
Qwen4-Max vs Qwen4 27B: een prijsverschil van 4,5 keer en een model dat je niet kunt downloaden
- 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 · 97 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 · 150 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
De interessante vraag over Qwen4-Max is niet of hij goed is. Het is of je $1,50 en $4,50 per miljoen tokens zou moeten betalen voor een model dat in happen van 262.144 tokens denkt, terwijl een zusmodel met 27 miljard parameters — Qwen4 27B — het grootste deel van hetzelfde werk zou moeten doen op hardware die je zelf bezit. Het addertje onder het gras is dat Qwen4 27B nog niet bestaat als iets dat je kunt draaien. Alibaba toonde het op 22 september 2026 op het podium van de Apsara Conference, naast Qwen 4 Max, Qwen 4 Flash en Qwen 4 Plus, en heeft sindsdien geen model card, geen weights, geen contextlengte, geen prijs en geen benchmark ervoor gepubliceerd. Qwen4-Max daarentegen ging op 16 november over op metered facturering, met een venster van 1.000.000 tokens en een Artificial Analysis Intelligence Index van 43. De nuttige versie van deze vergelijking zet dus het flagshipmodel dat je kunt aanroepen tegenover het kleine model dat je niet kunt aanroepen, en beantwoordt de vraag die budgets echt bepaalt: wat levert het 4,5-voudige verschil in tokenprijs op, en wat zou het 27B-model moeten doen om zijn plek te verdienen.
Twee prijskaarten, waarvan er één cijfers bevat
Begin met wat er is vastgelegd. Alles in deze sectie is een gepubliceerd cijfer; niets is afgeleid.
• Qwen4-Max, Singapore — $1,50 per miljoen inputtokens, $4,50 voor output, vast tarief over het volledige venster van 1.000.000 tokens. Cachelezingen $0,075 per miljoen, schrijfacties van vijf minuten $1,875, schrijfacties van één uur $3,00.
• Qwen4-Max, overige regio's — $1.413 en $4.24 in Frankfurt, Virginia, Tokio, Hongkong en Peking, een korting van 5,8% op de Singapore-kaart voor identieke limieten.
• Qwen4-Max, onafhankelijk — AA Index 43 bij $3,27 aan door de evaluator gefactureerde kosten per indextaak, gecombineerd $0,80 per miljoen, 127M outputtokens gedurende de hele run.
• Qwen4 27B — geen prijs. Niet "nog niet aangekondigd"; specifiek: er bestaat nergens een rij, omdat er geen model is om er een aan te koppelen.
Het dichtst bij een kleine Qwen die je vandaag kunt draaien, is Qwen3.8-27B, het Apache-2.0 dense multimodale model uit de vorige generatie. Alibaba vermeldt het tegen $0,50 en $3,00 per miljoen op zijn eigen API; wij hosten de gewichten zelf en rekenen $0,33 en $2,40, omdat open gewichten geen kosten per token van een leverancier hebben die doorberekend moeten worden. Artificial Analysis geeft het 20 op dezelfde index — drieëntwintig punten onder Qwen4-Max, wat het hele argument in één getal is.
Dus de eerlijke verhouding wordt niet afgemeten tegen een spookbeeld. Het is 4,5 keer zo veel op input en 1,9 keer zo veel op output wanneer je Qwen4-Max vergelijkt met de laatste 27B die daadwerkelijk is uitgeleverd — en drieëntwintig indexpunten aan capaciteit voor het verschil. Of dat een goede deal is, hangt volledig af van waar je workload zijn tokens aan uitgeeft, en dat is een vraag over je traces, niet over een van beide leveranciers.

Wat een 27B biedt dat een vlaggenschip met 2,4 biljoen parameters niet kan
Drie dingen, en geen ervan is kwaliteit.
De eerste is een vaste rekening. Een gehost vlaggenschipmodel is een variabele kostenpost die meeschaalt met verkeer en met hoe uitgebreid het model zich die dag uitdrukt; een open 27B op je eigen hardware is een kapitaalkostenpost en een afschrijvingsschema. Bij $0,33 en $2,40 per miljoen geeft een team dat $3.000 per maand uitgeeft aan het vlaggenschip ongeveer $700 uit aan het kleine model voor hetzelfde tokenvolume — en op het moment dat dat volume verdubbelt, verandert een van die bedragen en het andere niet.
De tweede is latentie die je zelf beheert. Een 27B dense model op één node antwoordt in een vorm die je kunt voorspellen, omdat er geen wachtrij achter zit en geen langetermijndenkbudget dat je niet hebt aangevraagd. Qwen4-Max gebruikt standaard reasoning_effort: high met een denkbudget van 131.072 tokens, en een verzoek dat niets instelt, heeft meer ruimte voor uitvoer gereserveerd dan de meeste taken zullen gebruiken. Die standaard is juist voor een vlaggenschipmodel en verkeerd voor een classifier, een router, of de duizend kleine beslissingen die een agent maakt tussen de interessante beslissingen door.
De derde is de licentie. Apache-2.0-gewichten betekenen dat het model kan worden gequantiseerd, finegetuned, ingebed in een product dat je levert, en kan draaien in een rechtsgebied waar de API niet beschikbaar is. Qwen4-Max is propriëtair, wordt vanuit zes regio's aangeboden en geeft alleen tekst terug — geen gewichten, geen fine-tuning, geen on-premise-implementatie. Alibaba's documentatie zegt dat fine-tuning en modelimplementatie ervoor nergens worden ondersteund.
Wat een 27B je niet kan geven, is precies waarvoor Qwen4-Max is gebouwd. De backbone met 2,4 biljoen parameters en 71 miljard actieve parameters, de 328 miljard N-gram-embeddingparameters, de Gated DeltaNet-lagen die geschiedenis comprimeren tot een vaste toestand voor elke Qwen Sparse Attention-laag — niets van die architectuur is overdraagbaar naar een 27B dense model, en dat geldt ook niet voor het venster van 1.000.000 tokens. De eigen positionering van de leverancier van de familie is dat kleinere modellen "zijn afgestemd op wat kleine modellen het beste doen", wat een elegante manier is om te zeggen dat het niet hetzelfde product is.
Het enige dat Alibaba over Qwen4 27B heeft gezegd, en wat het waard is
In het bericht over de release van Qwen4-Max op 16 november luidt de slotparagraaf: "En Max is slechts de eerste blik op Qwen4. Kleinere modellen in de familie komen naar open source, gebouwd op dezelfde afstamming en getraind met dezelfde generatie technieken, afgestemd op waar kleine modellen het beste in zijn."
Dat is de meest recente en meest specifieke uitspraak die er bestaat over de 27B-tier, en ze is precies zoveel waard als ze zegt — wat minder is dan het lijkt. "Naar open source komen" is een toezegging over een licentie, niet over een datum. "Dezelfde afstamming" is een bewering over architectonische herkomst, niet over een vrijgegeven checkpoint. En de zin noemt 27B helemaal niet; de tiernaam komt uit de aankondiging van de septemberfase, waar de LLM-lead van Qwen vier modellen toonde en alleen zei dat de familie binnenkort zou komen. Tussen de twee uitspraken zit een gat van twee maanden: vier tiers beloofd, één geleverd, en de open-weight-tier — historisch de tier die als eerste wordt uitgebracht met downloadbare gewichten — nog steeds afwezig.
Wat deze pagina verouderd zou maken, is op drie plaatsen te controleren, en dat zijn precies de drie die elke Qwen-release hebben aangekondigd. Een repository in de Qwen-organisatie op Hugging Face met een Qwen4-naam; de nieuwste modelrepositories van de organisatie zijn vandaag allemaal Qwen3.8, voor het laatst bijgewerkt begin november. Een modelkaart op qwen.ai die de tier noemt, met een contextlengte en een licentie. Of een prijsregel voor een gehoste 27B, die je zou vertellen wat Alibaba vindt dat de tier waard is voordat de weights beschikbaar komen. Totdat een van die dingen verandert, is elk aantal parameters, elk contextvenster of elke score die je voor Qwen4 27B leest, een extrapolatie van Qwen3.8-27B en moet als zodanig worden gelabeld.
Uitgewerkt voorbeeld: dezelfde agent-loop op beide kaarten
Neem een supportautomatiseringsagent: een systeemprompt en toolschema van 40.000 tokens, een gesprek van 6.000 tokens, acht toolaanroepen per ticket, 900 outputtokens per aanroep, geen thinking-modus, 20.000 tickets per maand. Cache de prefix. Dit is rekenwerk op basis van gepubliceerde lijstprijzen.
• Qwen4-Max, Singapore, niet uit cache — 46.000 invoertokens per aanroep tegen $1,50 per miljoen is $0,069; acht aanroepen is $0,552 per ticket. Uitvoer bij 900 tokens en $4,50 per miljoen is $0,00405 per aanroep, $0,0324 per ticket. $0,584 per ticket, $11.690 per maand.
• Qwen4-Max met de prefix in de cache — de prefix van 40.000 tokens wordt één keer geschreven tegen $1,875 per miljoen en bij de volgende zeven aanroepen gelezen tegen $0,075. Per ticket kost de prefix $0,075 voor het schrijven plus $0,021 voor zeven leesacties; de bewegende 6.000 tokens kosten $0,072 over acht aanroepen. De input komt uit op $0,168, de output blijft $0,0324. $0,20 per ticket, $4.010 per maand — en de cache deed meer voor de rekening dan welke modelwissel dan ook zou hebben gedaan.
• Qwen3.8-27B tegen ons self-hosted tarief — 46.000 invoertokens per aanroep tegen $0,33 per miljoen is $0,0152; acht aanroepen $0,121. Uitvoer tegen 900 tokens en $2,40 per miljoen is $0,00216 per aanroep, $0,0173 per ticket. $0,139 per ticket, $2.780 per maand.
Twee dingen springen eruit. Het cachen van de prefix op het flagshipmodel bespaart 66% en brengt het binnen 1,4× de niet-gecachte prijs van het kleine model — het verschil tussen de tiers is kleiner dan het verschil tussen het wel en niet gebruiken van de cache. En het voordeel van het kleine model is reëel, maar niet transformatief bij dit tokenvolume: ongeveer $1.200 per maand bij 20.000 tickets. Transformatief wordt het pas bij tien keer dat volume, of wanneer het werk zo eenvoudig is dat een model met 20 indexen volstaat — wat bij tool-call-routing en classificatie meestal het geval is.
Waar de flagship niet optioneel is
Er is een categorie werk waarin de 27B-tier geen goedkopere vervanging is, maar een non-starter, en daar duidelijk over zijn is het verschil tussen een nuttige vergelijking en een verkooppagina.
• Werk met lange contexten boven 256.000 tokens — Qwen3.8-27B stopt bij 262.144; Qwen4-Max biedt 1.000.000, met een invoerplafond van 991.808 tokens in non-thinking-modus. Een contractbeoordeling van 400.000 tokens past helemaal niet in het kleine model.
• Langdurige agentruns — Alibaba's agentische claims voor Qwen4-Max betreffen een autonome materiaalontdekkingsrun van 48 uur op een wetlabplatform en een juridische due-diligencecontrole over 198 werkdocumenten die een rapport van 86 pagina's oplevert. Wat men ook van leveranciersdemonstraties vindt, ze beschrijven een klasse taken die een 20-indexmodel niet probeert.
• Video-invoer op volledige lengte — Qwen4-Max verwerkt video en een venster van 1M; de 27B-familie verwerkt video bij 262K. De rekensom voor frames per seconde aan beeldmateriaal is genadeloos.
• Veilig coderen — Alibaba meldt dat de passpercentages op functieniveau van Last Secure Code Bench tussen generaties stijgen van 22,0% naar 31,8% op de Max-tier, en dat code die tegelijkertijd veilig is op functie-, bestands- en repositoryniveau stijgt van 8% naar 14,7%. Dat zijn cijfers van de leverancier en niet gereproduceerd, maar het is wel het soort cijfer waar een beveiligingsreview om vraagt en dat op de modelkaart van een klein model niet staat.
Het patroon is dat het vlaggenschip zijn prijs verdient op de taken die lang duren, multimodaal zijn of waarbij een fout duur uitpakt, en niet op de taken die talrijk zijn. De meeste productiesystemen bevatten beide soorten, daarom is het antwoord op "welke" meestal "beide, gerouteerd."
De gemengde toestand op één sleutel uitvoeren
OrcaRouter biedt de Qwen3.8-familie — Qwen3.8-Max, Qwen3.8-Flash en Qwen3.8-27B — aan via één OpenAI-compatibel endpoint tegen de lijstprijs van de provider, met 0% markup, en de 27B is degene die wij op onze eigen infrastructuur draaien op basis van de Apache-2.0-gewichten, en daarom kost die $0.33 en $2.40 in plaats van Alibaba's $0.50 en $3.00. Qwen4-Max zit er niet bij: dat model is bereikbaar via Alibaba's eigen Model Studio API en diverse platforms van derden, en staat per 16 november niet in de catalogus.
Wat dat vandaag mogelijk maakt, is het routingpatroon waar deze vergelijking voor pleit, zonder op de 27B te wachten. Eén API voor meer dan 200 modellen betekent dat de tierbeslissing geen inkoopbeslissing meer is: een verzoek dat binnen 256K past en routineus lijkt, gaat naar qwen/qwen3.8-27b; een verzoek dat lang is, multimodaal is of als hoogrisico is gemarkeerd, gaat naar een frontiermodel op dezelfde sleutel; de routing-DSL drukt die splitsing uit als een regel in plaats van als een vertakking in je applicatiecode. Automatische failover betekent dat de goedkope tier het volume kan dragen zonder een single point of failure te worden wanneer die een slechte middag heeft, en dat een prijsverlaging van welke leverancier dan ook dezelfde dag op je sleutel terechtkomt, omdat de lijstprijs wordt doorgegeven in plaats van met een opslag te worden verhoogd.
Model fusion is de derde optie in die toolkit en degene die het minst goed aansluit bij dit specifieke paar — een panel van modellen dat samen antwoordt, kost meer dan elk afzonderlijk, en de reden om het te gebruiken is onenigheid over moeilijke vragen, niet volume. Goed om te weten dat het bestaat; niet iets om naar te grijpen bij een supportticketrouter.

Wat te doen voordat de gewichten binnenkomen
Als je op Qwen4 27B wacht omdat je een klein open model wilt dat je zelf kunt draaien, kost dat wachten je niet veel: Qwen3.8-27B is Apache-2.0, heeft een contextvenster van 256K, leest tekst, afbeeldingen en video, en scoort 90,3 op LiveCodeBench v6 en 89,2 op GPQA Diamond op Qwens eigen kaart — cijfers van de leverancier, en sterke cijfers voor die omvang. Begin daar, meet wat een model met 20 indexen doet met je slagingspercentage voor taken, en je weet vóór de komst van het Qwen4-checkpoint of dit niveau überhaupt bij je workload past.
Als kosten je reden zijn, cache dan eerst de prefix. Het uitgewerkte voorbeeld hierboven laat een besparing van 66% op het topmodel zien door één requestparameter, wat groter is dan het verschil tussen het topmodel en het kleine model op dezelfde niet-gecachte basis. Teams zoeken geregeld naar een goedkoper model terwijl het dure deel van hun rekening een prefix is die ze tegen de volledige prijs opnieuw lezen.
En als je reden capaciteit is, zal geen enkele 27B als vervanging dienen. De drieëntwintig indexpunten tussen Qwen3.8-27B en Qwen4-Max zijn het verschil tussen een model dat routinewerk goed aankan en een dat de lange, multimodale en risicovolle taken aandurft — en de eigen roadmaptaal van Alibaba zegt dat de kleine modellen worden afgestemd op wat kleine modellen het beste doen, wat een belofte van efficiëntie is, niet van gelijkwaardigheid. Bouw de routeringssplit nu, op de niveaus die bestaan, en op de dag dat een Qwen4 27B op Hugging Face verschijnt, is het een catalogusvermelding en een regelwijziging in plaats van een migratie.

