Wygenerowana karta tytułowa z napisem „Qwen4-Max nazwano pogromcą Opus 5.5” i podtytułem „Indeks stawia go 16 punktów w tyle” oraz trzy karty z danymi: „43 vs 59 w indeksie”, „3,27 USD vs 1,27 USD na zadanie” i „czas na zadanie: nie podano”. Stopka głosi: „Indeks, koszt na zadanie i czas na zadanie według Artificial Analysis Intelligence Index v5.0.1, odczyt z 16 listopada 2026 r.” Płaski styl wektorowy na białym tle z niebiesko-cyjanowymi akcentami gradientowymi, znak OrcaRouter nałożony w prawym dolnym rogu.
Guides & Insights

Qwen4-Max okrzyknięto pogromcą Opus 5.5: The Index stawia go 16 punktów za nim.

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Werdykt z dnia premiery dotyczący Qwen4-Max był taki, że bije Claude Opus 5.5 oraz zarówno GPT-6.1 Sol, jak i GPT-6 Astra, a ustępuje tylko Claude Fable 5.2. Trzy z tych czterech porównań wypadają odwrotnie na jednej tablicy wyników, która przeprowadziła wszystkie pięć modeli przez te same dziewięć ewaluacji. Artificial Analysis Intelligence Index v5.0.1, odczytany 16 listopada 2026 r. — w dniu, w którym Qwen4-Max trafił do sprzedaży — plasuje Qwen4-Max na 43, Claude Opus 5.5 na 59, GPT-6 Astra na 57, GPT-6.1 Sol na 55, a Claude Fable 5.2 na 65. Szesnaście punktów za modelem, który rzekomo miał bić, czternaście za drugim najtańszym z trzech i dwanaście za trzecim. Czwarte porównanie, to, w którym Fable 5.2 wysuwa się na prowadzenie, to jedyna część twierdzenia, która przetrwa zetknięcie z harnessem.

Ta różnica zasługuje na rozłożenie na części, a nie na odrzucenie, ponieważ twierdzenie nie zostało wymyślone. To jest to, co otrzymujesz, gdy porównanie jest składane z ustawień wysiłku rozumowania, które do siebie nie pasują, a ta niezgodność za każdym razem biegnie w jednym kierunku. Poniżej: co Alibaba faktycznie opublikowała, co tablica wyników wskazuje na każdym szczeblu każdej drabiny, ten jeden odczyt, przy którym twierdzenie staje się dosłownie prawdziwe, oraz wartość, której tracker w ogóle nie ma dla Qwen4-Max.

Co Alibaba opublikowała, a czego nie

Pierwszą rzeczą, którą należy oddzielić, są materiały premierowe dostawcy od komentarzy wokół nich. Własny wpis blogowy Alibaby dotyczący Qwen4-Max, datowany na 16 listopada 2026 r., w żadnym miejscu w swoich 3100 słowach nie wymienia z nazwy żadnego konkurencyjnego modelu. Każde zawarte w nim porównanie odnosi się do Qwen3.8-Max, poprzedniego flagowego modelu samej firmy. To normalne w przypadku wpisu premierowego i nie jest to zarzut — oznacza jednak, że konkurencyjna narracja nie pochodziła od dostawcy, a wszelkie krążące stwierdzenia typu „przewyższa Opus” są wnioskiem wyciągniętym przez kogoś innego.

To, co dostawca faktycznie twierdzi — a wszystko to zgłoszone przez dostawcę i nieodtworzone:

• Architektura — szkielet o 2,4 biliona parametrów oparty na nowej architekturze Qwen4, z natywną obsługą wizji i oknem kontekstowym o rozmiarze miliona tokenów.

• Wydajność tokenowa względem Qwen3.8-Max — o 24% mniej tokenów przy poziomie wysiłku Xhigh i o 35% mniej przy High w benchmarku Work360 firmy Alibaba oraz o 48% i 49% mniej w Terminal-Bench 4.0.

• Koszt na zadanie w porównaniu z Qwen3.8-Max — średnio z 4,43 USD do 1,67 USD, obniżka o 62%, przy czym największe redukcje dotyczą cen danych wejściowych w pamięci podręcznej.

• Wynik Work360 — 52,69 w porównaniu z 47,74 dla Qwen3.8-Max.

Żadne z nich nie jest porównaniem międzylaboratoryjnym i żadnego nie można zestawić z opublikowanymi wynikami konkurenta, ponieważ są mierzone na benchmarkach, które dostawca sam ocenia. Niezależna liczba pojawiła się tego samego dnia z innego kierunku.

Co odczytuje niezależne stanowisko testowe

Artificial Analysis v5.0.1 to kompozyt dziewięciu ewaluacji — AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset i Terminal-Bench-Science 0.1 — przeprowadzany przez tracker, a nie przez laboratoria. W nim wynik 43 modelu Qwen4-Max plasuje się na 38. miejscu wśród 81 modeli, nieco powyżej mediany stawki wynoszącej 41. To przyzwoity debiut jak na architekturę pierwszej generacji. Nie jest liderem, a cztery modele, ponad którymi został umieszczony, wszystkie są przed nim:

• Claude Opus 5.5 — 59 przy Max, 57 przy Xhigh, 52 przy High, 48 przy Medium, 35 przy Low. Wydany 22 września 2026.

GPT-6 Astra — 57 przy Max, 55 przy Xhigh, 55 przy High, 52 przy Medium, 43 przy Low. Wydany 3 września 2026 r., wiedza do kwietnia 2026 r.

• GPT-6.1 Sol — 55 przy Max, 52 przy Xhigh, 50 przy High, 46 przy Medium, 35 przy Low. Wydany 29 września 2026.

• Claude Fable 5.2 — 65 przy Max, 62 przy Xhigh, 62 przy High, 56 przy Medium, 54 przy Low. Wydany 9 listopada 2026 r.

• Qwen4-Max — 43, opublikowany jako pojedyncza wartość, bez drabinki dla poszczególnych poziomów wysiłku. Wydany 16 listopada 2026 r.

Ta ostatnia asymetria mówi wszystko. Qwen4-Max to model rozumujący, a tracker ocenia jego konkurentów przy pięciu odrębnych ustawieniach rozumowania, podczas gdy Qwen4-Max ocenia tylko przy jednym. Ustawienie, które dało 43, jest porównywane z najmocniejszym ustawieniem Opus 5.5, Astra i Sol, a tracker nie informuje, ile zapasu pozostaje poniżej niego. Zatem „43 kontra 59” nie jest porównaniem maksymalnych możliwości obu modeli na równych zasadach — to pojedyncze zmierzone ustawienie Qwen4-Max zestawione z najlepszym ustawieniem Opus 5.5.

Jedyna interpretacja, przy której twierdzenie jest prawdziwe

Jeśli czytać drabinki w dół, twierdzenie przestaje być fałszywe, a zaczyna wprowadzać w błąd, co jest ciekawszym niepowodzeniem. Wynik 43 Qwen4-Maxa nie jest pobity przez każdy szczebel każdego przeciwnika. Przewyższa lub dorównuje najniższemu szczeblowi w trzech z czterech:

• W porównaniu z Claude Opus 5.5 — 43 pokonuje 35 z ustawienia Low o osiem punktów, a przegrywa z 48 z ustawienia Medium o pięć. Punkt przecięcia wypada między Low a Medium.

• W starciu z GPT-6 Astra — 43 dokładnie dorównuje ustawieniu Low w Astra wynoszącemu 43, a ustawieniu Medium wynoszącemu 52 przegrywa o dziewięć.

• Przeciwko GPT-6.1 Sol — wynik 43 pokonuje ustawienie Low modelu Sol (35) o osiem punktów, a z ustawieniem Medium (46) przegrywa o trzy. To najbardziej wyrównany pojedynek w zestawieniu.

• W starciu z Claude Fable 5.2 — 43 przegrywa z każdym poziomem, w tym z 54 z ustawienia Low, o jedenaście punktów. Nie ma takiego ustawienia Fable 5.2, które Qwen4-Max osiąga.

Zatem porównanie, w którym Qwen4-Max zestawiono z konkurentami działającymi na ustawieniu Low effort, dałoby dokładnie raportowaną kolejność dla Opus 5.5 i Sol, dokładnie raportowany remis lub lepszy wynik przeciwko Astra oraz dokładnie raportowaną porażkę z Fable 5.2. To spójny, samozgodny zestaw wyników i jedyny taki zestaw w tym harnessie, który daje krążącą kolejność. Niezależnie od tego, czy ktoś złożył go celowo, czy doszedł do niego, porównując konfigurację domyślną z najniższym ustawieniem, arytmetyka prowadzi właśnie tam.

Praktyczna konsekwencja jest tym, co ma znaczenie dla każdego, kto czyta wątek o premierze, a nie tabelę wyników: przy równym wysiłku rozumowania Qwen4-Max plasuje się mniej więcej o jeden szczebel za GPT-6.1 Sol i o dwa szczeble za Claude Opus 5.5. To naprawdę konkurencyjny debiut. To nie jest przewaga i daleko temu do narracji o „przewyższaniu”.

A generated two-column scoreboard titled 'Qwen4-Max vs Claude Opus 5.5 — the scoreboard'. The Qwen4-Max column reads 'Index at Max effort: 43', 'Lowest published effort: 43, single score', 'Blended price: $0.80 per million', 'Cost per index task: $3.27', 'Time per task: not published', 'Context window: 984k'. The Claude Opus 5.5 column reads 'Index at Max effort: 59', 'Lowest published effort: 35 at Low', 'Blended price: $2.94 per million', 'Cost per index task: $10.04', 'Time per task: 24.9 minutes', 'Context window: 1M'. A footer reads 'Index, per-task cost and time per task per Artificial Analysis v5.0.1, read 16 November 2026; prices per vendor cards.'

Koszt na zadanie oddziela dwa roszczenia od jednego

Możliwości to tylko połowa tego, co głoszono przy premierze, a w kwestii kosztów obraz wypada korzystniej dla Qwen4-Max — w przypadku dwóch z trzech modeli, ale nie trzeciego.

• Cena katalogowa — Qwen4-Max kosztuje 1,50 USD za milion tokenów wejściowych i 4,50 USD za milion tokenów wyjściowych, z 95% zniżką na cache i mieszaną stawką 0,80 USD za milion. Ta mieszana stawka jest najniższa spośród wszystkich pięciu modeli tutaj: GPT-6.1 Sol — 1,47 USD, Claude Opus 5.5 — 2,94 USD, Claude Fable 5.2 — 5,74 USD, a GPT-6 Astra — 7,70 USD.

• Koszt na ukończone zadanie — Claude Fable 5.2: 26,54 USD, Claude Opus 5.5: 10,04 USD, GPT-6 Astra: 6,24 USD, Qwen4-Max: 3,27 USD, GPT-6.1 Sol: 1,27 USD. Wszystkie przy ustawieniu Max każdego modelu.

• Odwrócenie — Qwen4-Max ma najtańszą stawkę mieszaną w zestawieniu i trzeci najtańszy koszt zadania. W przeliczeniu na zadanie bije Claude Opus 5.5 trzykrotnie, a GPT-6 Astra mniej więcej dwukrotnie, i przegrywa z GPT-6.1 Sol 2,6-krotnie.

Mechanizmem jest rozwlekłość, a tracker mierzy ją bezpośrednio: Qwen4-Max wygenerował 127 mln tokenów wyjściowych podczas ukończenia indeksu, wobec mediany w tej dziedzinie wynoszącej 78,6 mln, i został zaklasyfikowany jako bardzo rozwlekły. Model, który pisze o 60% więcej niż mediana, zużywa na to swoją przewagę szybkości. Same dane Alibaba o redukcji tokenów o 24–35% to realne poprawy względem Qwen3.8-Max i nie mówią nic o tym, jak rozwlekły jest model w wartościach bezwzględnych, a to właśnie ta liczba trafia na fakturę.

A więc kosztowa połowa twierdzenia rozkłada się jednoznacznie. „Tańsze w eksploatacji niż Opus 5.5 i Astra” jest prawdą w przeliczeniu na zadanie, i to z dużą przewagą, i jest to najmocniejszy punkt tego artykułu w przypadku Qwen4-Max. „Tańsze niż GPT-6.1 Sol” jest fałszywe w przeliczeniu na zadanie — różnica jest 2,6-krotna — mimo że mieszana stawka Qwen4-Max jest o 46% niższa. Każdy, kto sporządził budżet na podstawie cennika stawek, a na rachunku otrzymał odwrotny wynik, natrafił na tę samą rozbieżność.

Liczba, której tracker nie ma

Jedna kolumna na stronie Qwen4-Max jest pusta w sposób, który zasługuje na odnotowanie. Artificial Analysis podaje czas na zadanie dla każdego wymienionego tu modelu — Claude Opus 5.5 przy 24,9 minuty na Max, GPT-6 Astra przy 20,9, GPT-6.1 Sol przy 22,9, Claude Fable 5.2 przy 41,8 — a dla Qwen4-Max podaje N/A, z adnotacją na wykresie czasu „Brak publicznie dostępnego API”.

Przeczytaj tę adnotację uważnie, zanim wyciągniesz z niej wniosek, ponieważ nie jest to stwierdzenie, że nie można wywołać modelu. Alibaba publikuje ceny za token dla Qwen4-Max, a jej post premierowy mówi, że ceny API zostały obniżone względem Qwen3.8-Max; sam tracker wymienia Alibaba Cloud jako dostawcę modelu i podaje koszt 3,27 USD za zadanie. Model z cennikiem, dostawcą i zmierzonym kosztem na zadanie ma API. Bardziej prawdopodobna interpretacja jest taka, że pomiaru czasu nie można było uzyskać tą drogą, której użył tracker, a strona nie mówi, którą. Własne FAQ trackera na tej samej stronie mówi, że model „jest dostępny przez API u 1 dostawcy”, co również nie zgadza się z adnotacją na wykresie.

To, co pozostaje po tej niejednoznaczności, jest węższe i wciąż użyteczne: w dniu premiery Qwen4-Max nie istnieje niezależny wynik pomiaru opóźnienia, podczas gdy każdy model, z którym jest porównywany, taki wynik ma. Jeśli Twoje obciążenie jest wrażliwe na opóźnienia, dokonujesz wyboru na podstawie liczby, której nikt jeszcze nie opublikował, a uczciwym podejściem jest zmierzenie jej samodzielnie, zanim zdecydujesz się oprzeć na niej ścieżkę produkcyjną.

A headless-browser screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026 in English, showing the Alibaba proprietary-model header with 'Released November 2026', the rank badges Intelligence #38/81, Performance Cost #44/80 and Verbosity #65/80, the price block reading In $1.50, Out $4.50 and Cache 95%, the $3.27 per intelligence index task figure, the 127M output-token count, the summary prose noting a score of 43 against a median of 41, and a technical specification block reading Reasoning Yes, Input modality Text+Image, Output modality Text and Context window 984k.

Co się broni w twierdzeniach dotyczących premiery

Trzy z krążących twierdzeń faktograficznych się potwierdzają i warto je jasno przedstawić, ponieważ weryfikacja twierdzeń, która tylko odejmuje, nie jest weryfikacją twierdzeń:

• Okno kontekstu — reklamowane jako milion tokenów, zmierzone przez tracker na 984 000. To prawdziwy model z milionem tokenów, a nie zaokrąglone 200K.

• Natywna wizja — tracker rejestruje dane wejściowe w postaci tekstu i obrazu z wyjściem tekstowym, co odpowiada opisowi „natywnej wizji” dostawcy, a nie dodatkowemu enkoderowi doczepionemu do modelu tekstowego.

• Obniżka ceny — 1,50 USD i 4,50 USD za milion wobec wyższej stawki katalogowej Qwen3.8-Max oraz najniższa mieszana stawka wśród pięciu porównywanych tu modeli. Kierunek narracji cenowej nie budzi wątpliwości.

To, co nie wytrzymuje krytyki, to ranking, a ranking to część, którą powtarzano najczęściej.

Co z tym zrobić w dniu premiery

Użytecznym posunięciem w przypadku takiego modelu nie jest opowiedzenie się po jednej stronie sporu, lecz utrzymanie opcji w niskiej cenie. Qwen4-Max to architektura pierwszej generacji w naprawdę niskiej cenie jednostkowej, z niezależnym wynikiem w środku stawki i bez danych o opóźnieniu — profil, który nagradza próbę, a karze migrację.

Do tego właśnie służy routing. Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol i Claude Fable 5.2 są wszystkie routowane przez OrcaRouter po cenie katalogowej każdego dostawcy z 0% marży, więc zmiana stawek dostawcy jest aktywna tego samego dnia, a powyższa arytmetyka na poziomie zadania pozostaje aktualna bez drugiej umowy ani zmiany SDK. Qwen4-Max nie jest routowany przez OrcaRouter — jest dostępny przez własne API Model Studio firmy Alibaba oraz kilka platform zewnętrznych i ten artykuł nie będzie udawał, że jest inaczej. To, co routing daje w takiej sytuacji, to porównanie: cztery modele, względem których go zmierzono, stoją za jednym kluczem obejmującym ponad 200 modeli, więc porównywanie Qwen4-Max z nimi to zmiana konfiguracji po jednej stronie, a nie zakupy po obu.

A jeśli Qwen4-Max rzeczywiście zdobędzie swoje miejsce, automatyczne przełączanie awaryjnejest tym, co sprawia, że niezmierzony model można bezpiecznie umieścić na aktywnej ścieżce — żądanie trafia do modelu, którego opóźnienie jest ci znane, zamiast kończyć się niepowodzeniem, gdy nowy model jest wolny lub niedostępny w sposób, na który wskazuje jego brakująca wartość czasu.

A headless-browser screenshot of the OrcaRouter model page for anthropic/claude-opus-5.5, captured 16 November 2026 in English, showing the FLAGSHIP and ZDR badges, the Claude Opus 5.5 heading with its identifier, the Anthropic attribution and 'Public benchmarks by Anthropic · 2026-09-22' line, Vision, Tools, JSON and Reasoning capability badges, a p50 time to first token of 7.98 s, a zero-data-retention availability note, the description placing it as Anthropic's flagship for reasoning, coding and long-horizon agentic work with a 1M-token context, the /v1/chat/completions and /v1/messages endpoints, and the price block reading $4.00 input and $20.00 output per million tokens.

Narracja w dniu premiery głosiła, że tani chiński model przeskoczył dwa amerykańskie flagowe modele. To, co faktycznie pokazuje zestaw testowy, to dobrze wyceniony model o jeden szczebel za najtańszym z nich i o dwa szczeble za najlepszym, z realnymi możliwościami wizyjnymi, realnym oknem miliona tokenów i niepublikowaną szybkością. To lepszy produkt, niż sugerowało to twierdzenie, ale gorszy ranking — a różnica między tymi dwiema rzeczami to dokładnie odległość między wątkiem a tablicą wyników.

Porównane w tym artykule2

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie