Kartu judul 16:9 yang dihasilkan dengan latar belakang biru dongker gelap bertuliskan 'Qwen4-Max' dengan subjudul 'Dua tanggal, satu papan skor', dan tiga kartu bersudut membulat: TANGGAL MODEL 16 Nov 2026, PENJUAL KEDUA 18 Nov 2026, SKOR INDEKS 43. Baris footer bertuliskan 'Artificial Analysis Intelligence Index v5.0.1'. Logo OrcaRouter di kanan bawah.
Guides & Insights

Qwen4-Max Kini Dijual di Dua Tempat. Papan Skor Independen Adalah Bagian yang Patut Dibaca

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Qwen4-Max mulai dijual secara umum pada 16 November 2026, dan pada pagi 18 November sebuah platform inferensi pihak ketiga juga mengiklankannya, dengan konteks 1 juta token yang sama serta input teks, gambar, dan video yang sama. Itulah beritanya, dan itu adalah berita kecil: penjual kedua adalah peristiwa distribusi, bukan peristiwa model. Hal yang muncul dalam jendela waktu yang sama dan hampir tidak mendapat perhatian adalah sebuah pengukuran. Artificial Analysis kini mencantumkan entri Qwen4-Max, dan pada Intelligence Index-nya, model tersebut diberi skor 43, dibandingkan dengan 34 untuk Qwen3.8-Max, pendahulu yang digantikannya.

Kedua angka itu datang dengan konteks yang menentukan apakah keduanya merupakan kabar baik, dan blog milik vendor sendiri tidak menyediakan konteks tersebut. Jadi tulisan ini melakukan tiga hal secara berurutan: apa yang sebenarnya dirilis pada 16 November, apa yang dikatakan baris independen yang tidak disebutkan dalam postingan peluncuran, dan apa yang berubah — serta apa yang diam-diam rusak — ketika model yang sama dilayani oleh pihak selain Alibaba.

Dua tanggal, dan hanya salah satunya yang merupakan rilis

Tanggal model ini adalah 16 November 2026. Tim Qwen Alibaba memberi tanggal 16 November pada pos peluncurannya, dan halaman dokumentasi Model Studio untuk model tersebut mencantumkan stempel waktu pembaruan 2026-11-16 09:46:08 dengan judul "qwen4-max (Latest Model)" dan pengenal model biasa berupa qwen4-max. Halaman itulah yang penting secara komersial: halaman itu menggantikan pengenal pratinjau, qwen4-max-preview, yang telah dibuka pada 11 November dengan paket kredit dan tanggal penghentian yang dipublikasikan 25 November. Ketersediaan umum berarti kartu tarif terukur, enam region, dan tanpa kedaluwarsa.

Peristiwa 18 November berbeda jenisnya. Sebuah platform yang bukan A​libaba mulai mencantumkan model itu untuk pelanggannya sendiri, dua hari setelah kartu harga muncul. Tidak ada yang berubah pada model tersebut pada 18 November: tidak ada bobot baru, tidak ada angka konteks baru, tidak ada harga baru dari lab. Jika Anda membaca liputan yang membingkai minggu ini sebagai peluncuran, bingkai itu tertinggal satu langkah — Qwen4-Max diluncurkan pada tanggal 16, dan yang terjadi pada tanggal 18 adalah model itu menjadi dapat dijual kembali dalam skala besar. Perbedaan itu bukan kecermatan yang berlebihan. Itu memberi tahu Anda pertanyaan mana yang harus diajukan: bukan "apa yang bisa dilakukannya", yang sudah dijawab pada hari Senin, melainkan "apa yang bertahan setelah melewati perjalanan melalui penjual ulang", yang belum dijawab siapa pun.

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-Max' with five rows: index score 43 against 34; output tokens per run 127M against 150M; wall-clock per task 32.1 min against 47.5 min; cost per task $3.27 against $10.02; throughput 55 tok/s against 'not listed'. Footer reads 'Artificial Analysis Intelligence Index v5.0.1, measured November 2026'. OrcaRouter logo bottom-right.

