
Qwen 4 vs Muse Wonder: Het goedkopere model is het model dat niemand heeft getimed
- 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 · 126 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 · 44 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 · 147 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 · 123 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
Muse Wonder kost je ongeveer $6,95 om één Intelligence Index-taak af te ronden. Qwen4-Max kost je $3,27. Dat is het volledige economische argument voor het nieuwe vlaggenschip van Alibaba tegenover dat van Meta, en er zit één grote kanttekening bij: de $3,27 hoort bij een model zonder gepubliceerde outputsnelheid, zonder gemeten tijd per taak en zonder enige timing op het bord dat het cijfer opleverde. Muse Wonder heeft alle drie: 118 tokens per seconde, 13,5 minuten per indextaak, 19,64 seconden tot de eerste antwoordtoken. De eerlijke formulering is dus dat het vlaggenschip van Qwen 4 ongeveer de helft kost en een onbekende hoeveelheid snelheid biedt, en dat je vandaag maar met één van die twee verschillen rekening kunt houden. Muse Wonder werd uitgebracht op 12 oktober 2026; Qwen4-Max op 16 november 2026. Beide datums zijn context, geen nieuws.
De twee profielen, naast elkaar en ongesmootht
Muse Wonder is Meta's frontier-redeneermodel, gebouwd voor agentisch werk met een ongewoon breed invoeroppervlak: tekst, afbeeldingen, spraak en video erin, tekst eruit, binnen een context van één miljoen tokens. Het is een propriëtair API-model voor $4,00 per miljoen invoertokens en $20,00 per miljoen uitvoertokens, met een gemengd tarief van $2,94 en 95 procent cachekorting. Meta publiceert ook een variant met hogere inspanning die 41 scoort in plaats van 44 en in kloktijd sneller draait — 9,5 minuten per indextaak tegenover 13,5 — wat een nuttige herinnering is dat "maximale inspanning" niet automatisch de juiste instelling is.
Qwen4-Max is Alibaba's vierde generatie vlaggenschip: een sparse mixture-of-experts met 2,4 biljoen parameters en 71 miljard actieve parameters per token, ingebouwde visie, video-invoer, een context van één miljoen tokens en een budget van 262.144 tokens dat wordt gedeeld tussen denken en antwoord. De prijs is $1,50 per miljoen invoer en $4,50 per miljoen uitvoer, met cache-lezingen tegen $0,075.
• Score — Qwen4-Max 43 (rang 38 van 81) vs Muse Wonder 44 (rang 35 van 81)
• Invoerprijs — Qwen4-Max $1,50 vs Muse Wonder $4,00 per 1M
• Uitvoerprijs — Qwen4-Max $4,50 vs Muse Wonder $20,00 per 1 miljoen
• Kosten per indextaak — Qwen4-Max $3,27 vs Muse Wonder $6,95
• Uitvoersnelheid — Qwen4-Max niet gepubliceerd vs Muse Wonder 118 tokens per seconde
• Tijd per indextaak — Qwen4-Max niet gepubliceerd versus Muse Wonder 13,5 minuten
• Invoeroppervlak — Qwen4-Max tekst, afbeelding, video vs. Muse Wonder tekst, afbeelding, spraak, video
• Gewichten — geen van beide publiceert ze
Prijs per token en prijs per antwoord verschillen met een factor twee van elkaar.
De verhouding in de kop is 4,4× voor output en 2,7× voor input. De verhouding per taak is 2,1×. Het verschil tussen die getallen is de hoeveelheid werk die elk model verzet om een antwoord te produceren, en dat loopt tegen de suggestie van het prijskaartje in: Muse Wonder verbruikt meer tokens per taak, niet minder, waardoor een outputprijs van $20 uitmondt in een rekening van $6,95 in plaats van $40.
Werk het uit aan de hand van een concrete opdracht. Een documentbeoordeling van 50.000 tokens die een memo van 5.000 tokens oplevert, zonder cache: Qwen4-Max factureert $0,075 aan input en $0,0225 aan output, minder dan tien cent. Muse Wonder factureert $0,20 en $0,10, dertig cent. Drie tegen één, en beide zijn triviale bedragen — dat is juist het punt. Bij een klein volume maakt geen van beide prijzen iets uit, en het scoreverschil van één indexpunt is verwaarloosbaar naast de snelheidskwestie.
Schaal het op. Tienduizend van die beoordelingen per maand: Qwen4-Max $975 tegenover Muse Wonder $3.000. Nu doet de prijs ertoe, en nu doet de ontbrekende stopwatch er nog meer toe, want een klus die een derde kost maar twee keer zo lang duurt, past misschien helemaal niet in een nachtelijk venster.
Dat is de vorm van de beslissing. Dit is geen vergelijking waarin het ene model beter is; het is er een waarin de goedkopere optie een niet-gemeten dimensie heeft die toevallig precies degene is waar productiesystemen het meest om geven.
Wat "geen gepubliceerde snelheid" je werkelijk kost
Een niet-gemeten model is geen traag model, en het zou onjuist zijn om het zo te interpreteren. Het is een model waarvan je de latentie zelf moet vaststellen voordat je het achter iets met een time-out kunt plaatsen. Dat heeft drie praktische gevolgen, in oplopende mate van ergernis.
Allereerst kun je autoscaling niet dimensioneren op basis van documentatie. Je moet een pilot uitvoeren, p50 en p95 time-to-first-token meten bij je eigen promptlengtes en dan dimensioneren. De 30 tokens per seconde en 39,7 minuten per taak van Kimi K3.1 Pro zijn gemeten en gepubliceerd; het cijfer voor Qwen4-Max zal uiteindelijk ook worden gemeten en gepubliceerd, maar dat is er nu nog niet.
Ten tweede degraderen redeneermodellen onvoorspelbaar onder belasting, op manieren die een getal voor tokens per seconde slechts gedeeltelijk vastlegt. De 19,64 seconden die Muse Wonder bij maximale inspanning nodig heeft tot het eerste antwoordtoken is een gemeten, reproduceerbaar cijfer. Een model zonder zo'n cijfer heeft geen basislijn om op te merken dat een dinsdag twee keer zo traag is als een maandag.
Ten derde — en dit is degene die pijn doet — kan een routeringslaag alleen op latentie failoveren als hij weet hoe normaal eruitziet. Als je een niet-getimed model in een pool zet samen met een getimede, wordt het gedrag van de pool bepaald door het langzamere, onbekende lid. Failover maakt dat overleefbaar: een verzoek dat vastloopt, kan bij een tweede model opnieuw worden geprobeerd zonder dat de client daar iets van merkt. Het maakt het niet meetbaar, en het is geen vervanging voor het kennen van je eigen cijfers.
Het invoeroppervlak is de echte onderscheidende factor van Muse Wonder.
Spraak is geen selectievakje. Muse Wonder accepteert audio als eersteklas invoer, naast tekst, afbeelding en video, en geeft tekst terug. Qwen4-Max accepteert tekst, afbeelding en video. Als je pijplijn gespreksopnamen, vergaderaudio of uitzendmedia verwerkt, bepaalt dat verschil het model nog voordat de prijs ter sprake komt — eerst transcriberen naar tekst is een apart model, een aparte rekening en een aparte faalmodus die prosodie en overlap van sprekers verliest.
Video is de andere as waarop beide concurreren en de details doen ertoe. Beide accepteren het; geen van beide publiceert een limiet voor framesnelheid, duur of resolutie in het materiaal dat we hebben gelezen, wat betekent dat een videoworkload aan beide kanten een pilot is in plaats van een specificatievergelijking.
Qwen4-Max wint op input vooral op kosten bij volume. Een miljoen tokens aan uit video afgeleide context voor $1,50 kost $1,50 op Qwen4-Max en $4,00 op Muse Wonder. Langdurige media-analyse is precies de workload waarbij het 2,7× grotere inputverschil zich opstapelt, en precies waar de prijsvoorsprong van Qwen4-Max het meest verdedigbaar is.

Eén punt op de indexscore, en wat dat waard is
44 tegenover 43 op dezelfde Artificial Analysis Intelligence Index, op dezelfde dag afgelezen. Dat is geen betekenisvol verschil in capaciteit; het valt binnen de ruis van hoe één enkele samengestelde index reageert op een handjevol moeilijke vragen. Wie op dat punt een zaak voor Muse Wonder wil bouwen, bouwt op niets.
Het betekenisvolle is dat Muse Wonder een high-effort-variant heeft die 41 scoort, wat erop wijst dat de effort-instelling de score met ongeveer drie punten in beide richtingen verschuift. Als de effort-instelling van Qwen4-Max zich vergelijkbaar gedraagt — en de eigen rapportage van Alibaba suggereert dat effort het tokenverbruik aanzienlijk verandert, met een daling van het Work360-gebruik met 24 procent bij xhigh en 35 procent bij high — dan is de 43 een enkele steekproef uit een verdeling, geen vaste eigenschap. Door de leverancier gerapporteerd, relatief ten opzichte van Qwen3.8-Max, niet gereproduceerd: beschouw de richting als informatief en de grootte als een claim.
Beide lanceerbenchmarks van de leveranciers moeten met hetzelfde scepticisme worden gelezen. De cijfers van Meta's JobBench en Vals zijn first-party. Alibaba's Work360 52,69, de daling van de kosten per taak van $4,43 naar $1,67 en de bits-per-byte-verbeteringen over vijf basischeckpoints zijn first-party. Geen van beide sets is onafhankelijk gereproduceerd, en geen van beide leveranciers publiceert de eval-harness waarmee je het zelf zou kunnen proberen.
Waarbij elk ervan het voor de hand liggende antwoord is
Kies Muse Wonder wanneer audio in de pipeline zit, wanneer je een gepubliceerd latentiecijfer nodig hebt om een SLA op te baseren, of wanneer het werk agentisch en langlopend is en je liever $6,95 betaalt voor een taak die je kunt timen dan $3,27 voor een taak die je niet kunt timen. Het cijfer van 118 tokens per seconde is echt snel voor een model met deze score, en snelheid is een eigenschap die klanten opmerken.
Kies Qwen4-Max wanneer volume de beperkende factor is, wanneer de workload vooral long-contextlezen is in plaats van long-horizonredeneren, of wanneer de input op schaal video is en het 2,7× inputverschil de hele factuur bepaalt. De vaste prijskaart van $1,50/$4,50 zonder long-contexttarief is gemakkelijk om op te begroten, wat belangrijker is dan het klinkt wanneer je een kwartaalbegroting opstelt.
Beide zijn propriëtair zonder gepubliceerde gewichten, dus geen van beide kan zelf worden gehost of vastgezet. Als dat een vereiste is, heeft deze vergelijking geen winnaar en is het antwoord een model dat checkpoints publiceert — Kimi K3.1 Pro doet dat, onder de flagships.
Als je wilt vermijden te moeten kiezen, is het nuttige compromis een pool in plaats van een beslissing: routeer op basis van inputmodaliteit (audio naar Muse Wonder, video-op-schaal naar Qwen4-Max), behoud het prijsvoordeel waar het reëel is, en laat failover de latentie opvangen die je nog niet kunt voorspellen. Het loont om precies te zijn over wat vandaag routeerbaar is — noch Muse Wonder noch Qwen4-Max behoort tot de 215 identifiers die we aanbieden, dus die pool is een ontwerp, geen productpagina. Wat we aan de Meta-kant wel aanbieden is de Muse Spark-lijn tegen $1,25 in en $4,25 uit, en aan de Alibaba-kant qwen/qwen3.8-max tegen $2,00/$6,00, tegen de lijstprijs van de provider zonder iets extra's.

De vraag die je moet stellen vóór de volgende release
Elke vergelijking van een model van een paar weken oud met een model van een maand oud heeft dezelfde zwakte: het bewijs is asymmetrisch op manieren die gunstig uitvallen voor welk model dan ook dat het eerst uitkwam, omdat onafhankelijk testen er langer naar heeft kunnen kijken. De cijfers van Muse Wonder zijn rijker, niet omdat Meta transparanter is, maar omdat het vijf weken langer is gemeten.
Het punt om op te letten is niet nog een benchmark. Het is of de snelheid en de timing per taak van Qwen4-Max op hetzelfde scorebord verschijnen voordat het prijsvoordeel is uitgewerkt. Een model dat de helft kost per taak en twee keer zo veel latentie heeft, is een ander product dan een model dat de helft kost en vergelijkbaar presteert, en op dit moment weet niemand buiten Alibaba welke van die twee het is.

