
Qwen4-Max is nu op twee plekken in de aanbieding. De onafhankelijke ranglijst is het deel dat het lezen waard is.
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 89 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 97 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNIEUWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 88 tok/s
- OrcaNIEUWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 134 tok/s
- OrcaNIEUWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 121 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 mln tokens · 141 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligentie
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligentie
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 mln tokens · 265 tok/s
Qwen4-Max kwam op 16 november 2026 in algemene verkoop, en tegen de ochtend van 18 november adverteerde een inferentieplatform van een derde partij er ook mee, met dezelfde context van 1 miljoen tokens en dezelfde tekst-, beeld- en video-invoer. Dat is het nieuws, en het is een klein stukje nieuws: een tweede verkoper is een distributiegebeurtenis, geen modelgebeurtenis. Wat in hetzelfde venster verscheen en bijna geen enkele aandacht heeft gekregen, is een meting. Artificial Analysis heeft nu een Qwen4-Max-vermelding, en op zijn Intelligence Index scoort het het model op 43, tegenover 34 voor Qwen3.8-Max, de voorganger die het vervangt.
Beide getallen komen met context die bepaalt of het goed nieuws is, en de blog van de leverancier zelf levert die niet. Daarom doet dit stuk drie dingen in volgorde: wat er op 16 november daadwerkelijk is uitgeleverd, wat de onafhankelijke rij zegt dat het lanceringsbericht niet zegt, en wat er verandert — en wat er stilletjes stukgaat — wanneer hetzelfde model door iemand anders dan Alibaba wordt aangeboden.
Twee datums, en slechts één daarvan is een release.
De datum van het model is 16 november 2026. Het Qwen-team van Alibaba dateerde zijn lanceringsbericht op 16 november, en de documentatiepagina van Model Studio voor het model draagt een updatetijdstempel van 2026-11-16 09:46:08 met de kop "qwen4-max (Nieuwste model)" en een gewone modelidentificatie van qwen4-max. Die pagina is degene die commercieel van belang is: die verving een preview-identificatie, qwen4-max-preview, die op 11 november was geopend op een creditsplan met een gepubliceerde uitfaserdatum van 25 november. Algemene beschikbaarheid betekende een tariefkaart op basis van verbruik, zes regio's en geen vervaldatum.
De gebeurtenis van 18 november is van een andere aard. Een platform dat niet Alibaba is, begon het model twee dagen nadat de prijslijst verscheen, aan zijn eigen klanten aan te bieden. Aan het model veranderde op 18 november niets: geen nieuwe gewichten, geen nieuwe contextlengte, geen nieuwe prijs van het lab. Als je berichtgeving leest die deze week als een lancering neerzet, loopt die framing een stap achter — Qwen4-Max werd op de 16e gelanceerd, en wat op de 18e gebeurde, is dat het op grote schaal doorverkoopbaar werd. Dat onderscheid is geen haarkloverij. Het vertelt je welke vragen je moet stellen: niet "wat kan het", wat maandag is beantwoord, maar "wat overleeft de reis via een wederverkoper", wat niemand heeft beantwoord.

Wat is er op 16 november uitgebracht?
De onderstaande specificatie is van Alibaba, afkomstig uit het lanceerbericht en de modeldocumentatie, en niets ervan is onafhankelijk gereproduceerd — met name de architectuur is een leveranciersbeschrijving van een trainingsrun die geen buitenstaander heeft geïnspecteerd.
• Architectuur — een nieuw Qwen4-ontwerp met een backbone van 2,4 biljoen parameters, 71 miljard parameters die per token worden geactiveerd, en nog eens 328 miljard N-gram-embeddingparameters
• Aandacht — drie Gated DeltaNet-lagen voeden elke Qwen Sparse Attention-laag, die de geschiedenis comprimeert tot toestanden van vaste grootte en context indexeert op microblokgranulariteit
• Stabiliteitswerk — vier parallelle residuele takken met dynamische lees- en schrijfpoorten, door het lab genoemd als de reden dat de 2.4T-run geen verliespieken kende
• Context — 1.000.000 tokens in de documentatie van de leverancier; Artificial Analysis meet het bruikbare venster op 984.000
• Uitvoerplafond — 131,072 tokens met thinking uitgeschakeld, of 262,144 gedeeld tussen thinking en antwoord
• Modaliteit — tekst, afbeelding en video als invoer; tekst als uitvoer. Ingebouwde vision, geen losse toevoeging
• Redeneerinspanning — selecteerbare niveaus, die het lanceringsbericht aanduidt als High en Xhigh wanneer het zijn eigen efficiëntiecijfers aanhaalt
• Tooling — functieaanroepen, parallelle toolaanroepen, webzoekopdrachten, gestructureerde output volgens JSON Schema, prefix-completion, expliciete en impliciete caching
• Interfaces — O{{1}}penAI Chat Completions en Responses, A{{/1}}nthropic Messages, en DashScope, het breedste protocoloppervlak dat A{{2}}libaba op een vlaggenschip heeft uitgebracht{{/2}}
• Wat ontbreekt — fine-tuning en modeldeployment worden beide gemarkeerd als niet-ondersteund. Er is geen checkpoint, en het lanceerbericht zegt alleen dat kleinere Qwen4-modellen "naar open source komen"
De efficiëntieclaims zijn de claims waarop de lancering zich het hardst beroept, en ze zijn het waard om precies te benoemen juist omdat ze voorwaardelijk zijn. Ten opzichte van Qwen3.8-Max meldt de leverancier ongeveer 24% minder tokens op zijn Work360-benchmark bij Xhigh-inspanning en 35% minder bij High, en 48% en 49% minder op Terminal-Bench 4.0 bij dezelfde twee instellingen. De gemiddelde kosten per taak op Work360 dalen van $4,43 naar $1,67, een reductie van 62%. Elk van die cijfers is door de leverancier gerapporteerd, en elk ervan is gekoppeld aan een inspanningsniveau — wat later het belangrijke detail wordt, wanneer een wederverkoper besluit hoe hij die instelling aanbiedt.
De onafhankelijke rij die niemand citeert
Artificial Analysis heeft Qwen4-Max gepubliceerd op Intelligence Index v5.0.1, en de vermelding is ongewoon bot. De score is 43, wat de site omschrijft als onder het gemiddelde van vergelijkbare modellen — de mediaan is ook 43, dus het model zit precies op de lijn in plaats van erboven. Dat is een minder vleiende zin dan "negen punten hoger dan zijn voorganger", en beide zijn waar. Qwen3.8-Max, gemeten als de 0902-snapshot, scoort 34 op dezelfde index.
De rest van de rij is waar het argument interessant wordt, omdat het de capaciteit scheidt van de kosten om die te extraheren.
• Indexscore — Qwen4-Max 43 versus Qwen3.8-Max (0902) 34 op v5.0.1
• Uitvoertokens per indexrun — 127 miljoen versus 150 miljoen, tegen een veldmediaan van 65,1 miljoen. Beide modellen zijn extreem uitgebreid; het nieuwe is dat minder.
• Kloktijd per taak — 32,1 minuten versus 47,5 minuten, tegen een mediaan van 11,5 in het veld. Sneller dan zijn voorganger, nog steeds een van de traagste gemeten modellen
• Doorvoer — 55 outputtokens per seconde, gemeten op Alibaba's eigen API
• Kosten per taak — $ 3,27 versus $ 10,02, het meest bruikbare getal in de rij
Als je die samen leest, is de upgrade echt, maar beperkter dan de marketing suggereert. Qwen4-Max levert negen indexpunten op, verlaagt de kloktijd met een derde en verlaagt de kosten om een taak af te ronden met ongeveer twee derde ten opzichte van het model dat het vervangt. Het levert geen absolute snelheidswinst op: met 32,1 minuten per taak is het bijna drie keer langzamer dan het mediane model op hetzelfde board, en het verbruikt bijna twee keer het mediane tokenvolume om daar te komen. Als je workload latencygevoelig is, is het indexcijfer niet het getal dat je factuur bepaalt.

Wat overleeft de doorsturing naar een wederverkoper
Dit is het deel dat de publicatie van 18 november urgent maakt in plaats van theoretisch. Wanneer een model door een platform wordt aangeboden dat niet de auteur ervan is, reizen vier dingen betrouwbaar mee en één ding niet.
De vier die meereizen: het prijskaartje, omdat het van de leverancierspagina wordt gekopieerd; het contextcijfer, omdat het een kop is; de modaliteitenlijst, omdat die in de marketingtekst staat; en de protocolvorm, omdat de meeste platforms een OpenAI-compatibel endpoint aanbieden, ongeacht wat erachter zit. Dat zijn de dingen die elke vermelding goed heeft, en het zijn de dingen die elk vergelijkingsartikel citeert.
Wat niet meegaat, is de effort-mapping. De economie van Qwen4-Max is naar ontwerp afhankelijk van effort: de tokenbesparingen van de leverancier zelf variëren op Work360 van 24% tot 35%, afhankelijk van of je Xhigh of High draait, en de documentatie stelt de keuze beschikbaar als requestparameter. Een wederverkoper die effort vastzet op één standaardwaarde, of een OpenAI-achtige reasoning-parameter slechts op twee van de drie niveaus afbeeldt, levert je een model op waarvan de kosten per taak met een derde kunnen afwijken van het door de leverancier gepubliceerde cijfer — met een identieke prijs per token op de factuur. Als je een listing benchmarkt tegen Alibaba's eigen cijfers, zet het effort-niveau dan expliciet vast en controleer wat het platform ermee doet voordat je iets over de prijs concludeert.
Twee kleinere dingen om te verifiëren: of het gedeelde budget van 262.144 tokens voor denken en antwoorden wordt afgedwongen of stilzwijgend wordt afgekapt, en of promptcaching wordt doorgegeven tegen de cachetarieven van de leverancier in plaats van tegen het volledige invoertarief. Beide kosten echt geld bij lange agentruns, en geen van beide is zichtbaar in een kop.
Wat niet is veranderd, en ook niet zal veranderen
Het meest verstrekkende feit over Qwen4-Max staat niet op de prijskaart en ook niet op de ranglijst: je kunt het niet bezitten. Er is geen checkpoint voor dit model, en de documentatie merkt fine-tuning en zelfdeployment aan als niet-ondersteund. De slotregel van de lanceringspost belooft dat kleinere Qwen4-tiers open source zullen worden, wat een uitspraak is over de toekomst van de familie, niet over dit model. Elke route naar Qwen4-Max loopt via iemands API, of dat nu Alibaba's zes regio's zijn of de endpoint van een reseller.
Dat is een normale regeling voor een frontier-flagship uit 2026, en ze heeft een normale consequentie: je integratie is een huurconstructie, en het aantal verhuurders is net van één naar meer dan één gegaan. Dat is het enige echt goede argument voor de listing van 18 november — niet dat ze goedkoper is, maar dat ze een andere toeleveringsroute is voor een model dat je niet zelf kunt hosten.
Als je dit deze week aansluit
Qwen4-Max staat vandaag niet in de catalogus van OrcaRouter, en dit artikel doet niet alsof dat anders is. Wat er wel is, is het model dat het vervangt: qwen/qwen3.8-max, het flagship met 2,4 biljoen parameters dat 34 scoorde op dezelfde index en volgens Alibaba's lijst $2,00 in en $6,00 uit per miljoen tokens kost. Als je op de Qwen-lijn bouwt en Qwen4-Max wilt uitproberen zonder een productiepad te verwedden op een commerciële regeling van twee dagen oud, is het verstandige patroon om de voorganger op dezelfde sleutel te houden en tussen beide te routeren — OrcaRouter biedt meer dan 200 model-ID's van verschillende providers achter één OpenAI-compatibel endpoint tegen 0% markup, met automatische failover, zodat een storing aan providerzijde of een rate limit je applicatie niet mee naar beneden haalt. De routing-DSL doet hetzelfde een niveau lager: je kunt een goedkoop model samenstellen voor het grootste deel van een workload en pas naar het dure model opschalen waar de taak het echt nodig heeft, in plaats van voor elke aanroep flagship-tarieven te betalen.

Dat is niet hetzelfde als Qwen4-Max op de key hebben, en dat mag niet als zodanig worden verkocht. Het is het verschil tussen wachten tot een model je stack bereikt en een stack hebben die het kan opvangen wanneer dat gebeurt.
Wat zou dit stuk veranderen?
Drie dingen, in aflopende volgorde van waarschijnlijkheid. Een tweede onafhankelijke meting van Qwen4-Max zou uitmaken of 43 een ondergrens of een bovengrens is — één leaderboard, één evaluatieharnas en één effort-instelling vormen een dunne basis voor een oordeel, en deze blog heeft eerder gezien dat indexherzieningen scores met dubbele cijfers deden verschuiven. Een gepubliceerde uitsplitsing per effort-niveau van Artificial Analysis, overeenkomstig wat het al doet voor GLM-5.3, zou het kosten-per-taakcijfer echt bruikbaar maken in plaats van een gemiddelde over een niet-gespecificeerde instelling. En een Qwen4-checkpoint — elk Qwen4-checkpoint — zou het huurargument volledig beëindigen.
Tot dan is de juiste lezing van deze week de weinig glamoureuze. Een vlaggenschip dat maandag uitkwam met een echte prijskaart en een concurrerende-maar-niet-toonaangevende onafhankelijke score; een reseller die het woensdag oppikte, wat distributie is die doet wat distributie doet; en het getal dat je integratie zou moeten bepalen is niet $1,50 of 43, maar 32,1 minuten en een tokenrekening die op ongeveer het dubbele van de mediaan van het veld loopt. Die twee zijn wat je daadwerkelijk betaalt.