Apa yang dirilis pada 16 November

Spesifikasi di bawah ini adalah milik Alibaba, dari posting peluncuran dan dokumentasi model, dan tidak ada satu pun bagian darinya yang telah direproduksi secara independen — arsitekturnya secara khusus merupakan deskripsi vendor tentang proses pelatihan yang belum pernah diperiksa oleh pihak luar.

• Arsitektur — desain Qwen4 baru dengan tulang punggung 2,4 triliun parameter, 71 miliar parameter yang diaktifkan per token, dan tambahan 328 miliar parameter penyematan N-gram

• Attention — tiga lapisan Gated DeltaNet yang memberi masukan ke setiap lapisan Q​wen Sparse Attention, yang memampatkan riwayat menjadi state berukuran tetap dan mengindeks konteks pada granularitas blok mikro

• Pekerjaan stabilitas — empat cabang residu paralel dengan gerbang baca dan tulis dinamis, yang menurut lab menjadi alasan run 2.4T tidak mengalami lonjakan loss

• Konteks — 1.000.000 token dalam dokumentasi vendor; Artificial Analysis mengukur jendela yang dapat digunakan sebesar 984.000

• Batas output — 131,072 token dengan berpikir nonaktif, atau 262,144 yang dibagi antara berpikir dan jawaban

Modalitas — teks, gambar, dan video masuk; teks keluar. Visi bawaan, bukan tambahan tempelan.

• Upaya penalaran — tingkat yang dapat dipilih, yang dalam postingan peluncuran disebut sebagai High dan Xhigh saat mengutip angka efisiensinya sendiri

• Perkakas — pemanggilan fungsi, pemanggilan alat paralel, penelusuran web, output terstruktur sesuai JSON Schema, penyelesaian prefiks, caching eksplisit dan implisit

• Antarmuka — O​penAI Chat Completions dan Responses, A​nthropic Messages, dan DashScope, yang merupakan permukaan protokol paling luas yang pernah disertakan A​libaba pada produk unggulan

• Apa yang kurang — fine-tuning dan deployment model sama-sama ditandai tidak didukung. Tidak ada checkpoint, dan pos peluncuran hanya menyebut bahwa model Qwen4 yang lebih kecil "akan segera menjadi open source"

Klaim efisiensi adalah yang paling ditonjolkan dalam peluncuran ini, dan layak dinyatakan secara tepat karena bersifat bersyarat. Dibandingkan dengan Qwen3.8-Max, vendor melaporkan sekitar 24% lebih sedikit token pada benchmark Work360 miliknya pada Xhigh effort dan 35% lebih sedikit pada High, serta 48% dan 49% lebih sedikit pada Terminal-Bench 4.0 pada dua pengaturan yang sama. Rata-rata biaya per tugas pada Work360 turun dari $4,43 menjadi $1,67, pengurangan 62%. Setiap angka tersebut dilaporkan vendor, dan setiap angka terkait dengan tingkat effort — yang menjadi detail penting nanti, ketika reseller memutuskan bagaimana mengekspos dial itu.

Baris independen yang tidak dikutip siapa pun

Artificial Analysis menerbitkan Qwen4-Max pada Intelligence Index v5.0.1, dan entri itu terbilang sangat blak-blakan. Skornya 43, yang oleh situs tersebut digambarkan sebagai di bawah rata-rata di antara model-model sebanding — mediannya juga 43, sehingga model ini berada tepat di garis, bukan di atasnya. Itu kalimat yang kurang menyanjung dibandingkan "naik sembilan poin dari pendahulunya", dan keduanya benar. Qwen3.8-Max, yang diukur sebagai snapshot 0902, mencetak skor 34 pada indeks yang sama.

Sisa baris itulah bagian yang membuat argumen ini menarik, karena memisahkan kemampuan dari biaya untuk mengekstraksinya.

• Skor indeks — Qwen4-Max 43 versus Qwen3.8-Max (0902) 34 pada v5.0.1

• Token keluaran per eksekusi indeks — 127 juta versus 150 juta, terhadap median bidang 65,1 juta. Kedua model sangat bertele-tele; model baru lebih ringkas.

