Wygenerowana karta tytułowa 16:9 na ciemnogranatowym tle z napisem „Qwen4-Max” i podtytułem „Dwie daty, jedna tablica wyników” oraz trzy zaokrąglone karty: DATA MODELU 16 lis 2026, DRUGI SPRZEDAWCA 18 lis 2026, WYNIK INDEKSU 43. W stopce widnieje napis „Artificial Analysis Intelligence Index v5.0.1”. Logo OrcaRouter w prawym dolnym rogu.
Guides & Insights

Qwen4-Max jest już w sprzedaży w dwóch miejscach. Niezależny ranking to część, którą warto przeczytać

Autor

jinhao.song

Data publikacji

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

Qwen4-Max trafił do ogólnej sprzedaży 16 listopada 2026 r., a do rana 18 listopada reklamowała go również zewnętrzna platforma inferencyjna — z tym samym kontekstem 1 mln tokenów oraz tymi samymi danymi wejściowymi tekstowymi, obrazowymi i wideo. To jest ta wiadomość i to niewielka wiadomość: drugi sprzedawca to wydarzenie dystrybucyjne, a nie wydarzenie modelowe. Rzeczą, która pojawiła się w tym samym oknie i prawie nie przyciągnęła uwagi, jest pomiar. Artificial Analysis ma teraz wpis Qwen4-Max, a w swoim Intelligence Index ocenia ten model na 43 w porównaniu z 34 dla Qwen3.8-Max, poprzednika, którego zastępuje.

Obie te liczby wiążą się z kontekstem, który przesądza, czy to dobre wieści, a blog samego dostawcy go nie dostarcza. Dlatego ten tekst robi po kolei trzy rzeczy: co faktycznie trafiło do oferty 16 listopada, co mówi niezależny wiersz, czego nie mówi wpis o premierze, oraz co się zmienia — i co po cichu się psuje — gdy ten sam model jest udostępniany przez kogoś innego niż Alibaba.

Dwie daty, a tylko jedna z nich to wydanie

Data modelu to 16 listopada 2026 r. Zespół Qwen firmy Alibaba oznaczył swój post premierowy datą 16 listopada, a strona dokumentacji Model Studio dla tego modelu ma znacznik aktualizacji 2026-11-16 09:46:08 z nagłówkiem „qwen4-max (Najnowszy model)” i prostym identyfikatorem modelu qwen4-max. To ta strona liczy się komercyjnie: zastąpiła identyfikator wersji zapoznawczej, qwen4-max-preview, który został uruchomiony 11 listopada w ramach planu kredytowego z opublikowaną datą wycofania 25 listopada. Ogólna dostępność oznaczała cennik rozliczany według zużycia, sześć regionów i brak daty wygaśnięcia.

Wydarzenie z 18 listopada ma inny charakter. Platforma, która nie jest A​libaba, zaczęła oferować model własnym klientom dwa dni po pojawieniu się cennika. 18 listopada w samym modelu nic się nie zmieniło: żadnych nowych wag, żadnej nowej wartości kontekstu, żadnej nowej ceny od laboratorium. Jeśli czytasz materiały, które przedstawiają ten tydzień jako premierę, to takie ujęcie jest o krok za rzeczywistością — Qwen4-Max zadebiutował 16., a 18. stało się to, że można go było odsprzedawać na skalę. To rozróżnienie nie jest pedanterią. Mówi ci, jakie pytania zadać: nie „co potrafi”, na co odpowiedziano w poniedziałek, lecz „co przetrwa drogę przez resellera”, na co nikt nie odpowiedział.

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-Max' with five rows: index score 43 against 34; output tokens per run 127M against 150M; wall-clock per task 32.1 min against 47.5 min; cost per task $3.27 against $10.02; throughput 55 tok/s against 'not listed'. Footer reads 'Artificial Analysis Intelligence Index v5.0.1, measured November 2026'. OrcaRouter logo bottom-right.

Co wydano 16 listopada

Poniższa specyfikacja należy do Alibaby, pochodzi z wpisu zapowiadającego premierę i dokumentacji modelu, a żadna jej część nie została niezależnie odtworzona — w szczególności architektura jest opisem przebiegu treningu dostarczonym przez dostawcę, którego żaden zewnętrzny obserwator nie zbadał.

• Architektura — nowa konstrukcja Qwen4 z rdzeniem o 2,4 biliona parametrów, 71 miliardami parametrów aktywowanych na token oraz dodatkowymi 328 miliardami parametrów osadzeń N-gram

• Uwaga — trzy warstwy Gated DeltaNet zasilające każdą warstwę Qwen Sparse Attention, która kompresuje historię do stanów o stałym rozmiarze i indeksuje kontekst na poziomie mikro-bloków

• Prace nad stabilnością — cztery równoległe gałęzie rezydualne z dynamicznymi bramkami odczytu i zapisu, które laboratorium wskazało jako powód, dla którego przebieg 2.4T nie miał skoków straty

• Kontekst — 1 000 000 tokenów w dokumentacji dostawcy; Artificial Analysis mierzy użyteczne okno na 984 000

• Górny limit wyjścia — 131,072 tokenów przy wyłączonym myśleniu albo 262,144 współdzielone między myśleniem a odpowiedzią

• Modalność — tekst, obraz i wideo na wejściu; tekst na wyjściu. Natywne widzenie, a nie doklejona funkcja.

• Nakład rozumowania — poziomy do wyboru, które post zapowiadający określa jako High i Xhigh, przytaczając własne dane dotyczące wydajności

• Narzędzia — wywoływanie funkcji, równoległe wywołania narzędzi, wyszukiwanie w sieci, ustrukturyzowane dane wyjściowe zgodne z JSON Schema, dopełnianie prefiksu, jawne i niejawne buforowanie

• Interfejsy — O​penAI Chat Completions i Responses, A​nthropic Messages oraz DashScope, czyli najszerszy zakres protokołów, jaki A​libaba udostępniła w flagowym produkcie

• Czego brakuje — dostrajanie i wdrażanie modeli są oznaczone jako nieobsługiwane. Nie ma punktu kontrolnego, a wpis zapowiadający premierę mówi jedynie, że mniejsze modele Qwen4 „trafią do open source”

Twierdzenia o wydajności są tymi, na których premiera opiera się najmocniej, i warto je przytoczyć precyzyjnie, ponieważ są warunkowe. W porównaniu z Qwen3.8-Max dostawca raportuje około 24% mniej tokenów w swoim benchmarku Work360 przy poziomie wysiłku Xhigh i 35% mniej przy High oraz 48% i 49% mniej w Terminal-Bench 4.0 przy tych samych dwóch ustawieniach. Średni koszt na zadanie w Work360 spada z 4,43 USD do 1,67 USD, czyli o 62%. Każda z tych liczb jest raportowana przez dostawcę i każda jest powiązana z poziomem wysiłku — co staje się ważnym szczegółem później, gdy reseller decyduje, jak udostępnić ten suwak.

Niezależny spór, którego nikt nie cytuje

Artificial Analysis opublikowała Qwen4-Max w Intelligence Index v5.0.1, a wpis jest wyjątkowo bezpośredni. Wynik to 43, który serwis opisuje jako poniżej średniej wśród porównywalnych modeli — mediana również wynosi 43, więc model znajduje się dokładnie na granicy, a nie powyżej niej. To mniej pochlebne zdanie niż „o dziewięć punktów względem poprzednika”, i oba są prawdziwe. Qwen3.8-Max, mierzony jako snapshot 0902, uzyskuje 34 w tym samym indeksie.

Reszta wiersza to miejsce, w którym argument staje się interesujący, ponieważ oddziela możliwości od kosztu ich wydobycia.

• Wynik indeksu — Qwen4-Max 43 w porównaniu z Qwen3.8-Max (0902) 34 w wersji v5.0.1

• Tokeny wyjściowe na przebieg indeksu — 127 mln w porównaniu z 150 mln, wobec mediany w tej dziedzinie wynoszącej 65,1 mln. Oba modele są niezwykle rozwlekłe; nowy jest mniej.

• Czas rzeczywisty na zadanie — 32,1 minuty versus 47,5 minuty, wobec mediany w zestawieniu wynoszącej 11,5. Szybszy niż poprzednik, wciąż wśród najwolniejszych mierzonych modeli

• Przepustowość — 55 tokenów wyjściowych na sekundę, zmierzona na własnym API A​libaba

• Koszt na zadanie — 3,27 USD w porównaniu z 10,02 USD, co jest najbardziej użyteczną pojedynczą liczbą w wierszu

Przeczytaj je razem, a modernizacja jest realna, ale węższa, niż sugeruje marketing. Qwen4-Max zyskuje dziewięć punktów indeksu, skraca czas zegarowy o jedną trzecią i obniża koszt ukończenia zadania o około dwie trzecie w stosunku do modelu, który zastępuje. Nie daje jednak prędkości w ujęciu bezwzględnym: przy 32,1 minuty na zadanie jest prawie trzykrotnie wolniejszy niż model medianowy w tym samym rankingu i zużywa blisko dwukrotnie większy wolumen tokenów, aby to osiągnąć. Jeśli Twoje obciążenie jest wrażliwe na opóźnienia, to nie liczba indeksu zdecyduje o Twoim rachunku.

A screenshot of the Artificial Analysis page for Qwen4 Max, headed 'Qwen4 Max: Intelligence, Performance & Price Analysis' and dated November 2026, showing an Intelligence Index score of 43 against a median of 43, 55 output tokens per second, a 984k context window, $1.50 input and $4.50 output per million tokens, $3.27 per task and 127M tokens generated on the index run.

Co przetrwa przekazanie resellerowi

To jest ta część, która sprawia, że lista z 18 listopada jest pilna, a nie teoretyczna. Gdy model jest obsługiwany przez platformę, która nie jest jego autorem, cztery rzeczy przenoszą się niezawodnie, a jedna nie.

Cztery rzeczy, które wędrują: karta cenowa, ponieważ jest kopiowana ze strony dostawcy; wartość kontekstu, ponieważ jest nagłówkiem; lista modalności, ponieważ znajduje się w materiałach marketingowych; oraz kształt protokołu, ponieważ większość platform udostępnia endpoint zgodny z OpenAI niezależnie od tego, co się za nim kryje. To właśnie te elementy każde ogłoszenie podaje poprawnie i to one są cytowane w każdym artykule porównawczym.

To, co nie przenosi się wraz z modelem, to mapowanie poziomu wysiłku. Ekonomia Qwen4-Max z założenia zależy od poziomu wysiłku: oszczędności tokenów samego dostawcy wahają się od 24% do 35% w Work360 w zależności od tego, czy uruchamiasz Xhigh, czy High, a dokumentacja udostępnia ten wybór jako parametr żądania. Reseller, który przypina poziom wysiłku do jednej wartości domyślnej albo odwzorowuje parametr rozumowania w stylu OpenAI tylko na dwa z trzech poziomów, daje ci model, którego koszt na zadanie może różnić się od publikowanej przez dostawcę wartości o jedną trzecią — przy identycznej cenie za token na fakturze. Jeśli benchmarkujesz ofertę względem własnych liczb Alibaby, ustal poziom wysiłku jawnie i sprawdź, co platforma z nim robi, zanim wyciągniesz jakiekolwiek wnioski o cenie.

Dwie mniejsze rzeczy do zweryfikowania: czy wspólny budżet 262 144 tokenów na myślenie i odpowiedź jest egzekwowany, czy po cichu obcinany, oraz czy buforowanie promptów jest rozliczane według stawek cache'owania dostawcy, a nie według pełnej stawki wejściowej. Oba mają realny wpływ na koszty przy długich uruchomieniach agentów, a żadnego nie widać w nagłówku.

To, co się nie zmieniło i nie zmieni się.

Najważniejszy fakt dotyczący Qwen4-Max nie znajduje się ani na cenniku, ani w rankingu: nie można go posiadać. Dla tego modelu nie ma checkpointu, a dokumentacja oznacza dostrajanie i samodzielne wdrażanie jako nieobsługiwane. Końcowe zdanie wpisu zapowiadającego premierę obiecuje, że mniejsze wersje Qwen4 trafią do open source, co jest stwierdzeniem o przyszłości rodziny, a nie o tym modelu. Każda droga do Qwen4-Max prowadzi przez czyjeś API — niezależnie od tego, czy są to sześć regionów Alibaby, czy endpoint resellera.

To normalny układ w przypadku flagowego modelu frontier na 2026 r. i ma normalną konsekwencję: twoja integracja jest wynajmem, a liczba właścicieli właśnie wzrosła z jednego do więcej niż jednego. Co jest jedynym naprawdę dobrym argumentem za ofertą z 18 listopada — nie tym, że jest tańsza, ale tym, że stanowi kolejną ścieżkę dostaw dla modelu, którego nie możesz hostować samodzielnie.

Jeśli w tym tygodniu to podłączasz

Qwen4-Max nie znajduje się dziś w katalogu OrcaRouter, a ten tekst nie zamierza udawać, że jest inaczej. Jest natomiast model, który zastępuje: qwen/qwen3.8-max, flagowiec z 2,4 biliona parametrów, który uzyskał 34 punkty w tym samym indeksie i kosztuje 2,00 USD za wejście i 6,00 USD za wyjście za milion tokenów według cennika Alibaba. Jeśli budujesz w oparciu o linię Qwen i chcesz wypróbować Qwen4-Max, nie stawiając ścieżki produkcyjnej na dwudniowym porozumieniu handlowym, rozsądnym wzorcem jest pozostawienie poprzednika na tym samym kluczu i kierowanie ruchu między nimi — OrcaRouter obsługuje ponad 200 identyfikatorów modeli u różnych dostawców za jednym punktem końcowym zgodnym z OpenAI z 0% narzutem, a automatyczne przełączanie awaryjneoznacza, że awaria po stronie dostawcy lub limit szybkości nie wyłączają Twojej aplikacji. DSL routingu robi to samo o poziom niżej: możesz skomponować tani model dla większości obciążenia i eskalować do drogiego tylko tam, gdzie zadanie naprawdę tego wymaga, zamiast płacić stawki flagowca za każde wywołanie.

A screenshot of the OrcaRouter models catalogue showing the filter rail and the header '226 models, 17 providers, one API key, one bill', with a card for Google Gemini 4 Carbon and its per-million input and output rates visible.

To nie jest to samo co posiadanie Qwen4-Max na kluczu i nie powinno być tak sprzedawane. To różnica między czekaniem, aż model dotrze do twojego stacku, a posiadaniem stacku, który potrafi go wchłonąć, gdy to nastąpi.

Co zmieniłoby ten element?

Trzy rzeczy, w malejącej kolejności prawdopodobieństwa. Drugi niezależny pomiar Qwen4-Max rozstrzygnąłby, czy 43 to dolna granica, czy górna — jeden ranking, jeden harness, jedno ustawienie poziomu wysiłku to wątła podstawa do werdyktu, a ten blog już wcześniej widział, jak rewizje indeksu przesuwają wyniki o dwucyfrowe wartości. Opublikowane przez Artificial Analysis rozbicie według poziomu wysiłku, odpowiadające temu, co już robi dla GLM-5.3, sprawiłoby, że wartość kosztu na zadanie byłaby faktycznie przekładalna na działania, a nie średnią z nieokreślonego ustawienia. A checkpoint Qwen4 — jakikolwiek checkpoint Qwen4 — całkowicie zakończyłby spór o wynajem.

Do tego czasu właściwą interpretacją tego tygodnia jest ta nieefektowna. Flagowiec trafił do sprzedaży w poniedziałek z prawdziwym cennikiem i niezależnym wynikiem konkurencyjnym, ale nie wiodącym; reseller wziął go w środę, czyli dystrybucja robi swoje; a liczbą, która powinna decydować o Twojej integracji, nie jest 1,50 USD ani 43, lecz 32,1 minuty i rachunek za tokeny wynoszący około dwukrotność mediany w branży. To właśnie one będą stanowić rzeczywisty koszt, który poniesiesz.

Porównane w tym artykule1

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