생성된 타이틀 카드에는 'Qwen 4 대 GPT-6.1 Sol: 포인트당 비용이 3분의 1인 모델'이라는 제목과 '인덱스 포인트당 2.3센트 대 7.6센트, 그리고 전체 요청의 가격을 다시 책정하는 272,000토큰 절벽'이라는 부제가 있습니다. 세 개의 번호 매겨진 행에는 '인덱스 점수 42.9 대 54.6, Artificial Analysis v5.0.1', '완료된 인덱스 작업당 비용 $3.27 대 $1.27', '272,000토큰 초과 시 입력 비용이 $2.00에서 $4.00으로 두 배'라고 적혀 있습니다. 바닥글에는 '점수 및 작업당 비용은 Artificial Analysis Intelligence Index v5.0.1 기준, 가격은 각 공급업체의 공개 요율표 기준'이라고 적혀 있습니다. 흰색 바탕에 파란색과 청록색 액센트를 사용한 플랫 벡터 스타일이며, 오른쪽 하단에 OrcaRouter 마크가 합성되어 있습니다.
Guides & Insights

Qwen 4 vs GPT-6.1 Sol: 포인트당 비용이 3분의 1인 모델

작성자

jinhao.song

게시일

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

이 시리즈의 다른 모든 Qwen4-Max 비교는 같은 형태를 띱니다. 경쟁 모델이 더 높은 점수를 받고 비용도 더 많이 들며, 논쟁은 그 차이가 프리미엄 가격을 정당화할 만한지에 관한 것입니다. 하지만 이번 비교는 다릅니다. GPT-6.1 Sol은 Artificial Analysis Intelligence Index에서 54.6점을 기록해 Qwen4-Max의 42.9점보다 12점 앞서며, 인덱스 작업 하나를 완료하는 데 $1.27이 들어 Qwen4-Max의 $3.27보다 적게 듭니다. Sol은 더 뛰어난 성능을 갖추면서 동시에 완성된 답변당 비용은 2.6배 더 저렴합니다. 나머지 네 번의 맞대결을 결정지은 효율성 지표에서도 Sol은 3.3배 차이로 앞섭니다. 인덱스 점수당 2.3센트 대 7.6센트입니다.

거기에는 조건이 하나 붙어 있는데, 바로 272,000토큰 기준선입니다. 그것은 실제 절벽이고, 요청의 모든 토큰에 적용되며, 이번 맞대결에서 더 많은 비용을 치르고 더 적게 얻는 일 없이 Qwen4-Max로 돌아갈 수 있는 유일한 경로입니다.

두 장의 카드

GPT-6.1 Sol은 2026년 9월 29일 백만 토큰당 입력 $2.00, 출력 $10.00에 출시됐다. Qwen4-Max는 2026년 11월 16일 싱가포르에서 입력 $1.50, 출력 $4.50로 종량제 전환됐다. 표면상 요율로는 Qwen4-Max의 출력이 2.2배 저렴해 보이지만, 완료된 작업당으로는 2.6배 더 비싸다. 이 역전이 바로 이 글의 핵심이다.

• 입력, 100만 토큰당 — Sol은 272K 토큰까지 $2.00, 초과분은 $4.00. Qwen4-Max는 싱가포르에서 $1.50, 나머지 5개 지역에서는 $1.413이며, 전체 구간에서 동일합니다.

• 출력, 100만 토큰당 — Sol 단문 컨텍스트 $10.00, 장문 컨텍스트 $15.00. Qwen4-Max $4.50 및 $4.24, 동일 요금.

• 캐시된 입력 — Sol은 짧은 컨텍스트 백만당 $0.10, 긴 컨텍스트 $0.20; Qwen4-Max는 읽기 $0.075이며, 5분 및 1시간 항목의 쓰기 요금은 $1.875 및 $3.00입니다.

• The cliff — O​penAI reprices every token in a request once input crosses 272,000, not just the excess. Below it you are on the cheap card; above it you are not, and there is no partial application.

• 컨텍스트 — Sol은 트래커에 1,000,000토큰 창을 공개하며, Qwen4-Max도 동일하지만 사고 입력은 983,616으로 제한됩니다.

• 인덱스 작업당 비용 — $1.27 대 $3.27.

• 지수 점수 — 54.6 대 42.9, 두 수치 모두 각 제품이 공개한 최고 성능 설정에서 측정되었습니다.

A generated two-column scoreboard titled 'Qwen4-Max vs GPT-6.1 Sol - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The GPT-6.1 Sol column reads index score 54.6, cost per index task $1.27, cents per index point 2.3, input per million $2.00, output per million $10.00, hallucination rate 51.9%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

값싸 보이는 카드가 비싼 카드인 이유

작업별 수치는 각 모델이 거기에 도달하기 위해 얼마나 소비했는지 확인해야만 의미가 있습니다. Sol은 index suite 전체에서 6,370만 개의 출력 토큰을 생성했고, Qwen4-Max는 1억 2,710만 개를 생성했습니다. Qwen4-Max는 12점 더 낮은 점수를 받고도 거의 정확히 두 배의 출력을 작성했으며, 출력은 두 카드 모두에서 비용이 많이 드는 항목입니다.

작업당 출력 토큰 분배는 Sol이 67,824개, Qwen4-Max가 104,940개이며 — 그중 각각 49,213개와 68,914개가 추론입니다. 그래서 Qwen4-Max는 답변에서 더 수다스러운 것이 아니라 사고에서 더 수다스럽습니다. 더 나쁜 결론에 도달하기 위해 40% 더 오래 추론한 다음, 그 특혜에 대해 백만 개당 $4.50를 청구합니다.

Cache behaviour makes it worse rather than better. Qwen4-Max's $3.27 is 86% input, and $1.67 of that input is cache writes at $1.875 per million — a rate that exists because A​libaba charges for populating the cache, not just for reading it. Sol's $1.27 is 47% input, with $0.33 of cache writes and $0.25 of cache reads. On a workload with heavy prefix reuse, Qwen4-Max's cache-write line is the one that grows fastest, and it is the line most people do not model.

Qwen4-Max가 지지 않는 곳

열두 점 차이가 모든 평가 스위트에서 완패를 뜻하는 것은 아니며, 모델을 포기하기 전에 읽어볼 만한 세 개의 행이 있습니다.

• Terminal-Bench 4.0 — Sol 56.1%, Qwen4-Max 48.5%. 7.5점 차이다. 실제 차이이긴 하지만 헤드라인이 시사하는 것보다는 좁다.

• AutomationBench — Qwen4-Max 72.6% 대 Sol의 64.9%. Qwen4-Max가 이 항목에서 거의 8점 차로 승리하며, 이는 비교에서 가장 큰 단일 역전입니다.

• GDPval — Qwen4-Max 1,808.69 대 Sol 1,607.47. 경제적으로 근거 있는 전문 업무에서 12.5% 우위이며, 상대는 지수 12포인트 앞선 모델이다. 이는 두 번째 역전이자 두 사례 중 더 놀라운 일인데, GDPval은 이 보드에서 "전문가가 이 작업을 받아들일까"에 가장 가까운 항목이기 때문이다.

• FrontierCode 2.0 — 26.5% 대 40.6%. 반대 방향으로 13포인트 차이이며, 보드에서 가장 큰 격차이자 상업적으로 가장 부담이 큰 항목입니다.

• CritPt Agentic Hard — 43.0% 대 69.5%. 26포인트 차이로, Qwen4-Max에게 가장 저조한 단일 항목입니다.

• 전지성 — 27.7 대 42.0, 환각률은 28.4%와 51.9%. Sol은 더 정확하며, 틀릴 때 지어낼 가능성이 훨씬 더 높습니다.

• 역량 하위 점수 — Sol은 여섯 항목 모두에서 앞서며, 전략과 운영에서는 근소하게(57.6 대 56.9), 엔지니어링에서는 확실하게(59.4 대 50.1) 우위를 보입니다.

이 패턴은 이 시리즈의 다른 맞대결들과 일관됩니다. Qwen4-Max는 문서에 적용되는 전문적 판단이 과제일 때는 강점을 보이고, 지속적인 기술적 추론이나 에이전트형 실행이 과제일 때는 뒤집니다. 12개 스위트 중 2승은 그것을 선택할 이유는 아니지만, 선택이 자동적이 아니라 과제에 따라 달라진다는 이유는 됩니다.

A headless-browser screenshot of the Artificial Analysis page for GPT-6.1 Sol, captured 17 November 2026 in English, showing OpenAI's mark, the label Proprietary model, Released September 2026, the heading GPT-6.1 Sol: Intelligence, Performance & Price Analysis, a rank strip reading Intelligence #12 of 81, Performance #62 of 79, Cost #21 of 80 and Verbosity #35 of 80, a statistics row giving a time to first answer token of 161.08 seconds, 49 output tokens per second, $2.00 input and $10.00 output per million tokens, a 95% cache discount, 1.92 billion input tokens and an output-to-input ratio of 3.322%, and the summary paragraph describing the model as among the leading models in intelligence and reasonably priced for its band, notably slow per task but fairly concise, with text and image input, text output and a 1M-token context window.

272,000토큰 산술 계산 실행 중

한 번에 분석하려는 400,000토큰 코드베이스와 2,000토큰 출력을 예로 들어 보세요. 두 모델 모두 이를 각자의 윈도 안에 넣을 수 있습니다. 그중 하나만 가격을 다시 산정합니다.

• GPT-6.1 Sol, 단축 컨텍스트 요금 — 사용할 수 없습니다. 400K 입력에서는 장문 컨텍스트 등급이 적용됩니다: 400,000 × 백만당 $4.00 = 입력 $1.60, 여기에 2,000 × $15.00 = 출력 $0.03. 총 $1.63.

Qwen4-Max — 400,000 × 백만 개당 $1.50 = 입력 $0.60, 여기에 2,000 × $4.50 = 출력 $0.009. 총 $0.61.

• 클리프 미만인 250,000토큰에서 동일한 요청 — Sol: 250,000 × $2.00 = $0.50 + $0.03 = $0.53. Qwen4-Max: $0.375 + $0.009 = $0.38.

역전은 실제로 일어나며, 그 범위는 좁다. 입력 토큰이 272,000개 미만이면 Sol이 요청당 더 저렴하고 성능도 더 좋다. 그 이상에서는 Qwen4-Max가 2.7배 더 저렴하지만 12점 더 나쁘다. 턴이 거듭될수록 도구 출력이 누적되는 200K 토큰 에이전트 루프는 세션 도중에 임계값을 넘게 되는데, 이는 절벽이 가장 심하게 영향을 미치는 워크로드 형태와 정확히 일치한다. 티어는 당신이 고르는 것이 아니라 루프의 컨텍스트 증가가 당신 대신 고른다.

이는 공개된 요율을 바탕으로 한 정가 계산일 뿐, 실제 청구서를 측정한 값이 아닙니다. 캐시 적중이 발생하면 두 수치 모두 상당히 줄어들고 절대 격차는 좁아지겠지만, 비율은 대략 현재 수준에 머물 것입니다.

여기서 유난히 깔끔한 라우팅 답변

GPT-6.1 Sol is on our catalogue as openai/gpt-6.1-sol at O​penAI's list price, including both context tiers, with 0% markup on top. Qwen4-Max is not on our catalogue — a qwen4 identifier returns not-found, its route is A​libaba's Model Studio API and several third-party platforms, and the Qwen model we do serve is qwen/qwen3.8-max at $2.00 and $6.00.

이 페어링을 선택하는 대신 라우팅으로 처리할 가치가 있는 이유는, 의사결정 변수가 토큰 수이고 라우팅 계층이 그것을 볼 수 있기 때문입니다. 입력 길이에 대한 272,000토큰 규칙 — 그 이하는 Sol, 그 이상은 더 저렴한 무언가 — 은 두 줄짜리 정책이며, 한 번 구현하기는 쉽지만 모든 서비스에서 손으로 기억해내기는 불가능한 종류의 일입니다. 자동 페일오버는 다른 경계를 커버합니다. Sol의 롱컨텍스트 티어는 다른 모델이 아니라 다른 가격대이므로, 프롬프트 크기가 급증하면 오류가 아니라 청구서 변화가 발생하고, 인보이스를 받기 전까지는 아무것도 경고해주지 않습니다.

A headless-browser screenshot of the OrcaRouter model page for GPT-6.1 Sol, captured 17 November 2026 in English, showing the identifier openai/gpt-6.1-sol, the vision, tools, JSON and reasoning badges, the byline OpenAI dated 2026-09-29, a description placing it one tier below GPT-6 Astra and aimed at agentic coding and computer use, a 1M-token context, 128K max output, text, image and file input, and best-for tags for reasoning, coding and agentic work.

무엇이 이것을 움직일까요

Two things. A Qwen4-Max price cut would need to reach $0.60 in and $1.80 out before it undercut Sol on the short-context tier per task, which is a 60% reduction and not on any published roadmap. And a Sol long-context rate that applied to the excess rather than the whole request would remove the only structural advantage Qwen4-Max holds here; O​penAI's documentation is explicit that it does not, so that is a hypothetical rather than a forecast.

둘 중 하나가 일어나기 전까지, 이 규칙은 짧으며 이 시리즈의 주제를 미화하지 않는다. 거의 모든 경우에 GPT-6.1 Sol이 더 나은 모델이자 더 저렴한 모델이며, 12포인트 격차는 할인된 값에 팔리고 있다. GDPval의 12.5% 우위가 의미를 갖는, 문서 비중이 높은 전문적 판단 과제라는 특정한 경우에는 Qwen4-Max가 과제당 2.6배의 가격에도 살펴볼 만하다. 그리고 대형 컨텍스트를 272,000토큰 넘게 끌고 가는 모든 경우에는 Qwen4-Max가 타협안이기를 그치고 올바른 선택이 된다 — 개선되었기 때문이 아니라, 대안의 비용이 두 배로 뛰었기 때문이다.