Muse Spark vs Qwen 4 Max: 이 비교의 절반은 아직 엔드포인트가 없다

비교하는 페이지Muse Spark와Qwen 4 Max두 모델 중 어느 쪽의 품질과도 아무 관련이 없는 문제가 하나 있으며, 그 문제는 마지막 문장이 아니라 첫 문장에 있어야 합니다. Muse Spark는 실제로 존재하며 호출할 수 있습니다. Meta Superintelligence Labs가 2026년 4월 8일에 이 모델군을 발표했고, 현재 체크포인트인 Muse Spark 1.3은 2026년 9월 2일부터 백만 입력 토큰당 $1.25, 백만 출력 토큰당 $4.25에 일반 제공되고 있습니다. Qwen 4 Max는 호출할 수 없으며 지금까지 호출 가능했던 적도 없습니다. 이 모델은 2026년 9월 22일 항저우의 Apsara Conference 무대에서 선보였고, 그 이후로 아무것도 공개되지 않았습니다 — 모델 카드도, API 식별자도, 컨텍스트 창도, 가격도, 가중치도, 벤치마크 점수도 없습니다. 따라서 이 대결을 정직하게 설명하는 유일한 방법은 두 부분으로 된 답입니다. 발표된 Qwen 4 Max가 무엇을 지향하는지, 그리고 Muse Spark가 오늘 실제로 요청을 보낼 수 있는 Qwen 플래그십과 어떻게 비교되는지, 즉 Qwen3.8-Max.

Qwen 4 Max가 정확히 무엇인지

그것은 명단 항목이다. Apsara에서 Qwen LLM 책임자인 Liu Da Yiheng은 네 가지 티어를 미리 공개했다 — 플래그십인 Qwen 4 Max, Qwen 4 Flash, Qwen 4 Plus, Qwen 4 27B — 이 제품군이 차세대 아키텍처에서 훈련 중이라고 설명했고, 곧 출시될 것이라고 말했다. 그것이 공개 기록의 전부다. 어떤 티어에도 날짜는 붙어 있지 않고, 그 후 6주 동안 그에 맞춰 계획을 세울 수 있을 만한 내용은 아무것도 공개되지 않았다.

발표와 함께 회자되는 한 숫자는 그 발표의 것이 아니다. Qwen 4 뉴스와 연관된 "5조에서 10조 개의 파라미터" 목표는 Qwen 4 이후 세대 — Qwen 4.5와 Qwen 5 시기 — 에 관한 전망성 발언이지, Qwen 4 Max의 사양이 아니다. Alibaba는 Qwen 4 Max에 파라미터 수를 전혀 명시하지 않았다. 이번 달에 그것이 수조 개 파라미터 모델로 설명되는 것을 본다면, 그 수치는 다른 슬라이드에서 옮겨온 것이며, 반복하지 않는 편이 좋다.

실제로 존재하는 것은 다른 이름으로 공개된 아키텍처의 부분적 프리뷰다. Qwen3.8-Flash-Next는 2026년 8월 말에 오픈소스로 공개되었고, 모델 카드에는 이를 Qwen 4 아키텍처의 프리뷰라고 표기한다: 메인 파라미터 1,250억 개에 N-gram 임베딩 파라미터 510억 개를 더한 희소 모델로, 스텝당 약 60억 개를 활성화하며, 262,000토큰의 네이티브 컨텍스트를 갖추고, 보고된 학습 비용은 Qwen3.7-Plus보다 약 90% 낮다. 그것은 앞으로 다가올 것의 윤곽을 알려준다. 그것은 Qwen 4 Max가 어떤 점수를 받는지, 비용이 얼마인지, 무엇을 받아들이는지는 알려주지 않는다.

• 가용성 — Q​wen 4 Max: 2026년 9월 22일 발표, 엔드포인트 없음, 날짜 없음; Muse Spark 1.3: 2026년 9월 2일부터 정식 제공

• 공개된 벤치마크 점수 — Qwen 4 Max는 없음; Meta는 Muse Spark 1.3에 대한 전체 에이전트 스코어카드를 공개

• 파라미터 수 — Q​wen 4 Max는 비공개, Muse Spark 1.3 역시 비공개이지만, A​libaba는 자사의 출시 플래그십에 대해 총 2.4조 개, 활성 950억 개를 확인했다

• 가격 — Qwen 4 Max는 아직 발표된 바 없음; Muse Spark 1.3은 100만 토큰당 $1.25 / $4.25이며, Contributor 등급은 $0.10 / $0.20

• 컨텍스트 윈도우 — 미발표; Muse Spark 1.3의 경우 1,048,576 토큰

• 가중치 — 어느 쪽도 공개되지 않았습니다. 이 두 제품군에서 공개 가중치를 가진 것은 Qwen3.8-2.4T-A95B이며, M​eta 쪽에서는 Muse Spark Open과 M​use Glimmer입니다.

실제로 실행할 수 있는 비교

Qwen3.8-Max는 Qwen 4 티어가 비교 기준으로 삼게 될 모델이며, 오늘날 프로덕션 트래픽을 처리하고 있습니다. 2026년 8월 3일부터 일반 제공되었고 입력 백만 개당 $2.00, 출력 백만 개당 $6.00이며, 컨텍스트 창 전반에 걸쳐 동일한 가격으로 장문 프롬프트 할증이 없습니다. 토큰당 950억 개 매개변수가 활성화되는 2.4조 매개변수 전문가 혼합(MoE) 모델로 구축되었으며, 2026년 8월 12일에는 맞춤형 Qwen 라이선스에 따라 BF16과 FP8 모두로 Qwen3.8-2.4T-A95B라는 이름으로 가중치를 공개했습니다. 이 마지막 세부 사항은 중요하면서도 놓치기 쉽습니다. 플래그십의 가중치가 공개되어 있으며, 호스팅 API는 유일한 경로라기보다 그 위에 제공되는 편의 기능입니다.

이 페어에 대한 독립적인 그림은 유난히 깔끔한데, Artificial Analysis가 둘 다 목록에 올리고 있으며 두 모델이 동일한 지수 개정이 적용된 상태에서 10일 간격으로 출시되었기 때문입니다. 아래의 모든 내용은 그 목록에서 가져온 것이며, 두 모델은 공유 하네스에서 다시 실행되지 않았습니다. 따라서 이 비교는 통제된 실험이 아니라 공개된 측정값에 대한 동등 조건의 해석으로 취급하십시오.

• 인텔리전스 지수 — Muse Spark 1.3 (Max) 48, 217개 중 24위, Qwen3.8-Max (0902) 45, 217개 중 33위와 비교

• 출력 속도 — 초당 121.9토큰 대 초당 39.3토큰, 여기서 Q​wen 모델은 186개 중 181위, M​eta 모델은 186개 중 43위입니다.

• 완료된 Index 작업당 비용 — $1.60 대 $5.41

• 백만 토큰당 정가 — 입력 $1.25 / 출력 $4.25 대 입력 $2.00 / 출력 $6.00

• 컨텍스트 윈도우 — 토큰 1,048,576개 대 984,000개

• 인덱스에서의 장황함 — 170M 출력 토큰 대 190M

그 세트에서 흥미로운 점은 Qwen 모델이 모든 측면에서 더 느리고 더 비싸면서 지수 점수는 3점 더 낮다는 것이며, 그 격차는 미미하지 않습니다. 초당 39.3 토큰 대 121.9 토큰으로 Muse Spark 1.3은 약 3배 더 빠르고, 완료된 작업당 비용은 Qwen3.8-Max의 약 3분의 1입니다 — $1.60 대 $5.41 — 토큰당 가격이 약 40%밖에 차이가 나지 않는데도 말이죠. 차이는 요금표가 아니라 속도입니다: 각 토큰을 생성하는 데 3배 더 오래 걸리는 모델은 기다리는 동안 비용을 지출합니다. 이 둘을 정가만으로 비교하는 사람은 어느 쪽이 실행 비용이 더 저렴한지에 대해 잘못된 결론에 도달할 것입니다.

그 판단을 완화하는 두 가지가 있습니다. 정직한 비교라면 둘 다 필요하기 때문입니다. 첫째는 모달리티입니다. Muse Spark는 Meta가 문서화한 대로 텍스트, 이미지, 동영상, 오디오, PDF를 입력받아 텍스트를 반환하며, Qwen3.8-Max는 텍스트, 이미지, 동영상을 입력받습니다. 스캔 문서나 오디오를 처리하는 파이프라인이라면 Qwen 플래그십은 그 입력을 아예 받을 수 없습니다. 그리고 이와는 별개로, Meta는 Muse Spark 1.3의 오디오 이해가 완전히 지원되지는 않는다고 경고하며 오디오 워크로드는 Muse Spark 1.2로 안내합니다. 둘째는 격차의 크기입니다. 인덱스 3점은 등급이 바뀌는 것이 아닙니다. 다른 하네스나 다른 작업 구성에서는 뒤집힐 수 있는 종류의 차이일 뿐입니다. 여기서 오래가는 결과는 속도와 비용의 차이이며, 느슨하게 쥐고 있어야 할 쪽은 지능의 차이입니다.

두 제품군이 점수를 넘어 진정으로 다른 부분

공개 여부가 가장 날카로운 분기점이다. Alibaba는 Qwen3.8-Max의 파라미터 수를 발표하고 가중치를 공개했다. Meta는 어떤 Muse Spark 버전에 대해서도 파라미터 수를 공개하지 않았고, 그 어느 것의 가중치도 공개하지 않았다. 두 플래그십 라인 모두 현재 형태로는 호스팅 전용이다 — Muse Spark 1.3은 셀프 호스팅할 수 없고, Qwen3.8-2.4T-A95B의 가중치는 존재하지만 2.4T 파라미터 모델은 워크스테이션에서 돌리는 것이라기보다 데이터센터용 객체다. 하지만 선택지는 한쪽에는 있고 다른 쪽에는 없으며, 존재하는 선택지는 행사하지 않더라도 가치가 있다.

에포트 제어는 두 번째 차별점이며, Meta의 방식은 청구서를 바꿀 만큼 더 세분화되어 있습니다. Muse Spark의 추론 에포트는 minimal, low, medium, high, xhigh, max로 작동합니다. max 레벨은 출시 이틀 후인 9월 4일, 추가 안전 테스트를 거쳐 등장했으며, Meta가 발표한 모든 헤드라인 수치의 기반이 된 구성입니다. Meta는 또한 1.3 체크포인트를 또 다른 가격으로 판매합니다: Contributor 티어는 100만 토큰당 $0.10 / 캐시 시 $0.002 / $0.20으로, Standard 요율보다 대략 10분의 1 수준이며, 그 대가로 사용자의 프롬프트와 완성 결과로 학습할 수 있는 권한을 제공합니다. 이 티어에는 Qwen에 상응하는 것이 없으며, 대용량의 민감하지 않은 워크로드에서는 어떤 지수 포인트보다도 비용 비교를 더 크게 바꿔 놓습니다.

오픈 웨이트 진영은 세 번째다. 두 제품군 중 어느 쪽이든 실제로 원하는 것이 바로 실행 가능한 웨이트라면, 어느 플래그십도 그것을 제공하지 않는다. 메타의 것은 Muse Spark Open과 Muse Glimmer이고, 알리바바의 것은 Qwen3.8-27B와 나머지 Qwen 3.8 오픈 라인이다. 이것들은 이 글과는 다른 이야기이며, "Muse Spark vs Qwen 4 Max open weights"를 검색하는 것은 어느 벤더도 묻지 않은 질문에 답한 셈이다.

이 페이지를 바꾸려면 무엇이 필요할까요

세 가지입니다. 그중 어느 것도 누군가가 약속한 날짜가 아닙니다. 모델 카드가 있다면 매개변수 수, 컨텍스트 창, 모달리티 행, 가격을 한 문서에서 확정해 줄 것입니다. 벤치마크 표가 있다면 M​eta의 것과 나란히 놓을 수 있는 첫 숫자들을 제공할 것입니다. 공개된 엔드포인트가 있다면 이 페이지는 쓸모없어질 텐데, 그것이 바로 바라는 결과입니다 — 그 시점에 이 비교는 독자들이 이곳에 와서 기대했던 바로 그 비교가 되며, 정직한 일은 부재를 빙 둘러 쓰기보다 그렇게 말하는 것입니다.

그때까지 유용한 신호는 출시된 Qwen 세대다. Qwen3.8-Max는 Qwen 4 Max가 넘어야 할 기준선이며, 공개된 가중치와 공개된 가격을 갖고 있고, Qwen3.8-Flash-Next의 Qwen 4 아키텍처 프리뷰는 이 제품군이 훨씬 적은 학습 비용으로 비슷한 품질에 도달하도록 구축되고 있음을 시사한다. 마지막 점은 사실이라기보다 예측이지만, 로드맵을 추적해야 하는 이유다: 학습 비용이 더 저렴한 제품군은 공격적으로 가격을 책정할 수 있는 제품군이며, 공격적인 가격 책정은 Alibaba가 2년 동안 꾸준히 제공해 온 유일한 것이다.

이 비교에서 존재하는 절반을 실행 중

여기서 호출 가능한 두 모델은 모두 우리 카탈로그에 있으므로, 이 페이지의 실질적인 버전은 연구 질문이라기보다 라우팅 질문입니다. OrcaRouter는 Qwen 3.8 패밀리 — Qwen3.8-Max, Qwen3.8-Flash, 그리고 오픈 웨이트 Qwen3.8-27B — 와 우리가 제공하는 두 Muse Spark 체크포인트인 Muse Spark 1.1 및 Muse Spark 1.2를, 200개 이상의 모델을 아우르는 하나의 OpenAI 호환 엔드포인트를 통해, 각 제공업체의 정가에 0% 마크업을 그대로 적용해 제공합니다. Muse Spark 1.3은 우리 카탈로그에 없고, Qwen 4 Max는 아직 존재하지 않으므로 어떤 카탈로그에도 없습니다. 둘 중 하나가 출시되어 제공업체가 이를 제공하게 되면, 같은 키를 쓰는 곳에서 바로 나타나게 됩니다.

이 특정 비교에서 그것이 여러분에게 주는 것은 세 지수 포인트 문제를 여러분 자신의 트래픽에서 스스로 판단할 수 있는 능력입니다. 라우팅 DSL은 코드가 아니라 구성으로 요청의 일부를 Qwen3.8-Max에서 Muse Spark 1.2로 옮기며, 자동 페일오버는 실패한 장문맥 호출이 오류 페이지가 아니라 다른 모델로 저하되어 처리되게 합니다. 두 패밀리 사이의 독립적인 격차가 작다는 점을 감안하면, 그 실험은 어떤 리더보드 순위보다도 더 가치가 있습니다 — 그리고 그것이 M​eta의 세 배 더 빠른 출력이 여러분의 워크로드 형태에 실제로 중요한지 알아낼 수 있는 유일한 방법입니다.

그래서: Muse Spark는 기본적으로 이 비교에서 이긴다. 그리고 그것을 결론으로 제시하는 것은 정직하지 않을 것이다. 그 모델에는 엔드포인트, 가격, 컨텍스트 윈도, 스코어카드가 있다. Q​wen 4 Max에는 무대 발표, 4단계 라인업, 그리고 다른 이름으로 구동 중인 아키텍처의 프리뷰가 있다. 모델 카드가 나오면 다시 오세요; 그때 흥미로운 질문은 A​libaba의 로드맵 경제성이 M​eta의 다음 체크포인트보다 먼저 가격선에 도달하느냐일 것이다.

이런 식의 비교는 실패 모드가 드러나는 지점이기도 합니다. 이 등급에 속하는 모델들의 이면에 있는, 문서로 기록된 AI 사고와 에이전트 실패 사례는 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 출처, 심각도, 신뢰도 등급, 이의 제기 플래그가 함께 제공됩니다.