
Qwen4-Max Disebut sebagai Penakluk Opus 5.5: Indeks Menempatkannya Tertinggal 16 Poin
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 90 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 96 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 87 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 133 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 juta token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 120 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 juta token · 219 tok/s
Putusan pada hari peluncuran tentang Qwen4-Max adalah bahwa model itu mengalahkan Claude Opus 5.5 serta GPT-6.1 Sol dan GPT-6 Astra, dan hanya tertinggal dari Claude Fable 5.2. Tiga dari empat perbandingan itu berbalik arah pada satu papan skor yang menjalankan kelima model melalui sembilan evaluasi yang sama. Artificial Analysis Intelligence Index v5.0.1, yang dibaca pada 16 November 2026 — hari Qwen4-Max mulai dijual — menempatkan Qwen4-Max di 43, Claude Opus 5.5 di 59, GPT-6 Astra di 57, GPT-6.1 Sol di 55, dan Claude Fable 5.2 di 65. Terpaut enam belas poin dari model yang dikatakan dapat dikalahkannya, empat belas poin dari model termurah kedua dari ketiganya, dan dua belas poin dari model ketiga. Perbandingan keempat, yakni perbandingan ketika Fable 5.2 unggul, adalah satu-satunya bagian dari klaim itu yang bertahan ketika dihadapkan pada harness.
That gap is worth taking apart rather than dismissing, because the claim is not invented. It is what you get when a comparison is assembled from reasoning-effort settings that do not match, and the mismatch happens to run in one direction every time. Below: what Alibaba actually published, what the scoreboard reads at each rung of each ladder, the one reading under which the claim becomes literally true, and the figure the tracker does not have for Qwen4-Max at all.
What Alibaba published, and what it did not
The first thing to separate is the vendor's launch material from the commentary around it. Alibaba's own Qwen4-Max blog post, dated 16 November 2026, mentions no competing model by name anywhere in its 3,100 words. Every comparison in it is against Qwen3.8-Max, the company's own previous flagship. That is a normal thing for a launch post to do and it is not a criticism — but it means the competitive framing did not come from the vendor, and any "beats Opus" statement in circulation is an inference somebody else drew.
Apa yang diklaim vendor, semuanya dilaporkan oleh vendor dan belum direproduksi:
• Arsitektur — tulang punggung 2,4 triliun parameter pada arsitektur Qwen4 baru, dengan visi native dan jendela konteks satu juta token.
• Token efficiency against Qwen3.8-Max — 24% fewer tokens at Xhigh effort and 35% fewer at High on Alibaba's Work360 benchmark, and 48% and 49% fewer on Terminal-Bench 4.0.
• Biaya per tugas dibandingkan Qwen3.8-Max — rata-rata dari $4.43 turun menjadi $1.67, pengurangan sebesar 62%, dengan penurunan terbesar pada harga input yang di-cache.
• Skor Work360 — 52.69 dibandingkan dengan 47.74 untuk Qwen3.8-Max.
Tak satu pun dari itu merupakan perbandingan lintas laboratorium, dan tak satu pun dapat diperiksa terhadap angka yang dipublikasikan pesaing, karena semuanya diukur pada tolok ukur yang dinilai sendiri oleh vendor. Angka independen itu datang pada hari yang sama dari arah yang berbeda.
Apa yang dibaca oleh harness independen
Artificial Analysis v5.0.1 adalah komposit sembilan evaluasi — AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset, dan Terminal-Bench-Science 0.1 — yang dijalankan oleh pelacak, bukan oleh laboratorium. Pada komposit ini, skor 43 Qwen4-Max berada di peringkat 38 dari 81 model, sedikit di atas median bidang sebesar 41. Itu adalah debut yang terhormat untuk arsitektur generasi pertama. Ini bukan pemimpin, dan empat model yang ditempatkan di bawahnya justru semuanya lebih unggul darinya:
• Claude Opus 5.5 — 59 pada Max, 57 pada Xhigh, 52 pada High, 48 pada Medium, 35 pada Low. Dirilis 22 September 2026.
• GPT-6 Astra — 57 pada Max, 55 pada Xhigh, 55 pada High, 52 pada Medium, 43 pada Low. Dirilis 3 September 2026, batas pengetahuan April 2026.
• GPT-6.1 Sol — 55 pada Max, 52 pada Xhigh, 50 pada High, 46 pada Medium, 35 pada Low. Dirilis 29 September 2026.
• Claude Fable 5.2 — 65 pada Max, 62 pada Xhigh, 62 pada High, 56 pada Medium, 54 pada Low. Dirilis 9 November 2026.
• Qwen4-Max — 43, dipublikasikan sebagai satu angka tunggal tanpa jenjang per tingkat upaya. Dirilis 16 November 2026.
Asimetri terakhir itulah inti seluruhnya. Qwen4-Max adalah model penalaran, dan tracker menilai para pesaingnya pada lima pengaturan penalaran yang terpisah, tetapi menilai Qwen4-Max pada satu pengaturan. Apa pun pengaturan yang menghasilkan 43 dibandingkan dengan pengaturan terkuat milik Opus 5.5, Astra, dan Sol, dan tracker tidak memberi tahu Anda berapa banyak ruang tersisa di bawahnya. Jadi "43 versus 59" bukanlah perbandingan setara antara batas kemampuan tertinggi kedua model — itu adalah satu-satunya pengaturan terukur Qwen4-Max dibandingkan dengan pengaturan terbaik Opus 5.5.
Satu-satunya pembacaan yang membuat klaim itu benar
Bacalah tangga-tangga itu ke bawah dan klaimnya berhenti menjadi salah lalu mulai menyesatkan, yang merupakan kegagalan yang lebih menarik. Angka 43 milik Qwen4-Max tidak dikalahkan oleh setiap tingkat dari setiap lawan. Angka itu melampaui atau menyamai tingkat terbawah dari tiga dari empat lawan:
• Terhadap Claude Opus 5.5 — 43 mengalahkan nilai 35 pada pengaturan Low dengan selisih delapan poin, dan kalah dari nilai 48 pada Medium dengan selisih lima poin. Titik peralihannya berada di antara Low dan Medium.
• Terhadap GPT-6 Astra — 43 persis menyamai pengaturan Low Astra yang bernilai 43, dan kalah dari Medium yang bernilai 52 dengan selisih sembilan.
• Terhadap {{1}}GPT-6.1 Sol{{/1}} — {{2}}43{{/2}} mengalahkan pengaturan Low milik Sol yang bernilai {{3}}35{{/3}} dengan selisih delapan poin, dan kalah dari pengaturan Medium yang bernilai {{4}}46{{/4}} dengan selisih tiga. Ini adalah hasil paling ketat di papan.
• Terhadap Claude Fable 5.2 — 43 kalah dari setiap tingkatan, termasuk 54 pada pengaturan Low, dengan selisih sebelas poin. Tidak ada pengaturan Fable 5.2 yang dapat dicapai Qwen4-Max.
Jadi, perbandingan yang menempatkan Qwen4-Max melawan para pesaing yang berjalan pada Low effort akan menghasilkan persis urutan yang dilaporkan untuk Opus 5.5 dan Sol, persis hasil seri-atau-lebih-baik yang dilaporkan terhadap Astra, dan persis kekalahan yang dilaporkan terhadap Fable 5.2. Itu adalah kumpulan hasil yang koheren dan konsisten secara internal, dan itulah satu-satunya kumpulan pada harness ini yang menghasilkan urutan yang beredar. Entah ada yang menyusunnya dengan sengaja atau sampai pada hasil itu dengan membandingkan konfigurasi default terhadap pengaturan terendah, aritmetikanya bermuara di sana.
Konsekuensi praktisnya adalah bagian yang penting bagi siapa pun yang membaca utas peluncuran alih-alih papan skor: pada upaya penalaran yang setara, Qwen4-Max kira-kira satu tingkat di belakang GPT-6.1 Sol dan dua tingkat di belakang Claude Opus 5.5. Itu adalah debut yang benar-benar kompetitif. Ini bukan sebuah keunggulan, dan jauh sekali dari framing "mengungguli".

Biaya per tugas memisahkan dua klaim dari satu
Kemampuan hanyalah separuh dari apa yang diklaim oleh pembicaraan seputar peluncuran, dan dalam hal biaya, gambaran keseluruhannya lebih menguntungkan bagi Qwen4-Max — untuk dua dari tiga model, dan bukan yang ketiga.
• Harga tertera — Qwen4-Max adalah $1,50 per juta input dan $4,50 per juta output, dengan diskon cache 95% dan tarif gabungan $0,80 per juta. Tarif gabungan itu adalah yang terendah dari kelima model di sini: GPT-6.1 Sol $1,47, Claude Opus 5.5 $2,94, Claude Fable 5.2 $5,74, dan GPT-6 Astra $7,70.
• Biaya per tugas yang diselesaikan — Claude Fable 5.2 $26,54, Claude Opus 5.5 $10,04, GPT-6 Astra $6,24, Qwen4-Max $3,27, GPT-6.1 Sol $1,27. Semuanya pada pengaturan Max masing-masing model.
• Pembalikan — Qwen4-Max memiliki tarif campuran termurah di papan peringkat dan tugas dengan biaya termurah ketiga. Qwen4-Max mengalahkan Claude Opus 5.5 per tugas dengan faktor tiga dan GPT-6 Astra sekitar dua, serta kalah dari GPT-6.1 Sol dengan faktor 2,6.
The mechanism is verbosity, and the tracker measures it directly: Qwen4-Max generated 127 million output tokens completing the index, against a field median of 78.6 million, and is classed as very verbose. A model that writes 60% more than the median spends its rate advantage doing so. Alibaba's own 24-to-35% token-reduction figures are real improvements against Qwen3.8-Max and say nothing about how verbose the model is in absolute terms, which is the number that reaches an invoice.
Jadi separuh biaya dari klaim itu terbagi dengan rapi. "Lebih murah untuk dijalankan daripada Opus 5.5 dan Astra" benar per tugas, dengan selisih yang besar, dan merupakan hal terkuat dalam artikel ini bagi Qwen4-Max. "Lebih murah daripada GPT-6.1 Sol" salah per tugas dengan faktor 2,6, meskipun tarif gabungan Qwen4-Max 46% lebih rendah. Siapa pun yang menyusun anggaran dari kartu tarif dan mendapat jawaban sebaliknya di tagihan telah menemukan kesenjangan yang sama.
Angka yang tidak dimiliki pelacak itu
Ada satu kolom di halaman Qwen4-Max yang kosong dan perlu disoroti. Artificial Analysis melaporkan waktu per tugas untuk setiap model yang dicantumkannya di sini — Claude Opus 5.5 selama 24,9 menit di Max, GPT-6 Astra 20,9, GPT-6.1 Sol 22,9, Claude Fable 5.2 41,8 — dan melaporkan N/A untuk Qwen4-Max, dengan grafik waktu diberi keterangan "No publicly available API".
Read that annotation carefully before drawing a conclusion from it, because it is not a statement that the model cannot be called. Alibaba publishes per-token prices for Qwen4-Max and its launch post says API prices were lowered relative to Qwen3.8-Max, and the tracker itself lists Alibaba Cloud as the model's provider and quotes a $3.27 per-task cost. A model with a rate card, a provider and a measured per-task cost has an API. The more likely reading is that the timing measurement was not obtainable through whatever path the tracker used, and the page does not say which. The tracker's own FAQ, on the same page, says the model "is available via API through 1 provider", which does not square with the chart annotation either.
Yang tersisa dari ambiguitas itu lebih sempit dan tetap berguna: tidak ada angka latensi independen untuk Qwen4-Max pada hari peluncurannya, sementara setiap model yang dibandingkan dengannya memilikinya. Jika beban kerja Anda sensitif terhadap latensi, Anda memilih berdasarkan angka yang belum dipublikasikan siapa pun, dan posisi yang jujur adalah mengukurnya sendiri sebelum menetapkan jalur produksi untuknya.

Apa yang terbukti dalam klaim peluncuran
Tiga dari pernyataan faktual yang beredar terbukti benar dan layak dinyatakan secara gamblang, karena pemeriksaan klaim yang hanya mengurangi bukanlah pemeriksaan klaim:
• Jendela konteks — diiklankan sebesar satu juta token, diukur oleh pelacak pada 984.000. Itu model satu juta token sungguhan, bukan 200K yang dibulatkan ke atas.
• Native vision — pelacak mencatat input teks dan gambar dengan output teks, sesuai dengan deskripsi "native vision" dari vendor alih-alih encoder tambahan yang dipasang pada model teks.
• Pemotongan harga — $1,50 dan $4,50 per juta dibandingkan dengan tarif Qwen3.8-Max yang lebih tinggi, dan tarif campuran terendah di antara lima model yang dibandingkan di sini. Arah dari kisah penetapan harga tidak diperdebatkan.
Yang tidak valid adalah peringkatnya, dan peringkat itulah bagian yang paling sering diulang.
Apa yang harus dilakukan dengan ini pada hari peluncuran
Langkah yang berguna dengan model seperti ini bukanlah memilih salah satu sisi argumen, melainkan menjaga opsi tetap murah. Qwen4-Max adalah arsitektur generasi pertama dengan harga satuan yang benar-benar rendah, skor independen di tengah-tengah bidang, dan tanpa angka latensi — profil yang memberi imbalan pada uji coba dan menghukum migrasi.
That is what routing is for. Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol and Claude Fable 5.2 are all routed on OrcaRouter at each vendor's list price with 0% markup, so a vendor rate change is live on the same day and the per-task arithmetic above stays current without a second contract or an SDK change. Qwen4-Max is not routed on OrcaRouter — it is reachable through Alibaba's own Model Studio API and several third-party platforms, and this article will not pretend otherwise. What routing buys you in that situation is the comparison: the four models it was measured against sit behind one key across 200-plus models, so benchmarking Qwen4-Max against them is a configuration change on one side of the fence rather than procurement on both.
Dan jika Qwen4-Max memang mendapat tempat, failover otomatisadalah yang membuat model yang belum terukur aman untuk ditempatkan di jalur aktif — permintaan akan dialihkan ke model yang latensinya sudah Anda ketahui, alih-alih gagal ketika model baru tersebut lambat atau tidak tersedia seperti yang disiratkan oleh angka waktu yang hilang darinya.

Narasi hari peluncuran adalah bahwa sebuah model China yang murah telah menyalip dua model unggulan Amerika. Apa yang sebenarnya ditunjukkan harness adalah sebuah model dengan harga bersaing, satu tingkat di belakang yang termurah di antara mereka dan dua tingkat di belakang yang terbaik, dengan kemampuan visi yang nyata, jendela satu juta token yang nyata, dan tanpa kecepatan yang dipublikasikan. Itu adalah produk yang lebih baik daripada kesan yang dibuat klaim tersebut dan peringkat yang lebih buruk, dan perbedaan antara kedua hal itu persis jarak antara sebuah thread dan papan skor.
Dibandingkan dalam artikel ini2
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
