Een gegenereerde titelkaart met de tekst Qwen 4 vs Grok 4.7, met de ondertitel Waar de grens van 200.000 tokens de rekening verandert, een as voor promptlengte gemarkeerd op 200.000 tokens, en twee prijskaarten met $1.50 in / $4.50 out, één vast tarief voor Qwen4-Max, en $4 in / $12 out boven 200K voor Grok 4.7.
Guides & Insights

Qwen 4 vs Grok 4.7: De 200.000-tokenlijn beslist deze confrontatie

Auteur

jinhao.song

Publicatiedatum

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

Voor Grok 4.7 en Qwen4-Max wordt beide $2,00 aan invoer en $6,00 aan uitvoer per miljoen tokens gerekend — maar alleen Grok 4.7 blijft op dat tarief. Onze eigen catalogusregistratie voor Grok 4.7 bevat twee invoertarieven: $2,00/$6,00 tot een prompt van 200.000 tokens en $4,00/$12,00 daarboven, terwijl Qwen4-Max op $1,50 invoer en $4,50 uitvoer per miljoen zit over zijn volledige venster van 1.000.000 tokens. Dat ene structurele verschil is meer waard dan de acht indexpunten die hen op papier scheiden, omdat werk met lange context precies het werk is waarvoor beide modellen worden verkocht. Eerst een opmerking over de namen, want de twee worden voortdurend door elkaar gehaald: Qwen 4 is de generatienaam die Alibaba gebruikt, en Qwen4-Max is het enige lid daarvan dat je vandaag kunt aanroepen — uitgebracht op 16 november 2026, met kleinere varianten beloofd voor open source en zonder datum. Grok 4.7 is sinds 21 september 2026 beschikbaar. Dit is een vergelijking van prijzen en bewijs, geen lanceringsverslag over een van beide.

De vorm van de twee modellen, in het kort

Qwen4-Max is Alibaba's vierde generatie vlaggenschipmodel, een sparse mixture-of-experts-model met een backbone van 2,4 biljoen parameters, 71 miljard actieve parameters per token en nog eens 328 miljard parameters aan N-gram-embedding. Het accepteert tekst, afbeeldingen en video, geeft tekst terug en heeft een contextvenster van één miljoen tokens. Thinking staat standaard aan, en het model deelt een budget van 262.144 tokens tussen zijn redenering en zijn uiteindelijke antwoord — een antwoord van 131.072 tokens is dus alleen beschikbaar als het denkproces in de andere helft past.

Grok 4.7 is het huidige tekstvlaggenschip van SpaceXAI. Het is een redeneermodel met een context van 500.000 tokens, tot 450.000 outputtokens, tekst- en beeldinvoer en drie selecteerbare redeneerniveaus. SpaceXAI publiceert er geen parameteraantal voor en beschrijft de release als een groter basismodel met een langere reinforcement-learningrun in plaats van een nieuwe architectuur.

Over de dimensies die een aankoop bepalen:

• Context — Qwen4-Max 1,000,000 tokens versus Grok 4.7 500,000

• Maximale uitvoer — Qwen4-Max 262.144 gedeeld met denken, of 131.072 met denken onderdrukt, vs Grok 4.7 450.000

• Invoerprijs tot 200K — Qwen4-Max $1,50 vs Grok 4.7 $2,00 per 1M

• Outputprijs tot 200K — Qwen4-Max $4,50 vs Grok 4.7 $6,00 per 1M

• Inputprijs boven 200K — Qwen4-Max nog steeds $1,50 vs Grok 4.7 $4,00; output $4,50 vs $12,00

• Uit cache gelezen — Qwen4-Max $0,075 vs Grok 4.7 $0,50 onder 200K, $1,00 daarboven

• Modaliteit — Qwen4-Max tekst-, afbeeldings- en video-invoer vs. Grok 4.7 tekst- en afbeeldingsinvoer

• Onafhankelijke score — Qwen4-Max 43 op de Artificial Analysis Intelligence Index, rang 38 van 81, vs Grok 4.7 op 35, rang 46 van 81

• Gewichten — geen van beide leveranciers publiceert deze.

Wat een verzoek van 400.000 tokens daadwerkelijk kost

Neem de werklast die beide modellen vragen: lees een grote repository of een lange bewijsbundel en schrijf vervolgens een substantiële patch of rapport. 400.000 invoertokens, 20.000 uitvoertokens, geen cachehergebruik.

Op Qwen4-Max tegen het internationale tarief van $1,413 per miljoen invoer en $4,24 uit, is dat $0,565 aan invoer en $0,085 aan uitvoer, ongeveer $0,65. Tegen het tarief van Singapore van $1,50/$4,50 is het $0,69.

Op Grok 4.7 raakt hetzelfde verzoek nooit het goedkope tarief, omdat 400.000 twee keer de grens is. Het factureert $1,60 aan invoer en $0,24 aan uitvoer: $1,84. De verhouding is 2,7 tegen één, en het is geen afrondingsartefact — het is het verschil tussen een vlakke kaart en een kaart met een stap erin.

Verlaag de aanvraag naar 150.000 input en 15.000 output, en het beeld krijgt een ander karakter. Qwen4-Max Singapore: $0,225 plus $0,0675, ongeveer $0,29. Grok 4.7 op tier één: $0,30 plus $0,09, ongeveer $0,39. Een verschil van 25 procent, niets bijzonders, aproximadamente wat de prijzen uit de koppen impliceren. De twee kaarten lopen alleen heftig uiteen bij de workloads waar een van beide van tier verandert.

Dat is de rekensom die de marketingpagina's overslaan. Wanneer een leverancier een prijs adverteert en daar vervolgens een tariefniveau voor lange context aan toevoegt, is de eerlijke vergelijking per workload, niet per token, omdat de grens van dat niveau precies ligt waar het product verondersteld wordt nuttig te zijn.

De agent-loop is waar het cacheontwerp meer uitmaakt dan de prijs

Lezers met een lange context doen zelden één aanroep; ze doen er tien tegen een stabiele prefix. Neem een prompt van 200.000 tokens, waarvan 180.000 cachebaar is, 10.000 verse invoer, 10.000 uitvoer, over tien beurten.

Qwen4-Max rekent per beurt $0,027 aan nieuwe invoer, $0,0135 aan cache-lezingen tegen $0,075 en $0,045 aan uitvoer — $0,0855, dus $0,855 voor de run. De cacheschrijfactie zelf wordt één keer in rekening gebracht, tegen $1,875 per miljoen voor een opslag van vijf minuten, en is bij deze omvang klein genoeg om te negeren.

Grok 4.7 rekent $0,04 voor nieuwe invoer, $0,09 voor cache-leesbewerkingen tegen $0,50, en $0,06 voor uitvoer — $0,19 per beurt, $1,90 voor de run. Alleen al het tarief voor cache-leesbewerkingen is bijna zeven keer dat van Qwen4-Max, waardoor het verschil meer dan verdubbelt, ook al zit geen van beide modellen hier in zijn dure prijsklasse.

Als je dit via één endpoint laat lopen in plaats van via twee leverancierscontracten, verandert de routeringslaag geen van die getallen — 0 procent opslag betekent dat de lijstprijs van de provider ongewijzigd wordt doorgegeven, dus een prijsverlaging van een leverancier komt dezelfde dag op je factuur terecht waarop die wordt gepubliceerd, in plaats van bij de volgende contractverlenging. Dat is het argument om een mix van modellen achter één sleutel te houden, en het is het enige argument in dit artikel dat over ons product gaat in plaats van over dat van hen.

Waar Grok 4.7 nog steeds onbetwist wint

Twee plekken, en geen van beide is klein.

Het eerste is de uitvoerlengte. Grok 4.7 publiceert een uitvoerplafond van 450.000 tokens. Qwen4-Max publiceert geen afzonderlijk uitvoerplafond; het heeft een budget van 262.144 tokens dat het deelt met zijn eigen denkproces, en wanneer het denken wordt onderdrukt, is het plafond 131.072. Voor werk dat een lang artefact oplevert in plaats van een kort antwoord — een gegenereerde codebase, een lange juridische tekst, een getranscribeerd en geanalyseerd corpus — gaat het verschil niet over kwaliteit. Het gaat erom of de taak in één aanroep wordt voltooid of in stukken moet worden opgedeeld.

Het tweede is gemeten bewijs aan de bovenkant. Grok 4.7 staat sinds september in de Artificial Analysis Intelligence Index en heeft drie metingen van de reasoning-inspanning: 35 bij xhigh, 35 bij high, 31 bij low, waarbij de tijd tot het eerste antwoordtoken afneemt van 52,9 seconden bij de hoogste instelling tot 10,6 seconden bij de laagste. Qwen4-Max heeft één gepubliceerde indexscore van 43 en op het moment van schrijven geen outputsnelheid of timing per taak op hetzelfde leaderboard. Een 43 tegenover een 35 is een echte voorsprong, maar een score zonder snelheidsmeting zegt je niets over of het model praktisch is binnen je latencybudget.

Er is een derde asymmetrie die gemakkelijk over het hoofd wordt gezien: de effort-instelling van Grok 4.7 is een kostenhefboom die je per verzoek kunt inzetten, en de gepubliceerde timings laten zien wat elke instelling je aan wachttijd kost. Qwen4-Max stelt ook reasoning effort beschikbaar, maar Alibaba beschrijft de besparing alleen in relatieve termen — tokengebruik 24 procent lager bij xhigh en 35 procent lager bij high op hun Work360-suite, 48 en 49 procent op Terminal-Bench 4.0, allemaal gemeten ten opzichte van Qwen3.8-Max in plaats van gepubliceerd als een prijskaart per effortniveau. Door de leverancier gerapporteerd, niet gereproduceerd en relatief ten opzichte van een ander model: nuttig als richting, onbruikbaar als budgetinput.

Waar Qwen4-Max onbetwist wint

Context en de vorm van de meter.

Een miljoen tokens tegenover een half miljoen is geen verdubbeling van een specificatie; het verandert welke taken passen. Drie die tussen de twee getallen liggen: een refactor over de hele monorepo waarbij het relevante deel 600.000 tokens aan dependencygraaf en geschiedenis is; een ontdekkingsoefening over een documentenset die in zijn geheel moet worden gelezen in plaats van opgehaald; en een 24/7-agent die gedurende een werkdag status verzamelt zonder samen te vatten. Qwen4-Max past bij alle drie. Grok 4.7 past bij geen van alle in één aanroep, en 600.000 tokens erin duwen betekent ofwel retrieval, ofwel de $4/$12-tier — geprijsd precies op het punt waar de kloof van 2,7× moeilijk te verdedigen wordt.

De vlakke kaart maakt ook prognoses mogelijk. Een budgeteigenaar kan tokens met één tarief vermenigvuldigen en zit goed. Een getrapte kaart betekent dat het financiële model de verdeling van promptlengtes moet raden, wat in de praktijk betekent dat de schatting aan de dure kant uitvalt.

En de onafhankelijke score, hoe beperkt ook, pleit voor Qwen4-Max: 43 tegen 35 op dezelfde ranglijst. Het voorbehoud is terecht — een model dat pas een paar dagen oud is, is veel minder onder de loep genomen, en één geaggregeerde index verbergt enorme variantie tussen taken — maar de richting is niet dubbelzinnig.

A generated two-column scoreboard for Qwen4-Max and Grok 4.7: Artificial Analysis Index 43 against 35, input $1.50 against $2.00, output $4.50 against $6.00, context 1M against 500K tokens, maximum output 262K shared against 450K, and speed not published against 69 tokens per second.

Wat geen van beide modellen je vertelt

Geen van beide leveranciers publiceert gewichten, dus geen van beide kan zelf worden gehost, geaudit of vastgezet op een versie die u beheert. SpaceXAI publiceert helemaal geen parameteraantal voor Grok 4.7. Alibaba publiceert een architectuurbeschrijving voor Qwen4-Max — gated DeltaNet-lagen afgewisseld met een spars attentiemechanisme, vier parallelle restvertakkingen met dynamische poorten, een N-gram-embeddingtabel — maar geen gewichten.

De benchmarkcijfers van geen van beide leveranciers worden onafhankelijk geaudit op de manier waarop de index dat wordt. Alibaba's Work360-cijfer van 52,69 tegenover 47,74 van Qwen3.8-Max, de bewering dat de gemiddelde kosten per taak daalden van $4,43 naar $1,67, en de 5 tot 13 procent lagere bits-per-byte over vijf basischeckpoints zijn allemaal afkomstig van de leverancier zelf en niet gereproduceerd. De voordelen van Grok 4.7 zijn eveneens ongedocumenteerd buiten de index: SpaceXAI heeft geen kosten per taak gepubliceerd, alleen een tokenprijs.

Het enige onafhankelijke kostencijfer dat bestaat, pleit tegen de goedkopere kaart. Artificial Analysis zet Qwen4-Max op $3,27 per Intelligence Index-taak, en het profiel voor Grok 4.7 vermeldt helemaal geen vergelijkbaar cijfer. Lees dat zorgvuldig: het model dat hier het goedkoopst lijkt, is degene met een gedocumenteerde rekening per taak, en het andere is simpelweg niet gemeten. Het is geen bewijs dat Qwen4-Max duur is. Het is bewijs dat slechts één van deze twee door iemand van begin tot eind is doorgerekend.

Hoe te kiezen

Als je prompts regelmatig meer dan 200.000 tokens overschrijden, is Qwen4-Max het goedkopere model met een factor die met de lengte groeit, en Grok 4.7's tiering betekent dat het gebruikelijke 'stuur maar meer context'-instinct snel duur wordt. Leid werk met een lange context naar Qwen4-Max.

Als het je taak is om in één aanroep een zeer lang artefact te genereren, is het outputplafond van 450.000 tokens van Grok 4.7 het beslissende getal en is het gedeelde budget van 262.144 van Qwen4-Max de diskwalificerende factor. Een generatie opsplitsen in chunks is geen neutrale workaround; het kost je samenhang op de naden.

Als je een latentiecijfer nodig hebt voordat je je vastlegt, heeft Grok 4.7 ze gepubliceerd op drie inspanningsniveaus en Qwen4-Max niet. Die asymmetrie zal verdwijnen naarmate onafhankelijke tests bijbenen, maar vandaag is het een reden om een pilot te doen in plaats van te standaardiseren.

Als je al Grok 4.7 draait en de vraag is of je Qwen4-Max moet toevoegen, is het eerlijke antwoord dat je het selectief moet toevoegen: lange-contextlezingen, video-invoer en kostenbewuste batchtaken, terwijl je het genereren van lange teksten op het model laat met een gedocumenteerd uitvoerplafond. Twee modellen achter één sleutel kost je een routeringsregel, geen migratie, en het betekent dat een slechte week bij een van beide leveranciers een failover is in plaats van een storing.

Artificial Analysis page for Grok 4.7, captured 17 November 2026 in English, showing Intelligence #46 of 81, Output speed 69 tokens per second, $2.00 input and $6.00 output per 1M tokens, a 75 per cent cache discount, and SpaceXAI as the developer.

Het scorebord, met de bijbehorende bronvermelding

Het enkele getal dat deze modellen het zuiverst van elkaar scheidt, is niet de indexscore — het is de prijs bij 400.000 tokens. Qwen4-Max $0,69, Grok 4.7 $1,84, volgens het door elke leverancier gepubliceerde internationale tarief. Al het andere in deze vergelijking is een oordeel over bewijs en speelruimte.

Een woord over de indexscores, want die zullen uit hun verband worden geciteerd. De 43 en de 35 komen van hetzelfde Artificial Analysis-overzicht, afgelezen op 17 november 2026. Ze zijn met elkaar vergelijkbaar. Ze zijn niet vergelijkbaar met de 55 die Kimi K3.1 Pro op een eerder beoordelingskader had, en elk artikel dat die twee cijfers in dezelfde zin zet, vergelijkt twee verschillende tests. De cijfers van de leverancier — Work360, de tokenreducties, de bits-per-byte-delta's — zijn van Alibaba zelf en worden helemaal niet door een derde partij gecontroleerd.

Nog iets wat je moet weten voordat je een kostenraming rond de 43 maakt: de score is één effort-instelling. Alibaba levert thinking standaard ingeschakeld, met een budget van 131.072 tokens en effort ingesteld op hoog, en onafhankelijke tests hebben nog niet gepubliceerd wat het model bij een lage effort scoort of wat dat zou besparen. Tot die tijd kun je de 43 beter zien als de prijs van de standaardinstelling van het model dan als een knop waarmee je naar beneden kunt bijstellen.

Beide kaarten, op één route

Het is de moeite waard om het operationele verschil te benoemen tussen het lezen van twee tariefkaarten en het draaien van twee modellen, omdat het kleiner is dan het prijsverschil doet vermoeden. grok/grok-4.7 is een van de 215 identifiers die we aanbieden, tegen de lijstprijs van de provider zonder opslag, dus de tiergrens en het cachetarief zijn wat SpaceXAI die dag publiceert. Qwen4-Max is daar niet een van; het loopt via Alibaba's eigen Model Studio API. De praktische consequentie is dat de hierboven bepleite gemengde strategie — lezen met lange context op Qwen4-Max, generatie van lange teksten op Grok 4.7 — voor elke kant één leveranciersrelatie vereist, en een routeringsregel is slechts zo goed als de twee endpoints die eronder liggen.

OrcaRouter model page for Grok 4.7, captured 17 November 2026 in English, showing the identifier grok/grok-4.7, text, image and file input, a 500K-token context, 450K maximum output, a pricing panel and a p50 time-to-first-token of 10.00 seconds.

Vergeleken in dit artikel1

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