Een gegenereerde titelkaart met de tekst 'Qwen4-Max vs GPT-6 Sol', met de ondertitel 'Het goedkopere token dat per antwoord meer kost', en drie cijferkaarten met '43 vs 44 op de index', '$3,27 vs $2,47 per taak' en '$4,50 vs $10,00 output'. Onderaan staat 'Scores en kosten per taak per Artificial Analysis Intelligence Index v5.0.1; prijzen volgens de tariefkaart van elke leverancier.' Platte vectorstijl op een witte achtergrond met blauw- en cyaangradiëntaccenten, het OrcaRouter-merk samengesteld rechtsonder.
Guides & Insights

Qwen4-Max vs GPT-6 Sol: de goedkopere token die per antwoord meer kost

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Qwen4-Max staat wat output betreft op minder dan de helft van GPT-6 Sol — $4,50 per miljoen tokens tegen $10,00 — en toch kost het meer om een taak af te ronden. Artificial Analysis meet $3,27 per Intelligence Index-taak voor Qwen4-Max, algemeen beschikbaar sinds 16 november 2026, tegen $2,47 voor GPT-6 Sol, dat OpenAI sinds 22 september 2026 verkoopt. De scores schelen één punt: 43 tegenover 44. Die omkering is de hele vergelijking, en het is geen afrondingsartefact: het is wat er gebeurt wanneer een model 127 miljoen output-tokens schrijft om een evaluatie te voltooien die het andere model in 65,1 miljoen afrondt. Qwen4-Max is het goedkopere model per eenheid en het duurdere model per klus, en slechts één van die twee feiten overleeft het contact met een budget.

De inversie, met de berekening weergegeven

Beide modellen voeren standaard redeneringen uit en beide leveranciers rekenen denkwerk als output. Het verschil zit hem in hoeveel ervan er is.

• Uitvoervolume tijdens de index-run — Qwen4-Max genereerde 127 miljoen outputtokens; de tracker plaatst dit op de 65e plaats van 80 qua woordrijkheid en beschrijft het als zeer uitgebreid tegen een mediaan van 78,6 miljoen. GPT-6 Sol genereerde 65,1 miljoen, beschreven als vrij beknopt tegen dezelfde mediaan.

• Invoervolume — 9,9 miljard tokens voor Qwen4-Max tegenover 4,75 miljard voor GPT-6 Sol. De output/input-verhouding van Qwen is 1,284%; die van Sol is 1,371%, dus de vorm van het verkeer is vergelijkbaar, maar de schaal niet.

• Kosten per voltooide taak — $3,27 tegenover $2,47. Het nominaal goedkopere model is 32% duurder per taak.

• Indexscore — 43 tegenover 44, respectievelijk rang 38 en 34 van 81 modellen, op dezelfde revisie afgelezen op 16 november 2026.

Wat dit meet, is geen verspilling in de gangbare zin. Een model dat uitgebreid redeneert en zijn werkwijze herhaalt, doet iets wat de leverancier als een functie beschouwt, en Alibaba's eigen lanceercijfers zijn precies gebaseerd op dat gedrag dat het betalen waard is: het claimt 24% tot 35% minder tokens dan Qwen3.8-Max op zijn Work360-benchmark, wat een claim is over relatieve breedsprakigheid ten opzichte van zijn voorganger en niets zegt over hoe het zich verhoudt tot een model van een ander lab. Het absolute aantal is wat op een factuur terechtkomt, en dat absolute aantal is hoog.

Waar de inversie verdwijnt, is bij vaste output. Beperk het antwoord met een schema, een maximumaantal tokens of een strikt formaat, en het voordeel van uitgebreidheid verdampt, omdat de tokens die worden bespaard juist de tokens zijn die het model zelf koos te genereren. Onder een harde outputlimiet geldt het 2,2× goedkopere outputtarief van Qwen4-Max voor ongeveer hetzelfde aantal tokens, en de besparing is echt. Als het zelf mag bepalen wat het schrijft, besteedt het de korting.

A generated two-column scoreboard titled 'Qwen4-Max vs GPT-6 Sol — the scoreboard'. The Qwen4-Max column reads Output price $4.50 per million, AA Index 43 rank 38 of 81, Price per index task $3.27, Output tokens on AA run 127M, Above 272K context price unchanged, Speed on AA not yet measured. The GPT-6 Sol column reads Output price $10.00 per million, AA Index 44 rank 34 of 81, Price per index task $2.47, Output tokens on AA run 65.1M, Above 272K context $4.00 / $15.00, Speed on AA 125 tokens per second. A footer reads 'Index and per-task cost per Artificial Analysis v5.0.1; prices per vendor cards.'

Voorbij 272.000 tokens slaat de prijsverhouding volledig om

De tariefkaart van GPT-6 Sol bevat een tariefklif; die van Qwen4-Max niet. Dit is de enige dimensie waarin het goedkope model niet alleen concurrerend, maar dramatisch goedkoper is, en het is gemakkelijk over het hoofd te zien omdat beide modellen een venster van een miljoen tokens adverteren.

• GPT-6 Sol, tot 272.000 inputtokens — $ 2,00 input, $ 0,20 gecachte input, $ 2,50 cache schrijven, $ 10,00 output.

• GPT-6 Sol, boven 272.000 invoertokens — $4,00 invoer, $0,40 gecachte invoer, $5,00 cache-schrijven, $15,00 uitvoer. Op de eigen modelpagina van OpenAI staat de regel duidelijk: elke token in het verzoek wordt opnieuw beprijsd, niet alleen het overschot. Een prompt van 300.000 tokens factureert alle 300.000 tegen het lange-contexttarief.

• Qwen4-Max — $1.50 voor invoer en $4.50 voor uitvoer, eenvormig over het volledige venster van 1.000.000 tokens, zonder staffeling bij 32K, 128K of waar dan ook. Tarieven voor Singapore; de andere vijf regio's zijn $1.413 en $4.24.

• Het verschil bij 300.000 tokens — $4,00 tegen $1,50 op input is 2,7×, en $15,00 tegen $4,50 op output is 3,3×. Voeg daar Qwen's batchroute in Peking aan toe, waar Batch File $0,707 en $2,12 factureert, en de verhouding wordt nog groter — hoewel die route slechts in één regio bestaat.

• De praktische consequentie — een pipeline voor documentanalyse die routinematig 272K tokens overschrijdt, kiest niet tussen twee vergelijkbare prijzen. Ze kiest tussen een tarief dat verdubbelt bij een grens die haar verzoeken per ongeluk passeren en een tarief dat helemaal niet beweegt. Het opsplitsen van te grote verzoeken in chunks onder de drempel herstelt de prijs van Sol, maar het is een wijziging aan de pipeline, en het kost je de context van één enkel verzoek die de reden was om een model met een miljoen tokens te kopen.

Dit is het sterkste argument in het artikel voor Qwen4-Max, en het is beperkter dan de berichtgeving over de lancering suggereert: het is een langecontextgeval, niet een algemeen geval.

Wat elke leverancier feitelijk beweert, en wat daarachter zit

Het lanceermateriaal van Alibaba voor Qwen4-Max is ongewoon specifiek en volledig zelf uitgevoerd. De benchmark waarmee het begint, Work360, is er een die de leverancier zelf heeft gebouwd: een taxonomie van 26 Tier-1-domeinen, 182 Tier-2-subdomeinen en 721 Tier-3-velden, waarop Qwen4-Max 52,69 scoort tegenover 47,74 voor Qwen3.8-Max. Daarnaast meldt het bedrijf tokenreducties van ongeveer 24% en 35% op Work360 bij de instellingen xhigh en high effort, 48% en 49% op Terminal-Bench 4.0, een gemiddelde kosten per taak die daalt van $4,43 naar $1,67, een passpercentage op functieniveau van Last Secure Code Bench dat stijgt van 22,0% naar 31,8%, en het aandeel code dat tegelijk op functie-, bestands- en repositoryniveau veilig is, dat stijgt van 8% naar 14,7%. Al deze cijfers zijn door de leverancier gerapporteerd en geen ervan is buiten Alibaba gereproduceerd.

De beweringen van OpenAI over GPT-6 Sol zijn anders vormgegeven: het zijn argumenten voor gelijkwaardigheid tegen lagere kosten tegenover genoemde concurrenten,而不是 absolute scores. Het lanceermateriaal meldde een FrontierCode 1.1-resultaat van 49,3% bij maximale inspanning voor $2,14 per taak tegenover 50,3% voor Claude Fable 5.1 voor $12,83, en een DeepSWE v1.1-resultaat van 68,8% binnen 1,1 punt van de 69,9% van Claude Fable 5. Lees die zinnen op hun vorm: elk combineert een bijna gelijke score met een fractie van de kosten. Dat is een bewering over efficiëntie, niet over capaciteit, en het is een zwakkere bewering dan die welke Alibaba over Work360 doet.

De onafhankelijke tracker is waar de twee eindelijk vergeleken kunnen worden, en het is de enige bron in dit stuk die beide modellen met één harness heeft gemeten. Hij plaatst ze één punt uit elkaar en keert de prijsrangorde om. Hij laat ook één kolom leeg: GPT-6 Sol haalt een gemeten 125 outputtokens per seconde, 35,11 seconden tot het eerste antwoordtoken en 7,2 minuten per indextaak. Qwen4-Max heeft geen van de drie — de prestatiekaart vermeldt N/A. Een model dat 32% duurder is per taak zonder gepubliceerde snelheid is geen model waarvan het kostenvoordeel al kan worden geprijsd, want de ontbrekende helft van de rekening is tijd.

A headless-browser screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026 in English, showing the Alibaba proprietary-model label, Released November 2026, an Intelligence Index of 43 ranked of 81, the cost block reading In $1.50, Out $4.50, Cache 95% and $3.27 per task, a verbosity reading, and the summary line noting text and image input with a 984k-token context window.

De architectuurclaim onder de tokengetallen

Qwen4-Max is een sparse mixture-of-experts met 2,4 biljoen parameters, waarvan 71 miljard parameters per token actief zijn, plus 328 miljard N-gram-embeddingparameters die worden opgezocht in plaats van vermenigvuldigd. Drie Gated DeltaNet-lagen comprimeren geschiedenis tot een state met vaste grootte voor elke Qwen Sparse Attention-laag, die relevante context op microblokgranulariteit selecteert via een lichtgewicht indexeerder; vier parallelle residuele takken met dynamische lees- en schrijfpoorten stabiliseren de stapel. Alibaba meldt geen loss-pieken gedurende de run met 2,4 biljoen parameters en 5% tot 13% lagere bits per byte dan Qwen3.8-Max-Base, terwijl er 25% minder parameters actief zijn — met de eerlijke kanttekening, afgedrukt door de leverancier, dat twee van de vergeleken checkpoints post-trained zijn, wat de framing als basismodel verzwakt.

Het is een plausibele verklaring voor waarom long-context-inferentie per token goedkoper is. Het is geen verklaring voor waarom een verzoek 1,95× de outputtokens van een concurrent nodig heeft, en niets in het lanceermateriaal gaat daarop in. Efficiëntie per token en efficiëntie per antwoord zijn verschillende grootheden, en dit model verbetert de eerste terwijl het de tweede verliest.

Waar de twee zich bevinden, en hoe een gemengde workload eruitziet

GPT-6 Sol wordt op OrcaRouter gerouteerd als openai/gpt-6-sol tegen de lijstprijs van OpenAI met 0% opslag — $2,00 en $10,00 per miljoen tokens onder 272K, $4,00 en $15,00 daarboven, waarbij de 272K-herprijsregel wordt toegepast zoals OpenAI die toepast. Eén API voor meer dan 200 modellen betekent dat de lange-contextvraag hierboven een routeringsbeslissing wordt in plaats van een tweede contract: een pipeline kan zijn verzoeken onder 272K naar Sol sturen en zijn te grote verzoeken elders, zonder een tweede SDK op te zetten, en een prijswijziging van een leverancier wordt hier dezelfde dag doorgevoerd als op de prijslijst van OpenAI.

Qwen4-Max staat per 16 november 2026 niet in de OrcaRouter-catalogus. Het is bereikbaar via Alibaba's eigen Model Studio API en verschillende platforms van derden. Dat maakt het eerlijke experiment asymmetrisch en slechts in één richting goedkoop: de Sol-tak vereist geen nieuwe integratie, de Qwen-tak wel, en de vergelijking die je eigenlijk wilt — kosten per voltooide taak op je eigen verkeer, bij je eigen uitvoerlengtes — is precies de meting die zou uitmaken of de inversie van $2,47 versus $3,27 buiten een benchmarkharnas standhoudt. Draai het op een schaduwsegment, niet op het productiepad, en laat je eigen tokentellingen beslissen welke van de twee indexruns de misleidende is.

A headless-browser screenshot of the OrcaRouter model page for openai/gpt-6-sol, captured 16 November 2026 in English, showing the GPT-6 Sol heading and identifier, the OpenAI attribution dated 2026-09-22, vision, tools, JSON and reasoning badges, a description placing it below GPT-6 Astra and above GPT-6 Luna, an OpenAI-compatible /v1/chat/completions endpoint, and the price block reading $2.00 input and $10.00 output per million tokens with a 4.54 s p50 time to first token.

Wat zou dit een ander artikel maken?

Twee metingen. De eerste is Qwen4-Max' outputvolume op een werklast met een harde outputlimiet; als de 127 miljoen tokens een eigenschap van de evaluatie zijn en niet van het model, is de omkering een artefact en is het tarief van $4,50 een pure besparing. De tweede is snelheid. GPT-6 Sol heeft 7,2 minuten per indextaak nodig en 35 seconden tot het eerste token, wat geen opvallende cijfers zijn; als Qwen4-Max aanzienlijk langzamer is op dezelfde taken, dan is een model dat al 32% duurder is per antwoord ook het model dat je langer laat wachten, en geen enkel argument per token redt dat.

{{1}}Totdat{{/1}} beide bestaan, is {{2}}de verdedigbare positie{{/2}} smal en specifiek. Voor verzoeken die {{3}}272.000 tokens{{/3}} overschrijden, is {{4}}Qwen4-Max{{/4}} {{5}}twee tot drie keer goedkoper{{/5}} en is er geen enkele twijfel. Voor al het overige is {{6}}GPT-6 Sol{{/6}} {{7}}de betere koop{{/7}} op {{8}}het enige getal dat prijs met gedrag combineert{{/8}}, en {{9}}het feit dat het gepubliceerde tarief 2,2× hoger is op output{{/9}} is {{10}}het minst informatieve aspect eraan{{/10}}.

Vergeleken in dit artikel1

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt