Kartu judul bertuliskan Qwen4-Max memangkas biaya per tugas sebesar 67%, dengan angka utama $3,27 dibandingkan $10,02 per tugas Intelligence Index dan catatan bahwa pembagiannya kira-kira setengah kartu tarif dan setengah disiplin token.
Engineering & Research

Qwen4-Max Memangkas Biaya per Tugas 67%: Dari Mana Penghematan Itu Sebenarnya Berasal

Penulis

jinhao.song

Tanggal Terbit

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

Tagihan benchmark adalah artefak yang aneh: satu-satunya dokumen publik yang memberi harga pada kebiasaan sebuah model. Artificial Analysis menerbitkan berapa biaya menjalankan Qwen4-Max melalui Intelligence Index-nya — $3.27 per tugas — dan menerbitkan kartu tarif yang digunakannya untuk sampai ke angka itu. Bagilah satu dengan yang lain dan Anda memperoleh kembali sesuatu yang tidak pernah dinyatakan lab secara langsung: berapa banyak token yang sebenarnya dihabiskan Qwen4-Max untuk berpikir. Lakukan hal yang sama dengan Qwen3.8-Max, model yang digantikannya, dan penurunan biaya per tugas sebesar 67% terbagi rapi menjadi dua angka yang dalam sebagian besar liputan peluncuran 16 November disatukan. Sekitar setengah dari penghematan adalah pemotongan harga. Setengah lainnya adalah Qwen4-Max yang lebih sedikit berbicara. Dan pos biaya yang sekarang mendominasi tagihannya bukanlah pos yang disiratkan oleh harga utama.

Ringkasan vendor itu sendiri akurat tetapi memadatkan bagian yang menarik. Qwen4-Max, demikian yang dinyatakan Alibaba di halaman peluncurannya, menggunakan sekitar 24% lebih sedikit token daripada Qwen3.8-Max pada Xhigh effort dan 35% lebih sedikit pada High di Work360, serta 48% dan 49% lebih sedikit pada Terminal-Bench 4.0; biaya rata-rata per tugas di Work360 turun dari $4.43 menjadi $1.67, pengurangan 62%. Itu angka perusahaan pada benchmark perusahaan. Perhitungan independen di bawah ini mencapai 67% pada benchmark berbeda melalui jalur berbeda, yang merupakan jenis kecocokan yang berguna: dua metode, arah sama, besaran serupa.

Apa yang sebenarnya dikatakan papan skor independen

Di Artificial Analysis, Qwen4-Max mencetak 43 pada Intelligence Index dibandingkan 34 untuk Qwen3.8-Max, kenaikan 27% dalam kapabilitas terukur. Halaman yang sama menetapkan harga kedua model pada $1.50 per juta token input dan $4.50 per juta token output, dibandingkan $2.00 dan $6.00 — potongan rata 25% di kedua arah. Input yang di-cache adalah tempat diskonnya dramatis: $0.075 per juta dibandingkan $0.25, potongan 70%, dan tingkat diskon cache hit bergerak dari 87.5% ke 95%.

Biaya per tugas Intelligence Index, yang dibobotkan di seluruh sembilan evaluasi dalam indeks tersebut, berada pada $3,27 dibandingkan $10,02. Bagi biaya dengan skor dan selisihnya melebar: Qwen4-Max memberikan satu poin kemampuan terukur dengan biaya di bawah delapan sen, Qwen3.8-Max sekitar tiga puluh sen. Itulah angka yang perlu dipegang jika satu-satunya pertanyaan adalah ke model mana beban kerja akan dipindahkan — kemampuan per dolar meningkat sekitar tiga perempat, bukan sebesar 67% yang disiratkan oleh biaya per tugas saja.

Membalik tagihan untuk memulihkan jumlah token

Artificial Analysis memecah biaya per tugas menjadi beberapa komponen: input dengan tarif penuh, cache write, cache read, dan output, dengan output dipecah lebih lanjut menjadi token penalaran dan token jawaban. Analisis ini juga menerbitkan harganya. Bagi setiap komponen dengan harganya, maka Anda mendapatkan jumlah tokennya. Metode ini memvalidasi dirinya sendiri pada satu baris — komponen output dibagi $4.50 menghasilkan 104.940 token per tugas, dan halaman tersebut secara terpisah melaporkan 104.939,8 token output per tugas untuk Qwen4-Max. Kesesuaian persis hingga desimal, pada baris yang dihitung dengan dua cara berbeda.

