
Qwen4-Max vs Kimi K4: De een is deze week uitgebracht, de ander is helemaal nooit uitgebracht.
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 90 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 96 tok/s
- orcaNIEUWOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNIEUWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 87 tok/s
- OrcaNIEUWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 133 tok/s
- OrcaNIEUWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 mln tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 43 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 · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 152 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 · 119 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 · 219 tok/s
Zoek op Kimi K4 en je vindt een heleboel teksten over een model dat niet bestaat. Zoek op Qwen4-Max en je vindt, per 16 november 2026, een model dat je kunt aanroepen met een gepubliceerde tariefkaart, zes regio's en een documentatiepagina met tijdstempel 09:46 die ochtend. Dat zijn geen vergelijkbare situaties, en ze als twee kanten van een onderlinge vergelijking behandelen is de meest voorkomende fout in dit deel van de markt. Deze pagina doet dus twee dingen: ze stelt vast wat Kimi K4 is — een naam zonder modelkaart, zonder API-identificatie, zonder gewichten, zonder prijs en zonder aankondiging erachter — en daarna voert ze de vergelijking uit waar een lezer echt iets mee kan: tussen Qwen4-Max en Kimi K3.1 Pro, het model dat Moonshot AI vandaag levert en het best scorende open-weightsmodel op de Artificial Analysis Intelligence Index.
Die tweede vergelijking is interessanter dan degene die je hebt ingevoerd, want het is de enige plek waar Qwen4-Max een model tegenkomt dat het verslaat op gemeten capaciteit maar er qua prijs van verliest. Het is ook de vergelijking die laat zien waarom de ontbrekende Qwen4-Max-benchmark duur is: tegenover Kimi K3.1 Pro staat aan de ene kant van de tabel een echt getal en aan de andere kant een leegte.

De Kimi K4-check, openlijk uitgevoerd
Beweringen dat iets niet is uitgebracht, verliezen hun geldigheid, dus hier is het bewijs in plaats van het oordeel. De prijsdocumentatie voor ontwikkelaars van Moonshot AI voor de Kimi API somt kimi-k3.1-pro en kimi-k3 op als de modellen uit de K3-serie, met een contextvenster van 1.048.576 tokens, plus de K2-serie, waarvan dezelfde pagina zegt dat die eind december 2026 volledig wordt uitgefaseerd. Er komt geen kimi-k4-identificatie voor. De modellenlijst van het platform bevat er geen. De blogindex van het lab zelf bevat geen K4-bericht. Een zoekopdracht in de repository onder de organisatie moonshotai levert niets op boven K3.1 Pro.
Het enige artefact dat voor deze naam opduikt, is een herupload door een derde op Hugging Face, gemaakt in juli 2026, met een handvol downloads, geen documentatie en een tagset die integraal van Kimi K3 is overgenomen. Het is geen Moonshot-artefact en deze pagina behandelt het ook niet als zodanig. Een uitgeleverd Moonshot-vlaggenschip laat binnen enkele dagen een controleerbaar spoor achter — een modelkaart met een parameteraantal, een regel in een tarievenkaart, een API-identifier, een vermelding op een leaderboard. Een naam waarvan niets daarvan is achtergebleven, is geen stille release; het is een naam.
Het is goed om dit ronduit te zeggen, want de formulering van deze pagina zou verkeerd kunnen worden geïnterpreteerd: het feit dat K4 nog niet uit is, zegt niets over Moonshots traject. Het lab heeft in vier maanden tijd twee releases gedaan, en de tweede daarvan, K3.1 Pro op 24 oktober 2026, is het beste open-weights-resultaat op de huidige index. Het volgende model is een kwestie van wanneer, niet van of. Het is simpelweg nog niet nu.
Wat Qwen4-Max deze week is geworden
Tot 16 november bestond Qwen4-Max alleen als qwen4-max-preview: een verhuur uitsluitend via Token Plan die op 11 november om 10:00 UTC+8 opende, met een gepubliceerde buitengebruikstelling op 25 november om 24:00 en nergens een prijs per token. Het GA-model is een andere identifier, qwen4-max, met pay-as-you-go-tarieven, zes regio's — Singapore, Peking, Hongkong, Frankfurt, Virginia en Tokio — en geen vervaldatum.
De gepubliceerde specificatie vermeldt een context van 1.000.000 tokens, een maximale uitvoer van 131.072 tokens in de modus zonder denken, een gedeeld budget van 262.144 tokens voor denken plus antwoord, tekst-, afbeeldings- en video-invoer, en uitvoer alleen in tekst. Denken is standaard ingeschakeld met een budget van 131.072 tokens en reasoning effort ingesteld op high. De API spreekt OpenAI Chat Completions, OpenAI Responses, Anthropic Messages en DashScope, wat betekent dat een bestaande Anthropic SDK die op een nieuwe base-URL wordt gericht, zonder herschrijving werkt. Fine-tuning en modeldeployment zijn gedocumenteerd als niet-ondersteund, en er worden geen gewichten gepubliceerd.

Qwen4-Max tegenover de Kimi die je daadwerkelijk kunt aanroepen
Kimi K3.1 Pro was een post-training-release in plaats van een nieuwe architectuur: Moonshot beschrijft het als Kimi K3 dat opnieuw is getraind met aanzienlijk meer post-training-rekenkracht, waaronder grootschalige gezamenlijke reinforcement learning over honderden downstream-domeinen. Het contextvenster is ongewijzigd op 1.048.576 tokens, vision- en video-invoer zijn ongewijzigd en het uitvoerplafond is ongewijzigd op 1M tokens. Wat het meest ingrijpend veranderde, was de prijs: $2,00 per miljoen invoertokens en $10,00 per miljoen uitvoertokens, tegenover $3,00 en $15,00 bij K3.
• Invoerprijs — Qwen4-Max $1,50 per 1M in Singapore, $1,413 elders, tegenover Kimi K3.1 Pro $2,00
• Uitvoerprijs — Qwen4-Max $4,50 in Singapore, $4,24 elders, versus Kimi K3.1 Pro $10,00
• Cache lezen — Qwen4-Max $0.075 na een vijf minuten durende schrijfactie van $1.875, versus Kimi K3.1 Pro $0.20 na een schrijfactie van $2.00
• Context — Qwen4-Max 1.000.000 tokens tegenover Kimi K3.1 Pro 1.048.576 tokens, een voorsprong van 4,6% voor Kimi
• Maximale uitvoer — Qwen4-Max 131.072 non-thinking, tegenover het 1M-tokenplafond van Kimi K3.1 Pro, een grote voorsprong voor Kimi
• Onafhankelijke score — Qwen4-Max niet gepubliceerd, tegenover Kimi K3.1 Pro 46,5 op Artificial Analysis Intelligence Index v5.0.1, het beste open-weightsresultaat op de ranglijst
• Gewichten — Qwen4-Max: niets gepubliceerd, tegenover Kimi K3.1 Pro's moedermodel K3, open onder een aangepaste licentie
• Leveranciersbenchmark — Qwen4-Max geen, tegenover Kimi K3.1 Pro met 65,7% op Terminal-Bench 4.0, door de leverancier gerapporteerd
De outputprijsregel is degene die een budget herschikt. Met $4,50 tegenover $10,00 is Qwen4-Max 55% goedkoper op output in Singapore en 58% goedkoper in de andere regio's. Een pipeline die maandelijks 50 miljoen outputtokens genereert, betaalt $225 voor Qwen4-Max en $500 voor Kimi K3.1 Pro. Dat is een echt verschil, en het is het sterkste afzonderlijke argument voor het nieuwere model.
De rij met het uitvoerplafond is degene die het kan tenietdoen. Kimi K3.1 Pro produceert een miljoen tokens in één antwoord; Qwen4-Max is beperkt tot 131.072 buiten de denkmodus en 262.144 gedeeld met de denkmodus. Als je workload het genereren van lange documenten, het herschrijven van volledige bestanden of uitgebreide redeneersporen in één aanroep omvat, kan het goedkopere model de klus tegen welke prijs dan ook niet afmaken, en een korting van 55% op een verzoek dat in acht aanroepen moet worden opgesplitst, is geen korting.
Waarom het lege vak in de scorekolom het verhaal vertelt
Elke modelvergelijking die deze blog publiceert, stuit bij nieuwe Alibaba-vlaggenschepen op dezelfde muur: de documentatie is uitzonderlijk precies over de mechanica en volledig stil over kwaliteit. De pagina van Qwen4-Max specificeert de standaardtemperatuur in elke modus, de top-p- en top-k-waarden, het denkbudget, de exacte invoer- en uitvoertokenplafonds per modus, en de zes regio's met hun implementatiebereik. Er wordt geen benchmarktabel gepubliceerd, door de leverancier gerapporteerd of anderszins, en er is geen Qwen4-vermelding in de Artificial Analysis-modelindex — de URL per model geeft een 404.
Tegenover Kimi K3.1 Pro heeft die asymmetrie een specifiek gevolg. De Kimi-kant heeft een getal van de maker zelf dat iedereen kan zien, en een onafhankelijk getal op dezelfde indexversie, en beide staan bovenaan de open-weights-ranglijst. De Qwen-kant heeft een prijs en een specificatieblad. Een koper die ze met elkaar vergelijkt, vergelijkt niet twee modellen; hij vergelijkt een gemeten model met een gedocumenteerd model, en de enige manier om die kloof te dichten is het zelf te meten.
Dat is goedkoper dan het klinkt. Honderd prompts uit je eigen verkeer, op beide uitgevoerd, tegen deze tarieven, kost een paar dollar. Dat is het volledige evaluatiebudget dat nodig is om Qwen4-Max voor jouw werklast van een onbekende in een bekende grootheid te veranderen — en het is minder dan de kosten van één week verkeerd gokken op de outputprijs.
De enige plek waar de twee ontwerpen het sterkst uiteenlopen
De K3-architectuur van Moonshot leunt op Kimi Delta Attention, een linear-attentionmechanisme met een recursieve toestand van vaste grootte, in 69 van zijn 92 sparse lagen. Dat ontwerp is wat een context van 1M tokens betaalbaar maakt om te bedienen, en het is ook de reden dat onafhankelijke evaluatoren de long-contextclaims van eerste partijen in de hele industrie wantrouwen: linear-attentionhybriden leveren doorgaans een paar punten in op needle-in-a-haystack-retrieval ten opzichte van volledige aandacht. Qwen publiceert niets over het attentionontwerp van Qwen4-Max, dus er is geen manier om te weten aan welke kant van die afweging het staat.
Wat Qwen wél publiceert, is een implementatie voor prompt-caching met expliciete en impliciete modi en een cache-write van vijf minuten voor $1,875 per miljoen tegenover een read van $0,075 — een korting van 96% op het lezen. Het equivalent van Kimi is $2,00 voor schrijven en $0,20 voor lezen, een korting van 90%. Beide ontwerpen belonen een stabiele prefix en bestraffen een prompt die bij elke beurt verandert, en geen van beide verandert de rekensom bij een eenmalig verzoek.
Voor werk met documenten met een lange context — de workload die beide leveranciers verkopen — is de praktische test op beide modellen dezelfde: bouw een needle-test op je eigen corpus voordat je de gepromote contextvenster vertrouwt. Een model dat op jouw data correct antwoordt bij 900K tokens is meer waard dan een model dat correct antwoordt bij 1M op een synthetische benchmark, en slechts één van die twee getallen is kenbaar zonder je eigen testomgeving.
Ze naast elkaar noemen
OrcaRouter biedt Kimi K3.1 Pro aan als kimi/kimi-k3.1-pro tegen Moonshots lijstprijs — $2,00 in en $10,00 out per miljoen — doorgegeven zonder markup, op dezelfde OpenAI-compatibele base-URL als de rest van een 215 identifiers tellende catalogus, met zowel /v1/chat/completions- als /v1/responses-endpoints. Qwen4-Max staat vandaag niet in die catalogus; het is beschikbaar via Alibaba's eigen API, waar het bovenstaande regionale tarief geldt.

De reden om beide bereikbaar te houden in plaats van er één te kiezen, is dat de beslissing tussen hen door de workload wordt bepaald, niet door het model. Werk met lange generaties wil Kimi's outputplafond. Generatie met hoog volume waarbij antwoorden kort zijn, wil Qwen4-Max's outputprijs. Alles waarbij een fout antwoord duur is, wil het model met een score totdat je een score voor het andere hebt gegenereerd. Een routeringsbeleid drukt dat uit als regels in plaats van als een architectuurbeslissing, en automatische failover voorkomt dat de nieuwere van de twee een single point of failure wordt terwijl je nog bewijs verzamelt.
Waar dit de zoekopdracht waarmee je begon laat
Als je voor Kimi K4 kwam: het antwoord is dat het nog niet is uitgebracht, er is niets over aangekondigd, en het model om vandaag te evalueren is Kimi K3.1 Pro — dat op de huidige index het sterkste open-weightsmodel is dat voor iedereen beschikbaar is. Let op een modelkaart in plaats van een gerucht: een document dat parameters, context, prijs en een API-identificatie samen bevat, is het signaal dat deze blog het hele jaar heeft gebruikt om een uitgebracht model te onderscheiden van een naam die de ronde doet.
Als je voor de Qwen4-Max-kant kwam, is het antwoord dat het echt bestaat, een prijs heeft en goedkoop is in precies één dimensie die ertoe doet — outputtokens — terwijl het maximaal een fractie levert van wat het Kimi-model in één antwoord zal produceren en helemaal geen kwaliteitsmeting bevat. Koop het waar outputvolume domineert en antwoorden kort zijn. Test het voordat je het ergens anders koopt. En zie het verschil tussen $4,50 en $10,00 als een uitnodiging om je eigen evaluatie uit te voeren, want dat is het enige getal in deze vergelijking dat momenteel gratis is.
Vergeleken in dit artikel2
Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt
