
Qwen4-MaxはOpus 5.5を打ち負かすと言われたが、Indexでは16ポイント後れを取っている
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 90 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 96 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 87 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 133 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100万トークンあたり · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100万トークンあたり · 120 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955知能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855知能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100万トークンあたり · 219 tok/s
Qwen4-Maxの発売日時点の判定は、Claude Opus 5.5とGPT-6.1 SolおよびGPT-6 Astraの両方を上回り、Claude Fable 5.2だけに劣るというものだった。しかし、5モデルすべてを同じ9つの評価に通した唯一のスコアボードでは、その4つの比較のうち3つが逆の結果になる。Artificial Analysis Intelligence Index v5.0.1を2026年11月16日——Qwen4-Maxが発売された日——に読むと、Qwen4-Maxは43、Claude Opus 5.5は59、GPT-6 Astraは57、GPT-6.1 Solは55、Claude Fable 5.2は65となっている。勝つと言われていたモデルに16ポイント差で劣り、3つのうち2番目に安いモデルには14ポイント、3番目には12ポイント劣る。4つ目の比較、つまりFable 5.2が先頭に立つ比較だけが、その主張のうちハーネスとの接触に耐える唯一の部分である。
その差は切り捨てるのではなく、分解して検討する価値がある。なぜなら、その主張はでっち上げではないからだ。それは、一致しない推論エフォート設定から比較を組み立てたときに得られるものであり、その不一致は毎回たまたま一方向に偏っている。以下では、Alibabaが実際に公表した内容、各ラダーの各段階でスコアボードが示す値、その主張が文字通り真になる唯一の読み方、そしてトラッカーがQwen4-Maxについてまったく持っていない数値を示す。
Alibabaが公表したこと、そして公表しなかったこと
まず切り分けるべきは、ベンダーの発表資料と、それを取り巻く論評だ。アリババ自身のQwen4-Maxのブログ投稿は2026年11月16日付で、その3,100語のどこにも競合モデルを名指ししていない。そこでの比較はすべて、同社の前のフラッグシップであるQwen3.8-Maxとのものだ。これは発表投稿としては普通のことであり、批判ではない。ただし、それは競争上の位置づけがベンダーから出たものではないということであり、出回っている「Opusを上回る」という主張は、誰か他の人が導き出した推論だ。
ベンダーが実際に主張している内容は次のとおりです(すべてベンダーによる報告であり、再現されていません):
• アーキテクチャ — 新しいQwen4アーキテクチャに基づく2.4兆パラメータのバックボーンで、ネイティブの視覚機能と100万トークンのコンテキストウィンドウを備えています。
• Qwen3.8-Maxに対するトークン効率 — AlibabaのWork360ベンチマークでは、Xhighエフォートでトークン数が24%少なく、Highで35%少なく、Terminal-Bench 4.0では48%および49%少ない。
• タスクあたりのコスト(Qwen3.8-Max との比較)— 平均 $4.43 から $1.67 へ、62% 削減。最も大きな削減はキャッシュ入力の価格設定で見られました。
• Work360 スコア — Qwen3.8-Max の 47.74 に対して 52.69。
それらのどれも異なる研究所間の比較ではなく、競合他社が公表した数値と照合することもできない。なぜなら、それらはベンダー自身が採点するベンチマークで測定されているからだ。独立した数値は同じ日、別の方向から届いた。
独立したハーネスが読み取る内容
Artificial Analysis v5.0.1は、AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 Hard Subset、Terminal-Bench-Science 0.1という9つの評価からなる複合指標であり、ラボではなくトラッカーによって実施されている。この指標では、Qwen4-Maxの43は81モデル中38位で、参加モデル全体の中央値41をわずかに上回る。第一世代アーキテクチャとしては立派なデビューだ。だがリーダーではなく、それが上回る位置に置かれた4モデルはいずれもそれより先行している:
• Claude Opus 5.5 — Maxで59、Xhighで57、Highで52、Mediumで48、Lowで35。2026年9月22日リリース。
• GPT-6 Astra — Maxで57、Xhighで55、Highで55、Mediumで52、Lowで43。2026年9月3日リリース、知識カットオフは2026年4月。
• GPT-6.1 Sol — Maxで55、Xhighで52、Highで50、Mediumで46、Lowで35。2026年9月29日リリース。
• Claude Fable 5.2 — Maxで65、Xhighで62、Highで62、Mediumで56、Lowで54。2026年11月9日リリース。
• Qwen4-Max — 43、エフォートごとの段階を設けず単一の数値として公開。2026年11月16日リリース。
その最後の非対称性こそがすべてを物語っている。Qwen4-Maxは推論モデルであり、トラッカーは競合他社を5つの異なる推論設定で評価する一方、Qwen4-Maxは1つの設定でしか評価していない。43を出した設定が、Opus 5.5、Astra、Solの最強設定と比較されており、その下にどれほどの伸びしろが残っているかをトラッカーは示していない。つまり「43対59」は、両モデルの上限を同一条件で比較したものではない。それは、Qwen4-Maxのたった1つの測定設定を、Opus 5.5の最良の設定と突き合わせたものなのだ。
その主張が真となる唯一の読み方
ラダーを下方向に読むと、その主張は偽ではなくなり、誤解を招くものになり始める。それはより興味深い失敗だ。Qwen4-Maxの43は、すべての対戦相手のすべての段に負けているわけではない。4つのうち3つでは最下段を上回るか同点だ:
• Claude Opus 5.5 に対して — 43 は Low 設定の 35 を 8 ポイント上回り、Medium の 48 には 5 ポイント及ばない。逆転点は Low と Medium の間に位置する。
• GPT-6 Astra に対して — 43 は Astra の Low 設定の 43 とちょうど並び、Medium の 52 には 9 差で敗れる。
• GPT-6.1 Sol に対して — 43 は Sol の Low 設定の 35 を 8 ポイント上回り、Medium の 46 には 3 ポイント及ばない。これはボード上で最も僅差の勝負だ。
• Claude Fable 5.2 に対して — 43 は、Low 設定の 54 を含むあらゆる段階に 11 ポイント差で敗れる。Qwen4-Max が到達する Fable 5.2 の設定は存在しない。
つまり、Qwen4-Max を Low effort で実行している競合相手と比較する比較は、Opus 5.5 と Sol について報告されている順序を正確に生み出し、Astra に対して報告されている引き分け以上を正確に生み出し、Fable 5.2 に対する報告されている敗北を正確に生み出すことになる。それは整合性の取れた自己無撞着な結果群であり、このハーネス上で流通している順序を生み出す唯一の結果群である。誰かがそれを意図的に組み立てたのか、デフォルト設定を最低設定と比較することでそこに至ったのかに関わらず、算術的にはそこに帰着する。
実用上の意味で重要なのは、スコアボードではなくローンチスレッドを読む人にとっての帰結だ。同じ推論努力量では、Qwen4-Max は GPT-6.1 Sol よりおよそ1段階、Claude Opus 5.5 より2段階後れを取っている。これは紛れもなく競争力のあるデビューだ。首位ではなく、「凌駕する」という表現にはほど遠い。

タスク当たりのコストが、2つの主張を1つから切り分ける
能力はローンチ時の喧伝が主張した内容の半分にすぎず、コスト面では状況はQwen4-Maxにとってより有利だ——3つのモデルのうち2つについてはそうだが、3つ目についてはそうではない。
• 表示価格 — Qwen4-Max は入力100万トークンあたり1.50ドル、出力100万トークンあたり4.50ドルで、キャッシュ割引は95%、ブレンド料金は100万トークンあたり0.80ドルです。このブレンド料金は、ここにある5モデルすべての中で最も低くなっています。GPT-6.1 Sol は1.47ドル、Claude Opus 5.5 は2.94ドル、Claude Fable 5.2 は5.74ドル、GPT-6 Astra は7.70ドルです。
• 完了したタスクあたりのコスト — Claude Fable 5.2 $26.54、Claude Opus 5.5 $10.04、GPT-6 Astra $6.24、Qwen4-Max $3.27、GPT-6.1 Sol $1.27。いずれも各モデルのMax設定時。
• 逆転 —— Qwen4-Maxはボード上で最も安いブレンド料金、タスク単価では3番目に安い。タスクあたりでClaude Opus 5.5を3倍上回り、GPT-6 Astraを約2倍上回る一方、GPT-6.1 Solには2.6倍の差で劣る。
仕組みは冗長性にあり、追跡ツールはそれを直接測定している。Qwen4-Maxはインデックスを完成させるために1億2700万個の出力トークンを生成し、同分野の中央値は7860万個だったため、非常に冗長と分類されている。中央値より60%多く書くモデルは、その料金面の優位性をそうすることに費やしている。アリババ自身の24~35%というトークン削減率は、Qwen3.8-Maxに対する実際の改善ではあるが、モデルが絶対的にどれほど冗長かについては何も語らない。そして請求書に到達するのはその数値なのだ。
つまり、この主張のコスト面はきれいに二分される。「Opus 5.5やAstraより実行コストが低い」はタスク単位では大差で事実であり、この記事におけるQwen4-Maxの最も強い点だ。「GPT-6.1 Solより安い」は、Qwen4-Maxの混合レートが46%低いにもかかわらず、タスク単位では2.6倍の差で誤りとなる。料金表から予算を立てたのに請求書で逆の結果を得た人は、同じギャップに気づいている。
トラッカーが持っていない数値
Qwen4-Maxページの1つの列は、指摘に値する形で空になっています。Artificial Analysisは、ここに掲載しているすべてのモデルについてタスクあたりの時間を報告しています——Claude Opus 5.5はMaxで24.9分、GPT-6 Astraは20.9、GPT-6.1 Solは22.9、Claude Fable 5.2は41.8——そしてQwen4-MaxについてはN/Aと報告し、タイミングチャートには「公開されているAPIはありません」と注記しています。
その注記から結論を出す前に注意深く読むべきです。なぜなら、それはモデルを呼び出せないという記述ではないからです。AlibabaはQwen4-Maxのトークンあたりの価格を公開しており、そのリリース投稿ではAPI価格がQwen3.8-Maxと比較して引き下げられたと述べています。また、トラッカー自体もAlibaba Cloudをこのモデルのプロバイダーとして記載し、タスクあたり$3.27のコストを引用しています。料金表、プロバイダー、測定されたタスクあたりコストがあるモデルにはAPIがあります。より可能性が高い解釈は、トラッカーが使用したどの経路でもタイミング測定を取得できなかったということであり、ページにはどの経路かが書かれていません。同じページにあるトラッカー自身のFAQは、このモデルが「1つのプロバイダーを通じてAPI経由で利用可能」だと述べており、これもグラフの注記と矛盾しています。
曖昧さの中で残るものはより限定的だが、依然として有用だ。Qwen4-Max には、それがローンチした当日の独立したレイテンシ数値が存在しない一方、比較対象になっているすべてのモデルにはそれが存在する。ワークロードがレイテンシに敏感なのであれば、まだ誰も公開していない数値に基づいて選択していることになり、正直な立場は、本番経路をそれに委ねる前に自分で測定することだ。

発売時の主張で何が通用するのか
出回っている事実主張のうち3つは事実だと確認でき、率直に述べておく価値がある。なぜなら、誤りを差し引くだけの主張検証は主張検証とは言えないからだ:
• コンテキストウィンドウ — 100万トークンと公称され、トラッカーによる計測値は984,000。これは実際の100万トークンモデルであり、200Kを切り上げたものではない。
• ネイティブビジョン — トラッカーはテキスト入力と画像入力、およびテキスト出力を記録しており、テキストモデルに後付けされた追加エンコーダーではなく、ベンダーの「ネイティブビジョン」という説明に一致しています。
• 値下げ — 100万トークンあたり$1.50と$4.50で、Qwen3.8-Maxのより高い料金表に対してであり、ここで比較した5モデルの中で最も低い混合料率です。価格設定をめぐる話の方向性に異論はありません。
納得がいかないのはランキングの方で、しかもランキングこそが最も繰り返し言及された部分なのだ。
ローンチ当日にこれをどうするか
このようなモデルで有用なのは、議論のどちら側につくことではなく、選択肢を安く保つことだ。Qwen4-Maxは、本当に低い単価の第一世代アーキテクチャであり、独立したスコアは中位、レイテンシの数値はない——試用には報い、移行には罰を与えるプロファイルだ。
ルーティングはそのためにあります。Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol、Claude Fable 5.2 はすべてOrcaRouter上で各ベンダーの定価のまま、マークアップ0%でルーティングされており、そのためベンダーの料金改定が当日に反映され、上記のタスクごとの計算は、2つ目の契約やSDKの変更なしに最新のまま保たれます。Qwen4-MaxはOrcaRouterではルーティングされていません。Alibaba自身のModel Studio APIや複数のサードパーティプラットフォームを通じて利用できますが、本記事はそうではないふりをしません。そのような状況でルーティングがもたらすのは比較です。Qwen4-Maxの比較対象となった4つのモデルは200以上のモデルにまたがる1つのキーの背後にあるため、Qwen4-Maxをそれらとベンチマーク評価するのは、両側で調達するのではなく、フェンスの片側での設定変更で済みます。
そしてもしQwen4-Maxが本当に採用されるなら、自動フェイルオーバーこそが、計測されていないモデルを本番経路に投入しても安全にできる理由だ——新モデルが遅いときや、欠けているタイミング値が示唆するような形で利用できないときに失敗するのではなく、レイテンシを把握済みのモデルへとリクエストが流れていく。

ローンチ当日の論調は、安価な中国製モデルがアメリカの旗艦モデル2つを追い越したというものだった。だが評価ハーネスが実際に示しているのは、適正価格のモデルが、その中で最も安いものより1段下、最良のものより2段下に位置し、本物の視覚能力と本物の100万トークン窓を備え、公表された速度はない、という姿だ。それは、その主張が聞こえさせたよりも優れた製品であり、より悪い順位であり、その二つの違いはまさに、スレッドとスコアボードの間の距離にほかならない。
この記事で比較したモデル2
この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新