Setiap baris lainnya mewarisi keyakinan itu, dengan satu asumsi yang dinyatakan secara terbuka: bahwa penulisan cache ditagih pada tarif input penuh, yang merupakan implikasi dari perhitungan aritmetika pada kedua model tersebut, bukan sesuatu yang didokumentasikan secara eksplisit oleh vendor mana pun.

Apa yang dihasilkan, per tugas Intelligence Index:

• Token keluaran — Qwen4-Max 104.940 dibandingkan Qwen3.8-Max 170.794, pengurangan sebesar 39%.

• Token penalaran — 68.914 dibandingkan 119.698, turun 42%. Anggaran berpikir menyusut jauh lebih besar daripada anggaran jawaban.

• Token jawaban — 36.025 berbanding 51.096, turun 30%. Qwen4-Max kini menghabiskan 66% keluarannya untuk penalaran, bukan 70% yang dihabiskan pendahulunya; ini bukan sekadar lebih pendek, melainkan proporsinya berbeda.

• Token yang dibaca dari cache — sekitar 14,9 juta dibandingkan 22,7 juta, turun 34%. Ini adalah token konteks yang diputar ulang yang mendominasi setiap proses agentik yang panjang.

• Token tulis cache — sekitar 1,11 juta dibandingkan 1,66 juta, turun 33%.

Ada dua hal yang menonjol. Pertama, pengurangan token tidak terkonsentrasi pada jawaban yang terlihat, tempat pengguna akan menyadari verbositas, melainkan pada penalaran dan konteks yang diputar ulang, tempat tidak ada yang mengawasi. Kedua, volume token per tugas sangat besar secara absolut — empat belas juta pembacaan cache per tugas — yang menunjukkan apa yang sebenarnya diukur oleh Intelligence Index: pekerjaan berhorizon panjang dengan konteks persisten yang besar, bukan tanya jawab satu putaran.

Two-column scoreboard comparing Qwen4-Max and Qwen3.8-Max on cost per task of 3.27 dollars against 10.02 dollars, output tokens per task of 104,940 against 170,794, cache-read tokens of 14.9 million against 22.7 million, and Intelligence Index scores of 43 against 34.

Pisahkan 67% tersebut menjadi harga dan perilaku

Biaya adalah harga dikalikan volume, sehingga penurunannya dapat diuraikan dengan rapi. Tagih volume token Qwen3.8-Max dengan tarif Qwen4-Max dan sebuah tugas berbiaya $4.97 alih-alih $10.02 — perubahan harga saja menyumbang penurunan 50%. Terapkan pula perilaku Qwen4-Max dan hasilnya menjadi $3.27, turun 34% lagi dari sisanya. Jika dikalikan, 0.496 kali 0.658 menghasilkan 0.326: penurunan 67% yang diamati, terhitung sepenuhnya, tanpa sisa.

Separuh mana yang layak mendapat pujian bergantung pada urutan Anda menghitungnya, dan layak untuk dikatakan demikian daripada memilih angka yang menyenangkan. Dalam persentase, harga bernilai sekitar 50% dan disiplin token sekitar 34%. Dalam dolar — $6.76 dihemat per tugas secara total, $5.06 dari tarif dan $1.70 dari volume — harga mengambil tiga perempat. Kedua kerangka itu benar; keduanya menjawab pertanyaan yang berbeda. Jika Anda memperkirakan pengeluaran kuartal berikutnya, daftar tarif adalah tuas yang lebih besar dan lebih pasti. Jika Anda bertanya apakah model tersebut benar-benar lebih ekonomis, 34% yang berasal dari penggunaan token yang lebih sedikit adalah yang lebih tahan lama, karena penurunan harga dapat dibalik dan arsitektur tidak.

Arah angka milik vendor sendiri menguatkan pemisahan itu tanpa perlu diminta. Alibaba menyebut kedua faktor sekaligus sebagai penyebab penurunan, dan angka 62% pada Work360 mendekati 67% yang diukur secara independen pada Intelligence Index — dua harness, dua set tugas, satu kesimpulan.

Pos anggaran yang diam-diam menjadi yang terbesar

Di sinilah harga utama menyesatkan. Sebelumnya, pembacaan cache menyumbang {{1}}57%{{/1}} dari tagihan dan penulisan cache {{2}}33%{{/2}}. Setelahnya, penulisan cache menjadi {{3}}51%{{/3}} dan pembacaan cache {{4}}34%{{/4}}. Model menjadi lebih murah pada setiap lini, tetapi diskonnya tidak merata — {{5}}diskon 70% untuk pembacaan cache{{/5}}, {{6}}diskon 25% untuk penulisan cache{{/6}} — dan itu membalik peringkat dua biaya terbesar.

Penulisan cache ditagih dengan tarif input, $1,50 per juta, dua puluh kali tarif baca cache sebesar $0,075. Beban kerja yang menulis ulang konteksnya lebih sering daripada memutarnya ulang kini membayar kebiasaan itu dengan mata uang termahal di kartu. Ini adalah konsekuensi praktis dari perubahan harga yang sebagian besar terlewatkan oleh liputan peluncuran, dan ini mendukung pekerjaan yang tidak menarik: prefiks prompt yang stabil, sesi berumur panjang, lebih sedikit pembangunan ulang konteks penuh. Pada Qwen3.8-Max, kebiasaan-kebiasaan itu tidak terlalu penting karena memutar ulang cukup mahal untuk mendominasi tagihan.

Pelajaran ini berlaku lebih luas daripada model ini. Ketika penyedia memangkas satu kelas token jauh lebih drastis daripada kelas lainnya, arsitektur prompt yang optimal turut berubah, dan tagihan yang Anda terima adalah indikator tertinggal dari arsitektur yang Anda bangun untuk kartu sebelumnya.

Alibaba Cloud Model Studio documentation page for qwen4-max, showing the model name as the page title, a release date of 11-16, the model invocation ID qwen4-max, and the listed regions including Singapore and US (Virginia).

Efisiensinya relatif, dan angka absolutnya tidak menggembirakan.

Pengurangan 39% dalam token keluaran terdengar seperti model yang ramping. Namun jika dibandingkan dengan model lain, itu hanyalah versi yang lebih ramping dari model yang sangat cerewet. Sepanjang seluruh proses indeks, Qwen4-Max menghasilkan 127 juta token keluaran; model median menghasilkan 78,6 juta. Qwen3.8-Max menghasilkan 150 juta. Kedua model Qwen berada jauh di sisi bertele-tele, dan Qwen4-Max hanya bergeser dari 1,9 kali median menjadi 1,6 kali median.

Itu bukanlah kontradiksi dari klaim efisiensi — itu adalah pembacaan yang benar atas klaim tersebut. Klaimnya adalah bahwa Qwen4-Max memperoleh hasil yang lebih baik daripada pendahulunya sambil menghabiskan lebih sedikit token, dan kedua bagian itu berlaku. Ini bukan klaim bahwa model tersebut pendiam, dan model anggaran apa pun yang dibangun di atas asumsi bahwa model berperforma tinggi haruslah ringkas akan salah jauh. Jika volume output mendorong biaya Anda, beralih ke Qwen4-Max mengurangi jumlahnya dan tidak mengubah kategorinya.

Angka pra-pelatihan dari vendor menunjukkan arah yang sama pada lapisan yang berbeda. Dalam evaluasi BPB internal, Qwen4-Max-Base 5–13% lebih baik daripada Qwen3.8-Max-Base di setiap domain sekaligus mengaktifkan 25% lebih sedikit parameter — arsitektur ini melakukan lebih banyak kerja per unit komputasi, yang konsisten dengan model yang membutuhkan lebih sedikit token untuk mencapai suatu kesimpulan. Apakah backbone 2,4 triliun parameter, 71 miliar parameter yang diaktifkan, dan tambahan 328 miliar parameter penyematan N-gram menjadi penyebabnya adalah penjelasan vendor, bukan pengukuran yang telah direproduksi oleh siapa pun di luar Alibaba.

Apa yang hilang dari gambaran biaya?

Latensi, salah satunya. Kartu Intelligence Index mencantumkan waktu per tugas sebagai tidak berlaku untuk Qwen4-Max; untuk Qwen3.8-Max, waktu tersebut 48,1 menit dibandingkan median 13,3 menit, salah satu hasil terukur yang paling lambat. Model yang 67% lebih murah per tugas dan membutuhkan waktu nyata per tugas yang tidak diketahui belum sepenuhnya dibandingkan dengan apa pun. Token murah yang harus Anda tunggu adalah produk yang berbeda.

Keluasan penyedia, sebagai poin lain. Harga di balik setiap angka di atas adalah satu tarif pihak pertama dari Alibaba Cloud, dan model tersebut saat ini muncul dengan satu host. Tidak ada sumber kedua untuk diarbitrase, jadi kartu tarifnya adalah tarifnya. Dan Qwen3.8-Max kini ditandai usang dan digantikan oleh Qwen4-Max serta di-benchmark setiap delapan belas jam alih-alih setiap enam jam, yang berarti baseline perbandingannya diperbarui lebih lambat daripada model yang diukur terhadapnya.

