
MAI Code 2 kontra Qwen 4 Max: dziewięć dni, dwa cenniki, jeden endpoint
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 180 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 223 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 89 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 98 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
W tym porównaniu kryje się pewien termin. Qwen 4 Max — który Alibaba zapisuje jako Qwen4-Max, a API wymienia jako qwen4-max — został objęty rozliczaniem 16 listopada 2026 r., a zastąpione przez niego ciągi nazw modeli w wersji zapoznawczej — qwen4-max-preview i qwen4.0-max-preview — przestają odpowiadać o 24:00 UTC+8 25 listopada 2026 r. To dziewięć dni od dziś. MAI Code 2, który Microsoft udostępnił dzień po tym, jak Qwen4-Max osiągnął ogólną dostępność, na Ignite 17 listopada 2026 r., nie ma takiego zegara: można go użyć wyłącznie, wybierając go w kliencie GitHub Copilot, w cenie 0,50 USD za milion tokenów wejściowych i 2,50 USD za milion tokenów wyjściowych w ramach promocji obowiązującej do 17 maja 2027 r. Zatem jeden z tych dwóch modeli ma termin migracji, który można jeszcze przegapić, a drugi ma datę wygaśnięcia, wokół której można planować. Żaden z nich nie jest benchmarkiem, a razem wyjaśniają większość tego, co odróżnia tę parę.
Kwestia ceny i kwestia dostępu wskazują tu w przeciwnych kierunkach, a tylko jedną z nich można rozstrzygnąć, czytając cennik.
Dwa modele, które uruchomiono w odstępie jednego dnia, a które nie zgadzają się we wszystkim innym
MAI Code 2 trafił na Microsoft Ignite jako jeden z siedmiu modeli na jednej scenie, a jego kluczowym wyborem projektowym jest to, że nie istnieje poza narzędziami swojego dostawcy. Qwen4-Max firmy Alibaba opuścił fazę podglądu dzień wcześniej, po okresie Token Plan w Singapurze, a jego kluczowy wybór projektowy jest przeciwny: rozliczanie za token w sześciu regionach, cztery protokoły API i udokumentowana karta specyfikacji z pozostawionymi niewygodnymi fragmentami.
Te dwadzieścia cztery godziny to cała historia tej dwójki. Jedna firma wydała model zoptymalizowany pod subskrypcję, którą już sprzedaje. Druga wydała model zoptymalizowany pod API, które już obsługuje. Każda różnica poniżej wynika z tego, i dlatego to porównanie w ogóle ma sens.
Karty stawek z rabatami, które wygasają
• Dane wejściowe — MAI Code 2 za 0,50 USD za milion tokenów w porównaniu z Qwen4-Max za 1,50 USD w Singapurze lub 1,413 USD w regionach globalnych; MAI stanowi jedną trzecią stawki singapurskiej
• Produkcja — 2,50 USD wobec 4,50 USD i 4,24 USD; wskaźnik zawęża się do 56%
Buforowane dane wejściowe — $0.025 wobec $0.075 w Singapurze i $0.071 w pozostałych regionach; 3× różnica, najmniejsza przewaga na liście
• Zapisy do pamięci podręcznej — Microsoft nie publikuje żadnych danych, w porównaniu z Qwen4-Max po $1.875 za milion za zapis pięciominutowy i $3.00 za godzinę
• Od 17 maja 2027 r. — MAI Code 2 podwaja się do 1,00 USD / 0,05 USD / 5,00 USD; w tym momencie jego stawka za dane wejściowe jest nadal niższa niż w Qwen4-Max, a stawka za dane wyjściowe jest wyższa.
• Kontekst — 991,808 tokenów wejściowych w Qwen4-Max, spadające do 983,616 w trybie myślenia, w porównaniu z 1 milionem tokenów w MAI Code 2 w VS Code i Copilot CLI
• Budżet wyjściowy — niepublikowany przez Microsoft, wobec budżetu 262 144 tokenów współdzielonego między rozumowaniem a odpowiedzią w Qwen4-Max
• Wagi — żadne z nich nie są dostępne do pobrania. Microsoft stwierdza to wprost; poziom Max modelu Qwen4-Max nie obejmuje zobowiązania do otwartych wag, w przeciwieństwie do poziomu 27B tej samej rodziny
Linia cached-input decyduje o długich przebiegach agenta i jest sprzeczna z głównym przekazem. Odczyt z pamięci podręcznej w Qwen4-Max wynosi 5% jego własnej stawki za input, a opublikowany przykład obliczeniowy — 8 000 tokenów outputu plus prefiks odczytany dwukrotnie — zamienia trzy identyczne przebiegi w 0,918 USD wobec 1,908 USD bez cache'owania. Zespół, który utrzymuje stały prompt systemowy i schemat narzędzi przed zmieniającym się pytaniem, uzyskuje znacznie większy efektywny rabat, niż sugeruje stawka za input. 95-procentowy rabat na cache w MAI Code 2 przy niższej podstawie jest co do rodzaju porównywalny, ale Microsoft nie publikuje opłaty za zapis do cache, co utrudnia porównanie obu kart pod tym jednym względem, na który obciążenia agentowe wydają najwięcej pieniędzy.
Budżet wyjściowy zmniejszył się na drodze do ogólnej dostępności
Najrzadziej wspominany fakt dotyczący GA Qwen4-Max jest taki, że wersja preview dawała mu więcej miejsca na myślenie. W wersji preview wspólny budżet na myślenie i odpowiedź wynosił 393 216 tokenów; w GA wynosi 262 144. Dane wyjściowe w trybie bez myślenia są ograniczone do 131 072. Jedna trzecia tego zapasu zniknęła w tym samym momencie, gdy model otrzymał rzeczywisty cennik i pięć nowych regionów.
To, czy jest to regresja, zależy od Twojego obciążenia, ale jest to udokumentowana zmiana, o której musi wiedzieć każdy, kto nadal wskazuje konfigurację na ciągi wersji zapoznawczej, ponieważ te ciągi zostaną wycofane za dziewięć dni. Identyfikatorem, który przetrwa, jest qwen4-max.
Odpowiednik MAI Code 2 nie został opublikowany. Microsoft dokumentuje okno kontekstu obejmujące 1 milion tokenów i konfigurowalne poziomy rozumowania — dokumentacja Copilot potwierdza, że głębokość rozumowania można regulować, i odnotowuje, że rozszerzony kontekst jest funkcją VS Code i Copilot CLI — ale w żadnym dokumencie Microsoftu nie ma górnego limitu wyjścia, więc nie ma z czym porównać liczby 262,144. Ta asymetria przewija się przez całe to starcie: Qwen4-Max podaje ci niewygodne liczby, a MAI Code 2 — pochlebne.
Co mówią niezależne oceny — z jedynej strony, która je ma
Artificial Analysis podaje dla Qwen4-Max wynik 43 w Intelligence Index v5.0.1, przy koszcie 3,27 USD za zadanie indeksowe, 32,1 minuty na zadanie, 55 tokenów na sekundę na wyjściu i 155,4 sekundy do pierwszego tokenu odpowiedzi, przy oknie kontekstu mierzonym przez nią na 984k. To wartości ze środka stawki. Uwaga o rozwlekłości na tej samej stronie jest bardziej użyteczną interpretacją: model wygenerował około dwa razy więcej tokenów wyjściowych niż model medianowy podczas przebiegu indeksu, więc jego nominalna cena za token zaniża rzeczywisty koszt przypadający na zadanie.
MAI Code 2 nie ma w ogóle wiersza w Artificial Analysis — brak strony modelu, a więc brak odczytu indeksu. Istnieje natomiast wpis Microsoftu dotyczący premiery: cztery nazwane benchmarki, z których trzy uruchomiono na wewnętrznej platformie MSBench firmy za pośrednictwem GitHub Copilot CLI z wyłączonymi podagentami przy maksymalnym wysiłku rozumowania, czwarty pochodzi z Artificial Analysis, a wyniki przedstawiono jako 96% wydajności Claude Opus 5.5 przy 5% kosztu oraz 98% wydajności GPT-6.1 Sol przy 40%. Nie opublikowano wskaźnika zdawalności dla poszczególnych benchmarków.
Zestaw je uczciwie, a nie da się uszeregować tych dwóch. Wynik 43 Qwen4-Max w neutralnym indeksie jest przeciętny; wskaźniki MAI Code 2 są mocne same w sobie; mierzą one różne rzeczy w różnych zestawach testowych, a żaden z dostawców nie uruchomił testów drugiego. Można natomiast powiedzieć, że wynik Qwen4-Max jest audytowalny, a MAI Code 2 nie — co jest stwierdzeniem o dowodach, a nie o możliwościach.

Czasowniki, do wykonywania których wytrenowano każdy model
Pozycjonowanie MAI Code 2 przez Microsoft jest wąskie i konkretne: przenoszenie kodu na produkcję, głębokie debugowanie, implementacja wieloplikowa, rozumowanie w całym repozytorium, prace nad UI oraz dashboardy i wizualizacja. Wpis zapowiadający premierę jest równie konkretny, jeśli chodzi o granice — modele „wprost nie są jeszcze dostrojone do trudniejszych problemów, takich jak fundamentalne badania naukowe i bardzo długoterminowa praca agentowa” — a twierdzenie z ewaluacji frontendu w trybie ślepym, 64% preferencji recenzentów w porównaniu z GPT-6 Sol, dotyczy dokładnie tej mocnej strony związanej z kodowaniem wizualnym.
Pozycjonowanie Qwen4-Max jest z założenia szersze, co pokazuje jego dokumentacja: wejście tekstowe, obrazowe i wideo, wyjście strukturyzowane, równoległe wywoływanie narzędzi, uzupełnianie prefiksów, wyszukiwanie w sieci oraz pamięć podręczna jawna i niejawna — w ramach OpenAI Chat Completions, OpenAI Responses, Anthropic Messages i DashScope. Wnioskowanie wsadowe istnieje tylko w Pekinie i tylko ścieżka Batch File obejmuje zniżkę — Batch Chat jest wyceniany według stawki czasu rzeczywistego, więc słowo „batch” w nazwie endpointu nie jest tam gwarancją ceny.
To praktyczna asymetria między modelem do kodowania a modelem ogólnym. MAI Code 2 jest prawdopodobnie lepszy w tym, do czego został stworzony, a Microsoft ma wewnętrzne benchmarki, których ci nie pokaże. Qwen4-Max będzie robić znacznie więcej rzeczy, a własna niezależna ocena Alibaby mówi, że jest jedynie kompetentny w części dotyczącej kodowania.
Gdzie uruchomić każdy z nich i do czego właściwie służy tutaj router
MAI Code 2 jest dostępny w GitHub Copilot w planach Pro, Pro+, Max, Business i Enterprise, na systemach Windows, macOS i Linux, w Copilot CLI i Visual Studio Code. MAI Code 2 Flash to jedyny model w rodzinie z interfejsem API — wersja zapoznawcza o ograniczonym dostępie w Microsoft Foundry przez interfejs Responses API zgodny z OpenAI. Qwen4-Max jest dostępny na własnej platformie Alibaby w sześciu regionach. Żadnego z nich nie ma dziś w katalogu OrcaRouter, więc żadne twierdzenie o ich routowaniu nie byłoby prawdziwe.
To, co katalog faktycznie zawiera, to Qwen3.8-Max w cenie 2,00 USD i 6,00 USD w Singapurze — model Qwen4-Max jest o 25% tańszy zarówno po stronie wejścia, jak i wyjścia — a do tego modele czołowe, względem których porównałbyś tani model do kodowania: Claude Opus 5.5, Kimi K3.1 Pro, Gemini 4 Carbon. Wszystko w cenie katalogowej dostawcy bez marży (0%), wszystko na jednym kluczu. Ma to znaczenie dla konkretnego rodzaju decyzji: jeśli zamierzasz wybierać między MAI Code 2 a Qwen4-Max, uruchamiając oba na własnych repozytoriach, porównanie wymaga punktu odniesienia, a punkt odniesienia jest mierzalny już dziś, podczas gdy żaden z kandydatów nie jest.
Argument za routingiem, który wytrzymuje zetknięcie z tymi dwoma modelami, nie brzmi: „umieść oba za jednym punktem końcowym”. Chodzi o to, że punkt końcowy, który faktycznie kontrolujesz, jest miejscem, w którym mieści się mechanizm awaryjnego przełączania. Pipeline wywołujący Qwen3.8-Max może przełączyć się awaryjnie na drugiego dostawcę bez zmiany kodu; stanowisko Copilot nie może przełączyć się awaryjnie na nic, ponieważ nie ma pod nim niczego, czym można by kierować.
Jak wybrać bez wspólnego benchmarku
Wybierz Qwen4-Max, jeśli model ma odpowiadać na żądanie konstruowane przez Twój kod. To cała sprawa i jest rozstrzygająca: API z czterema protokołami i sześcioma regionami przeciwko wpisowi w wyborze modelu to nie jest wyrównana walka w przypadku czegokolwiek zautomatyzowanego. Przejdź z ciągów wersji zapoznawczej przed 25 listopada, zaplanuj budżet na rozwlekłość, którą ujawniło uruchomienie indeksu, i zaplanuj budżet na limit wyjściowy o jedną trzecią mniejszy niż w wersji zapoznawczej.
Wybierz MAI Code 2, jeśli deweloperzy już korzystają z Copilot, a praca to rutynowa naprawa enterprise, na którą Microsoft wycenił MAI Code 2. Przy jednej trzeciej stawki Qwen4-Max za tokeny wejściowe i nieco ponad połowie stawki za tokeny wyjściowe nawet model wymagający drugiej próby może wygrać pod względem kosztu na ukończone zadanie — a w przeciwieństwie do Qwen4-Max jego stawka promocyjna ma podaną datę końcową, a nie otwartą kartę stawek, której nie kontrolujesz.
Nie wybieraj żadnego z nich, jeśli obciążenie wymaga wyniku, którego możesz bronić przed komisją ds. zamówień. Jeden model ma przeciętny niezależny odczyt; drugi nie ma żadnego niezależnego odczytu. W takiej sytuacji uzasadnionym krokiem jest uruchomienie tego, który możesz wywołać, na tle modelu obecnego w neutralnym rankingu, na własnych zadaniach, i porównanie kosztu ukończonego zadania, a nie ceny tokena.


To, co zmieniłoby werdykt, to jedna bezwzględna liczba od Microsoftu. Wskaźnik zaliczeń Terminal Bench 2.1, opublikowany tak, jak Moonshot opublikował 65.7% na Terminal-Bench 4.0, pozwoliłby kupującemu umieścić MAI Code 2 na tej samej osi co wynik 43 modelu Qwen4-Max i przestać polegać na stosunku. Do tego czasu wybór jest między modelem, który można zmierzyć, a zniżką, którą można zweryfikować, a uczciwa rada brzmi: wybrać mierzalny model do wszystkiego, co zautomatyzowane, a zniżkę do wszystkiego, przed czym siedzi człowiek.
Porównane w tym artykule1
Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie
