
Qwen 4 vs Claude Opus 5.5: Enam Belas Poin Indeks, dan Berapa Biaya per Jawabannya
- 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 1.02026-11-0717 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 · 126 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 · 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 · 147 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 · 123 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
Qwen4-Max mencetak 42.9 pada Artificial Analysis Intelligence Index dan Claude Opus 5.5 mencetak 59.1 — selisih 16.2 poin, diukur pada rangkaian uji yang sama, dalam revisi yang sama (v5.0.1), dalam rentang dua bulan satu sama lain. Pada papan peringkat yang sama, satu tugas indeks yang diselesaikan biayanya $3.27 pada Qwen4-Max dan $10.04 pada Claude Opus 5.5. Jadi rasionya jelas: Opus memberikan 38% lebih banyak poin indeks dengan biaya 207% lebih mahal per tugas. Apakah itu tawaran yang menguntungkan atau pemborosan sepenuhnya bergantung pada apakah beban kerja Anda membeli poin atau membeli jawaban, dan keduanya bukan pembelian yang sama. Tulisan ini memberi harga pada keduanya.
Kedua kartu tersebut, dimensi demi dimensi
Alibaba merilis Qwen4-Max ke ketersediaan umum pada 16 November 2026, dengan penagihan berbasis pemakaian, di enam region; Anthropic telah menjual Claude Opus 5.5 sejak 22 September 2026. Semua yang di bawah ini adalah harga daftar vendor atau pembacaan Artificial Analysis yang diberi label — keduanya tidak pernah dicampur dalam satu angka.
• Harga per juta token — Qwen4-Max $1.50 input / $4.50 output di Singapura ($1.413 / $4.24 di wilayah cakupan Global); Claude Opus 5.5 $4.00 input / $20.00 output. Keduanya adalah harga daftar vendor.
• Input cache — Qwen4-Max $0,075 per juta untuk pembacaan cache, dibandingkan $0,20 untuk Claude Opus 5.5. Qwen juga menerbitkan tarif penulisan cache: $1,875 untuk entri lima menit dan $3,00 untuk satu jam.
• Jendela konteks — 1.000.000 token yang dipublikasikan pada keduanya. Pelacak Artificial Analysis mencantumkan Qwen4-Max pada 983.616, yang merupakan batas atas input mode berpikir, bukan sebuah kontradiksi: Alibaba membatasi input pada 991.808 tanpa mode berpikir dan 983.616 dengan mode berpikir, karena penalaran dan jawaban berbagi satu anggaran output 262.144 token.
• Output maksimum — Qwen4-Max 131.072 token dalam mode non-thinking, atau 262.144 yang dibagi antara penalaran dan jawaban saat thinking diaktifkan. Claude Opus 5.5 tidak menerbitkan pembagian yang setara.
• Skor indeks — Qwen4-Max 42.9 pada effort xhigh; Claude Opus 5.5 59.1 pada effort max. Artificial Analysis, v5.0.1.
• Biaya per tugas indeks — $3.27 versus $10.04. Artificial Analysis, revisi yang sama.
• Bobot — keduanya tidak terbuka. Qwen4-Max dicantumkan sebagai proprietary dengan Alibaba Cloud sebagai satu-satunya host; Claude Opus 5.5 bersifat proprietary dan didistribusikan melalui API Anthropic, Amazon Bedrock, Google Cloud, dan Microsoft Azure.
• Modalitas input — keduanya menerima teks dan gambar serta mengembalikan teks. Tidak ada yang menerima video pada flag kemampuan pelacak.

Di mana keenam belas poin itu sebenarnya berada
Satu angka indeks lebih banyak menyembunyikan daripada mengungkapkan, dan pasangan ini adalah contoh yang baik. Suite tempat kedua model berdekatan bukanlah suite yang diperdebatkan orang.
• Terminal-Bench 4.0 — Claude Opus 5.5 59,6%, Qwen4-Max 48,5%. Selisih sebelas poin, dan yang paling langsung mencerminkan "bisa tidaknya ia mengendalikan shell".
• FrontierCode 2.0 — 46,4% versus 26,5%. Ini adalah kesenjangan terlebar dalam kumpulan ini dan yang konsekuensi komersialnya paling jelas, karena ini merupakan pekerjaan kode berskala repositori, bukan pembuatan fungsi tunggal.
• HLE Diamond — 67,9% versus 44,9%. Pertanyaan sains murni, selisih 23 poin.
• CritPt Agentic Hard — 68,0% versus 43,0%. Selisih 25 poin dalam penalaran tingkat fisika.
• GDPval — 1.866,27 versus 1.808,69. Selisih 3,1% pada tolok ukur nilai tugas. Pada pekerjaan profesional yang berbasis ekonomi, kedua model hampir berdekatan; pada pekerjaan teknis yang sulit, tidak demikian.
• Kemahatahuan — 48,1 untuk Claude Opus 5.5 dibandingkan 27,7 untuk Qwen4-Max, yang terdengar seperti kekalahan telak lainnya sampai Anda melihat kolom halusinasi di bagian berikutnya.
• Perbedaan kapabilitas — Model Anthropic memimpin pada keenam subskor yang dipublikasikan pelacak, dengan selisih tersempit di bidang keuangan dan akuntansi (59,4 versus 54,1) dan terlebar di bidang teknik (65,3 versus 50,1).
Pembacaan praktisnya: jika pekerjaan Anda adalah peringkasan, ekstraksi, atau analisis dokumen yang berpijak pada sumber, angka utama 16 poin melebih-lebihkan perbedaannya. Jika pekerjaan Anda adalah coding agentik, angka itu justru meremehkannya.

Kedua model mengarang hal-hal. Salah satunya melakukannya jauh lebih jarang.
Artificial Analysis melaporkan tingkat halusinasi omniscience bersama skor akurasi, dan ini adalah satu-satunya kolom di mana Qwen4-Max menang mutlak: 28,4% dari jawaban yang salah atau tidak dapat diverifikasi merupakan halusinasi, dibandingkan dengan 50,3% untuk Claude Opus 5.5. Dengan kata lain, Opus jauh lebih sering benar, tetapi ketika salah, kemungkinannya lebih dari dua kali lipat untuk salah dengan percaya diri alih-alih sekadar diam.
Itu penting untuk apa pun yang memiliki tahap tinjauan manusia. Model yang mengatakan "saya tidak tahu" pada 50% kasus ketika ia salah akan membuat Anda mengeluarkan biaya untuk kueri lanjutan. Model yang mengarang pada 50% kasus ketika ia salah akan membuat Anda mengeluarkan biaya untuk proses pemeriksaan fakta pada setiap output, yang merupakan pos biaya berbeda dan jauh lebih besar.
Tagihan adalah masukan, bukan keluaran.
Kedua model dijual berdasarkan tarif output yang ditonjolkan, dan pada keduanya tarif output bukan tempat biaya sebenarnya. Mengurai angka biaya per tugas milik Artificial Analysis sendiri: pada Qwen4-Max, $2,80 dari $3,27 dialokasikan untuk token input dan $0,47 untuk output. Pada Claude Opus 5.5, $6,57 dari $10,04 dialokasikan untuk input dan $3,47 untuk output. Itu masing-masing 86% dan 65%, dan dalam kedua kasus sebagian besar pos input adalah lalu lintas cache — $1,12 dari biaya input Qwen4-Max adalah pembacaan cache dan $1,67 adalah penulisan cache; angka setara untuk Opus adalah $4,74 dan $1,80.
Inilah sebabnya perbandingan per token antara kedua model ini adalah angka yang paling tidak berguna di halaman ini. Tarif output Qwen4-Max 4,4× lebih murah daripada Opus, tetapi keunggulan biaya per jawabannya hanya 3,1×, karena model ini menghabiskan porsi anggaran yang lebih besar untuk konteks yang harus dibacanya dan, dengan biaya $1.875 per juta untuk penulisan cache lima menit, untuk konteks yang harus ditulisnya.
Agen empat puluh putaran, dihargai dua kali
Ambil agen coding yang menambahkan 8.000 token output alat per giliran, menjalankan empat puluh giliran, dan mengeluarkan 1.500 token jawaban setiap giliran. Tanpa caching, harga daftar:
• Qwen4-Max — 6,56 juta token input terakumulasi seharga $1,50, ditambah 60.000 token output seharga $4,50: $9,84 + $0,27 = $10,11.
• Claude Opus 5.5 — 6,56 juta input dengan $4,00, ditambah 60.000 output dengan $20,00: $26,24 + $1,20 = $27,44.
Sekarang jalankan yang sama dengan rasio cache-hit 90% pada prefiks yang terakumulasi, yang memang dicapai oleh loop agen yang dibangun dengan baik:
• Qwen4-Max — 5,904M di-cache seharga $0,075 ($0,44) + 656K baru seharga $1,50 ($0,98) + keluaran $0,27 = $1,69.
• Claude Opus 5.5 — 5,904M di-cache seharga $0,20 ($1,18) + 656K baru seharga $4,00 ($2,62) + keluaran $1,20 = $5,01.
Dua hal muncul. Caching memangkas kedua tagihan lebih dari 80%, jadi agen tanpa prompt caching membayar lima hingga enam kali lipat dari yang seharusnya. Dan rasionya nyaris tidak bergerak — 2,7× tanpa cache, 3,0× dengan cache — karena keunggulan Qwen4-Max terkonsentrasi pada tarif penulisan cache, yang dipakai skenario cache di awal. Ini adalah aritmetika harga daftar berdasarkan tarif yang dipublikasikan, bukan tagihan hasil pengukuran; jumlah giliran, pertumbuhan prefiks, dan rasio cache-hit Anda akan mengubah angka absolut secara substansial.
Di sinilah lapisan routing juga membuktikan nilainya, bukan sekadar memudahkan. Kami meneruskan harga daftar penyedia dengan markup 0%, jadi selisih di atas adalah selisih penyedia, bukan selisih kami — dan jika Anthropic mengubah kartu Opus, perubahan itu langsung berlaku pada kunci yang sama di hari yang sama. Kedua model dapat dipanggil melalui satu endpoint dengan failover otomatis, yang di sini sangat penting secara spesifik karena jarak rilis keduanya dua bulan: regresi khusus Qwen4-Max muncul sebagai permintaan yang gagal, bukan sebagai jawaban buruk yang baru Anda sadari seminggu kemudian.
Apa yang sebenarnya diklaim oleh "cut off from distillation"
Klaim yang beredar seiring perbandingan ini — bahwa Qwen4-Max tampak kompetitif pada benchmark vendor lalu ambruk di indeks independen, dan bahwa Alibaba yang terputus dari distilasi menjelaskan penurunan itu — adalah dua klaim yang dibungkus dalam satu mantel, dan hanya klaim pertama yang dapat diukur.
Hal pertama itu benar dan tidak misterius. Materi peluncuran Alibaba melaporkan Work360 pada 52,69 berbanding 47,74 untuk generasi sebelumnya, pengurangan token sebesar 24% dan 35% pada benchmark yang sama, 48% dan 49% pada Terminal-Bench 4.0, serta pemotongan biaya per tugas dari $4,43 menjadi $1,67. Semua itu dilaporkan vendor dan belum direproduksi. Terhadap indeks independen sembilan suite yang mencakup FrontierCode 2.0 dan CritPt Agentic Hard — suite yang angka-angkanya tidak dipublikasikan Alibaba — model ini berada pada 42,9. Suite benchmark vendor dan suite independen yang mengukur hal berbeda akan tidak sepakat; itu kasus normal, bukan bukti apa pun.
Klaim kedua, tentang distilasi, bukanlah sesuatu yang dapat diverifikasi atau ditindaklanjuti oleh pembeli, dan itu bukan properti model yang dapat Anda panggil. Yang dapat diverifikasi dan berguna adalah bentuk defisitnya: terkonsentrasi pada kode berskala repositori dan sains yang sulit, tetapi tipis dalam nilai tugas profesional. Itu adalah pernyataan tentang di mana model harus diterapkan, dan pernyataan itu tetap berlaku apa pun yang ternyata benar tentang bagaimana model tersebut dilatih.

Mendapatkan salah satunya
Claude Opus 5.5 ada di katalog kami sebagai anthropic/claude-opus-5.5 dengan harga daftar dari Anthropic, $4.00 untuk input dan $20.00 untuk output per juta token. Qwen4-Max tidak ada di katalog kami — pengenal qwen4 mengembalikan not-found saat ini — dan rute menuju model itu adalah Model Studio API milik Alibaba sendiri serta beberapa platform pihak ketiga. Kami tidak akan berpura-pura sebaliknya, dan pengganti yang jujur di sisi kami adalah qwen/qwen3.8-max, model unggulan sebelumnya, dengan harga $2.00 dan $6.00.
Jadi aturan keputusannya lebih sempit daripada yang disiratkan papan skor. Jika beban kerja Anda adalah pengodean berskala repositori, penalaran teknis yang sulit, atau apa pun yang jawaban salahnya mahal dan jawaban lambatnya tidak, 16 poin itu nyata dan $10.04 per tugas adalah harga untuk itu. Jika beban kerja Anda adalah pekerjaan dokumen berbasis sumber dalam volume besar, di mana GDPval menyatakan kedua model berada dalam selisih 3%, Anda membayar tarif Opus untuk perbedaan yang tidak akan muncul di set eval Anda — dan Qwen4-Max seharga $3.27 adalah pembelian yang lebih baik, dengan tingkat halusinasi yang lebih rendah sebagai bonus. Angka yang perlu dihitung sebelum Anda memutuskan bukanlah selisih indeks. Melainkan berapa fraksi input Anda yang di-cache.
Dibandingkan dalam artikel ini2
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
