Une carte de titre générée indiquant Qwen 4 vs Muse Wonder, avec le sous-titre Le modèle le moins cher est celui que personne n'a chronométré, et deux cartes : Coût par tâche d'index indiquant 3,27 $ au-dessus de 6,95 $, et Vitesse mesurée indiquant non publiée au-dessus de 118 jetons par seconde.
Guides & Insights

Qwen 4 vs Muse Wonder : le modèle le moins cher est celui que personne n'a chronométré

Auteur

jinhao.song

Date de publication

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

Muse Wonder vous coûtera environ 6,95 $ pour terminer une tâche de l'Intelligence Index. Qwen4-Max vous coûtera 3,27 $. Voilà tout l'argument économique du nouveau fleuron d'Alibaba face à celui de Meta, et il s'accompagne d'une réserve de taille : les 3,27 $ concernent un modèle qui n'a aucune vitesse de sortie publiée, aucun temps mesuré par tâche et aucune mesure de temps, quelle qu'elle soit, dans le classement qui a produit ce chiffre. Muse Wonder dispose des trois — 118 tokens par seconde, 13,5 minutes par tâche de l'Intelligence Index, 19,64 secondes jusqu'au premier token de réponse. Donc, pour être honnête, le fleuron de Qwen 4 coûte environ la moitié du prix et sa vitesse est d'une ampleur inconnue, et une seule de ces deux différences peut être prise en compte dans votre planification aujourd'hui. Muse Wonder est sorti le 12 octobre 2026 ; Qwen4-Max le 16 novembre 2026. Ces deux dates relèvent du contexte, pas de l'actualité.

Les deux profils, côte à côte et non lissés

Muse Wonder est le modèle de raisonnement de pointe de Meta, conçu pour le travail agentique avec une surface d’entrée inhabituellement large : texte, images, parole et vidéo en entrée, texte en sortie, dans un contexte d’un million de tokens. Il s’agit d’un modèle API propriétaire à 4,00 $ par million de tokens d’entrée et 20,00 $ par million de tokens de sortie, avec un tarif mixte de 2,94 $ et une remise de 95 % sur le cache. Meta publie également une variante à effort plus élevé qui obtient 41 au lieu de 44 et s’exécute plus rapidement en temps réel — 9,5 minutes par tâche d’indexation contre 13,5 —, ce qui rappelle utilement que « effort maximal » n’est pas automatiquement le bon réglage.

Qwen4-Max est le fleuron de quatrième génération d’Alibaba : un modèle de mélange d’experts clairsemé de 2 400 milliards de paramètres, avec 71 milliards de paramètres actifs par token, une vision native, l’entrée vidéo, un contexte d’un million de tokens et un budget de 262 144 tokens partagé entre la réflexion et la réponse. Il est facturé 1,50 $ en entrée et 4,50 $ en sortie par million, avec les lectures de cache à 0,075 $.

• Score — Qwen4-Max 43 (38e sur 81) contre Muse Wonder 44 (35e sur 81)

• Prix d'entrée — Qwen4-Max 1,50 $ vs Muse Wonder 4,00 $ par million

• Prix de sortie — Qwen4-Max 4,50 $ vs Muse Wonder 20,00 $ par million

• Coût par tâche d’indexation — Qwen4-Max 3,27 $ vs Muse Wonder 6,95 $

• Vitesse de sortie — Qwen4-Max : non publié vs Muse Wonder : 118 tokens par seconde

• Temps par tâche d’indexation — Qwen4-Max non publié vs Muse Wonder 13,5 minutes

• Surface d’entrée — Qwen4-Max : texte, image, vidéo vs Muse Wonder : texte, image, parole, vidéo

• Poids — aucun des deux n’en publie

Le prix par token et le prix par réponse diffèrent d’un facteur deux

Le ratio affiché est de 4,4× en sortie et de 2,7× en entrée. Le ratio par tâche est de 2,1×. L’écart entre ces chiffres correspond à la quantité de travail que chaque modèle fournit pour produire une réponse, et il va dans le sens inverse de ce que suggère l’étiquette de prix : Muse Wonder dépense plus de tokens par tâche, et non moins, ce qui explique pourquoi un prix de sortie de 20 $ se transforme en une facture de 6,95 $ plutôt qu’en une facture de 40 $.

Prenons un cas concret. Une relecture de document de 50 000 tokens produisant une note de synthèse de 5 000 tokens, sans cache : Qwen4-Max facture 0,075 $ en entrée et 0,0225 $ en sortie, soit moins de dix cents. Muse Wonder facture 0,20 $ et 0,10 $, soit trente cents. Un rapport de trois à un, et dans les deux cas des sommes dérisoires — c’est précisément l’intérêt. À faible volume, aucun des deux prix n’a d’importance, et l’écart de score d’un point d’indice est négligeable face à la question de la vitesse.

Passez à l’échelle. Dix mille de ces avis par mois : Qwen4-Max à 975 $ contre Muse Wonder à 3 000 $. Désormais, le prix compte, et désormais, le chronomètre manquant compte encore plus, car une tâche qui coûte trois fois moins cher mais prend deux fois plus de temps risque de ne pas tenir du tout dans un créneau nocturne.

Telle est la forme de la décision. Il ne s'agit pas d'une comparaison où un modèle est meilleur ; il s'agit d'une comparaison où l'option la moins chère présente une dimension non mesurée qui se trouve être précisément celle à laquelle les systèmes de production accordent le plus d'importance.

Ce que « aucune vitesse publiée » vous coûte réellement

Un modèle non mesuré n’est pas un modèle lent, et il serait erroné de l’interpréter ainsi. C’est un modèle dont vous devez établir vous-même la latence avant de pouvoir le placer derrière quoi que ce soit assorti d’un délai d’expiration. Cela a trois conséquences pratiques, par ordre croissant de contrariété.

D'abord, vous ne pouvez pas dimensionner l'autoscaling à partir de la documentation. Vous devez mener un pilote, mesurer le p50 et le p95 du temps jusqu'au premier token pour vos propres longueurs de prompt, puis dimensionner. Les 30 tokens par seconde et 39,7 minutes par tâche de Kimi K3.1 Pro ont été mesurés et publiés ; le chiffre de Qwen4-Max le sera aussi, à terme, mais il n'est pas disponible pour l'instant.

Deuxièmement, les modèles de raisonnement se dégradent de manière imprévisible sous charge, d'une façon qu'un chiffre de tokens par seconde ne capture que partiellement. Le temps jusqu'au premier token de réponse de 19,64 secondes de Muse Wonder à effort maximal est une valeur mesurée et reproductible. Un modèle dépourvu d'une telle valeur n'a aucune référence par rapport à laquelle remarquer qu'un mardi est deux fois plus lent qu'un lundi.

Troisièmement — et c'est là que ça fait mal — une couche de routage ne peut basculer sur la latence que si elle sait à quoi ressemble la normale. Si vous mettez un modèle non chronométré dans un pool avec un modèle chronométré, le comportement du pool est défini par le membre le plus lent et inconnu. Le basculement rend cela survivable : une requête qui bloque peut être retentée sur un second modèle sans que le client le sache. Il ne rend pas cela mesurable pour autant, et il ne dispense pas de connaître vos propres chiffres.

La surface d’entrée est le véritable différenciateur de Muse Wonder.

La parole n’est pas une simple case à cocher. Muse Wonder accepte l’audio comme entrée de premier ordre, aux côtés du texte, de l’image et de la vidéo, et renvoie du texte. Qwen4-Max prend en charge le texte, l’image et la vidéo. Si votre pipeline ingère des enregistrements d’appels, l’audio de réunions ou des médias de diffusion, cette différence détermine le modèle avant même que le prix ne soit abordé — transcrire d’abord en texte suppose un autre modèle, une autre facture et un autre mode de défaillance, qui perd la prosodie et le chevauchement des locuteurs.

La vidéo est l’autre axe sur lequel les deux se livrent concurrence, et les détails comptent. Les deux l’acceptent ; aucun ne publie de limite de fréquence d’images, de durée ou de résolution dans la documentation que nous avons consultée, ce qui signifie qu’une charge de travail vidéo relève d’un projet pilote des deux côtés plutôt que d’une comparaison de spécifications.

Là où Qwen4-Max l’emporte sur l’entrée, c’est sur le coût en volume. Un million de tokens de contexte dérivé de vidéos à 1,50 $ coûte 1,50 $ sur Qwen4-Max et 4,00 $ sur Muse Wonder. L’analyse de médias longs est précisément la charge de travail où l’écart de 2,7× sur l’entrée se cumule, et précisément là où l’avantage de prix de Qwen4-Max est le plus défendable.

A generated two-column scoreboard for Qwen4-Max and Muse Wonder: Artificial Analysis Index 43 against 44, cost per task $3.27 against $6.95, input $1.50 against $4.00, output $4.50 against $20.00, speed not published against 118 tokens per second, and audio input no against yes.

Un point de score d’indice, et ce que cela vaut

44 contre 43 sur le même Artificial Analysis Intelligence Index, relevés le même jour. Ce n’est pas une différence de capacité significative ; cela se situe dans le bruit de la façon dont un indice agrégé unique réagit à une poignée de questions difficiles. Quiconque construit un argumentaire en faveur de Muse Wonder sur ce point ne s’appuie sur rien.

Ce qui est significatif, c’est que Muse Wonder dispose d’une variante à effort élevé obtenant 41, ce qui indique que le réglage d’effort déplace le score d’environ trois points dans un sens ou dans l’autre. Si le réglage d’effort de Qwen4-Max se comporte de manière similaire — et les propres rapports d’Alibaba suggèrent que l’effort modifie substantiellement la consommation de tokens, l’usage de Work360 baissant de 24 % à xhigh et de 35 % à high — alors le 43 est un seul échantillon d’une distribution, et non une propriété fixe. Rapporté par le fournisseur, relativement à Qwen3.8-Max, non reproduit : considérer la direction comme informative et l’ampleur comme une affirmation.

Les benchmarks de lancement des deux fournisseurs doivent être lus avec le même scepticisme. Les chiffres de JobBench et Vals de Meta sont de première main. Le Work360 52,69 d’Alibaba, sa baisse du coût par tâche de 4,43 $ à 1,67 $, et ses améliorations de bits par octet sur cinq checkpoints de base sont de première main. Aucun des deux ensembles n’a été reproduit indépendamment, et aucun des deux fournisseurs ne publie le harnais d’évaluation qui permettrait de l’essayer.

Où chacun est la réponse évidente

Choisissez Muse Wonder lorsque l'audio fait partie du pipeline, lorsque vous avez besoin d'un chiffre de latence publié pour rédiger un SLA, ou lorsque le travail est agentique et de long terme et que vous préférez payer 6,95 $ pour une tâche chronométrable plutôt que 3,27 $ pour une tâche qui ne l'est pas. Le chiffre de 118 tokens par seconde est réellement rapide pour un modèle à ce score, et la vitesse est un atout que les clients remarquent.

Choisissez Qwen4-Max lorsque le volume est la contrainte, lorsque la charge de travail relève de la lecture à long contexte plutôt que du raisonnement sur un long horizon, ou lorsque l'entrée est de la vidéo à grande échelle et que l'écart d'entrée de 2.7× constitue la totalité de la facture. La carte à tarif fixe de $1.50/$4.50, sans palier de contexte long, est facile à prévoir, ce qui compte plus qu'on ne le pense lorsqu'on rédige un budget trimestriel.

Les deux sont propriétaires, sans poids publiés, donc aucun des deux ne peut être auto-hébergé ni épinglé. Si c’est une exigence, cette comparaison n’a pas de vainqueur et la réponse est un modèle qui publie des checkpoints — Kimi K3.1 Pro, parmi les modèles phares, le fait.

Si vous voulez éviter de choisir, le compromis utile est un pool plutôt qu’une décision : acheminez selon la modalité d’entrée (audio vers Muse Wonder, vidéo à grande échelle vers Qwen4-Max), conservez l’avantage de prix là où il est réel, et laissez le basculement de secours couvrir la latence que vous ne pouvez pas encore prévoir. Il vaut la peine d’être précis sur ce qui est routable aujourd’hui — ni Muse Wonder ni Qwen4-Max ne figurent parmi les 215 identifiants que nous servons, donc ce pool est une conception, pas une page produit. Ce que nous proposons du côté de Meta, c’est la gamme Muse Spark à 1,25 $ en entrée et 4,25 $ en sortie, et du côté d’Alibaba qwen/qwen3.8-max à 2,00 $/6,00 $, au tarif catalogue du fournisseur, sans rien ajouter.

Artificial Analysis page for Muse Wonder, captured 17 November 2026 in English, showing Intelligence #35 of 81, 19.64 seconds to first answer token, 118 output tokens per second, $4.00 input and $20.00 output per 1M tokens, 13.5 minutes and $6.95 per Intelligence Index task.

La question à se poser avant la prochaine version

Toute comparaison entre un modèle vieux de quelques semaines et un modèle vieux d’un mois présente la même faiblesse : les données sont asymétriques d’une manière qui avantage le modèle sorti en premier, car les tests indépendants ont eu plus de temps pour l’étudier. Les chiffres de Muse Wonder sont plus riches non pas parce que Meta est plus transparent, mais parce qu’il a bénéficié de cinq semaines de mesure supplémentaires.

Ce qu’il faut surveiller, ce n’est pas un nouveau benchmark. C’est de savoir si la vitesse et le temps par tâche de Qwen4-Max apparaissent sur le même tableau avant que l’avantage prix ne soit épuisé. Un modèle qui coûte moitié moins par tâche et affiche une latence deux fois supérieure est un produit différent d’un modèle qui coûte moitié moins et dont la latence est comparable, et aujourd’hui personne en dehors d’Alibaba ne sait lequel des deux c’est.

OrcaRouter model page for Muse Spark 1.2, captured 17 November 2026 in English, showing the identifier meta/muse-spark-1.2, text, image, video, file and audio input, a 1M-token context, a pricing panel and the Meta vendor label.

Comparés dans cet article1

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