Una card di titolo 16:9 generata che riporta "Qwen4-Max vs LongCat 2.5", con il sottotitolo "Due modelli di punta che nessuno ha valutato, a dodici volte di distanza sul prezzo", e tre schede arrotondate: $4.50 contro $1.20 per milione di token di output, una finestra di contesto da 1.000.000 di token su entrambi i lati, e un punteggio indipendente assente per entrambi. Logo OrcaRouter in basso a destra.
Guides & Insights

Qwen4-Max vs LongCat 2.5: due flagship che nessuno ha ancora valutato, con prezzi distanti dodici volte

Autore

jinhao.song

Data di pubblicazione

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

Ecco un confronto con una proprietà insolita: nessuna delle due parti ha un numero. Qwen4-Max, generalmente disponibile da Alibaba dal 16 novembre 2026, pubblica un listino prezzi, una finestra di contesto e un elenco di funzionalità, e nessun benchmark di alcun tipo. LongCat 2.5, che Meituan ha pubblicato il 2 novembre 2026, viene fornito con una tabella di valutazione del fornitore di 31 righe e non ha ancora un punteggio indipendente: non esiste alcuna voce LongCat 2.5 nella classifica di Artificial Analysis, solo il suo predecessore LongCat 2.0, che non riporta neanche un valore di indice. Quindi, quando metti Qwen4-Max e LongCat 2.5 uno accanto all'altro, ciò che li separa davvero non è la capacità. Sono 1,20 $ contro 4,50 $ sui token di output, ed è se credi alla tabella del fornitore quando è l'unica tabella esistente.

Ciò rende questa pagina un tipo diverso di confronto rispetto al solito testa a testa. Non chiede quale modello sia migliore, perché nessuno al di fuori dei due laboratori può rispondere. Chiede quale dei due puoi permetterti di indagare, e a cosa la documentazione di ciascun fornitore si impegna e a cosa no.

A generated two-column scoreboard titled 'Qwen4-Max vs LongCat 2.5 - the scoreboard', comparing $1.50 against $0.30 input, $4.50 against $1.20 output, a 1,000,000-token context against 1,048,576, 131,072 maximum output on both sides, six regions against one platform, and no independent score against no independent score, over a footer reading 'Both vendors report no independent benchmark; prices are first-party list rates.' OrcaRouter logo bottom-right.

Cosa ha effettivamente rilasciato Meituan il 2 novembre

LongCat 2.5 è un modello sparse mixture-of-experts da 1,6 trilioni di parametri che attiva circa 48 miliardi di parametri per token, il che lo rende un'iterazione della stessa architettura di LongCat 2.0 anziché un nuovo design. È nativamente multimodale in un senso specifico e insolito: i segnali visivi vengono codificati come token discreti multi-livello tramite quantizzazione vettoriale residua sulle caratteristiche di un encoder semantico e allineato, così immagini e testo entrano nel backbone come un unico vocabolario di token anziché attraverso un adattatore aggiunto a posteriori. I casi d'uso dichiarati dal fornitore derivano da questo: costruire una pagina da uno screenshot, generare una scena 3D da una descrizione, produrre un poster.

Il contratto di servizio è concreto. Il contesto è di 1.048.576 token in ingresso e 131.072 in uscita. Due endpoint risiedono su api.longcat.chat: un /openai/v1/chat/completions compatibile con OpenAI e un /anthropic/v1/messages compatibile con Anthropic. Claude Code, Codex, Hermes, OpenCode e Kilo Code sono indicati come harness supportati, con una guida first-party per ciascuno. I pesi non sono disponibili; i pulsanti GitHub e Hugging Face del blog riportano entrambi "Coming soon" senza una data. LongCat 2.0 è stato distribuito con licenza MIT, quindi la questione della licenza per 2.5 è davvero aperta anziché risolta da un precedente.

A screenshot of Alibaba Cloud Model Studio's 'Model releases and updates' changelog, dated 2026-11-16 and headed qwen4-max, with the 2026-11-11 qwen4-max-preview entry and later entries visible below it.

Il Qwen4-Max di Alibaba, al contrario, è chiuso in modo diverso: la sua documentazione indica il fine-tuning e il deployment del modello come non supportati in modo esplicito, il che è un'affermazione più ferma di "coming soon". Testo, immagini e video in input; testo in output; una finestra di 1.000.000 di token; 131.072 token di output al di fuori della modalità di pensiero; pensiero attivo per impostazione predefinita con un budget di 131.072 token. Sei regioni — Singapore, Pechino, Hong Kong, Francoforte, Virginia e Tokyo — contro l'unica piattaforma proprietaria di LongCat.

Il divario di prezzo, e cosa permette di ottenere

• Input — Qwen4-Max 1,50 $ per 1M a Singapore e 1,413 $ altrove, rispetto a LongCat 2.5 0,30 $

• Output — Qwen4-Max 4,50 $ a Singapore e 4,24 $ altrove, rispetto a LongCat 2.5 1,20 $

• Input in cache — Qwen4-Max $0.075 in lettura dopo una scrittura di cinque minuti da $1.875, rispetto a LongCat 2.5 $0.006 in lettura

• Contesto — Qwen4-Max 1.000.000 token contro LongCat 2.5 1.048.576 token

• Output massimo — Qwen4-Max 131,072 token non-thinking, 262,144 condivisi con il thinking, rispetto a LongCat 2.5 131,072 token

• Modalità — input testuale, immagini e video di Qwen4-Max rispetto all'input testuale e immagini di LongCat 2.5, con tokenizzazione visiva nativa

• Pesi — nessuno dei due ne pubblica, ma LongCat 2.5 dice «prossimamente» mentre Qwen4-Max dice non supportato

• Regioni — Qwen4-Max sei contro LongCat 2.5 una piattaforma

• Punteggio indipendente — nessuno dei due ne ha uno

Sui token di output si tratta di una differenza di dodici volte a Singapore e di 3,5 volte sull'input. Facciamo i conti su una pipeline reale: un milione di chiamate al mese con 2.000 token di input e 500 di output costa 5.250 dollari su Qwen4-Max Singapore e 1.200 dollari su LongCat 2.5. A dieci volte quel volume, la differenza è di 52.500 dollari al mese contro 12.000, il che corrisponde a una persona in organico, non a un errore di arrotondamento.

A screenshot of Meituan's LongCat API Platform pricing page for LongCat 2.5, showing the vendor, the model name, input $0.30, output $1.20 and cache hit $0.006 per million tokens on a pay-as-you-go card labelled limited-time.

Ciò che il denaro extra acquista non è, stando ai documenti pubblicati, la capacità. Acquista una distribuzione regionale — Francoforte, Virginia e Tokyo contano enormemente per un'azienda europea o americana con un obbligo di residenza dei dati, e la piattaforma unica di Meituan non le offre. Acquista un percorso di input video che LongCat non documenta. E acquista la certezza operativa di un fornitore che vende modelli di frontiera alle imprese da anni, rispetto a una piattaforma la cui stessa pagina dei prezzi descrive le proprie cifre come a tempo limitato e si chiude dicendo "i prezzi sono soggetti a modifiche".

Quest’ultimo punto merita rilievo. Il listino tariffario di LongCat ti dice che non è la fonte autorevole per i propri numeri. Quello di Qwen4-Max, pubblicato questa mattina, non lo dice.

Leggere una tabella del fornitore quando è l'unica tabella

La pagina di rilascio di Meituan contiene 31 righe di valutazione, e la prima cosa interessante è l'insieme di confronto: GPT-5.5, GPT-5.6 Sol, Claude-Opus-4.8 e Claude-Opus-5. GPT-6.1 Sol di OpenAI, disponibile al pubblico dal 29 settembre, non è nella tabella. Non lo è nemmeno Claude Opus 5.5, il modello a cui punta l'alias opus in Claude Code. Gli avversari sono stati scelti.

La seconda cosa interessante è la frase riassuntiva usata nell'annuncio, secondo cui i punteggi di LongCat 2.5 si collocano "tra Claude-Opus-4.8 e Claude-Opus-5". Sul nuovo harness nella stessa tabella, si trova 15 punti sotto Opus 5. Entrambe le affermazioni provengono dalla stessa pagina. Non è un attacco al modello — un modello sparso da 1,6T addestrato end-to-end su acceleratori cinesi nazionali e servito a 1,20 $ per l'output è un risultato genuino — ma è un motivo per leggere la tabella come un sottoinsieme scelto anziché come una pagella.

