Una card del titolo 16:9 generata su uno sfondo blu navy scuro con la scritta "Qwen4-Max" e il sottotitolo "Due date, un tabellone", e tre card arrotondate: DATA MODELLO 16 Nov 2026, SECONDO VENDITORE 18 Nov 2026, PUNTEGGIO INDICE 43. Una riga a piè di pagina recita "Artificial Analysis Intelligence Index v5.0.1". Logo OrcaRouter in basso a destra.
Guides & Insights

Qwen4-Max è ora in vendita in due posti. La classifica indipendente è la parte che vale la pena leggere.

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Qwen4-Max è stato messo in vendita generale il 16 novembre 2026 e, entro la mattina del 18 novembre, anche una piattaforma di inferenza di terze parti lo stava pubblicizzando, con lo stesso contesto da 1M token e gli stessi input di testo, immagini e video. Questa è la notizia, ed è una piccola notizia: un secondo venditore è un evento di distribuzione, non un evento del modello. Ciò che è arrivato nella stessa finestra e ha ricevuto quasi nessuna attenzione è una misurazione. Artificial Analysis ora include una voce Qwen4-Max e, sul suo Intelligence Index, assegna al modello un punteggio di 43, contro 34 per Qwen3.8-Max, il predecessore che sostituisce.

Entrambi questi numeri arrivano con un contesto che decide se siano buone notizie, e il blog del fornitore non lo fornisce. Quindi questo articolo fa tre cose in ordine: cosa è effettivamente uscito il 16 novembre, cosa dice la riga indipendente che il post di lancio non dice, e cosa cambia — e cosa si rompe silenziosamente — quando lo stesso modello è servito da qualcun altro che non sia A​libaba.

Due date, e solo una di esse è una release

La data del modello è il 16 novembre 2026. Il team Qwen di Alibaba ha datato il proprio post di lancio al 16 novembre, e la pagina di documentazione di Model Studio per il modello riporta un timestamp di aggiornamento di 2026-11-16 09:46:08 con l'intestazione "qwen4-max (Modello più recente)" e un semplice identificatore di modello qwen4-max. Quella pagina è quella che conta commercialmente: ha sostituito un identificatore di anteprima, qwen4-max-preview, che era stato aperto l'11 novembre su un piano a crediti con una data di ritiro pubblicata del 25 novembre. La disponibilità generale comportava un listino a consumo, sei regioni e nessuna scadenza.

L'evento del 18 novembre è diverso per natura. Una piattaforma che non è Alibaba ha iniziato a offrire il modello ai propri clienti, due giorni dopo la comparsa della scheda prezzi. Niente del modello è cambiato il 18 novembre: nessun nuovo peso, nessun nuovo valore di contesto, nessun nuovo prezzo dal laboratorio. Se stai leggendo una copertura che inquadra questa settimana come un lancio, l'inquadratura è indietro di un passo — Qwen4-Max è stato lanciato il 16, e ciò che è successo il 18 è che è diventato rivendibile su larga scala. Questa distinzione non è pedanteria. Ti dice quali domande fare: non «cosa può fare», a cui è stato risposto lunedì, ma «cosa sopravvive al passaggio attraverso un rivenditore», a cui nessuno ha risposto.

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.

Che cosa è stato rilasciato il 16 novembre

La specifica seguente è di Alibaba, ricavata dal post di lancio e dalla documentazione del modello, e nessuna sua parte è stata riprodotta in modo indipendente — in particolare l'architettura è una descrizione fornita dal venditore di un run di addestramento che nessun esterno ha ispezionato.

• Architettura — un nuovo design Qwen4 con un backbone da 2,4 trilioni di parametri, 71 miliardi di parametri attivati per token e ulteriori 328 miliardi di parametri di embedding N-gram

• Attenzione — tre layer Gated DeltaNet alimentano ogni layer Q​wen Sparse Attention, che comprime la cronologia in stati di dimensioni fisse e indicizza il contesto con granularità a micro-blocchi

• Lavoro sulla stabilità — quattro rami residui paralleli con gate dinamici di lettura e scrittura, descritti dal laboratorio come la ragione per cui l'addestramento da 2.4T non ha avuto picchi di loss

• Contesto — 1.000.000 di token nella documentazione del fornitore; Artificial Analysis misura la finestra utilizzabile a 984.000

• Limite di output — 131,072 token con thinking disattivato, oppure 262,144 condivisi tra thinking e risposta

• Modalità — testo, immagine e video in ingresso; testo in uscita. Visione nativa, non un componente aggiuntivo.

• Sforzo di ragionamento — livelli selezionabili, che il post di lancio indica come High e Xhigh quando cita le proprie cifre di efficienza

• Strumenti — chiamata di funzioni, chiamate parallele di strumenti, ricerca web, output strutturato conforme a JSON Schema, completamento del prefisso, caching esplicito e implicito

• Interfacce — Chat Completions e Responses di OpenAI, Messages di Anthropic e DashScope, che è la più ampia superficie di protocollo che Alibaba abbia rilasciato su un prodotto di punta

• Cosa manca — sia il fine-tuning sia il deployment del modello sono contrassegnati come non supportati. Non c'è alcun checkpoint, e il post di lancio dice solo che i modelli Qwen4 più piccoli "arriveranno in open source"

Le dichiarazioni sull'efficienza sono quelle su cui il lancio insiste maggiormente, e vale la pena formularle con precisione proprio perché sono condizionali. Rispetto a Qwen3.8-Max, il fornitore riporta circa il 24% in meno di token sul proprio benchmark Work360 con sforzo Xhigh e il 35% in meno con High, e il 48% e il 49% in meno su Terminal-Bench 4.0 con le stesse due impostazioni. Il costo medio per attività su Work360 scende da $4,43 a $1,67, una riduzione del 62%. Ognuno di questi numeri è dichiarato dal fornitore ed è legato a un livello di sforzo, che diventa il dettaglio importante più avanti, quando un rivenditore decide come esporre quel selettore.

La riga indipendente che nessuno cita

Artificial Analysis ha pubblicato Qwen4-Max su Intelligence Index v5.0.1, e la voce è insolitamente schietta. Il punteggio è 43, che il sito descrive come sotto la media tra i modelli comparabili — anche la mediana è 43, quindi il modello si colloca esattamente sulla linea anziché sopra di essa. È una frase meno lusinghiera di «nove punti in più rispetto al suo predecessore», ed entrambe sono vere. Qwen3.8-Max, misurato come snapshot 0902, ottiene 34 sullo stesso indice.

Il resto della riga è dove l'argomentazione diventa interessante, perché separa la capacità dal costo di estrarla.

• Punteggio dell'indice — Qwen4-Max 43 contro Qwen3.8-Max (0902) 34 su v5.0.1

Token di output per esecuzione dell'indice — 127 milioni contro 150 milioni, rispetto a una mediana di settore di 65,1 milioni. Entrambi i modelli sono estremamente prolissi; quello nuovo lo è meno.

• Tempo reale per attività: 32,1 minuti contro 47,5 minuti, rispetto a una mediana del settore di 11,5. Più veloce del suo predecessore, ma ancora tra i modelli più lenti misurati

• Throughput — 55 token di output al secondo, misurati sulla stessa API di Alibaba

• Costo per attività — $3,27 rispetto a $10,02, che è il numero più utile in assoluto della riga

Leggi queste cose insieme e l'aggiornamento è reale ma più limitato di quanto suggerisca il marketing. Qwen4-Max guadagna nove punti indice, riduce il tempo effettivo di un terzo e taglia di circa due terzi il costo per completare un'attività rispetto al modello che sostituisce. Non offre velocità in termini assoluti: a 32,1 minuti per attività è quasi tre volte più lento del modello mediano sulla stessa classifica, e per arrivarci consuma quasi il doppio del volume mediano di token. Se il tuo carico di lavoro è sensibile alla latenza, il numero dell'indice non è quello che deciderà la tua bolletta.

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.

Cosa sopravvive all'inoltro a un rivenditore

Questa è la parte che l'elenco del 18 novembre rende urgente anziché teorica. Quando un modello è servito da una piattaforma che non è il suo autore, quattro cose viaggiano in modo affidabile e una no.

I quattro elementi che circolano: la scheda del prezzo, perché viene copiata dalla pagina del fornitore; il dato sulla finestra di contesto, perché è un titolo; l'elenco delle modalità, perché è nel materiale di marketing; e la forma del protocollo, dato che la maggior parte delle piattaforme espone un endpoint compatibile con OpenAI indipendentemente da ciò che c'è dietro. Sono le cose che ogni scheda azzecca, e sono le cose che ogni articolo comparativo cita.

Ciò che non viaggia è la mappatura dell'effort. L'economia di Qwen4-Max dipende dall'effort per scelta progettuale: i risparmi sui token dichiarati dal fornitore stesso oscillano tra il 24% e il 35% su Work360 a seconda che si usi Xhigh o High, e la documentazione espone la scelta come parametro della richiesta. Un rivenditore che fissa l'effort su un unico valore predefinito, o che mappa un parametro di reasoning in stile OpenAI solo su due dei tre livelli, ti consegna un modello il cui costo per attività può differire di un terzo dalla cifra pubblicata dal fornitore — con un prezzo per token identico in fattura. Se stai facendo benchmark di un listing rispetto ai numeri di A​libaba, fissa esplicitamente il livello di effort e controlla cosa ne fa la piattaforma prima di concludere qualsiasi cosa sul prezzo.

Due cose più piccole da verificare: se il budget condiviso di 262.144 token per ragionamento e risposta venga applicato o troncato silenziosamente, e se la cache dei prompt venga passata alle tariffe di cache del fornitore anziché alla tariffa piena di input. Entrambe incidono sui soldi veri nelle lunghe esecuzioni degli agenti, e nessuna delle due è visibile in un titolo.

Ciò che non è cambiato, e non cambierà

Il fatto più importante di Qwen4-Max non compare né sul listino prezzi né sulla classifica: non puoi possederlo. Non esiste un checkpoint per questo modello e la documentazione indica il fine-tuning e la distribuzione autonoma come non supportati. La frase conclusiva del post di lancio promette che i livelli più piccoli di Qwen4 arriveranno all'open source, il che è un'affermazione sul futuro della famiglia, non su questo modello. Ogni via per Qwen4-Max passa attraverso l'API di qualcuno, che si tratti delle sei regioni di Alibaba o dell'endpoint di un rivenditore.

Questa è una configurazione normale per un flagship di frontiera del 2026, e comporta una conseguenza normale: la tua integrazione è un affitto, e il numero di proprietari è appena passato da uno a più di uno. Ed è l'unico argomento davvero valido a favore del listing del 18 novembre — non che sia più economico, ma che rappresenta un'altra via di approvvigionamento per un modello che non puoi ospitare tu stesso.

Se lo stai configurando questa settimana

Qwen4-Max oggi non è nel catalogo di OrcaRouter, e questo articolo non ha intenzione di far finta del contrario. Quello che c’è è il modello che sostituisce: qwen/qwen3.8-max, il flagship da 2,4 trilioni di parametri che ha segnato 34 sullo stesso indice e costa $2,00 in input e $6,00 in output per milione di token secondo il listino di A​libaba. Se stai sviluppando sulla linea Q​wen e vuoi provare Qwen4-Max senza puntare un percorso di produzione su un accordo commerciale vecchio di due giorni, lo schema sensato è mantenere il predecessore sulla stessa chiave e instradare tra i due — OrcaRouter porta più di 200 identificatori di modelli di vari provider dietro un unico endpoint compatibile OpenAI con 0% di ricarico, con failover automatico, così un’interruzione lato provider o un limite di frequenza non fa cadere la tua applicazione insieme a loro. Il DSL di routing fa la stessa cosa un livello più in basso: puoi comporre un modello economico per la maggior parte di un carico di lavoro e passare a quello costoso solo dove il task ne ha davvero bisogno, invece di pagare tariffe da flagship per ogni chiamata.

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.

Non è la stessa cosa che avere Qwen4-Max sulla chiave, e non dovrebbe essere venduto come tale. È la differenza tra l'aspettare che un modello raggiunga il tuo stack e l'avere uno stack in grado di assorbirlo quando ciò accade.

Cosa cambierebbe questo pezzo

Tre cose, in ordine decrescente di probabilità. Una seconda misurazione indipendente di Qwen4-Max chiarirebbe se 43 sia un limite inferiore o superiore: una singola board, un singolo harness e una singola impostazione di effort costituiscono una base fragile per un verdetto, e questo blog ha già visto revisioni degli indici spostare i punteggi di due cifre. Una ripartizione pubblicata per livello di effort da Artificial Analysis, analoga a quella già fornita per GLM-5.3, renderebbe il dato del costo per attività realmente utilizzabile invece che una media su un'impostazione non specificata. E un checkpoint di Qwen4 — qualsiasi checkpoint di Qwen4 — chiuderebbe del tutto la questione del noleggio.

Fino ad allora, la lettura corretta di questa settimana è quella meno affascinante. Lungh'idea di punta è stata rilasciata lunedì con un prezzo reale e un punteggio indipendente competitivo ma non da leader; un rivenditore l'ha acquisita mercoledì, ovvero la distribuzione che fa ciò che fa la distribuzione; e il numero che dovrebbe decidere la tua integrazione non è $1.50 o 43, ma 32.1 minuti e una bolletta dei token che viaggia a circa il doppio della mediana del settore. Sono questi due i costi che pagherai davvero.