生成されたヒーロータイトルカードには「Qwen4-Max vs Step-5 Preview」と表示され、サブタイトルは「能力48%増、コスト33%増、インデックスポイント当たり6%」、3つのピル型バッジには「43 vs 29 index」「.27 vs .35 per task」「2026年11月16日」と表示されています。フッター行には「スコアはArtificial Analysis Intelligence Index v5.0.1によるもの。価格は各ベンダーの料金表によるものです。」と書かれています。白い背景にフラットなベクタースタイルで、青からシアンへのグラデーションウォッシュがかかり、OrcaRouterのロゴが右下に合成されています。
Guides & Insights

Qwen4-Max vs Step-5 Preview:14インデックスポイント、1ポイントあたり0.5セント

著者

Elias Hawthorne

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

各モデルがタスクあたりに要するコストをそのスコアで割ると、この比較の両側は6%以内に収まる。Qwen4-Maxは、Alibabaが本日2026年11月16日にリリースしたモデルで、Artificial Analysis Intelligence Index v5.0.1で43を記録し、実測コストはインデックスタスクあたり$3.27——インデックスポイントあたり約7.6セントである。Step-5 Previewは、StepFunの6000億パラメータのスパース混合エキスパート(MoE)モデルで、2026年9月20日にリリースされ、同じインデックスで29を記録し、タスクあたり$2.35——ポイントあたり約8.1セントである。一方のモデルは、両者が共通して測られた唯一の尺度で知能が48%高い。もう一方は、料金メーターの両側で安く、入力では3分の1、出力では40%安い。そして、測定された能力1単位あたりでは、両者は7%以内に収まり、最新のフラッグシップがわずかに先行している。

それはどちらのベンダーが売り込んでいる比較でもなく、実際に移行を決めるのはこの比較だ。しかも、どの発表記事も触れていない非対称性がある。この2つのモデルのうち一方には独立に測定された出力速度があるが、もう一方にはまだ測定された速度がまったくない。登場してから数時間しか経っていないからだ。以下では、文書化されていることと測定されていることを分け、価格差を33%からまったく別の値へ動かすキャッシュの計算を行い、最後に答えがまったく拮抗していない2つの軸——重みと出力上限——で締めくくる。

今日現在、それぞれが何であるか

Qwen4-Maxはアリババの第4世代フラッグシップで、2.4兆パラメータのバックボーン上に構築され、トークンあたり710億パラメータが有効になり、さらに3280億のN-gram埋め込みパラメータを備えています。テキスト、画像、動画を入力として受け取り、テキストを返します。文書化されているコンテキストウィンドウは1,000,000トークンで、非思考モードでは入力上限が991,808トークン、思考モードでは983,616トークンです。この差は推論用の余裕分です。最大出力は思考オフで131,072トークン、思考オンでは推論と回答が262,144トークンの予算を共有します。思考はデフォルトでオンで、予算は131,072トークン、デフォルトの推論努力レベルはhighで、low、high、xhighから選択できます。これらの数値はアリババ自身のドキュメントによるもので、Qwen4-Maxは重みを公開しておらず、どのリージョンでもファインチューニングをサポートせず、どのリージョンでもモデルのデプロイもサポートしていません。

Step-5 Previewは、エージェント作業向けのStepFunのフラッグシップモデルです。総パラメータ数6,000億、アクティブパラメータ2,700億、100万トークンのコンテキストウィンドウを備え、テキスト・画像・動画の入力に対してテキストを出力します。推論の強度はlow、medium、highから選択できます。最大出力は64,000トークンと記載されており、max_tokensはデフォルトで上限なしのため、モデルが長さを決定します。ストリーミング、ツール呼び出し、JSON Schema出力、プロンプトキャッシュに対応し、APIはOpenAI互換です。

ローンチから3か月、「Preview」という名称はもはやその意味を成していません。StepFunは今日もモデル概要でこれをPreviewとして掲載していますが、BF16およびFP8のチェックポイントは10月15日からStepFun Model License 1.0の下でHugging Faceに公開されています。このラベルは命名上の習慣と捉えるべきで、エンドポイントがあなたの知らぬ間に移行するという警告ではありません。ただし、GAへのコミットメントと解釈してはいけません。ベンダーはそれを表明していないからです。

価格差は3分の1だ。それを変えるのはキャッシュの計算だ

定価ベースなら、両者の比較は簡単だ。Step-5 Preview はメーターの両方向で安く、しかもその差は丸め誤差では済まないほど大きい。

・入力 — Qwen4-Max はシンガポールで100万トークンあたり1.50ドル、他の5リージョンでは1.413ドル、これに対して Step-5 Preview は1.00ドル

• 出力 — Qwen4-Max $4.50、それに対して Step-5 Preview $2.70

• キャッシュ読み取り — Qwen4-Max は100万あたり$0.075(95%割引)、一方 Step-5 Preview は$0.10(90%割引)

• キャッシュ書き込み — Qwen4-Max は100万トークンあたり、5分TTLで$1.875、1時間で$3.00。一方、Step-5 Preview は無料。キャッシュミス時の入力料金$1.00にすでにプレフィックスの書き込みが含まれているため。

• ブレンド価格(Artificial Analysisのキャッシュヒット/入力/出力 7:2:1 ミックスに基づく)— Qwen4-Max は100万トークンあたり$0.80、Step-5 Preview は$0.54

キャッシュ書き込みの行こそが飛ばされがちな項目であり、適切なワークロードでは順位を逆転させうる項目でもある。30万トークンの文書を4回のパスでレビューし、各パスの出力を3,000トークン、シンガポールの料金、thinkingなし、というケースを考えてみよう。Qwen4-Maxでは、最初のパスがプレフィックスを$0.5625で書き込み、$0.0135の出力を出す。次の3回は1回あたり$0.0225でそれを読み込み、加えて3回合計で$0.0405の出力が発生する。合計$0.684。Step-5 Previewでは、最初のパスが入力$0.30、出力$0.0081。次の3回はそれぞれ$0.03に加えて$0.0243。合計$0.422。このジョブではStep-5 Previewのほうが38%安い。

単一パスに縮めると、差は縮まるどころか広がる — $0.576 対 $0.308 で、Step-5 Preview の方が46%安い — ただし理由は変わる。単一パスでは償却すべき読み取りがないため、決して再利用しないプレフィックスに対して Qwen4-Max のキャッシュ書き込みプレミアムを支払うことになる。実用的な原則はこうだ。Qwen4-Max のキャッシュは、何度も読み取られるプレフィックスには報い、一度しか読み取られないものには罰を与える。Step-5 Preview の一律 $0.10 のキャッシュ読み取りと、書き込み込みのミス時価格は、ヒット率を予測できないワークロードにとってより扱いやすい構造だ。

A generated two-column scoreboard titled 'Qwen4-Max vs Step-5 Preview — the scoreboard'. The Qwen4-Max column reads Intelligence Index 43, cost per index task .27, cost per index point 7.6 cents, cache write .875 per 1M, weights none published, max output 131,072 tokens. The Step-5 Preview column reads Intelligence Index 29, cost per index task .35, cost per index point 8.1 cents, cache write included in .00 miss price, weights BF16 and FP8 on Hugging Face, max output 64,000 tokens. A footer reads 'Index per Artificial Analysis v5.0.1; prices and limits per Alibaba and StepFun documentation, November 2026.'

14の論点、そして逆方向に広がる証拠の空白

両モデルは Intelligence Index v5.0.1 で評価されており、この指標には9つの評価が組み込まれています:AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2、Terminal-Bench-Science 0.1。どちらのモデルページも推論努力ごとの個別スコアを公開していないため、これらは Artificial Analysis が使用した設定での単一の数値です。

• 指標 — Qwen4-Max は43で、同クラス81件中38位、一方 Step-5 Preview は29で、大規模オープンウェイトモデル29件中10位。クラス中央値は異なる(41と23)ため、スコアは比較できても、これらの順位は互いに比較できない。

• インデックスタスクあたりのコスト — 3.27ドル対2.35ドル

• インデックスポイントあたりのコスト — 7.6セント対8.1セント。つまり、タスクあたりではより高価なモデルの方が、能力1単位あたりでは安価である

• 出力速度 — Step-5 Preview は毎秒124トークン、Qwen4-Max については公表された数値なし。Artificial Analysis はタスクあたりの所要時間を不明としており、プロバイダーページにはプロバイダーのベンチマークが一切記載されていない

• 最初の回答トークンまでの時間 — Step-5 Preview は23.53秒、Qwen4-Maxについては何も公開されていない

• インデックスタスクあたりの所要時間 — Step-5 Preview は15.2分で、同クラスの中央値13.3分に対して。Qwen4-Max には数値がない

• 冗長性 — Qwen4-Max はインデックス全体で1億2700万出力トークンを生成し、これは中央値7860万に対してのものだ。一方、Step-5 Preview は1億2900万で、中央値1億400万に対してのものだ。どちらも冗長だが、Qwen4-Max はより少ない同種モデル群と比べて冗長である

23.53秒という最初のトークン到達時間は、Step-5 Previewの対話型デプロイメントを計画している誰もが気にすべき数値だ。これはネットワーク起因の計測アーティファクトではない。デフォルトでthinkingが有効な6000億パラメータモデルが、回答が始まる前にあなたに課すコストそのものだ。Qwen4-Maxの推論のデフォルト設定——thinking有効、131,072トークンの予算、effortをhighに設定——も同じ方向を示しており、誰かが測定するまで、どちらが遅いかを正直に言う方法はない。これが発売日に買うことの実用的コストだ。スコアと料金表は得られるが、レイテンシの数値は得られない。

アリババ自身の評価資料は別問題であり、ベンダー報告かつ未再現として読むべきです。Work360(26の最上位業界ドメインを対象とする同社の社内ベンチマーク)について、ベンダーはQwen4-Maxを52.69、Qwen3.8-Maxを47.74と報告しています。また、Work360タスクあたりの平均コストが4.43ドルから1.67ドルへ低下したこと(62%削減)、および同ベンチマークでトークン使用量がxhighエフォート時で約24%、highエフォート時で約35%減少し、Terminal-Bench 4.0では48%と49%の削減になったことも報告しています。これらはQwen4-Maxを前身モデルと比較した主張です。Step-5 Previewについては何も述べておらず、これらのいずれも独立検証されていません。

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026, showing 'Released November 2026', the Alibaba Cloud provider label, an Intelligence Index of 43 ranked 38 of 81, in-benchmark ranks for performance, cost and verbosity, .50 input and .50 output per 1M tokens, a 95% cache discount, .27 cost per task, 127M tokens generated, and a 984k-token context window.

重み:これは接戦ではない

Step-5 Previewは本日よりダウンロード可能です。Hugging Faceリポジトリでは、StepFun Model License 1.0(表示義務と商用利用条件を備えたApache-2.0スタイルのライセンス)の下でBF16およびFP8のsafetensorsを提供しており、さらにチャットテンプレート、3つの量子化バリアント、デプロイレシピも用意しています。FP8はvLLMでB300×4台またはH200×8台、SGLangで同じハードウェア、BF16はB300×8台またはH200×16台です。過去1か月間で約1,600回ダウンロードされています。

Qwen4-Maxにはチェックポイントがなく、それを入手する道もない。Alibabaのドキュメントでは、ファインチューニングはすべてのリージョンで未サポート、モデルデプロイメントもすべてのリージョンで未サポートと明記されており、これは「重みがまだ公開されていない」よりも強い表現だ。つまり、ベンダーはこのモデルを同社のプラットフォーム経由で自分で実行することを一切認めない、と言っている。量子化、ファインチューニング、エアギャップ、または特定ビルドへの固定が可能なモデルを要件とするなら、比較はここで終わり、StepFunに軍配が上がる。

また、「オープン」であることで何が得られるかも変わる。Step-5 Previewのライセンスは条件付きで商用利用を認めているため、法務レビューが導入コストの一部となり、デプロイレシピは4~16基のGPUを搭載したノードを前提としている。これはワークステーションで動かすモデルではない。しかし、プロバイダーによる通知なしのアップデートで足元で挙動を変えられることのないモデルであり、規制対象のシステムや長期間運用するシステムを構築する人にとっては、それは14インデックスポイント以上に値する。

出力上限、そして知っておく価値のあるドキュメント上の矛盾

これは最も地味な違いであり、特定のワークロードに最も影響が出やすいものです。Qwen4-Maxは、thinkingオフで131,072トークンの出力が可能で、thinkingオンでは262,144トークンの共有予算になります。Step-5 PreviewのAPIドキュメントには、最大出力64,000トークンと記載されています。Hugging Faceのモデルカードには、出力は最大100万トークンまで可能で、入力と出力が同じ上限に対してカウントされると記載されています。

これら2つの記述は同じベンダーによるもので、1か月以内に示されたものであり、どちらも非推奨とは記されていません。長い出力を伴うタスク(完全なレポート、大きなパッチ、生成された文書など)を計画しているなら、カードではなくAPIドキュメントを読み、それに基づいて設計する前に上限をテストしてください。64,000という数字は、インデックスタスクあたり15.2分という時間と整合します。1Mという数字は、かなり異なることを示唆するでしょう。

もう一つ、指摘しておく価値のある非対称性があります。両モデルとも動画入力に対応していますが、運用上の詳細を公開しているのはStepFunだけです。1リクエストあたり最大60枚の画像を低詳細または高詳細で扱え、動画はURL、Base64、またはstepfile://参照として指定でき、128 MB未満のMP4で、クリップは5分未満が推奨されます。AlibabaはQwen4-Maxの動画入力を文書化していますが、モデルページで比較可能な制限は公開していません。動画が付随的なものではなくワークロードの中心であるなら、このドキュメント品質の差は、どちらのベンダーが以前にその質問を受けてきたかを示すシグナルそのものです。

今週は、誰がどれを選ぶべきですか?

請求額よりも性能の上限を重視するなら、Qwen4-Maxを選んでください。難しい推論、長期的なエージェント作業、あるいは9項目評価インデックスにおける43対29という差が、タスクが完了するか否かを分けるような用途です。その代わりに、2つのリスクを受け入れることになります。1つ目は、独立したレイテンシ数値も、ベンダーのWork360に関する主張を第三者機関が再現した結果もないまま、初日に購入することです。2つ目はキャッシュ書き込みプレミアムで、これは単一パスの長文脈作業に、書き込み100万トークンあたり$1.875という静かな課税をするものです。

モデルを自前で所有する必要がある場合、計画に組み込める実測 124 トークン/秒と初回トークン 23.53 秒が必要な場合、または予測できない形でワークロードのキャッシュ負荷が高い場合には、Step-5 Preview を選んでください。29 インデックスポイントを支払うこと、初回トークンの到着が遅いこと、出力上限がベンダーによって 2 通りに文書化されていることを受け入れてください。

今週のほとんどのチームにとって正直な選択肢は3番目、つまりどちらも選ばないこと、しかも排他的にそうすることだ。これら2つのモデル間の、測定された能力1単位あたりの差は6%で、これは単一のインデックス版の誤差範囲に十分収まるうえ、両モデルとも1つのハーネスによって一度しか評価されていない。ローンチ当日のスコアを根拠にどちらか一方にコミットするチームは、まだ再現されていない数値に立場を取っていることになる。

2つ目の契約なしで両方を実行する

現時点で、どちらのモデルもOrcaRouterのカタログにはありません——215個のモデル識別子を今朝確認しましたが、その中にQwen4の項目もStepFunのテキストモデルもありませんでした。どちらも各ベンダー自身のAPIから利用できます。Qwen4-MaxならAlibabaの6つのリージョン、Step-5 Previewならapi.stepfun.ai/v1にあるStepFunのOpenAI互換エンドポイントです。そうでないと言うのは、1週間も経たずに色あせてしまう類の主張でしょう。

私たちがルーティングしているのは、Qwen4-Maxが置き換えるモデルです。Qwen3.8-Maxは qwen/qwen3.8-max として当社のカタログに掲載されており、アリババ自身の定価である入力100万トークンあたり$2.00、出力$6.00で、マークアップなしでそのまま提供されています。さらに214の他の識別子が、1つのOpenAI互換ベースURL上に並んでいます。この比較でそれが重要になる理由はただ1つです。ローンチ初日のモデルは、本番経路を賭ける対象としては最悪であり、健全な姿勢は、新しいモデルを自社のトラフィックで測定する間、実績のある世代を経路に残しておくことです。ルーティングDSLはこれをコード変更ではなくポリシーとして表現します。難しい推論中心の呼び出しは新しいモデルに送り、大量の処理はより安価で実績のあるモデルに残し、自動フェイルオーバーによって、予期していなかった負荷の下で真新しいエンドポイントが性能劣化するケースを捕捉します。

パススルー価格設定は、この記事の計算が正確であり続けることも意味します。アリババが料金を引き下げたとき——今日そうしたように、Qwen4-MaxをQwen3.8-Maxの$2.00と$6.00から$1.50と$4.50へ移した——プロバイダーの定価をそのまま通すカタログは、次回の契約更新時ではなく当日にそれを反映します。これは、当社が各ベンダー自身のAPIより優れているという主張ではありません。1か月間維持されるのを確認していない価格を固定するものには、何も署名しないべきだという主張です。

A screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026, showing the model identifier, text, image and video input with text output, a 1M-token context window, a list date of 2026-08-03, .00 input and .00 output per 1M tokens, measured latency figures, and an OpenAI-compatible Python sample pointing at https://api.orcarouter.ai/v1.

読者が2週間後に欲しがる比較は、この見出しにある比較ではない。それはQwen4-MaxのレイテンシーとStep-5 Previewの安定版リリースを、ベンダーではない誰かが、人々が実際に実行するワークロードに対して測定したものだ。それまでは、擁護可能な立場は狭く地味なものになる。能力差48%、価格差33%、能力単位あたりの差6%、そして重み、出力上限、キャッシュ構造といった、どの指数スコアにも捉えられず、このローンチ週よりも長く残る一連の決定だ。