• Waktu aktual per tugas — 32,1 menit versus 47,5 menit, dibandingkan median keseluruhan 11,5. Lebih cepat dari pendahulunya, namun masih termasuk model paling lambat yang diukur

Throughput — 55 token keluaran per detik, diukur pada API milik A​libaba sendiri

• Biaya per tugas — $3,27 versus $10,02, yang merupakan angka paling berguna di baris tersebut

Baca semuanya bersama-sama dan peningkatan itu nyata tetapi lebih sempit daripada yang disiratkan pemasaran. Qwen4-Max menghasilkan sembilan poin indeks, memangkas waktu aktual sepertiga, dan memangkas biaya menyelesaikan tugas sekitar dua pertiga dibandingkan model yang digantikannya. Model ini tidak memberikan kecepatan dalam istilah absolut: pada 32,1 menit per tugas, model ini hampir tiga kali lebih lambat daripada model median di papan yang sama, dan menghabiskan hampir dua kali volume token median untuk mencapainya. Jika beban kerja Anda sensitif terhadap latensi, angka indeks bukanlah angka yang akan menentukan tagihan Anda.

A screenshot of the Artificial Analysis page for Qwen4 Max, headed 'Qwen4 Max: Intelligence, Performance & Price Analysis' and dated November 2026, showing an Intelligence Index score of 43 against a median of 43, 55 output tokens per second, a 984k context window, $1.50 input and $4.50 output per million tokens, $3.27 per task and 127M tokens generated on the index run.

Apa yang tetap bertahan saat diteruskan ke pengecer?

Inilah bagian yang membuat pencatatan 18 November menjadi mendesak, bukan sekadar teoretis. Ketika sebuah model disajikan oleh platform yang bukan penulisnya, empat hal berpindah secara andal dan satu hal tidak.

Empat hal yang ikut berpindah: kartu harga, karena disalin dari halaman vendor; angka konteks, karena menjadi judul utama; daftar modalitas, karena ada dalam materi pemasaran; dan bentuk protokol, karena sebagian besar platform menyediakan endpoint yang kompatibel dengan OpenAI terlepas dari apa yang ada di baliknya. Itulah hal-hal yang selalu benar di setiap listing, dan itulah yang dikutip oleh setiap artikel perbandingan.

Hal yang tidak ikut berpindah adalah pemetaan effort. Ekonomi Qwen4-Max bergantung pada effort secara desain: penghematan token dari vendor sendiri berkisar dari 24% hingga 35% pada Work360 tergantung apakah Anda menjalankan Xhigh atau High, dan dokumentasi mengekspos pilihan itu sebagai parameter permintaan. Reseller yang memaku effort ke satu default tunggal, atau memetakan parameter reasoning gaya OpenAI hanya ke dua dari tiga level, memberi Anda model yang biaya per tugasnya bisa berbeda dari angka terbitan vendor sebesar sepertiga — dengan harga per token yang identik pada invoice. Jika Anda membandingkan sebuah listing terhadap angka Alibaba sendiri, tetapkan level effort secara eksplisit dan periksa apa yang dilakukan platform terhadapnya sebelum Anda menyimpulkan apa pun tentang harga.

Dua hal yang lebih kecil untuk diverifikasi: apakah anggaran bersama 262,144 token untuk berpikir dan menjawab ditegakkan atau dipotong secara diam-diam, dan apakah prompt caching diteruskan dengan tarif cache vendor alih-alih tarif input penuh. Keduanya mengubah biaya nyata pada proses agent yang panjang, dan tidak satu pun terlihat di headline.

Apa yang tidak berubah, dan tidak akan berubah

Fakta paling penting tentang Qwen4-Max tidak ada di kartu harga maupun papan peringkat: Anda tidak dapat memilikinya. Tidak ada checkpoint untuk model ini, dan dokumentasinya menandai fine-tuning serta deployment mandiri sebagai tidak didukung. Kalimat penutup dari postingan peluncuran menjanjikan bahwa tier Qwen4 yang lebih kecil akan hadir sebagai open source, yang merupakan pernyataan tentang masa depan keluarga ini, bukan tentang model ini. Setiap jalur menuju Qwen4-Max melewati API pihak lain, baik itu enam region milik A​libaba maupun endpoint milik reseller.

