
Qwen4-Max vs Kimi K4 : l'un est sorti cette semaine, l'autre n'a jamais vu le jour
- 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
Cherchez Kimi K4 et vous trouverez une abondance de textes consacrés à un modèle qui n'existe pas. Cherchez Qwen4-Max et, au 16 novembre 2026, vous trouverez un modèle que vous pouvez appeler, avec une grille tarifaire publiée, six régions et une page de documentation horodatée 09:46 ce matin-là. Ce ne sont pas là des situations comparables, et les traiter comme les deux camps d'une confrontation est l'erreur la plus répandue dans ce segment du marché. Cette page remplit donc deux fonctions : elle établit ce qu'est Kimi K4 — un nom sans fiche modèle, sans identifiant d'API, sans poids, sans prix et sans aucune annonce derrière — puis elle mène la comparaison sur laquelle un lecteur peut réellement agir, entre Qwen4-Max et Kimi K3.1 Pro, le modèle que Moonshot AI livre aujourd'hui et le modèle à poids ouverts le mieux noté de l'Artificial Analysis Intelligence Index.
Cette deuxième comparaison est plus intéressante que celle que vous avez saisie, car c’est le seul endroit où Qwen4-Max rencontre un modèle qui le surpasse en capacité mesurée tout en perdant face à lui sur le prix. C’est aussi la comparaison qui montre pourquoi l’absence de benchmark de Qwen4-Max coûte cher : face à Kimi K3.1 Pro, il y a un chiffre réel d’un côté du tableau et un blanc de l’autre.

La vérification du Kimi K4, réalisée au grand jour
Les affirmations selon lesquelles quelque chose n’a pas été livré s’affaiblissent avec le temps ; voici donc les preuves plutôt que le verdict. La documentation tarifaire destinée aux développeurs de Moonshot AI pour l’API Kimi énumère kimi-k3.1-pro et kimi-k3 comme les modèles de la série K3, avec une fenêtre de contexte de 1 048 576 jetons, ainsi que la série K2, dont la même page indique qu’elle sera entièrement retirée d’ici la fin décembre 2026. Aucun identifiant kimi-k4 n’apparaît. La liste des modèles de la plateforme n’en contient aucun. L’index du blog du laboratoire lui-même ne contient aucun article sur K4. Une recherche dans les dépôts de l’organisation moonshotai ne renvoie rien au-delà de K3.1 Pro.
Le seul artefact qui remonte pour ce nom est un réupload tiers sur Hugging Face, créé en juillet 2026, avec une poignée de téléchargements, aucune documentation et un ensemble de tags copié intégralement depuis Kimi K3. Ce n’est pas un artefact Moonshot, et cette page ne le traite pas comme tel. Un modèle phare Moonshot commercialisé laisse une trace vérifiable en quelques jours — une fiche modèle avec un nombre de paramètres, une ligne de grille tarifaire, un identifiant API, une entrée au classement. Un nom qui n’a laissé rien de tout cela n’est pas une sortie discrète ; c’est un nom.
Il faut le dire clairement, car la présentation de cette page pourrait être mal interprétée : le fait que K4 ne soit pas encore sorti ne dit rien de la trajectoire de Moonshot. Le laboratoire a livré deux fois en quatre mois, et le second, K3.1 Pro le 24 octobre 2026, est le meilleur résultat en open-weights de l’index actuel. Le prochain modèle est une question de quand, pas de si. Ce n’est simplement pas pour maintenant.
Qu’est-ce que Qwen4-Max est devenu cette semaine ?
Jusqu’au 16 novembre, Qwen4-Max n’existait que sous la forme qwen4-max-preview : une location réservée au Token Plan, ouverte à 10:00 UTC+8 le 11 novembre, avec un retrait annoncé à 24:00 le 25 novembre et aucun prix par token nulle part. Le modèle GA est un identifiant différent, qwen4-max, avec des tarifs à l’usage, six régions — Singapour, Pékin, Hong Kong, Francfort, Virginie et Tokyo — et sans date d’expiration.
La spécification publiée fait état d’un contexte de 1 000 000 de tokens, d’une sortie maximale de 131 072 tokens en mode sans réflexion, d’un budget partagé de 262 144 tokens pour la réflexion et la réponse, d’une entrée texte, image et vidéo, et d’une sortie en texte uniquement. La réflexion est activée par défaut avec un budget de 131 072 tokens et un effort de raisonnement défini sur élevé. L’API parle OpenAI Chat Completions, OpenAI Responses, Anthropic Messages et DashScope, ce qui signifie qu’un SDK Anthropic existant pointé vers une nouvelle URL de base fonctionnera sans réécriture. Le fine-tuning et le déploiement de modèles sont documentés comme non pris en charge, et aucun poids n’est publié.

Qwen4-Max face au Kimi que vous pouvez réellement appeler
Kimi K3.1 Pro est une version issue du post-entraînement plutôt qu’une nouvelle architecture : Moonshot le décrit comme Kimi K3 réentraîné avec nettement plus de calcul de post-entraînement, y compris un apprentissage par renforcement conjoint à grande échelle sur des centaines de domaines en aval. La fenêtre de contexte reste inchangée à 1 048 576 tokens, les entrées vision et vidéo sont inchangées, et le plafond de sortie reste inchangé à 1 M de tokens. Le changement le plus lourd de conséquences a été le prix : 2,00 $ par million de tokens d’entrée et 10,00 $ par million de tokens de sortie, contre 3,00 $ et 15,00 $ pour K3.
• Prix d'entrée — Qwen4-Max à $1.50 par million à Singapour, $1.413 ailleurs, contre Kimi K3.1 Pro à $2.00
• Prix de sortie — Qwen4-Max 4,50 $ à Singapour, 4,24 $ ailleurs, contre Kimi K3.1 Pro 10,00 $
• Lecture du cache — Qwen4-Max 0,075 $ après une écriture de cinq minutes à 1,875 $, contre Kimi K3.1 Pro 0,20 $ après une écriture à 2,00 $
• Contexte — Qwen4-Max avec 1 000 000 de tokens contre Kimi K3.1 Pro avec 1 048 576 tokens, soit un avantage de 4,6 % pour Kimi
• Sortie maximale — Qwen4-Max 131 072 en non-thinking, contre le plafond de 1 M de tokens de Kimi K3.1 Pro, un large avantage pour Kimi
• Score indépendant — Qwen4-Max non publié, face à Kimi K3.1 Pro 46,5 sur l’Artificial Analysis Intelligence Index v5.0.1, le meilleur résultat pour les modèles à poids ouverts du classement
• Poids — Qwen4-Max : aucun publié, contre le K3 parent de Kimi K3.1 Pro, ouvert sous une licence personnalisée
• Benchmark fournisseur — Qwen4-Max : aucun, contre Kimi K3.1 Pro à 65,7 % sur Terminal-Bench 4.0, rapporté par le fournisseur
La ligne du prix de sortie est celle qui réorganise un budget. À 4,50 $ contre 10,00 $, Qwen4-Max est 55 % moins cher en sortie à Singapour et 58 % moins cher dans les autres régions. Un pipeline qui génère 50 millions de tokens de sortie par mois paie 225 $ avec Qwen4-Max et 500 $ avec Kimi K3.1 Pro. C’est un écart réel, et c’est l’argument le plus fort en faveur du modèle plus récent.
La ligne du plafond de sortie est celle qui peut l’annuler. Kimi K3.1 Pro émettra un million de jetons en une seule réponse ; Qwen4-Max plafonne à 131 072 hors mode réflexion et à 262 144 partagés avec celui-ci. Si votre charge de travail comprend la génération de longs documents, des réécritures de fichiers complets ou des traces de raisonnement étendues en un seul appel, le modèle moins cher pourrait être incapable de terminer le travail, quel qu’en soit le prix, et une remise de 55 % sur une requête qui doit être découpée en huit appels n’est pas une remise.
Pourquoi la case vide dans la colonne des scores en dit long
Chaque comparaison de modèles publiée par ce blog se heurte au même écueil avec les nouveaux modèles phares d’Alibaba : la documentation est d’une précision inhabituelle sur les mécanismes et totalement muette sur la qualité. La page de Qwen4-Max précise la température par défaut dans chaque mode, les valeurs top-p et top-k, le budget de réflexion, les plafonds exacts de jetons en entrée et en sortie par mode, ainsi que les six régions et leurs périmètres de déploiement. Elle ne publie aucun tableau de benchmarks, qu’il provienne du fournisseur ou non, et il n’y a aucune entrée Qwen4 dans l’index de modèles d’Artificial Analysis — l’URL propre au modèle renvoie une 404.
Face à Kimi K3.1 Pro, cette asymétrie a une conséquence précise. Le camp Kimi dispose d'un chiffre de première main que tout le monde peut voir et d'un chiffre indépendant sur la même version d'indice, et les deux trônent au sommet du classement des modèles à poids ouverts. Le camp Qwen a un prix et une fiche technique. Un acheteur qui les compare ne compare pas deux modèles ; il compare un modèle mesuré à un modèle documenté, et le seul moyen de combler cet écart est de le mesurer lui-même.
Ce qui coûte moins cher à faire que cela n’en a l’air. Cent prompts issus de votre propre trafic, exécutés sur les deux, à ces tarifs, coûtent quelques dollars. C’est tout le budget d’évaluation nécessaire pour faire passer Qwen4-Max du statut d’inconnu à celui de quantité connue pour votre charge de travail — et c’est moins que le coût d’une seule semaine à se tromper sur le prix de sortie.
Le seul endroit où les deux conceptions divergent le plus radicalement
L'architecture K3 de Moonshot s'appuie sur Kimi Delta Attention, un mécanisme d'attention linéaire doté d'un état récurrent de taille fixe, sur 69 de ses 92 couches clairsemées. C'est cette conception qui rend un contexte de 1 M de tokens abordable à servir, et c'est aussi la raison pour laquelle les évaluateurs indépendants relativisent les affirmations de contexte long des entreprises elles-mêmes dans l'ensemble du secteur : les hybrides à attention linéaire ont tendance à perdre quelques points en récupération de type aiguille dans une botte de foin par rapport à l'attention complète. Qwen ne publie rien sur la conception de l'attention de Qwen4-Max, il est donc impossible de savoir de quel côté de ce compromis il se situe.
Ce que Qwen publie bel et bien, c’est une implémentation de mise en cache des prompts avec des modes explicite et implicite et une écriture en cache de cinq minutes à $1.875 par million contre une lecture à $0.075 — soit une remise de 96 % sur la lecture. L’équivalent de Kimi est de $2.00 en écriture et $0.20 en lecture, soit une remise de 90 %. Les deux conceptions récompensent un préfixe stable et pénalisent un prompt qui change à chaque tour, et ni l’une ni l’autre ne change l’arithmétique d’une requête unique.
Pour le travail sur documents à contexte long — la charge de travail que les deux fournisseurs vendent —, le test pratique est le même sur l’un ou l’autre modèle : construisez un test de l’aiguille sur votre propre corpus avant de faire confiance à la fenêtre annoncée. Un modèle qui répond correctement à 900 K tokens sur vos données vaut plus qu’un modèle qui répond correctement à 1 M tokens sur un benchmark synthétique, et seul l’un de ces deux chiffres peut être connu sans votre propre banc d’essai.
Les appeler côte à côte
OrcaRouter propose Kimi K3.1 Pro sous kimi/kimi-k3.1-pro au prix catalogue de Moonshot — 2,00 $ en entrée et 10,00 $ en sortie par million — répercuté sans marge, sur la même URL de base compatible OpenAI que le reste d'un catalogue de 215 identifiants, avec à la fois les points de terminaison /v1/chat/completions et /v1/responses. Qwen4-Max ne figure pas dans ce catalogue aujourd'hui ; il est disponible via l'API propre à Alibaba, où la grille tarifaire régionale ci-dessus s'applique.

The reason to keep both reachable rather than picking one is that the decision between them is workload-shaped, not model-shaped. Long-generation work wants Kimi's output ceiling. High-volume generation where responses are short wants Qwen4-Max's output price. Anything where a wrong answer is expensive wants the model with a score until you have generated a score for the other one. A routing policy expresses that as rules rather than as an architecture decision, and automatic failover keeps the newer of the two from becoming a single point of failure while you are still collecting evidence.
Ce que cela implique pour la recherche avec laquelle vous avez commencé
Si vous êtes venu pour Kimi K4, la réponse est qu'il n'est pas encore sorti, que rien n'a été annoncé à son sujet, et que le modèle à évaluer aujourd'hui est Kimi K3.1 Pro — qui, sur l'index actuel, est le modèle à poids ouverts le plus puissant disponible pour tous. Guettez une fiche modèle plutôt qu'une rumeur : un document réunissant paramètres, contexte, prix et identifiant d'API est le signal que ce blog utilise depuis le début de l'année pour distinguer un modèle réellement sorti d'un nom qui circule.
Si vous êtes venu pour le côté Qwen4-Max, la réponse est qu'il est réel, qu'il a un prix, et qu'il est bon marché dans exactement une dimension qui compte — les tokens de sortie — tout en plafonnant à une fraction de ce que le modèle Kimi émettra dans une seule réponse et sans aucune mesure de qualité. Achetez-le là où le volume de sortie domine et où les réponses sont courtes. Testez-le avant de l'acheter ailleurs. Et considérez l'écart entre $4.50 et $10.00 comme une invitation à mener votre propre évaluation, car c'est le seul chiffre de cette comparaison qui soit actuellement gratuit.
Comparés dans cet article2
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
