Una card di titolo generata con la scritta «Qwen4-Max vs Qwen4 27B» e il sottotitolo «Uno di questi ha una scheda prezzi. L'altro ha una menzione sul palco», su tre schede: Qwen4-Max con contesto da 1M, $1,50 / $4,50 per 1M e AA Index 43; Qwen4 27B senza pesi, senza scheda del modello e senza prezzo; Qwen3.8-27B a $0,33 / $2,40 per 1M, contesto 256K e AA Index 20. Un piè di pagina recita «Dati di Qwen4-Max secondo Alibaba e Artificial Analysis; Qwen4 27B non ha specifiche pubblicate al 16 novembre 2026».
Guides & Insights

Qwen4-Max vs Qwen4 27B: un divario di prezzo di 4,5 volte e un modello che non puoi scaricare

Autore

jinhao.song

Data di pubblicazione

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

La domanda interessante su Qwen4-Max non è se sia buono. È se dovresti pagare 1,50 e 4,50 dollari per milione di token per un modello che ragiona a blocchi da 262.144 token quando un fratello da 27 miliardi di parametri — Qwen4 27B — dovrebbe svolgere gran parte dello stesso lavoro su hardware di tua proprietà. Il problema è che Qwen4 27B non esiste ancora in una forma che tu possa eseguire. Alibaba lo ha mostrato sul palco alla Apsara Conference il 22 settembre 2026 insieme a Qwen 4 Max, Qwen 4 Flash e Qwen 4 Plus, e da allora non ha pubblicato per esso alcuna model card, né pesi, né lunghezza del contesto, né prezzo, né benchmark. Qwen4-Max, al contrario, è passato alla tariffazione a consumo il 16 novembre con una finestra di 1.000.000 di token e un Artificial Analysis Intelligence Index di 43. Quindi la versione utile di questo confronto contrappone il flagship che puoi chiamare al modello piccolo che non puoi chiamare, e risponde alla domanda che decide davvero i budget: che cosa compra la differenza di prezzo per token di 4,5 volte, e che cosa dovrebbe fare il 27B per guadagnarsi il suo posto.

Due cartellini del prezzo, uno dei quali riporta dei numeri

Inizia da ciò che è scritto. Tutto in questa sezione è un dato pubblicato; nulla è dedotto.

• Qwen4-Max, Singapore — 1,50 $ per milione di token di input, 4,50 $ di output, tariffa fissa per l'intera finestra da 1.000.000 di token. Letture dalla cache 0,075 $ per milione, scritture da cinque minuti 1,875 $, scritture da un'ora 3,00 $.

• Qwen4-Max, altre regioni — $1.413 e $4.24 a Francoforte, Virginia, Tokyo, Hong Kong e Pechino, uno sconto del 5,8% sulla tariffa Singapore a parità di limiti.

• Qwen4-Max, indipendente — AA Index 43 con un costo fatturato dal valutatore di 3,27 $ per attività di indice, 0,80 $ per milione in media ponderata, 127M token di output nell’intera esecuzione.

• Qwen4 27B — nessun prezzo. Non “non annunciato”; nello specifico, non esiste alcuna riga da nessuna parte perché non esiste alcun modello a cui associarla.

La cosa più vicina a un piccolo Qwen che puoi eseguire oggi è Qwen3.8-27B, il modello multimodale denso con licenza Apache-2.0 della generazione precedente. Alibaba lo quota a $0,50 e $3,00 per milione sulla propria API; noi ospitiamo i pesi sui nostri server e applichiamo $0,33 e $2,40, perché i pesi aperti non hanno alcun costo per token del fornitore da trasferire. Artificial Analysis gli assegna 20 sullo stesso indice — ventitré punti sotto Qwen4-Max, che è tutta la questione racchiusa in un numero.

Quindi il rapporto onesto non si misura rispetto a un fantasma. È di 4,5 volte in input e 1,9 volte in output quando si confronta Qwen4-Max con l'ultimo 27B che è effettivamente stato rilasciato — e ventitré punti indice di capacità a fronte della differenza. Se sia un buon affare dipende interamente da su cosa il tuo carico di lavoro spende i token, il che è una domanda sulle tue trace più che su uno dei due fornitori.

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-27B — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, price per 1M $1.50 / $4.50, inputs text, image and video, open weights no, AA Index 43, cost per task $3.27. Qwen3.8-27B: context 256,000 tokens, price per 1M $0.33 / $2.40, inputs text, image and video, open weights Apache-2.0, AA Index 20, cost per task $3.53. Footer: 'Price and context vendor-reported; Qwen3.8-27B price is OrcaRouter self-hosted, Alibaba lists $0.50 / $3.00. AA Index and cost per task per Artificial Analysis v5.0.1. Qwen4 27B has no published figures.'

Cosa può offrire un 27B che un flagship da 2,4 trilioni di parametri non può

Tre cose, e nessuna di esse è la qualità.

Il primo è una bolletta fissa. Un flagship ospitato è un costo variabile che scala con il traffico e con quanto il modello si dimostra verboso quel giorno; un 27B aperto sul proprio hardware è un costo in conto capitale e un piano di ammortamento. A $0.33 e $2.40 per milione, un team che spende $3,000 al mese per il flagship spende circa $700 per il modello piccolo per lo stesso volume di token — e nel momento in cui quel volume raddoppia, uno di quei numeri si muove e l'altro no.

Il secondo è la latenza che controlli tu. Un modello dense da 27B su un singolo nodo risponde in una forma che puoi prevedere, perché non c'è una coda dietro di esso e nessun budget di ragionamento a lungo termine che non hai richiesto. Qwen4-Max usa per impostazione predefinita reasoning_effort: high con un budget di ragionamento di 131.072 token, e una richiesta che non imposta nulla ha riservato più margine di output di quanto la maggior parte dei job utilizzerà. Quel default è giusto per un modello di punta e sbagliato per un classificatore, un router o le mille piccole decisioni che un agente prende tra quelle interessanti.

Il terzo è la licenza. I pesi Apache-2.0 significano che il modello può essere quantizzato, ottimizzato tramite fine-tuning, incorporato in un prodotto che distribuisci ed eseguito in una giurisdizione in cui l'API non è disponibile. Qwen4-Max è proprietario, viene servito da sei regioni e restituisce solo testo: nessun peso, nessun fine-tuning, nessuna distribuzione on-premise. La documentazione di Alibaba afferma che il fine-tuning e la distribuzione del modello non sono supportati da nessuna parte.

Ciò che un 27B non può darti è proprio la cosa per cui è stato costruito Qwen4-Max. La spina dorsale da 2,4 trilioni di parametri con 71 miliardi di parametri attivi, i 328 miliardi di parametri di embedding N-gram, gli strati Gated DeltaNet che comprimono la cronologia in uno stato fisso per ogni strato Qwen Sparse Attention: nessuno di questi elementi architetturali si trasferisce a un modello dense da 27B, e nemmeno la finestra da 1.000.000 di token. La stessa presentazione della famiglia da parte del fornitore afferma che i modelli più piccoli sono «ottimizzati per ciò che i modelli piccoli fanno meglio», che è un modo elegante per dire che non sono lo stesso prodotto.

L'unica cosa che A​libaba ha detto su Qwen4 27B, e quanto vale

Nel post di annuncio di Qwen4-Max del 16 novembre, il paragrafo conclusivo recita: "E Max è solo il primo sguardo a Qwen4. I modelli più piccoli della famiglia stanno arrivando in open source, costruiti sulla stessa discendenza e addestrati con la stessa generazione di tecniche, ottimizzati per ciò che i modelli piccoli sanno fare meglio."

Questa è la dichiarazione più recente e più specifica esistente sul livello 27B, e vale esattamente ciò che afferma — cioè meno di quanto sembri. «Arrivare nell'open source» è un impegno su una licenza, non una data. «Stessa discendenza» è un'affermazione sulla discendenza architetturale, non su un checkpoint rilasciato. E la frase non nomina affatto il 27B; il nome del livello deriva dall'annuncio sul palco di settembre, quando il responsabile LLM di Qwen ha mostrato quattro modelli e ha detto solo che la famiglia sarebbe arrivata presto. Tra le due dichiarazioni c'è un intervallo di due mesi con quattro livelli promessi, uno consegnato e quello a pesi aperti — storicamente il livello che viene rilasciato per primo con pesi scaricabili — ancora assente.

Ciò che renderebbe questa pagina obsoleta è verificabile in tre punti, e tutti e tre sono quelli che hanno segnalato ogni rilascio di Q​wen. Un repository nell'organizzazione Q​wen su Hugging Face con un nome Qwen4; i repository di modelli più recenti dell'organizzazione oggi sono tutti Qwen3.8, aggiornati l'ultima volta all'inizio di novembre. Una model card su qwen.ai che nomina il tier con una lunghezza di contesto e una licenza. Oppure una riga di prezzo per un 27B ospitato, che ti direbbe quanto A​libaba ritiene che valga il tier prima che i pesi arrivino. Finché uno di questi elementi non si muove, qualsiasi conteggio di parametri, finestra di contesto o punteggio tu legga per Qwen4 27B è un'estrapolazione da Qwen3.8-27B e dovrebbe essere etichettato come tale.

