
Qwen4-Max riduce del 67% il costo per attività: da dove deriva davvero il risparmio
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 90 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 87 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 133 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M di token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M di token · 219 tok/s
Il conto di un benchmark è uno strano artefatto: è l'unico documento pubblico che attribuisce un prezzo alle abitudini di un modello. Artificial Analysis pubblica quanto è costato far girare Qwen4-Max attraverso il suo Intelligence Index — $3.27 per task — e pubblica il listino prezzi usato per arrivarci. Dividi uno per l'altro e ricavi qualcosa che il laboratorio non dichiara mai apertamente: quanti token Qwen4-Max spende davvero pensando. Fai lo stesso con Qwen3.8-Max, il modello che sostituisce, e la riduzione del 67% del costo per task si divide nettamente in due numeri che gran parte della copertura del lancio del 16 novembre tiene insieme. Circa metà del risparmio è un taglio di prezzo. L'altra metà è Qwen4-Max che parla meno. E la voce che ora domina la sua fattura non è quella che il prezzo di copertina suggerisce.
Il riepilogo del fornitore è accurato, ma comprime la parte interessante. Qwen4-Max, afferma Alibaba sulla sua pagina di lancio, utilizza circa il 24% di token in meno rispetto a Qwen3.8-Max con impegno Xhigh e il 35% in meno con impegno High su Work360, e il 48% e il 49% in meno su Terminal-Bench 4.0; il costo medio per attività su Work360 scende da $4,43 a $1,67, una riduzione del 62%. Sono numeri aziendali su benchmark aziendali. L'aritmetica indipendente riportata di seguito raggiunge il 67% su un benchmark diverso attraverso un percorso diverso, che è il tipo utile di concordanza: due metodi, stessa direzione, entità simile.
Cosa dice davvero il tabellone indipendente
Su Artificial Analysis, Qwen4-Max ottiene 43 sull'Intelligence Index contro 34 di Qwen3.8-Max, un aumento del 27% della capacità misurata. La stessa pagina fissa i prezzi dei due modelli a 1,50 $ per milione di token in input e 4,50 $ per milione in output, contro 2,00 $ e 6,00 $ — uno sconto netto del 25% in entrambe le direzioni. È sull'input in cache che lo sconto è drastico: 0,075 $ per milione contro 0,25 $, un taglio del 70%, e la percentuale di sconto per cache hit passa dall'87,5% al 95%.
Il costo per attività dell'Indice di Intelligenza, ponderato su tutte e nove le valutazioni dell'indice, si attesta a 3,27 $ contro 10,02 $. Dividendo il costo per il punteggio, il divario si allarga: Qwen4-Max offre un punto di capacità misurata per meno di otto centesimi, Qwen3.8-Max per circa trenta. È questo il numero da tenere a mente se l'unica domanda è a quale modello spostare un carico di lavoro: la capacità per dollaro è migliorata di circa tre quarti, non del 67% che il solo costo per attività suggerisce.
Invertire la fattura per recuperare i conteggi dei token
Artificial Analysis suddivide il costo per attività in componenti: input a tariffa piena, scrittura in cache, lettura dalla cache e output, con l’output ulteriormente suddiviso in token di ragionamento e token di risposta. Pubblica anche i prezzi. Dividi ciascuna componente per il suo prezzo e ottieni i token. Il metodo si convalida su una riga: la componente di output divisa per $4.50 dà 104.940 token per attività, e la pagina riporta separatamente 104.939,8 token di output per attività per Qwen4-Max. Corrispondenza esatta al decimale, su una riga calcolata in due modi diversi.
Ogni altra riga eredita quella certezza, con un presupposto dichiarato apertamente: che le scritture nella cache siano fatturate alla tariffa piena dell'input, il che è ciò che implica l'aritmetica su entrambi i modelli anziché qualcosa che l'uno o l'altro fornitore documenti esplicitamente.
Cosa ne risulta, per attività dell'Intelligence Index:
• Token di output — Qwen4-Max 104,940 rispetto a Qwen3.8-Max 170,794, una riduzione del 39%.
• Token di ragionamento — 68.914 rispetto a 119.698, in calo del 42%. Il budget di pensiero si è ridotto molto più di quello per la risposta.
• Token di risposta — 36.025 contro 51.096, in calo del 30%. Qwen4-Max ora spende il 66% del proprio output nel ragionamento anziché il 70% speso dal suo predecessore; non è semplicemente più breve, ha proporzioni diverse.
• Token letti dalla cache — circa 14,9 milioni contro 22,7 milioni, in calo del 34%. Si tratta dei token di contesto riprodotti che dominano qualsiasi esecuzione agentica di lunga durata.
• Token di scrittura cache — circa 1,11 milioni contro 1,66 milioni, in calo del 33%.
Due cose saltano all'occhio. Primo, la riduzione dei token non è concentrata nella risposta visibile, dove un utente noterebbe la verbosità, ma nel ragionamento e nel contesto riprodotto, dove nessuno guarda. Secondo, i volumi di token per attività sono enormi in termini assoluti — quattordici milioni di letture della cache per attività — il che dice cosa misura realmente l'Intelligence Index: lavoro a lungo orizzonte con un ampio contesto persistente, non risposta a domande a turno singolo.

Suddividi il 67% in prezzo e comportamento
Il costo è il prezzo moltiplicato per il volume, quindi la riduzione può essere scomposta in modo pulito. Fattura i volumi di token di Qwen3.8-Max alle tariffe di Qwen4-Max e un’attività costa $4,97 invece di $10,02 — solo la variazione di prezzo spiega un taglio del 50%. Applica anche il comportamento di Qwen4-Max e si arriva a $3,27, un ulteriore 34% in meno su quanto rimaneva. Moltiplicati tra loro, 0,496 per 0,658 dà 0,326: la riduzione osservata del 67%, interamente spiegata, senza nulla in avanzo.
Quale metà meriti il riconoscimento dipende dall’ordine in cui la imputi, e vale la pena dirlo invece di scegliere il numero più lusinghiero. In termini percentuali, il prezzo vale circa il 50% e la disciplina sui token circa il 34%. In dollari — 6,76 $ risparmiati per attività in totale, 5,06 $ dalle tariffe e 1,70 $ dai volumi — al prezzo spettano tre quarti. Entrambe le prospettive sono corrette; rispondono a domande diverse. Se stai prevedendo la spesa del prossimo trimestre, il listino tariffe è la leva più grande e più certa. Se ti stai chiedendo se il modello sia davvero più economico, il 34% che deriva dallo spendere meno token è quello più duraturo, perché un taglio dei prezzi può essere annullato mentre un’architettura no.
La direzione dei numeri del fornitore stesso corrobora la divisione senza che venga loro chiesto. Alibaba attribuisce la riduzione a entrambi i fattori nello stesso respiro, e il suo 62% su Work360 si colloca vicino al 67% misurato in modo indipendente sull'Intelligence Index — due harness, due insiemi di attività, un'unica conclusione.
La voce di bilancio che, in silenzio, è diventata la più grande
È qui che il prezzo annunciato trae in inganno. Prima, le letture della cache rappresentavano il 57% della bolletta e le scritture della cache il 33%. Dopo, le scritture della cache sono il 51% e le letture della cache il 34%. Il modello è diventato più economico su ogni voce, ma lo sconto era sbilanciato — 70% sulle letture della cache, 25% sulle scritture della cache — e ha invertito la graduatoria dei due costi maggiori.
Le scritture in cache vengono fatturate alla tariffa di input, 1,50 $ per milione, venti volte la tariffa di lettura della cache di 0,075 $. Un carico di lavoro che riscrive il proprio contesto più spesso di quanto lo rilegga ora paga questa abitudine nella valuta più cara del listino. È la conseguenza pratica della modifica dei prezzi che la copertura del lancio ha per lo più mancato, e depone a favore del lavoro poco appariscente: prefissi di prompt stabili, sessioni di lunga durata, meno ricostruzioni complete del contesto. Su Qwen3.8-Max queste abitudini contavano meno perché la rilettura era comunque abbastanza costosa da dominare il conto.
La lezione si generalizza oltre questo modello. Quando un fornitore riduce una classe di token in misura molto più drastica delle altre, l'architettura ottimale del prompt cambia di conseguenza, e la fattura che ricevi è un indicatore ritardato dell'architettura che hai costruito per la scheda precedente.

L'efficienza è relativa, e il dato assoluto non è lusinghiero.
Una riduzione del 39% dei token di output sembra quella di un modello snello. Confrontala con il resto del panorama e appare come una versione più snella di un modello molto loquace. Nell'intera esecuzione dell'indice Qwen4-Max ha generato 127 milioni di token di output; il modello mediano ne genera 78,6 milioni. Qwen3.8-Max ne ha generati 150 milioni. Entrambi i modelli Qwen si collocano decisamente sul versante della verbosità, e Qwen4-Max è passato appena da 1,9 volte la mediana a 1,6 volte.
Non è una contraddizione dell’affermazione sull’efficienza, ma la sua corretta interpretazione. L’affermazione è che Qwen4-Max ottiene un risultato migliore del suo predecessore pur spendendo meno token, e entrambe le parti sono vere. Non si afferma che il modello sia silenzioso, e qualsiasi modello budget costruito sul presupposto che un modello ad alto punteggio debba essere conciso si sbaglierà di molto. Se è il volume di output a determinare i costi, passare a Qwen4-Max ne riduce il numero e non ne cambia la categoria.
I dati di pre-addestramento del fornitore indicano la stessa cosa a un livello diverso. Nelle valutazioni BPB interne, Qwen4-Max-Base è migliore del 5–13% rispetto a Qwen3.8-Max-Base in ogni dominio, attivando il 25% in meno di parametri: l'architettura svolge più lavoro per unità di calcolo, il che è coerente con un modello che necessita di meno token per giungere a una conclusione. Che la ragione siano il backbone da 2,4 trilioni di parametri, i 71 miliardi di parametri attivati e i 328 miliardi aggiuntivi di parametri di embedding N-gram è una spiegazione del fornitore, non una misurazione riprodotta da qualcuno al di fuori di Alibaba.
Cosa manca nel quadro dei costi
La latenza, innanzitutto. La scheda Intelligence Index riporta il tempo per attività come {{1}}non applicabile{{/1}} per Qwen4-Max; per Qwen3.8-Max è di 48,1 minuti contro una mediana di 13,3 minuti, uno dei risultati più lenti misurati. Un modello che costa il 67% in meno per attività e il cui tempo reale per attività è sconosciuto non è stato confrontato fino in fondo con nulla. I token economici per cui bisogna aspettare sono un altro prodotto.
L'ampiezza dei provider, per un altro verso. Il prezzo dietro ogni cifra sopra è un'unica tariffa first-party di Alibaba Cloud, e il modello attualmente compare con un solo host. Non esiste una seconda fonte su cui fare arbitraggio, quindi il listino è il listino. Inoltre Qwen3.8-Max è ora contrassegnato come deprecato in favore di Qwen4-Max e viene sottoposto a benchmark ogni diciotto ore anziché ogni sei, il che significa che la baseline di confronto si aggiorna più lentamente del modello rispetto al quale viene misurato.

Trasformare l'aritmetica in un budget che controlli
Dalla scomposizione derivano due leve, e sono indipendenti. La prima è il prezzo: un listino che non puoi negoziare è comunque un listino che puoi aggirare, ed è il caso di chi paga il prezzo di listino e niente di più. OrcaRouter trasferisce i prezzi di listino dei provider con markup 0%, così un taglio da parte di un fornitore come quello fatto da Alibaba il 16 novembre arriva alla tua fattura lo stesso giorno anziché al rinnovo contrattuale successivo — e l'entità di questo specifico taglio, in particolare il 70% sull'input in cache, è esattamente il tipo di cambiamento che un accordo di pass-through rende visibile invece di assorbirlo in silenzio.
La seconda leva è il volume, ed è quella che il modello non può creare per te. Il DSL di routing compone più modelli in un'unica chiamata, così la maggior parte di una pipeline può girare su un modello economico mentre la coda difficile — le attività che richiedono davvero un MoE da 2,4 trilioni di parametri — viene inviata a un modello che ne dispone. Questa suddivisione è il modo in cui catturi il dividendo comportamentale del 34% senza pagare le tariffe dei modelli di frontiera per un lavoro che non ne ha mai avuto bisogno, ed è la risposta naturale a un carico di lavoro in cui quattordici milioni di token di contesto per attività sono la norma.
Per essere precisi su ciò che offriamo e ciò che non offriamo: al 16 novembre 2026 Qwen4-Max non è nel nostro catalogo. Il modello Qwen che instradiamo oggi è qwen/qwen3.8-max, il predecessore che questo articolo usa come riferimento. Per un team che vuole verificare se la riduzione dei token regge sul proprio traffico prima di impegnarsi, il failover automatico è la via a basso rischio per iniziare — instrada una porzione di traffico, mantieni attivo il fallback e confronta tracce reali anziché attività di benchmark.
Cosa cambierebbe questa interpretazione?
Artificial Analysis pubblica conteggi aggregati di token per modello, e questo articolo deduce i volumi per attività dalle sue componenti di costo. Se il harness è cambiato tra le due esecuzioni — mix di attività diversi, una ponderazione diversa — parte della riduzione del 39% dell'output potrebbe essere dovuta al harness e non al modello. L'esatta riconciliazione sulla riga dell'output depone contro questa ipotesi, ma non la esclude, e chiunque abbia traffico proprio dovrebbe trattare i numeri derivati come un'ipotesi da verificare anziché come un fatto su cui pianificare.
Le cifre Work360 del fornitore comportano un'avvertenza diversa, che Alibaba stessa dichiara: due dei checkpoint nel confronto BPB sono post-addestrati anziché di base, il che indebolisce un'impostazione like-for-like. La riduzione dei costi del 62% su Work360 non è interessata da ciò, poiché confronta modelli rilasciati su un set di attività fisso, ma le affermazioni sul pre-training dovrebbero essere lette tenendone conto.
Ciò che sopravvive a tutto questo è la forma della risposta piuttosto che la sua precisione. Un lancio presentato come un taglio di prezzo è anche, e all'incirca in egual misura, un cambiamento in quanto il modello spende per raggiungere una risposta — e la seconda metà è la parte che un concorrente non può copiare modificando un listino prezzi. Questo è il numero da tenere d'occhio quando verranno rilasciati i modelli Qwen4 più piccoli, perché se la disciplina dei token è architetturale viaggerà con loro, e se era una proprietà di questo singolo checkpoint non lo farà.
Confrontati in questo articolo1
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
