
Qwen4-Max vs GPT-6.1 Sol: Token yang Lebih Murah Kalah di Tagihan, dan Batasnya di 272.000
- 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 · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 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 · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 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 · 44 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 · 134 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 · 126 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 · 185 tok/s
Jika kedua kartu tarif diterima apa adanya, Qwen4-Max menang jauh. Harganya tercantum $1,50 per juta token input dan $4,50 per juta output; GPT-6.1 Sol tercantum $2,00 dan $10,00. Untuk output, itu selisih 2,2× yang menguntungkan Qwen4-Max, dan itulah angka yang selalu dikedepankan dalam setiap perbandingan kedua model ini. Lalu jalankan keduanya melalui sembilan evaluasi yang sama dan lihat berapa biaya tiap prosesnya. Artificial Analysis mengukur $3,27 per tugas Intelligence Index untuk Qwen4-Max, yang tersedia secara umum sejak 16 November 2026, dibandingkan $1,27 untuk GPT-6.1 Sol, yang telah dijual OpenAI sejak 29 September 2026. Token yang lebih murah justru 2,6× lebih mahal per tugas yang diselesaikan. Dua mekanisme menghasilkan pembalikan itu, dan hanya satu yang dibahas — yang lain berada pada 272.000 token, tempat kartu Sol mengubah harga di tengah permintaan sedangkan kartu Qwen4-Max tidak.
Dua kartu dengan bentuk berbeda, bukan sekadar angka yang berbeda

• Harga input — Qwen4-Max $1.50 per juta tetap vs GPT-6.1 Sol $2.00 hingga 272,000 token, $4.00 di atasnya
• Harga output — $4.50 tetap vs $10.00 hingga 272,000 token, $15.00 di atasnya
Pembacaan cache — $0.075 per juta dengan penulisan sebesar $1.875 (5 menit) atau $3.00 (1 jam) vs $0.10 per juta dengan penulisan sebesar $2.50 dan $5.00
• Jendela konteks — 1.000.000 token dengan batas atas input mode berpikir 983.616 token vs 1.050.000 token
• Output maksimum — 131,072 non-thinking, atau 262,144 dibagi dengan reasoning vs 128,000
• Kontrol penalaran — tiga level (rendah, tinggi, xhigh), default tinggi vs lima (rendah hingga max), default sedang, selalu aktif
• Parameter sampling — temperature, top_p, dan top_k diterima vs ditolak; penalaran harus diarahkan hanya oleh effort
• Modalitas masukan — teks, gambar, video vs teks, gambar, file
Dua baris pertama adalah tempat uangnya. Qwen4-Max menawarkan satu tingkat dari nol hingga batas konteks, secara sengaja: tidak ada biaya tambahan untuk konteks panjang, tidak ada diskon batch juga, karena inferensi batch sama sekali tidak ditawarkan pada model itu. GPT-6.1 Sol menawarkan satu tingkat murah dan satu tingkat mahal, dan batas di antara keduanya adalah angka paling menentukan dalam perbandingan ini bagi siapa pun yang prompt-nya besar.
Apa dampak melewati 272.000 token terhadap aritmetika
Di bawah batas tersebut, satu juta token masukan pada GPT-6.1 Sol dikenai biaya $2,00 dan satu juta token keluaran $10,00. Pada atau di atas batas itu, katalog menagih permintaan sebesar $4,00 untuk masukan dan $15,00 untuk keluaran — dua kali lipat pada masukan dan kenaikan 50% pada keluaran. Qwen4-Max menagih $1,50 dan $4,50 baik pada 200.000 token maupun pada 900.000 token.
Jalankan tugas yang padat dokumen melalui keduanya, dan urutan biayanya berbalik bergantung pada besarnya permintaan. Prompt 150.000 token dengan jawaban 4.000 token berbiaya sekitar $0,26 pada Sol dan $0,24 pada Qwen4-Max — cukup dekat untuk disebut seri sehingga tidak ada hal lain tentang model-model tersebut yang harus diputuskan berdasarkan harga. Pekerjaan yang sama pada 400.000 token masukan berbiaya $1,65 pada Sol di tier atas versus $0,62 pada Qwen4-Max: selisih 2,7×, berlawanan arah dengan sebaran output utama dan lebih besar darinya. Pekerjaan konteks panjang adalah satu-satunya beban kerja di mana opsi Qwen4-Max secara gamblang menjadi pilihan yang lebih hemat, dan itulah beban kerja yang paling mungkin menjadi sasaran pasangan ini, karena kedua model dipasarkan dengan jendela 1 juta token.
Hal itu menjadikan batas tier sebagai keputusan perutean, bukan sekadar catatan kaki harga. Jika permintaan suatu pipeline mengelompok tepat di bawah 272,000 token, memecah atau melakukan caching agar tetap di bawah batas itu benar-benar bernilai uang; jika posisinya jauh di atasnya, pemecahan tidak ada gunanya dan Qwen4-Max lebih murah untuk input hampir tiga kali lipat.

Inversi yang tidak ada hubungannya dengan harga
Verbositas adalah mekanisme lainnya, dan hal ini lebih merugikan Qwen4-Max daripada keuntungan yang diberikan daftar tarif kepadanya. Pada Intelligence Index, Artificial Analysis mencatat 63,7 juta token keluaran dari GPT-6.1 Sol — ringkas menurut ukurannya, dibandingkan median 78,6 juta — dan 127 juta dari Qwen4-Max, yang disebutnya sangat bertele-tele. Dua kali lipat token keluaran dengan harga per token kurang dari separuhnya berujung pada tagihan yang 2,6× lebih besar.
Ini bukan keanehan dalam evaluasi. Materi peluncuran Alibaba sendiri menyampaikan poin yang sama dari sisi lain: klaim utama Qwen4-Max adalah bahwa model ini memangkas penggunaan token sebesar 24% hingga 35% dibandingkan pendahulunya, Qwen3.8-Max, dan 48% hingga 49% pada Terminal-Bench 4.0. Itu adalah peningkatan nyata, dan sifatnya relatif. Dibandingkan dengan GPT-6.1 Sol, model ini masih menggunakan sekitar dua token keluaran untuk setiap satu token yang digunakan Sol, dan postingan peluncurannya tidak mengklaim sebaliknya.
Konsekuensi praktisnya adalah bahwa model biaya apa pun yang dibangun dengan mengalikan jumlah token Anda dengan harga daftar akan salah dalam menentukan tanda perbandingan ini. Modelkan tokennya terlebih dahulu. Jika Anda sudah memiliki lalu lintas pada model yang ringkas dan sedang mempertimbangkan untuk beralih, perkirakan volume output Anda kira-kira menjadi dua kali lipat bahkan ketika tarif per token Anda turun lebih dari setengahnya — yang pada pasangan ini merupakan kerugian bersih.
Kecepatan, di mana hanya satu pihak yang telah menerbitkan apa pun
GPT-6.1 Sol lambat dan ini terukur: 23,1 menit per tugas Intelligence Index, 168,56 detik hingga token jawaban pertama, kecepatan keluaran 49 token per detik pada pengujian Artificial Analysis terhadap endpoint OpenAI. Lalu lintas playground kami sendiri, yang disampel selama tujuh hari hingga 16 November, menunjukkan median yang lebih cepat — sekitar 98 token keluaran per detik dengan p50 1,7 detik hingga byte pertama — yang memang wajar dari rute gateway yang berada di depan upstream berbeda daripada yang digunakan Artificial Analysis. Kedua angka itu bisa sama-sama benar; tidak satu pun menjelaskan jalur yang lain.
Qwen4-Max sama sekali tidak memiliki angka kecepatan independen. Artificial Analysis mencantumkan skor indeks model, harganya, dan total tokennya, tetapi membiarkan waktu per tugas, laju keluaran, dan waktu hingga token pertama kosong. Alibaba menerbitkan klaim efisiensi token, yang bukan latensi. Jadi untuk satu sisi perbandingan ini Anda dapat merencanakan kapasitas untuk jalur penuh, dan untuk sisi lainnya Anda hanya dapat merencanakan kapasitas untuk tagihan dan tidak ada yang lain. Siapa pun yang menerapkan antarmuka interaktif pada Qwen4-Max bulan ini sedang mengukur latensi sendiri untuk pertama kalinya.
