SubQ Snap 1.1 vs Qwen 3.8: 토큰당 가격은 40배, 하는 일은 다르다

Qwen3.8-Max약 40배 더 든다SubQ Snap 1.1 — 백만 토큰당 약 $1.65 대 $0.04 — 그리고 그 비율은 이 맞대결에서 가장 흥미롭지 않은 사실이다. 두 모델은 서로 다른 것에 대해 과금된다. 2026년 8월 3일에 출시된 알리바바의 2.4조 매개변수 플래그십인 Qwen3.8-Max는 생각하는 것과 작성하는 것에 비용을 청구한다. 2026년 10월 22일에 출시된 Subquadratic의 결정 모델인 Snap 1.1은 읽는 것에만 과금한다. 답변이 문장이 아니라 레이블이기 때문이다. 결정은 직접 통제하는 모델에서 실행하고, 생성은 그 비용을 정당화하는 모델에서 실행하세요: Qwen3.8-Max는 공급자 정가에 0% 마크업으로 제공되며 자동 장애 조치가 지원됩니다.

이들을 같은 파이프라인에 넣으면 가격 비율은 더 이상 싼 거래나 바가지처럼 보이지 않고 설계상의 결정처럼 보이기 시작합니다. 이 모델 중 하나는 시스템의 모든 라우팅 호출을 처리해야 합니다. 다른 하나는 거의 처리하지 않아야 하죠. 그리고 Qwen3.8-Max가 정답인 경우는 바로 의사결정 모델이 전혀 처리할 수 없는 경우입니다.

Qwen3.8-Max의 실제 정체

Alibaba는 2026년 7월 19일 상하이 WAIC에서 이를 미리 선보이고 8월 3일에 출시했습니다. 아키텍처는 진정한 프런티어 규모의 희소 전문가 혼합(MoE)으로, 총 2.4조 개 파라미터에 토큰당 약 950억 개가 활성화되며, 100만 토큰 컨텍스트 창과 최대 131K 토큰 출력을 지원합니다. 네이티브 멀티모달로 텍스트, 이미지, 비디오를 입력받고, 사고 모드, 함수 호출, 내장 도구, 구조화된 출력을 OpenAI 호환, Anthropic 호환, OpenAI Responses 통신 형식 전반에서 지원합니다.

이 벤치마크 행은 소형 모델이 아니라 프런티어 모델의 행입니다: GPQA Diamond 92.6, HLE 43.6, OSWorld 86.1, DeepSWE 1.1의 56.6, MRCR v2의 0.93, 그리고 Artificial Analysis Intelligence Index 45. 이런 수치라야 $1.65/$4.95의 정가를 정당화할 수 있습니다 — 대략 10억 개의 입력 토큰을 처리하는 데 $4,950, 즉 Snap 1.1이 1,240억 개에 대해 청구하는 금액과 비슷한 수준입니다.

이름에 관한 참고 사항입니다. 제품을 고르는 누구에게나 중요하니까요: {{1}}Qwen3.8-Max는 호스팅되는 플래그십입니다. 맞춤 라이선스 아래 Qwen3.8-2.4T-A95B로 공개된 오픈 가중치가 있으며, 별도로 진정으로 개방된 형제 모델이 있습니다 — Qwen3.8-27B, Apache 2.0, 262K 네이티브 컨텍스트, Intelligence Index 34, 백만 입력 토큰당 약 $0.42~$0.50입니다.{{/1}} 27B는 대부분의 팀이 소형 모델과 비교해야 하는 모델입니다. {{2}}Max는 작업에 사용 가능한 가장 큰 모델이 필요할 때 호출하는 모델입니다.{{/2}}

Snap 1.1은 실제로 무엇인가

Snap 1.1은 결정 모델로, 들리는 것보다 범위가 좁은 주장입니다. 텍스트와 이미지로 최대 384K 토큰을, 질문당 2~255개 대안의 답변 세트를 입력받고, 보정된 확률과 함께 하나의 선택을 반환합니다. 산문 없음. 복구할 JSON 없음. 사고 토큰 없음. Subquadratic의 주장은 고정 답변 결정이 생성과는 다른 계산 작업이며, 그 희소 어텐션 아키텍처는 긴 문서 전반에 걸쳐 이차 어텐션 비용을 치르지 않고 토큰당 일정한 연산으로 입력을 처리한다는 것입니다.

핵심 결과는 Artificial Analysis Decision Index v1.0에서 65점으로, d1-ultra 및 Elephant 9B와 공동 1위이며 57점의 Jev 1.14보다 앞선다. 그 아래 숫자가 더 중요하다: 정확도는 20%로, d1-ultra의 32%, Elephant 9B의 12%와 대비되며, 지수 점수는 답할 수 없는 질문에서 보고된 86%의 기권율에 힘입은 것이다. Snap 1.1은 거절하도록 훈련된 모델이며, 그 순위는 얼마나 잘 거절하는지를 측정한 것이다.

사양, 나란히 비교

• 규모 — Qwen3.8-Max는 약 95B가 활성화되는 2.4T 파라미터 MoE이고, SubQ Snap 1.1은 규모가 공개되지 않은 희소 어텐션 결정 모델입니다.

• 컨텍스트 — Qwen3.8-Max의 경우 1M 토큰, 최대 출력 131K 토큰; Snap 1.1의 경우 384K 토큰, 생성되는 출력 없음.

• 입력 — Qwen3.8-Max: 텍스트, 이미지 및 동영상; Snap 1.1: 텍스트 및 이미지.

• 출력 — Qwen3.8-Max용 자유 형식 텍스트, 추론 흔적, 도구 호출 및 구조화된 출력; Snap 1.1에 대한 확률이 포함된 선택 또는 점수.

• 가격 — Qwen3.8-Max의 경우 공급자에 따라 입력 100만 개당 약 $1.65~$2.00, 출력 100만 개당 $4.95~$6.00이며, OrcaRouter는 $2.00과 $6.00으로 책정하고 있습니다. Snap 1.1은 입력 100만 개당 $0.04이고 출력은 무료입니다.

• 일반 지능 — Qwen3.8-Max의 Artificial Analysis Intelligence Index는 45점이며, Snap 1.1은 해당 지수에서 측정되지 않았습니다.

• 의사결정 품질 — Snap 1.1은 Artificial Analysis Decision Index v1.0에서 65점; Qwen3.8-Max는 해당 지수에서 측정되지 않음.

• 배포 — Qwen3.8-Max의 경우 맞춤형 라이선스에 따라 호스팅 API 및 오픈 가중치 제공, Snap 1.1의 경우 호스팅 API만 제공되며 가중치는 없음.

마지막 두 행이 바로 이 비교가 계속 엉망으로 이루어지는 이유입니다. 각 모델은 상대 모델이 한 번도 실행된 적 없는 지표에서 측정되므로, 한쪽이 다른 쪽을 "이긴다"는 어떤 주장도 결과가 아니라 추론입니다. 아무도 직접 비교한 결과를 발표하지 않았습니다.

안티패턴: 플래그십을 라우터로 사용하기

흔한 일이며, 청구서가 도착하기 전까지는 드러나지 않는 방식으로 비용이 많이 듭니다. 한 팀이 에이전트를 만들고, 다섯 가지 도구 중에서 결정해야 하며, 그 결정이 중요하기 때문에 사용 가능한 가장 강력한 모델을 선택합니다. 그 결정은 정말 중요합니다. 다만 그 모델은 최적화되지 않은 일을, 다른 용도를 위해 설계된 가격으로 수행하도록 요청받고 있을 뿐입니다.

각각 6,000토큰의 컨텍스트를 가진 100만 건의 라우팅 결정에 대해 계산해 보자 — 60억 입력 토큰이다. Qwen3.8-Max의 가장 저렴한 공시 요금인 $1.65를 적용하면 입력에 $9,900, 여기에 결정당 아마 20개의 출력 토큰, 즉 2,000만 출력 토큰을 백만 개당 $4.95로 계산하면 추가로 $99다. 대략 $10,000이라고 하자. OrcaRouter의 $2.00 및 $6.00 공시 요금에서는 같은 볼륨이 $12,120이 된다. 같은 볼륨에 Snap 1.1: $240, 그리고 출력 비용 항목은 전혀 없다. 이 격차는 할인이 아니다. 40~50배다.

지연 시간은 같은 이야기를 다른 쪽에서 말해 줍니다. 2.4조 개 매개변수 모델은 짧은 답을 생성할 때조차 첫 토큰 지연과 디코드 비용이 발생하는데, 결정 모델에는 이런 비용이 전혀 없습니다. Snap이 내세우는 것은 1초 미만의 결정 계층이며, Subquadratic은 그 외에는 1.1에 대한 지연 수치를 공개하지 않습니다. 작업당 20개의 결정을 내리는 에이전트 루프에서는 그 차이가 작업당 몇 초로 누적되며, 이는 즉각적으로 느껴지는 에이전트와 고장 난 것처럼 느껴지는 에이전트의 차이입니다.

Qwen3.8-Max는 할 수 있지만 Snap은 할 수 없는 것

무언가를 산출하는 일과 관련된 모든 것. 에스컬레이션 노트를 작성하고, 고객 답변 초안을 잡고, 900페이지 계약서를 요약하고, 코드를 생성하고, 유효한 인수 스키마로 도구를 호출하고, 미리 제공한 목록에 답이 없는 문제를 추론합니다. Snap 1.1은 그중 어떤 것도 할 수 없습니다. 더 나쁘기 때문이 아니라 그러한 일을 위한 메커니즘이 없기 때문입니다.

100만 토큰 창은 사양표를 위한 과시가 아니라 실제 역량이기도 하다. Alibaba는 MRCR v2에서 0.93을 보고하는데, 이는 명목 컨텍스트 길이가 아니라 검색 점수이며, 100만 토큰 창이 실제로 사용 가능한지를 결정하는 수치다. 효과적인 검색 성능이 강한 384K 창은 검색 성능이 약한 100만 토큰 창을 능가할 수 있지만, Qwen의 검색 점수는 Qwen이 명목상의 수치에 의존하고 있지 않음을 시사한다.

그리고 오픈 가중치는 다른 이유로 중요합니다: Qwen3.8-2.4T-A95B는 맞춤형 라이선스에 따라 자체 호스팅할 수 있으며, 이는 제품군에서 가장 큰 모델이 순전히 API 의존 요소가 아니라는 것을 의미합니다. Snap 1.1에는 그런 옵션이 없습니다.

서로 맞는 위치

방어 가능한 아키텍처는 둘 중 하나를 선택하는 문제가 아니라 역할 분담이다. Snap 1.1은 보정된 확률과 거부 옵션이 유창함보다 더 가치 있는 대량의 고정 정답 결정, 즉 어느 대기열인지, 어느 도구인지, 에스컬레이션할지 여부, 이 문서가 조금이라도 관련이 있는지 여부를 처리한다. Qwen3.8-Max는 결정에 옵션 목록에 없는 자료에 대한 추론이 필요한 소수 사례와, 결정 이후 작성이 필요한 모든 다운스트림 작업을 처리한다.

비율이 전체 경제적 논리의 핵심입니다. Snap이 14%의 사례에서 판단을 보류하고 그 사례들이 플래그십으로 라우팅된다면, 트래픽 100%가 아니라 14%에 대해서만 플래그십 가격을 지불하게 되며, 어느 14%인지 알려주는 보정된 신호를 얻게 됩니다. 이는 일반 모델의 softmax에 고정 임계값을 두는 것보다 더 나은 배분 메커니즘입니다.

Qwen3.8-Max는 단일 OrcaRouter 키로 접근할 수 있는 200개 이상의 모델 중 하나이며, 공급자 정가에 0% 마크업으로 제공되고 공급자 간 자동 페일오버가 지원됩니다. Snap 1.1은 저희 모델이 아닙니다. Subquadratic의 자체 API를 통해 실행됩니다. 이 구분은 파이프라인을 설계하기 전에 알아둘 가치가 있습니다. 생성 티어는 하나의 계약과 하나의 청구 라인으로 통합할 수 있는 반면, 의사결정 티어는 별도의 단일 벤더 의존성으로 남는다는 뜻이기 때문입니다. 그 두 번째 의존성을 받아들일 수 없다면, 대안은 직접 호스팅하는 Qwen3.8-27B 인스턴스에서 의사결정을 실행하는 것입니다 — 답변을 유보하는 능력은 떨어지지만 자기 설명 능력은 훨씬 뛰어나고, 전적으로 직접 통제할 수 있습니다.

정직한 기본값

에이전트를 위해 의사결정을 내릴 모델 하나를 고르는 상황이고 그 결정에 고정된 답 집합이 있다면, 결정 모델을 선택하라. 40대 1의 가격 비율은 사실이지만 그것은 논거의 더 작은 절반일 뿐이다. 더 큰 절반은 "모른다"고 말하도록 훈련된 모델이 플래그십이 줄 수 없는 것, 즉 인간을 루프 안에 둘 자리를 제공한다는 점이다.

결정하고, 추론하고, 글을 쓰고, 도구를 호출하고, 백만 토큰을 읽는 모든 일을 하나의 모델로 처리하려면 Qwen3.8-Max를 선택하고, $0.04짜리 모델이 더 잘 처리했을 라우팅 호출에 플래그십 요금을 지불하고 있다는 점을 받아들이세요. 대부분의 팀은 출시 후 약 3개월이 지나 청구서가 도착하고, 라우터가 제품보다 더 비싼 이유를 아무도 설명하지 못할 때에야 자신들이 바로 이 일을 하고 있었다는 것을 알게 됩니다.