MAI Code 2 vs Qwen 4 Max 타이틀 카드. MAI Code 2는 Microsoft의 GitHub Copilot 모델로 표시되며, 백만 토큰당 입력 $0.50, 출력 $2.50, 1M 컨텍스트 창을 갖추고 엔드포인트와 공개된 출력 상한은 없습니다. Qwen4-Max는 Alibaba의 6개 리전 종량제 API로 표시되며, 백만 토큰당 $1.50 및 $4.50, 991,808토큰 입력 상한과 262,144토큰 공유 사고 예산을 갖습니다.
Guides & Insights

MAI Code 2 vs Qwen 4 Max: 9일, 두 개의 요금표, 하나의 엔드포인트

작성자

jinhao.song

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

이 비교 안에는 하나의 기한이 숨어 있습니다. Qwen 4 Max — Alibaba가 Qwen4-Max로 표기하고 API에는 qwen4-max로 등재한 모델 — 이 모델은 2026년 11월 16일에 종량제로 전환되었으며, 그것이 대체한 프리뷰 모델 문자열인 qwen4-max-preview와 qwen4.0-max-preview는 2026년 11월 25일 24:00 UTC+8에 응답을 중단합니다. 이는 오늘로부터 9일 뒤입니다. MAI Code 2는 마이크로소프트가 Qwen4-Max의 GA 하루 뒤인 2026년 11월 17일 Ignite에서 출시했으며, 그런 시한이 없습니다: GitHub Copilot 클라이언트 안에서 선택해야만 접근할 수 있고, 100만 입력 토큰당 $0.50, 100만 출력 토큰당 $2.50이며, 이는 2027년 5월 17일까지 이어지는 프로모션 요금입니다. 따라서 이 두 모델 중 하나에는 아직 놓칠 수 있는 마이그레이션 기한이 있고, 다른 하나에는 미리 계획할 수 있는 만료일이 있습니다. 이들 중 어느 것도 벤치마크는 아니지만, 이 두 가지가 두 모델을 구분 짓는 대부분을 설명합니다.

여기서는 가격 문제와 접근성 문제가 서로 반대 방향을 가리키고 있으며, 이 둘 중 하나만 요금표를 읽어서 해결할 수 있습니다.

하루 차이로 출시됐지만 그 외 모든 것에서는 서로 다른 두 모델

MAI Code 2는 Microsoft Ignite에 한 무대에 오른 일곱 모델 묶음 중 하나로 등장했으며, 그 정의적인 설계 선택은 벤더의 도구 밖에서는 존재하지 않는다는 점입니다. Alibaba의 Qwen4-Max는 싱가포르에서의 Token Plan 기간을 거친 뒤 전날 프리뷰 단계를 마쳤고, 그 정의적인 설계 선택은 정반대입니다. 6개 리전에서의 토큰당 과금, 네 가지 API 프로토콜, 그리고 불편한 부분도 그대로 남긴 문서화된 사양표입니다.

그 스물네 시간이 이 두 회사의 이야기 전부다. 한 회사는 자사가 이미 판매하고 있는 구독에 최적화된 모델을 내놓았다. 다른 회사는 자사가 이미 운영하고 있는 API에 최적화된 모델을 내놓았다. 아래의 모든 차이는 그로부터 비롯되며, 바로 그렇기에 이 비교는 애초에 해 볼 가치가 있다.

만료되는 할인이 포함된 요금 카드

• 입력 — MAI Code 2는 백만 토큰당 $0.50인 반면, 싱가포르의 Qwen4-Max는 $1.50, 글로벌 지역에서는 $1.413입니다. MAI는 싱가포르 요금의 3분의 1입니다.

• 산출량 — $2.50 대 $4.50 및 $4.24; 비율은 56%로 좁혀짐

• 캐시된 입력 — 싱가포르의 $0.075, 기타 지역의 $0.071에 비해 $0.025; 3배 격차로 목록에서 가장 작은 이점

• 캐시 쓰기 — Microsoft는 아무것도 공개하지 않으며, Qwen4-Max의 경우 5분 쓰기 기준 백만 개당 $1.875, 1시간 기준 $3.00입니다

• 2027년 5월 17일부터 — MAI Code 2의 요금이 $1.00 / $0.05 / $5.00로 두 배 인상되며, 이 시점에도 입력 요율은 Qwen4-Max보다 낮고 출력 요율은 Qwen4-Max보다 높습니다

• 컨텍스트 — Qwen4-Max의 입력 토큰은 991,808개이고 사고 모드에서는 983,616개로 감소하는 반면, VS Code 및 Copilot CLI 내 MAI Code 2는 100만 토큰입니다

• 출력 예산 — Microsoft에서 공개하지 않음, Qwen4-Max에서 추론과 답변 간에 공유되는 262,144토큰 예산 대비

• 가중치 — 둘 다 다운로드할 수 없습니다. 마이크로소프트는 이를 명시적으로 밝힙니다; Qwen4-Max의 Max 티어는 같은 제품군의 27B 티어와 달리 오픈 웨이트 약속을 포함하지 않습니다.

캐시된 입력 항목이 긴 에이전트 실행을 좌우하며, 이는 헤드라인과 상충한다. Qwen4-Max의 캐시 읽기는 자체 입력 요율의 5%이며, 공개된 계산 예시 — 8,000토큰 출력에 접두사를 두 번 읽는 경우 — 는 세 번의 동일한 패스를 캐싱 없이 $1.908인 것과 대비해 $0.918로 만든다. 고정된 시스템 프롬프트와 도구 스키마를 변화하는 질문 앞에 유지하는 팀은 입력 요율이 시사하는 것보다 훨씬 더 큰 실질적 할인을 받는다. 더 낮은 기준에서 MAI Code 2의 95% 캐시 할인은 종류상 비슷하지만, Microsoft는 캐시 쓰기 요금을 공개하지 않아 두 카드를 에이전트 워크로드가 대부분의 비용을 지출하는 유일한 차원에서 비교하기 어렵게 만든다.

출력 예산은 일반 공급(GA)으로 가는 과정에서 축소되었습니다.

Qwen4-Max의 GA에 관해 가장 적게 보도된 사실은 프리뷰가 모델에 더 많은 사고 여지를 주었다는 점입니다. 프리뷰에서는 사고+답변 공유 예산이 393,216토큰이었지만, GA에서는 262,144토큰입니다. 비사고 출력은 131,072토큰으로 제한됩니다. 모델이 실제 가격표와 다섯 개의 새 리전을 갖추게 된 바로 그 시점에 여유분의 3분의 1이 사라졌습니다.

그것이 회귀인지 여부는 워크로드에 따라 다르지만, 여전히 구성이 프리뷰 문자열을 가리키도록 설정한 사람이라면 누구나 알아야 할 문서화된 차이입니다. 왜냐하면 그 문자열들은 9일 후에 폐기되기 때문입니다. 살아남는 식별자는 qwen4-max입니다.

MAI Code 2의 해당 수치는 공개되지 않았습니다. Microsoft는 100만 토큰 컨텍스트 창과 구성 가능한 추론 수준을 문서화합니다. Copilot 문서는 추론 깊이를 조정할 수 있음을 확인하고 확장 컨텍스트가 VS Code 및 Copilot CLI 기능임을 언급합니다. 그러나 어떤 Microsoft 문서에도 출력 상한이 없으므로 262,144 수치와 비교할 대상이 없습니다. 이 비대칭성은 이번 대결 전체에 걸쳐 나타납니다. Qwen4-Max는 불편한 숫자를 알려주고, MAI Code 2는 듣기 좋은 숫자를 알려줍니다.

독립적인 점수들이 말하는 것 — 그 점수를 가진 유일한 한쪽의 입장에서

Artificial Analysis는 Qwen4-Max를 Intelligence Index v5.0.1에서 43점으로 기록하며, 인덱스 작업당 비용 $3.27, 작업당 32.1분, 출력 초당 55토큰, 첫 답변 토큰까지 155.4초, 자체 측정 컨텍스트 윈도우 984k를 제시한다. 이는 중위권 수치다. 같은 페이지의 장황성 관련 설명이 더 유용한 해석이다: 이 모델은 인덱스 실행에서 중앙값 모델의 약 두 배에 달하는 출력 토큰을 생성했으므로, 명목상 토큰 가격은 작업당 실제 비용을 과소평가한다.

MAI Code 2에는 Artificial Analysis 행이 전혀 없습니다. 모델 페이지도 없어서 지수 판독값도 없습니다. 존재하는 것은 마이크로소프트의 출시 게시물뿐입니다. 이름이 붙은 벤치마크 네 개 중 세 개는 최대 추론 노력에서 하위 에이전트를 비활성화한 채 GitHub Copilot CLI를 통해 회사 내부 MSBench 플랫폼에서 실행되었고, 네 번째는 Artificial Analysis에서 가져왔으며, 결과는 Claude Opus 5.5 성능의 96%를 비용의 5%로, GPT-6.1 Sol 성능의 98%를 비용의 40%로 달성한 것으로 표현됩니다. 벤치마크별 통과율은 공개되지 않았습니다.

그것들을 솔직하게 나란히 놓으면 두 모델의 순위를 매길 수 없다. 중립 지수에서 Qwen4-Max의 43은 중간 수준이고, MAI Code 2의 비율은 그 자체로 강하다. 둘은 서로 다른 하네스에서 서로 다른 것을 측정하며, 어느 벤더도 상대의 것을 실행해 본 적이 없다. 말할 수 있는 것은 Qwen4-Max의 수치는 감사 가능하고 MAI Code 2의 수치는 그렇지 않다는 것인데, 이는 능력이 아니라 증거에 관한 진술이다.

Artificial Analysis page for Qwen4 Max showing an Intelligence Index of 43 against a median of 43, $1.50 input and $4.50 output per million tokens, a 95 percent cache discount, 55 tokens per second, 32.1 minutes per task, $3.27 per task, 127 million output tokens against a median of 651 million, and a 984k token context window.

각 모델이 수행하도록 훈련된 동사들

마이크로소프트의 MAI Code 2 포지셔닝은 좁고 구체적입니다. 코드를 프로덕션으로 가져가기, 심층 디버깅, 다중 파일 구현, 저장소 전체 추론, UI 작업, 대시보드 및 시각화가 그것입니다. 출시 글 역시 한계에 대해 똑같이 구체적입니다. 모델은 "기초 과학 연구와 매우 장기적인 호라이즌의 에이전트 작업처럼 더 어려운 문제에는 아직 명시적으로 튜닝되지 않았습니다"라고 밝히고 있으며, GPT-6 Sol 대비 64%의 평가자 선호도를 주장하는 블라인드 프런트엔드 평가 역시 바로 그 시각적 코딩 강점에만 범위가 한정되어 있습니다.

Qwen4-Max의 포지셔닝은 설계상 더 넓으며, 문서에서도 이를 보여줍니다: 텍스트, 이미지 및 비디오 입력, 구조화된 출력, 병렬 도구 호출, 접두사 완성, 웹 검색, 그리고 명시적 및 암시적 캐싱 모두를 OpenAI Chat Completions, OpenAI Responses, Anthropic Messages 및 DashScope 전반에서 지원합니다. 배치 추론은 베이징에서만 제공되며, 할인은 Batch File 경로에만 적용됩니다 — Batch Chat은 실시간 요율로 표시되므로, 엔드포인트 이름에 있는 "batch"라는 단어가 그곳에서 가격 보장을 의미하지는 않습니다.

그것이 코딩 모델과 범용 모델 사이의 실질적인 비대칭이다. MAI Code 2는 아마도 그것이 만들어진 목적의 작업에서 더 뛰어날 것이며, 마이크로소프트는 공개하지 않을 내부 벤치마크를 갖고 있다. Qwen4-Max는 훨씬 더 많은 일을 할 것이고, 알리바바 자체의 독립적인 평가에 따르면 코딩 부분에서는 그저 그런 수준이다.

각각을 어디에서 실행해야 하는지, 그리고 여기서 라우터가 실제로 무엇을 위한 것인지

MAI Code 2는 Windows, macOS, Linux의 GitHub Copilot에서 Pro, Pro+, Max, Business 및 Enterprise용으로 사용할 수 있으며, Copilot CLI와 Visual Studio Code에서도 사용할 수 있습니다. MAI Code 2 Flash는 이 제품군에서 API를 제공하는 유일한 모델로, Microsoft Foundry에서 OpenAI 호환 Responses API를 통해 제공되는 제한적 액세스 미리 보기입니다. Qwen4-Max는 알리바바 자체 플랫폼의 6개 지역에서 제공됩니다. 현재 둘 다 OrcaRouter의 카탈로그에 없으므로, 이들을 라우팅한다는 어떠한 주장도 사실이 아닙니다.

카탈로그에 실제로 들어 있는 것은 싱가포르에서 $2.00 및 $6.00의 Qwen3.8-Max — Qwen4-Max 모델은 입력·출력 양쪽 모두에서 25% 더 저렴합니다 — 그리고 저렴한 코더를 벤치마크할 때 비교 기준으로 삼을 프런티어 모델들인 Claude Opus 5.5, Kimi K3.1 Pro, Gemini 4 Carbon입니다. 모두 공급자 정가에 0% 마크업으로, 모두 하나의 키로 이용할 수 있습니다. 이는 특정한 종류의 결정에 중요합니다: MAI Code 2와 Qwen4-Max 중에서 선택하려고 두 모델을 자체 저장소에서 모두 실행해 보려는 경우, 비교에는 대조군이 필요하며, 그 대조군은 오늘날 측정 가능하지만 두 후보 모델은 어느 쪽도 측정 가능하지 않습니다.

이 두 모델과 실제로 부딪혀도 살아남는 라우팅 논거는 "둘 다 하나의 엔드포인트 뒤에 두라"가 아닙니다. 그것은 당신이 실제로 통제하는 엔드포인트야말로 폴백이 존재하는 곳이라는 점입니다. Qwen3.8-Max를 호출하는 파이프라인은 코드 변경 없이 두 번째 제공자로 장애 조치할 수 있지만, Copilot 좌석은 그 어떤 것으로도 장애 조치할 수 없습니다. 그 아래에는 라우팅할 대상이 아무것도 없기 때문입니다.

공유된 벤치마크 없이 어떻게 선택할까

코드가 구성하는 요청에 모델이 답해야 한다면 Qwen4-Max를 선택하세요. 그것이 전부이며 결정적입니다: 4개 프로토콜과 6개 리전을 갖춘 API와 모델 선택기 항목의 맞대결은 자동화된 어떤 용도에서도 접전이 아닙니다. 11월 25일 전에 프리뷰 문자열에서 마이그레이션하고, 인덱스 실행에서 드러난 장황함을 예산에 반영하며, 프리뷰보다 3분의 1 작은 출력 상한을 예산에 반영하세요.

개발자들이 이미 Copilot에 있고 그 작업이 Microsoft가 가격을 책정한 일상적인 엔터프라이즈 수리 작업이라면 MAI Code 2를 선택하세요. Qwen4-Max의 입력 요금의 3분의 1, 출력 요금의 절반을 조금 넘는 수준이므로, 두 번째 시도가 필요한 모델조차 완료된 작업당 비용에서 이길 수 있습니다 — 그리고 Qwen4-Max와 달리, 이 프로모션 요금은 당신이 통제할 수 없는 무기한 카드가 아니라 명시된 종료일이 있습니다.

워크로드가 조달 위원회에 방어할 수 있는 점수를 필요로 한다면 둘 다 선택하지 마세요. 한 모델은 독립적 평가가 중간 수준이고, 다른 모델은 독립적 평가가 전혀 없습니다. 그 상황에서 방어 가능한 선택은 중립적인 리더보드에 있는 모델을 상대로, 자체 작업에서 호출할 수 있는 쪽을 실행하고 토큰 가격이 아니라 완료된 작업 비용을 비교하는 것입니다.

Alibaba Cloud Model Studio documentation page headed 'Recommended models', updated 2026-11-16, listing qwen4-max as the latest model for text generation alongside the qwen3.7-plus and qwen3.8-flash cards.Scoreboard comparing MAI Code 2 and Qwen4-Max across six dimensions. Input $0.50 versus $1.50 per million tokens, output $2.50 versus $4.50, cached input $0.025 versus $0.075, context 1M tokens versus a 991,808-token input ceiling, maximum output not published versus a 262,144-token shared budget, and access via GitHub Copilot versus a metered API in six regions.

판단을 바꿀 것은 Microsoft가 내놓는 단 하나의 절대 수치입니다. Moonshot이 Terminal-Bench 4.0에서 65.7%를 발표한 방식대로 Terminal Bench 2.1 통과율을 공개한다면, 구매자는 MAI Code 2를 Qwen4-Max의 43과 같은 축에 놓을 수 있고 비율에 의존하지 않게 될 것입니다. 그때까지는 선택이 측정할 수 있는 모델과 검증할 수 있는 할인 사이에 있으며, 솔직한 조언은 자동화되는 모든 작업에는 측정 가능한 쪽을, 사람이 직접 앞에 앉는 모든 작업에는 할인을 택하라는 것입니다.

이 글에서 비교한 모델1

이 글에서 자동 인식 · 벤치마크: Artificial Analysis · 매일 업데이트