Esempio pratico: lo stesso ciclo dell'agente su entrambe le schede

Prendi un agente di automazione dell'assistenza: prompt di sistema e schema degli strumenti da 40.000 token, una conversazione da 6.000 token, otto chiamate agli strumenti per ticket, 900 token di output per chiamata, nessuna modalità di pensiero, 20.000 ticket al mese. Metti in cache il prefisso. Questa è aritmetica sui prezzi di listino pubblicati.

• Qwen4-Max, Singapore, senza cache — 46.000 token di input per chiamata a 1,50 $ per milione equivalgono a 0,069 $; otto chiamate equivalgono a 0,552 $ per ticket. L'output a 900 token e 4,50 $ per milione è 0,00405 $ per chiamata, 0,0324 $ per ticket. 0,584 $ per ticket, 11.690 $ al mese.

• Qwen4-Max con il prefisso in cache — il prefisso da 40.000 token viene scritto una volta a $1.875 per milione e letto nelle sette chiamate successive a $0.075. Per ticket il prefisso costa $0.075 per la scrittura più $0.021 per sette letture; i 6.000 token in movimento costano $0.072 su otto chiamate. L'input arriva a $0.168, l'output resta $0.0324. $0.20 per ticket, $4.010 al mese — e la cache ha fatto più per la bolletta di quanto avrebbe fatto qualsiasi cambio di modello.

• Qwen3.8-27B alla nostra tariffa self-hosted — 46.000 token di input per chiamata a $0,33 per milione sono $0,0152; otto chiamate $0,121. L'output a 900 token e $2,40 per milione è $0,00216 per chiamata, $0,0173 per ticket. $0,139 per ticket, $2.780 al mese.

Emergono due cose. La cache del prefisso sul modello di punta fa risparmiare il 66% e lo porta entro 1,4× dal prezzo senza cache del modello piccolo: il divario tra i livelli è inferiore a quello tra l’uso della cache e il non usarla. E il vantaggio del modello piccolo è reale ma non rivoluzionario a questo volume di token: circa 1.200 dollari al mese su 20.000 ticket. Diventa rivoluzionario a dieci volte quel volume, oppure quando il lavoro è abbastanza semplice che un modello a 20 indici è sufficiente, cosa che per l’instradamento delle chiamate agli strumenti e la classificazione di solito è.

Dove l'ammiraglia non è opzionale

Esiste una categoria di lavoro in cui la fascia 27B non è un sostituto più economico bensì una soluzione impraticabile, ed essere chiari su questo è ciò che distingue un confronto utile da una pagina di vendita.

• Lavoro su contesti lunghi oltre i 256.000 token: Qwen3.8-27B si ferma a 262.144; Qwen4-Max arriva a 1.000.000, con un limite massimo di input di 991.808 token in modalità non-thinking. La revisione di un contratto da 400.000 token non entra affatto nel modello piccolo.

• Esecuzioni di agenti su orizzonti lunghi — Le dichiarazioni di Alibaba sulle capacità agentiche di Qwen4-Max riguardano un'esecuzione autonoma di 48 ore per la scoperta di materiali su una piattaforma di laboratorio wet e un passaggio di due diligence legale su 198 documenti di lavoro che produce un rapporto di 86 pagine. Qualunque cosa si pensi delle dimostrazioni dei fornitori, descrivono una classe di compiti che un modello a 20 indici non tenta.

• Input video esteso — Qwen4-Max accetta video e una finestra da 1M; la famiglia 27B accetta video a 262K. L'aritmetica sui fotogrammi al secondo di girato è implacabile.

• Codifica sicura — A​libaba riporta che i tassi di superamento a livello di funzione di Last Secure Code Bench passano dal 22,0% al 31,8% tra le generazioni sul tier Max, e che il codice sicuro contemporaneamente a livello di funzione, file e repository passa dall'8% al 14,7%. Si tratta di cifre del fornitore e non riprodotte, ma sono il tipo di numero che una revisione di sicurezza richiede e che la scheda di un modello piccolo non riporta.

Il pattern è che il modello di punta vale il suo prezzo sui compiti lunghi, multimodali o in cui un errore costa caro, e non sui compiti numerosi. La maggior parte dei sistemi in produzione contiene entrambi i tipi, ed è per questo che la risposta a "quale dei due" è di solito "entrambi, con instradamento".

Eseguire lo stato misto su una chiave

OrcaRouter offre la famiglia Qwen3.8 — Qwen3.8-Max, Qwen3.8-Flash e Qwen3.8-27B — su un unico endpoint compatibile con OpenAI al prezzo di listino del provider con 0% di ricarico, e il 27B è quello che eseguiamo sulla nostra infrastruttura dai pesi Apache-2.0, motivo per cui costa $0,33 e $2,40 invece di $0,50 e $3,00 di A​libaba. Non offre Qwen4-Max: quel modello è raggiungibile tramite l'API Model Studio di A​libaba e diverse piattaforme di terze parti, e non è in catalogo al 16 novembre.

Ciò che rende possibile oggi è il pattern di routing che questo confronto sostiene, senza aspettare il 27B. Un'unica API per più di 200 modelli significa che la decisione sul tier smette di essere una decisione di approvvigionamento: una richiesta che rientra in 256K e sembra di routine va a qwen/qwen3.8-27b; una richiesta lunga, multimodale o contrassegnata come ad alto rischio va a un modello frontier sulla stessa chiave; il DSL di routing esprime quella suddivisione come regola anziché come diramazione nel codice dell'applicazione. Il failover automatico significa che il tier economico può sopportare il volume senza diventare un singolo punto di guasto quando ha una giornata storta, e un taglio di prezzo da qualsiasi fornitore arriva sulla tua chiave lo stesso giorno perché il prezzo di listino viene trasferito anziché maggiorato.

La fusione di modelli è la terza opzione di quella cassetta degli attrezzi ed è quella che si adatta meno bene a questa specifica coppia: un panel di modelli che rispondono insieme costa più di ciascuno da solo, e la ragione per usarla è il disaccordo sulle domande difficili, non il volume. Vale la pena sapere che esiste; non vale la pena ricorrervi in un router per ticket di assistenza.

A screenshot of the OrcaRouter model page for Qwen3.8-27B at the identifier qwen/qwen3.8-27b, showing the $0.33 input and $2.40 output prices, the Vision, Tools, JSON and Reasoning capability tags, the attribution to Qwen dated 2026-08-13, and the description of it as Alibaba's open-weight 27B dense multimodal model released under Apache-2.0 and self-hosted on OrcaRouter's own infrastructure, accepting text, images and video with a 256K-token context window.

Cosa fare prima che i pesi arrivino

Se il motivo per cui aspetti Qwen4 27B è che vuoi un modello piccolo e aperto che puoi eseguire autonomamente, l'attesa non ti costa molto: Qwen3.8-27B è Apache-2.0, ha una finestra da 256K, legge testo, immagini e video e registra 90,3 su LiveCodeBench v6 e 89,2 su GPQA Diamond sulla scheda tecnica di Qwen — dati del fornitore, e solidi per le dimensioni. Parti da lì, misura cosa fa un modello con 20 indici al tuo tasso di successo nei task e saprai, prima che arrivi il checkpoint di Qwen4, se quel livello è adatto o meno al tuo carico di lavoro.

Se il motivo è il costo, metti prima in cache il prefisso. L'esempio pratico sopra mostra un risparmio del 66% sul modello di punta grazie a un solo parametro della richiesta, superiore al divario tra il modello di punta e il modello piccolo sulla stessa base senza cache. I team cercano abitualmente un modello più economico quando la parte costosa della loro fattura è un prefisso che stanno rileggendo a prezzo pieno.

E se la tua ragione è la capacità, nessun 27B sarà un sostituto. I ventitré punti indice tra Qwen3.8-27B e Qwen4-Max sono la differenza tra un modello che gestisce bene il lavoro di routine e uno che affronta i compiti lunghi, multimodali e ad alto rischio — e il linguaggio della roadmap di A​libaba stessa dice che i modelli piccoli vengono messi a punto per ciò che i modelli piccoli sanno fare meglio, il che è una promessa di efficienza più che di parità. Implementa ora la separazione del routing, sui livelli che esistono, e il giorno in cui un Qwen4 27B approderà su Hugging Face, sarà una voce di catalogo e una modifica alle regole anziché una migrazione.

A screenshot of Alibaba Cloud Model Studio's documentation page for qwen4-max (Latest Model), dated 11-16, showing the model description as the next-generation flagship multimodal model in the Qwen family covering text generation, image and video understanding and deep reasoning, its support for web search, tool calling and structured outputs, its OpenAI and Anthropic API compatibility, and its deployment regions including China (Beijing), Singapore and Germany (Frankfurt).