
Qwen4-Max okrzyknięto pogromcą Opus 5.5: The Index stawia go 16 punktów za nim.
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 90 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 96 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNOWOŚĆOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 87 tok/s
- OrcaNOWOŚĆOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 133 tok/s
- OrcaNOWOŚĆOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 za 1 mln tokenów · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 43 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 · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 za 1 mln tokenów · 120 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencja
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencja
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 za 1 mln tokenów · 219 tok/s
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”.

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.

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.

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