Dua detail migrasi yang akan menghabiskan satu sore Anda untuk debugging
Penalaran GPT-6.1 Sol selalu aktif dengan lima level effort dan default medium, dan model ini menolak temperature serta top_p secara langsung — sampling diarahkan hanya melalui effort dan tidak melalui parameter lain. Qwen4-Max menerima seluruh set sampling, dengan default temperature 1.0 dan top_p 0.95 dalam mode thinking, 0.7 dan 0.8 di luar mode itu, plus top_k 20 dan presence penalty 1.5 saat thinking nonaktif. Klien yang dimigrasikan dari Sol ke Qwen4-Max akan diam-diam memperoleh perilaku sampling yang tidak pernah dimilikinya; migrasi sebaliknya akan melempar error.
String effort adalah cerminan sebaliknya. Sol menawarkan lima tingkatan; Qwen4-Max menawarkan tiga dan melipat sisanya, memetakan minimal ke low, medium ke high, dan max ke xhigh. Pipeline yang meminta medium dari Qwen4-Max akan mendapatkan penalaran dengan effort tinggi dengan anggaran thinking default 131,072 token dan tanpa error yang mengumumkannya. Pipeline yang meminta max akan mendapatkan xhigh dan terlihat benar. Kunci level dalam kosakata vendor itu sendiri per rute; jangan meneruskan string effort melewati batas model dan berharap.

Di mana keduanya seharusnya berada, dan bagaimana menjalankannya secara berdampingan
Pembagian yang mengikuti angka-angka: GPT-6.1 Sol untuk penalaran bervolume tinggi dengan prompt pendek, tempat keringkasannya memberikan manfaat berlipat, dan Qwen4-Max untuk permintaan di atas 272.000 token masukan, untuk masukan video, atau untuk beban kerja yang membutuhkan kontrol sampling alih-alih pengaturan tingkat upaya.
Menjalankan pemisahan itu biasanya merupakan bagian yang mahal, dan itulah kasus yang ditangani OrcaRouter di satu sisi. GPT-6.1 Soldirutekan pada $2,00 dan $10,00 per juta di bawah batas tier dan $4,00 dan $15,00 di atasnya — tarif milik vendor sendiri, diteruskan tanpa markup 0%, jadi aritmetika tier di atas adalah yang sebenarnya Anda bayar, bukan perkiraannya — melalui kunci yang sama dan endpoint yang kompatibel dengan OpenAI yang sama seperti Claude Opus 5.5, Grok 4.5, Qwen3.8-Max dan Tencent HY4 Preview. Qwen4-Max belum ada di katalog, jadi sisi itu untuk sementara tetap memakai kunci Alibaba langsung.
Yang masih cukup untuk membuat perbandingan itu nyata: tentukan batasnya sekali dalam aturan routing, kirim apa pun di bawah 272.000 token ke rute Sol dan apa pun di atasnya ke Qwen4-Max, dan biarkan failover menangani model baru selagi Anda menetapkan latensinya. DSL routing itulah yang membuat itu menjadi sebuah aturan, bukan layanan — kondisi berdasarkan ukuran permintaan, dua tujuan, satu endpoint, dan fallback otomatis jika sisi eksperimental berperilaku tidak semestinya.
Versi singkatnya, dengan tanggal kedaluwarsanya.
Qwen4-Max adalah model yang lebih murah per token dan lebih mahal per tugas, dan alasannya adalah model itu menulis dua kali lebih banyak. GPT-6.1 Sol adalah model yang lebih murah per tugas dan lebih mahal per permintaan panjang, dan alasannya adalah batas tier pada 272.000 token yang tidak dimiliki pesaingnya. Tidak satu pun dari fakta itu berkaitan dengan kecerdasan, di mana keduanya terpaut dua belas poin indeks — 43 berbanding 55 pada upaya maksimal Sol — yang menguntungkan Sol.
Perbandingan ini memiliki tanggal kedaluwarsa. {{1}}Postingan peluncuran Alibaba menyatakan bahwa model Qwen4 yang lebih kecil akan segera hadir di open source, dan kartu per token untuk model 2,4 triliun parameter persis merupakan hal yang akan direvisi begitu bulan pertama lalu lintas agen masuk.{{/1}} Sampai saat itu, putuskan berdasarkan volume token dan ukuran permintaan, bukan berdasarkan tarif output.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