OrcaRouter model page for qwen/qwen3.8-max, showing the model id, input and output prices of $2.00 and $6.00 per million tokens, a 1,000,000-token context window, and the capability badges for vision, tools, JSON and reasoning.

Mengubah perhitungan menjadi anggaran yang Anda kendalikan

Dua tuas muncul dari dekomposisi ini, dan keduanya independen. Yang pertama adalah harga: kartu tarif yang tidak dapat Anda negosiasikan tetap merupakan kartu tarif yang dapat Anda hindari, sebagaimana halnya membayar harga daftar dan tidak lebih dari itu. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, sehingga pemotongan vendor seperti yang dilakukan Alibaba pada 16 November mencapai tagihan Anda pada hari yang sama alih-alih pada perpanjangan kontrak berikutnya — dan besarnya pemotongan khusus ini, terutama 70% pada input yang di-cache, adalah persis jenis perubahan yang membuat pengaturan pass-through menjadi terlihat alih-alih menyerapnya secara diam-diam.

Tuas kedua adalah volume, dan inilah yang tidak dapat dibuatkan oleh model untuk Anda. DSL perutean menyusun beberapa model menjadi satu panggilan, sehingga sebagian besar pipeline dapat berjalan pada model murah sementara bagian ekor yang sulit — tugas-tugas yang benar-benar membutuhkan MoE berparameter 2,4 triliun — dikirim ke model yang memilikinya. Pemisahan itulah cara Anda memperoleh dividen perilaku sebesar 34% tanpa membayar tarif model terdepan untuk pekerjaan yang tidak pernah membutuhkannya, dan itu adalah respons alami terhadap beban kerja yang normalnya memiliki empat belas juta token konteks per tugas.

Bersikap tepat tentang apa yang kami tawarkan dan tidak tawarkan: Qwen4-Max tidak ada dalam katalog kami per 16 November 2026. Model Qwen yang kami rutekan saat ini adalah qwen/qwen3.8-max, pendahulu yang digunakan artikel ini sebagai basisnya. Bagi tim yang ingin menguji apakah pengurangan token tetap berlaku pada trafiknya sendiri sebelum berkomitmen, failover otomatis adalah cara masuk yang berisiko rendah — rutekan sebagian, biarkan fallback tetap aktif, dan bandingkan trace nyata alih-alih tugas benchmark.

Apa yang akan mengubah pembacaan ini

Artificial Analysis menerbitkan jumlah token agregat per model, dan artikel ini menyimpulkan volume per tugas dari komponen biayanya. Jika harness berubah antara dua eksekusi — campuran tugas berbeda, pembobotan berbeda — sebagian dari penurunan output sebesar 39% bisa jadi disebabkan oleh harness dan bukan model. Rekonsiliasi persis pada baris output menentang hal itu, tetapi tidak menyingkirkannya, dan siapa pun yang memiliki traffic sendiri harus memperlakukan angka turunan tersebut sebagai hipotesis untuk diuji, bukan fakta yang menjadi dasar perencanaan.

Angka Work360 dari vendor membawa catatan penting yang berbeda, yang Alibaba sendiri nyatakan: dua checkpoint dalam perbandingan BPB merupakan model yang telah melalui post-training, bukan base, sehingga melemahkan kerangka perbandingan yang setara. Pengurangan biaya sebesar 62% pada Work360 tidak terpengaruh oleh hal itu, karena perbandingan tersebut membandingkan model yang telah dirilis pada set tugas yang tetap, tetapi klaim pra-pelatihan harus dibaca dengan mempertimbangkan hal itu.

Yang bertahan dari semua itu adalah bentuk jawabannya, bukan presisinya. Peluncuran yang dibingkai sebagai pemotongan harga juga, dan kurang lebih sama, merupakan perubahan dalam seberapa banyak model mengeluarkan token untuk mencapai jawaban — dan bagian kedua itulah yang tidak bisa ditiru pesaing dengan menyesuaikan kartu tarif. Itulah angka yang perlu diperhatikan saat model Qwen4 yang lebih kecil dirilis, karena jika disiplin token bersifat arsitektural, itu akan ikut dengan mereka, dan jika itu merupakan properti dari checkpoint ini saja, itu tidak akan ikut.

Dibandingkan dalam artikel ini1

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