Itu adalah pengaturan yang normal untuk produk unggulan terdepan tahun 2026, dan konsekuensinya juga normal: integrasi Anda adalah sewaan, dan jumlah pihak yang menyewakan baru saja berubah dari satu menjadi lebih dari satu. Itulah satu-satunya alasan yang benar-benar bagus untuk listing 18 November — bukan karena lebih murah, tetapi karena itu adalah jalur pasokan lain untuk model yang tidak dapat Anda hosting sendiri.

Jika Anda menyiapkan ini minggu ini

Qwen4-Max belum ada di katalog OrcaRouter saat ini, dan artikel ini tidak akan berpura-pura sebaliknya. Yang ada adalah model yang digantikannya: qwen/qwen3.8-max, model unggulan berparameter 2,4 triliun yang mencetak skor 34 pada indeks yang sama dan memakan biaya $2,00 untuk input serta $6,00 untuk output per juta token menurut daftar harga Alibaba. Jika Anda membangun di atas lini Qwen dan ingin mencoba Qwen4-Max tanpa mempertaruhkan jalur produksi pada kesepakatan komersial yang baru berumur dua hari, pola yang wajar adalah menyimpan pendahulunya pada kunci yang sama dan melakukan routing di antara keduanya — OrcaRouter membawa lebih dari 200 identifier model dari berbagai penyedia di belakang satu endpoint yang kompatibel dengan OpenAI dengan markup 0%, lengkap dengan failover otomatis, sehingga gangguan di sisi penyedia atau batas laju tidak ikut menjatuhkan aplikasi Anda. DSL routing melakukan hal serupa satu tingkat lebih dalam: Anda dapat menyusun model murah untuk sebagian besar beban kerja dan melakukan eskalasi ke model mahal hanya pada bagian yang benar-benar membutuhkannya, alih-alih membayar tarif model unggulan untuk setiap panggilan.

A screenshot of the OrcaRouter models catalogue showing the filter rail and the header '226 models, 17 providers, one API key, one bill', with a card for Google Gemini 4 Carbon and its per-million input and output rates visible.

Itu tidak sama dengan memiliki Qwen4-Max di key, dan seharusnya tidak dijual sebagai demikian. Itulah perbedaan antara menunggu sebuah model mencapai stack Anda dan memiliki stack yang dapat menyerapnya ketika model itu tiba.

Apa yang akan mengubah bagian ini?

Tiga hal, dalam urutan kemungkinan menurun. Pengukuran independen kedua terhadap Qwen4-Max akan menentukan apakah 43 adalah batas bawah atau batas atas — satu papan, satu harness, satu pengaturan tingkat upaya adalah dasar yang tipis untuk sebuah putusan, dan blog ini pernah menyaksikan revisi indeks menggeser skor hingga dua digit sebelumnya. Rincian tingkat upaya yang dipublikasikan dari Artificial Analysis, setara dengan yang sudah dilakukannya untuk GLM-5.3, akan membuat angka biaya per tugas benar-benar dapat ditindaklanjuti alih-alih sekadar rata-rata atas pengaturan yang tidak ditentukan. Dan checkpoint Qwen4 — checkpoint Qwen4 apa pun — akan mengakhiri argumen sewa sepenuhnya.

Sampai saat itu, cara membaca yang tepat untuk minggu ini adalah yang tidak glamor. Sebuah produk unggulan dirilis pada Senin dengan daftar harga resmi dan skor independen yang kompetitif tetapi bukan yang terdepan; seorang reseller mengambilnya pada Rabu, yang tak lain adalah distribusi menjalankan fungsinya; dan angka yang seharusnya menentukan integrasi Anda bukanlah $1,50 atau 43, melainkan 32,1 menit dan tagihan token yang kira-kira dua kali median industri. Dua hal itulah yang sebenarnya akan Anda bayar.

Dibandingkan dalam artikel ini1

Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari