
Qwen4-Max vs LongCat 2.5: twee vlaggenschepen die nog niemand heeft beoordeeld, twaalf keer zo ver uit elkaar qua prijs
- 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
Hier is een vergelijking met een ongewone eigenschap: geen van beide kanten heeft een getal. Qwen4-Max, sinds 16 november 2026 algemeen beschikbaar bij Alibaba, publiceert een tarievenkaart, een contextvenster en een functielijst, en geen enkele benchmark van welke aard dan ook. LongCat 2.5, dat Meituan op 2 november 2026 publiceerde, wordt geleverd met een leveranciersevaluatietabel van 31 rijen en heeft nog steeds geen onafhankelijke score — er is geen vermelding van LongCat 2.5 op de ranglijst van Artificial Analysis, alleen zijn voorganger LongCat 2.0, die evenmin een indexwaarde heeft. Dus wanneer je Qwen4-Max en LongCat 2.5 naast elkaar zet, is wat hen daadwerkelijk onderscheidt niet capaciteit. Het is $1,20 tegenover $4,50 voor outputtokens, en het is of je een tabel van de leverancier zelf gelooft wanneer het de enige tabel is die er is.
Daardoor is deze pagina een ander soort vergelijking dan de gebruikelijke directe confrontatie. Er wordt niet gevraagd welk model beter is, want niemand buiten de twee laboratoria kan dat beantwoorden. Er wordt gevraagd welke je het je kunt veroorloven om uit te zoeken, en waartoe de documentatie van elke leverancier zich wel en niet verbindt.

Wat Meituan op 2 november daadwerkelijk uitbracht
LongCat 2.5 is een sparse mixture-of-expertsmodel met 1,6 biljoen parameters dat per token ongeveer 48 miljard parameters activeert, waardoor het een iteratie van dezelfde architectuur als LongCat 2.0 is in plaats van een nieuw ontwerp. Het is op een specifieke en ongebruikelijke manier native multimodaal: visuele signalen worden gecodeerd als discrete tokens op meerdere niveaus via residuele vectorquantisatie over kenmerken van een semantisch uitgelijnde encoder, zodat afbeeldingen en tekst als één tokenvocabulaire de backbone binnenkomen in plaats van via een aangebouwde adapter. De door de leverancier genoemde use cases vloeien daaruit voort: een pagina bouwen op basis van een screenshot, een 3D-scène genereren op basis van een beschrijving, een poster produceren.
Het servicecontract is concreet. De context bedraagt 1.048.576 tokens in en 131.072 tokens uit. Er zijn twee endpoints op api.longcat.chat: een OpenAI-compatibel /openai/v1/chat/completions en een Anthropic-compatibel /anthropic/v1/messages. Claude Code, Codex, Hermes, OpenCode en Kilo Code worden genoemd als ondersteunde harnesses, met voor elk een eigen gids. Gewichten zijn niet beschikbaar; de GitHub- en Hugging Face-knoppen van de blog zeggen allebei "Binnenkort beschikbaar", zonder datum. LongCat 2.0 is onder MIT uitgebracht, dus de licentievraag voor 2.5 ligt echt open en wordt niet door precedent beantwoord.

Daarentegen is Alibaba's Qwen4-Max op een andere manier gesloten: de documentatie markeert fine-tuning en modeldeployment ronduit als niet-ondersteund, wat een stelligere uitspraak is dan "binnenkort beschikbaar". Tekst, afbeelding en video als invoer; tekst als uitvoer; een venster van 1.000.000 tokens; 131.072 tokens uitvoer buiten de denkmodus; denken standaard aan met een budget van 131.072 tokens. Zes regio's — Singapore, Beijing, Hongkong, Frankfurt, Virginia en Tokio — tegenover het enkele first-partyplatform van LongCat.
Het prijsverschil, en wat het oplevert
• Invoer — Qwen4-Max $1,50 per 1 miljoen in Singapore en $1,413 elders, versus LongCat 2.5 $0,30
• Uitvoer — Qwen4-Max $4,50 in Singapore en $4,24 elders, tegenover LongCat 2.5 $1,20
• Gecachte invoer — Qwen4-Max $0,075 voor lezen na een vijf minuten durende schrijfactie van $1,875, versus LongCat 2.5 $0,006 voor lezen
• Context — Qwen4-Max 1.000.000 tokens versus LongCat 2.5 1.048.576 tokens
• Maximale uitvoer — Qwen4-Max 131.072 tokens zonder denkmodus, 262.144 gedeeld met denkmodus, versus LongCat 2.5 131.072 tokens
• Modaliteit — Qwen4-Max tekst-, afbeeldings- en video-invoer versus LongCat 2.5 tekst- en afbeeldingsinvoer, met native visuele tokenisering
• Gewichten — geen van beide publiceert ze, maar LongCat 2.5 zegt "binnenkort beschikbaar" terwijl Qwen4-Max zegt dat het niet wordt ondersteund
• Regio's — Qwen4-Max zes versus LongCat 2.5 één platform
• Onafhankelijke score — geen van beide heeft er een
Bij outputtokens is dat een twaalfvoudig verschil in Singapore en een 3,5-voudig verschil bij input. Reken het door op een echte pipeline: een miljoen calls per maand bij 2.000 input- en 500 outputtokens kost $5.250 op Qwen4-Max Singapore en $1.200 op LongCat 2.5. Bij tien keer dat volume is het verschil $52.500 per maand tegenover $12.000, en dat is een extra medewerker, geen afrondingsfout.

Wat het extra geld oplevert, is volgens de gepubliceerde gegevens geen capaciteit. Het levert regionale uitrol op — {{1}}Frankfurt, Virginia en Tokio zijn enorm belangrijk voor een Europees of Amerikaans bedrijf met een verplichting tot gegevensresidentie, en het enige platform van Meituan biedt die niet{{/1}}. Het levert een videotoevoerpad op dat LongCat niet documenteert. En het levert de operationele zekerheid op van een leverancier die al jaren frontier-modellen aan ondernemingen verkoopt, tegenover een platform waarvan de eigen prijspagina de cijfers als {{2}}van beperkte duur{{/2}} omschrijft en eindigt met de woorden "prijzen kunnen worden gewijzigd".
Dat laatste punt verdient nadruk. LongCats tariefkaart vertelt je dat die niet de gezaghebbende bron is voor zijn eigen cijfers. De tariefkaart van Qwen4-Max, vanochtend gepubliceerd, doet dat niet.
Een leverancierstabel lezen wanneer dit de enige tabel is
De releasepagina van Meituan bevat 31 evaluatierijen, en het eerste interessante daaraan is de vergelijkingsset: GPT-5.5, GPT-5.6 Sol, Claude-Opus-4.8 en Claude-Opus-5. OpenAI's GPT-6.1 Sol, algemeen beschikbaar sinds 29 september, staat niet in de tabel. Claude Opus 5.5 ook niet, het model waarnaar de alias opus in Claude Code verwijst. De tegenstanders zijn gekozen.
Het tweede interessante punt is de samenvattende zin die de aankondiging gebruikt: dat de scores van LongCat 2.5 "tussen Claude-Opus-4.8 en Claude-Opus-5" liggen. Op de nieuwste evaluatieharness in dezelfde tabel staat het 15 punten onder Opus 5. Beide uitspraken komen van dezelfde pagina. Dat is geen kritiek op het model — een 1,6T-sparse model dat end-to-end is getraind op binnenlandse Chinese accelerators en wordt aangeboden tegen $1,20 output is een echte prestatie — maar het is een reden om de tabel te lezen als een gekozen subset in plaats van een scorekaart.
Het probleem van Qwen4-Max is het omgekeerde. Er is helemaal geen tabel. De documentatie van Alibaba specificeert de mechanica met ongebruikelijke precisie — standaardtemperatuur 1,0 met thinking en 0,7 zonder, top-p 0,95 en 0,8, top-k 20, een thinking-budget van 131.072 tokens, afzonderlijke invoerplafonds van 991.808 tokens in non-thinkingmodus en 983.616 in thinkingmodus, zes regio's met hun deploymentbereiken — en zegt helemaal niets over kwaliteit. Er bestaat geen Qwen4-vermelding in de modelindex van Artificial Analysis, en de URL per model retourneert een 404.
Dus de keuze tussen een tabel die je moet relativeren en helemaal geen tabel is dichterbij dan het lijkt. Beide modellen vereisen je eigen evaluatie voordat je ze in productie neemt. Het verschil is dat Meituan je een starthypothese heeft gegeven en Alibaba een specificatie.
De taakverdeling die dit daadwerkelijk bepaalt
Drie patronen, en het antwoord verschilt per patroon.
• Tekstgeneratie op grote schaal — LongCat 2.5 wint zo overtuigend op rekengebied dat de ontbrekende benchmark nauwelijks uitmaakt. Met een prijs die 3,5× tot 12× lager is, kan het met een merkbare marge op kwaliteit verliezen en toch winnen op kosten per afgeronde taak. Voer honderd van je eigen prompts uit en controleer het.
• Visueel werk op basis van screenshots en invoer die daaraan grenst — LongCats native visuele tokenisatie is de reden dat het model bestaat, en het is de enige claim in de release die architectonisch is in plaats van promotioneel. Qwen4-Max accepteert ook video, dus als je invoer video is in plaats van stilstaande beelden, is het de enige van de twee die het verzoek kan verwerken.
• Gereguleerde of latencygevoelige implementatie — Qwen4-Max's zes regio's tegenover één platform is geen prijsoverweging, het is een geschiktheidskwestie. Als uw data in Frankfurt of Virginia moet blijven, is het twaalfvoudige prijsverschil irrelevant, omdat de goedkopere optie u helemaal niet kan bedienen.
Beide opties openhouden
OrcaRouter routeert LongCat 2.5 of Qwen4-Max momenteel niet; beide zijn bereikbaar via de eigen API's van hun leveranciers, met de tariefkaarten hierboven. De modellen waartegen deze vergelijking aan onze kant zou moeten worden uitgevoerd, zijn de modellen die al in de catalogus op dezelfde sleutel staan — GLM-5.3 voor $1,40 en $4,40 per miljoen, Qwen3.8-Max voor $2,00 en $6,00, Kimi K3.1 Pro voor $2,00 en $10,00 — omdat een driewegtest van een model zonder score tegen een model met een prijs en meetgegevens de goedkoopste manier is om erachter te komen of het nieuwe model überhaupt zijn lijstprijs waard is.
De routeringslaag is wat die test goedkoop maakt. Een beleid kan een steekproef van liveverkeer parallel naar LongCat 2.5 en naar een bekend model sturen, de uitvoer vergelijken met welke beoordelaar je ook vertrouwt, en pas dan beslissen of het volume verplaatst moet worden. Automatische failover is belangrijker dan gebruikelijk bij twee modellen die zo nieuw zijn: geen van beide heeft een staat van dienst die lang genoeg is om een afhankelijkheid van één provider te rechtvaardigen, en een fallbackketen kost niets wanneer het primaire pad gezond is.
Het eerlijke oordeel
Als je werk uit tekst en afbeeldingen op volume bestaat, is LongCat 2.5 het interessantere model op deze pagina, en het twaalfvoudige prijsvoordeel op de output is het enige harde cijfer dat een van beide leveranciers je heeft gegeven. Als je werk video-invoer, regionale implementatie of een leverancier met een bewezen staat van dienst in de enterprise nodig heeft, is Qwen4-Max degene die aan de eis voldoet, en de prijs is wat die vervulling kost.
Wat geen van beide modellen je geeft, is een reden om de evaluatie over te slaan. Twee vlaggenschepen zonder scores, twee weken na elkaar gepubliceerd, met een prijsverschil van een factor tien, is precies de situatie waarin een middag met je eigen verkeer meer waard is dan elke vergelijkingstabel op internet — inclusief deze. Het enige waar je aan beide kanten op moet letten, is hetzelfde: een modelkaart in plaats van een changelog-regel. Parameters, context, prijs en een API-identificatie in één document vormen het signaal dat een model klaar is. De gewichtenknop van {{1}}LongCat 2.5{{/1}} zegt nog steeds 'binnenkort beschikbaar', en de pagina van {{2}}Qwen4-Max{{/2}} heeft nog steeds een lege plek waar de benchmarktabel zou moeten staan.
Vergeleken in dit artikel1
Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt
