur l'Artificial Analysis Intelligence Index v5.0.1 à effort xhigh, 35,2 à high, 31,1 à low
• Poids — aucun des deux n’en publie
L’exemple résolu, avec le détail des calculs
Les comparaisons de coûts entre des modèles dotés de conceptions de cache différentes sont précisément le domaine où la plupart des benchmarks publiés induisent discrètement en erreur ; voici donc les trois mêmes charges de travail chiffrées de bout en bout sur les deux grilles tarifaires, en utilisant les prix publics internationaux et en ignorant toute remise négociée.
• Lecture à contexte long, sans réutilisation — 400K en entrée, 20K en sortie : 0,60 $ en entrée plus 0,09 $ en sortie sur Qwen4-Max Singapour, soit 0,69 $ ; 0,80 $ plus 0,12 $ sur Grok 4.7, soit 0,92 $. Qwen4-Max est 25 % moins cher.
• Boucle d’agent avec un préfixe stable — 200K d’entrée dont 180K mis en cache, 10K de sortie, dix tours : Qwen4-Max facture, par tour, $0.0135 de lectures de cache plus $0.03 d’entrée fraîche plus $0.045 de sortie, soit $0.885 au total ; Grok 4.7 facture, par tour, $0.09 de lectures de cache plus $0.04 d’entrée fraîche plus $0.06 de sortie, soit $1.90 au total. L’écart se creuse pour dépasser 2×, car le taux de lecture en cache diffère de près de sept fois.
• Classification en masse, sans raisonnement — 2K en entrée, 200 en sortie, 50 000 appels : 1,74 $ sur Qwen4-Max Singapore et 2,60 $ sur Grok 4.7. Les deux représentent des sommes modestes par millier d’appels, et tous deux sont dominés par le côté sortie du compteur.
Notez ce que la première ligne ne dit pas. Un avantage de prix de 25 % sur une lecture à contexte long mérite d’être pris en compte, mais il vaut bien moins que le coût d’une réponse erronée, et le modèle dont le score est publié est celui sur lequel vous pouvez raisonner avant de dépenser quoi que ce soit. Le prix par token est un fait concernant le fournisseur ; le prix par tâche terminée est un fait concernant le modèle, et personne n’a encore publié le second chiffre pour Qwen4-Max.
Où la fenêtre de 1 M change réellement une décision
Doubler une fenêtre de contexte de 500K à 1M ressemble à un argument marketing jusqu’à ce que vous rencontriez les charges de travail spécifiques qui se situent entre les deux chiffres. Trois reviennent en pratique : une refactorisation à l’échelle du monorepo où la tranche pertinente est un graphe de dépendances de 600K tokens plutôt qu’un seul fichier ; une revue de contrat qui doit maintenir l’intégralité de l’accord ainsi que ses annexes et avenants antérieurs dans le contexte en même temps ; et une session d’agent de longue durée où c’est la transcription, et non le prompt, qui s’allonge.
Sur le troisième de ces points, l’économie du cache compte davantage que la fenêtre. Une session qui ajoute tour après tour à une transcription de 300 K tokens paie bien plus souvent des lectures de cache que des entrées nouvelles, et le tarif de lecture de 0,075 $ de Qwen4-Max contre 0,50 $ pour Grok 4.7 constitue la plus grande différence structurelle unique entre les grilles tarifaires des deux fournisseurs — plus grande, en pourcentage, que l’écart entre leurs prix catalogue, qui n’est que de 25 % en entrée et de 25 % en sortie. Notez aussi le coût d’écriture dans le cache : Qwen4-Max facture 1,875 $ par million pour remplir une entrée de cache de cinq minutes, ce qui dépasse son propre prix d’entrée ; une charge de travail qui met en cache un préfixe qu’elle ne lit qu’une fois paie donc une prime pour ce faire. C’est une conception pensée pour des lectures répétées, pas pour des prompts à usage unique.
La réponse de Grok 4.7 au même problème diffère en nature plutôt qu’en degré : quatre niveaux de raisonnement signifient que vous pouvez réduire la puissance de calcul lors des tours qui n’en ont pas besoin et l’augmenter lors de ceux qui en ont besoin, et SpaceXAI facture les quatre de manière identique. C’est un levier que Qwen4-Max expose comme valeur de configuration — l’effort de raisonnement est par défaut élevé, avec un budget de réflexion de 131 072 jetons — mais sans mesure indépendante de ce que chaque réglage apporte, le levier est plus difficile à actionner avec confiance.
Ce que vous coûte en pratique l’absence d’un benchmark
Le 35,5 de Grok 4.7 sur l’Index v5.0.1 n’a rien de spectaculaire. Il se situe bien en dessous du 46,5 de Kimi K3.1 Pro sur la même version de l’index, et derrière les meilleurs modèles phares occidentaux. Ce qu’il apporte, c’est qu’il vous permet de le comparer à quelque chose. Une équipe qui choisit entre deux modèles notés peut décider en un après-midi si le moins cher suffit ; une équipe qui choisit entre un modèle noté et un modèle non noté doit financer du temps d’évaluation avant même de pouvoir décider.
Alibaba n'a publié aucun tableau de benchmarks pour Qwen4-Max — ni un tableau déclaré par le fournisseur, ni un tableau indépendant. Il n'existe aucune entrée Qwen4 dans l'index des modèles d'Artificial Analysis, et la page par modèle renvoie une erreur 404. Les seules déclarations de capacités disponibles sont celles de la documentation elle-même : raisonnement approfondi, appel d'outils en parallèle, recherche web, complétion de préfixe, sorties structurées avec les modes JSON Object et JSON Schema, et mise en cache des prompts sous des formes explicite et implicite. Ce sont des affirmations sur des fonctionnalités, et elles sont du genre de celles qui sont généralement vraies. Elles ne constituent pas une preuve de qualité pour quelque tâche qui vous importe que ce soit.
Ainsi, la consigne pratique est de lancer votre propre évaluation avant de basculer, et de la dimensionner honnêtement. Une centaine de prompts représentatifs issus de votre propre trafic, évalués selon la grille d’évaluation que votre équipe utilise déjà, vous en apprendront davantage sur le point de savoir si Qwen4-Max remplace Grok 4.7 que n’importe quel classement — et cela coûte quelques dollars sur l’une ou l’autre grille tarifaire, car le côté entrée des deux compteurs est le moins cher.
Regrouper les deux sous une seule touche
OrcaRouter répertorie Grok 4.7 sous grok/grok-4.7 au prix catalogue de SpaceXAI, 2,00 $ en entrée et 6,00 $ en sortie par million, répercuté sans marge sur la même URL de base compatible OpenAI que le reste du catalogue. Qwen4-Max ne figure pas au catalogue aujourd'hui ; il est accessible via l'API propre à Alibaba, où la tarification régionale ci-dessus s'applique et où une clé de Singapour obtient le tarif de 1,50 $. La posture utile pendant que vous évaluez encore consiste à maintenir les deux routes actives et à laisser une politique de routage décider pour chaque requête plutôt que d'engager un chemin de code vers l'une ou l'autre.

Deux éléments de la couche de routage justifient ici leur présence. Le premier est la fusion de modèles : un panel qui répond à une invite difficile avec les deux modèles et un troisième juge est le moyen le plus rapide de découvrir si la note manquante de Qwen4-Max cache un écart ou cache une victoire, et cela coûte deux appels plutôt qu’une migration. Le second est le basculement automatique — un nouveau modèle en disponibilité générale est précisément le cas où l’on veut une chaîne de repli configurée avant la première requête de production, et non après le premier 5xx.
Comment décider cette semaine
Si vos charges de travail tiennent dans 500 K tokens et que vous n’avez aucune envie de mener une évaluation, Grok 4.7 est le choix défendable : il est mesuré, il est opérationnellement mature depuis septembre et il offre un réglage de raisonnement qu’un modèle évalué vous permet de calibrer. Si vos charges de travail sont précisément celles qui nécessitent plus d’un demi-million de tokens — le monorepo, l’ensemble complet des contrats, la transcription qui ne cesse de grandir — alors Qwen4-Max n’est pas seulement moins cher : c’est le seul des deux qui acceptera ne serait-ce que la requête, et l’absence de benchmark devient un coût inhérent à l’activité plutôt qu’une raison d’attendre. Si vous vous situez entre les deux, la réponse honnête est celle qui coûte quelques dollars et un après-midi : exécutez les deux sur votre propre trafic et laissez une comparaison sur tâches terminées l’emporter sur une comparaison par token.
Comparés dans cet article1
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