Il problema di Qwen4-Max è l'inverso. Non c'è alcuna tabella. La documentazione di Alibaba specifica la meccanica con una precisione insolita — temperatura predefinita 1.0 con il thinking e 0.7 senza, top-p 0.95 e 0.8, top-k 20, un budget di thinking di 131.072 token, tetti di input separati di 991.808 token in modalità non-thinking e 983.616 in modalità thinking, sei regioni con i relativi ambiti di deployment — e non dice assolutamente nulla sulla qualità. Non esiste alcuna voce Qwen4 nell'indice dei modelli di Artificial Analysis, e l'URL specifico del modello restituisce un 404.

Quindi la scelta tra una tabella che devi scontare e nessuna tabella affatto è più vicina di quanto sembri. Entrambi i modelli richiedono una tua valutazione prima della produzione. La differenza è che Meituan ti ha dato un'ipotesi di partenza e A​libaba ti ha dato una specifica.

La suddivisione del carico di lavoro che decide davvero questo

Tre schemi, e la risposta è diversa per ciascuno.

• Generazione di testo ad alto volume — LongCat 2.5 vince sull'aritmetica in modo così decisivo che il benchmark mancante conta appena. Costando da 3,5× a 12× meno, può perdere in qualità con un margine evidente e comunque vincere sul costo per attività completata. Prova con un centinaio di tuoi prompt e verifica.

• Lavoro visivo da screenshot e input affini agli screenshot — la tokenizzazione visiva nativa di LongCat è il motivo per cui il modello esiste, ed è l’unica affermazione nel suo annuncio che sia architetturale anziché promozionale. Qwen4-Max accetta anche i video, quindi se il tuo input è un video anziché immagini statiche, è l’unico dei due che accoglierà la richiesta.

• Deployment regolamentato o sensibile alla latenza — le sei regioni di Qwen4-Max rispetto a una singola piattaforma non sono una questione di prezzo, ma di idoneità. Se i tuoi dati devono restare a Francoforte o in Virginia, il divario di prezzo di dodici volte è irrilevante perché l'opzione più economica non può servirti affatto.

Mantenere aperte entrambe le opzioni

OrcaRouter al momento non instrada LongCat 2.5 né Qwen4-Max; entrambi sono raggiungibili tramite le API dei rispettivi fornitori, con le tariffe indicate sopra. I modelli su cui dovremmo eseguire questo confronto dalla nostra parte sono quelli già presenti nel catalogo sulla stessa chiave — GLM-5.3 a $1,40 e $4,40 per milione, Qwen3.8-Max a $2,00 e $6,00, Kimi K3.1 Pro a $2,00 e $10,00 — perché un test a tre vie di un modello senza punteggio contro uno con prezzo e misurazioni è il modo più economico per scoprire se il nuovo modello vale davvero il suo prezzo di listino.

Il livello di routing è ciò che rende quel test economico. Una policy può inviare un campione di traffico live a LongCat 2.5 e a un modello noto in parallelo, confrontare gli output con qualunque giudice di cui ti fidi, e solo allora decidere se spostare il volume. Il failover automatico conta più del solito con due modelli così nuovi: nessuno dei due ha una cronologia abbastanza lunga da giustificare una dipendenza da un singolo fornitore, e una catena di fallback non costa nulla quando il percorso primario è sano.

Il verdetto onesto

Se il tuo lavoro consiste in testo e immagini su larga scala, LongCat 2.5 è il modello più interessante di questa pagina, e il suo vantaggio di dodici volte sul prezzo di output è l'unico dato concreto che l'uno o l'altro fornitore ti abbia fornito. Se il tuo lavoro richiede input video, un deployment regionale o un fornitore con una comprovata esperienza enterprise, Qwen4-Max è quello che soddisfa il requisito, e il prezzo è ciò che costa quella soddisfazione.

Quello che nessuno dei due modelli ti offre è un motivo per saltare la valutazione. Due flagship non valutati, pubblicati a due settimane di distanza, con prezzi diversi di un fattore dieci, sono esattamente la situazione in cui un pomeriggio del tuo traffico vale più di ogni tabella comparativa su internet — inclusa questa. La cosa da tenere d’occhio da entrambe le parti è la stessa: una model card anziché una voce di changelog. Parametri, contesto, prezzo e un identificatore API in un unico documento sono il segnale che un modello è finito. Il pulsante dei pesi di LongCat 2.5 dice ancora “coming soon”, e la pagina di Qwen4-Max ha ancora uno spazio vuoto dove dovrebbe andare la tabella dei benchmark.

Confrontati in questo articolo1

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno