Wygenerowana karta tytułowa z napisem „Qwen4-Max vs GPT-6 Sol” i podtytułem „Tańszy token, który kosztuje więcej na odpowiedź” oraz trzy karty z liczbami o treści „43 vs 44 w indeksie”, „$3.27 vs $2.47 na zadanie” i „$4.50 vs $10.00 na wyjściu”. Stopka brzmi: „Wyniki i koszt na zadanie według Artificial Analysis Intelligence Index v5.0.1; ceny zgodnie z cennikiem każdego dostawcy”. Płaski styl wektorowy na białym tle z niebiesko-cyjanowymi akcentami gradientowymi, znak OrcaRouter nałożony w prawym dolnym rogu.
Guides & Insights

Qwen4-Max vs GPT-6 Sol: Tańszy token, który kosztuje więcej za odpowiedź

Autor

jinhao.song

Data publikacji

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

Qwen4-Max ma cenę za tokeny wyjściowe niższą niż połowa ceny GPT-6 Sol — 4,50 USD za milion tokenów wobec 10,00 USD — a mimo to ukończenie zadania nadal kosztuje więcej. Artificial Analysis wylicza 3,27 USD na zadanie Intelligence Index dla Qwen4-Max, powszechnie dostępnego od 16 listopada 2026 r., wobec 2,47 USD dla GPT-6 Sol, który OpenAI sprzedaje od 22 września 2026 r. Wyniki różnią się o jeden punkt: 43 do 44. Ta inwersja to całe porównanie i nie jest artefaktem zaokrągleń: to efekt tego, co się dzieje, gdy model generuje 127 mln tokenów wyjściowych, aby ukończyć ewaluację, którą drugi model kończy w 65,1 mln. Qwen4-Max jest tańszym modelem w przeliczeniu na jednostkę, a droższym w przeliczeniu na zadanie, i tylko jeden z tych dwóch faktów przetrwa zetknięcie z budżetem.

Inwersja, z przedstawionymi obliczeniami

Oba modele domyślnie prowadzą rozumowanie, a obaj dostawcy wyceniają myślenie jak dane wyjściowe. Różnica polega na tym, ile go jest.

• Wolumen danych wyjściowych w przebiegu indeksu — Qwen4-Max wygenerował 127 milionów tokenów wyjściowych, co tracker klasyfikuje na 65. miejscu spośród 80 pod względem gadatliwości i opisuje jako bardzo gadatliwy w porównaniu z medianą 78,6 miliona. GPT-6 Sol wygenerował 65,1 miliona, co opisano jako dość zwięzły w porównaniu z tą samą medianą.

• Wielkość danych wejściowych — 9,9 mld tokenów dla Qwen4-Max w porównaniu z 4,75 mld dla GPT-6 Sol. Stosunek wielkości wyjścia do wejścia w Qwen wynosi 1,284%; w Sol 1,371%, więc struktura ruchu jest podobna, ale skala już nie.

• Koszt na ukończone zadanie — 3,27 USD wobec 2,47 USD. Nominalnie tańszy model jest o 32% droższy w przeliczeniu na zadanie.

• Wynik indeksu — 43 wobec 44, odpowiednio miejsca 38. i 34. na 81 modeli, w tym samym odczycie wersji z 16 listopada 2026 r.

To, co to mierzy, nie jest marnotrawstwem w zwykłym sensie. Model, który obszernie rozumuje i powtarza tok swojej pracy, robi coś, co dostawca uznaje za zaletę, a własne liczby premierowe Alibaby opierają się dokładnie na tym, że takie zachowanie jest warte zapłaty: firma twierdzi, że w swoim benchmarku Work360 zużywa od 24% do 35% mniej tokenów niż Qwen3.8-Max, co jest twierdzeniem o względnej rozwlekłości wobec poprzednika i nic nie mówi o tym, jak wypada w porównaniu z modelem z innego laboratorium. Na fakturę trafia liczba bezwzględna, a liczba bezwzględna jest wysoka.

Odwrócenie znika w przypadku ustalonego wyjścia. Ogranicz odpowiedź schematem, limitem maksymalnej liczby tokenów lub ścisłym formatem, a przewaga wynikająca z rozwlekłości ulotni się, ponieważ oszczędzane tokeny to te, które model zdecydował się wygenerować. Przy twardym limicie wyjścia 2.2× niższa stawka za wyjście Qwen4-Max dotyczy mniej więcej tej samej liczby tokenów i oszczędność jest realna. Pozostawiony sam sobie, pisze, co chce, i zużywa tę zniżkę.

A generated two-column scoreboard titled 'Qwen4-Max vs GPT-6 Sol — the scoreboard'. The Qwen4-Max column reads Output price $4.50 per million, AA Index 43 rank 38 of 81, Price per index task $3.27, Output tokens on AA run 127M, Above 272K context price unchanged, Speed on AA not yet measured. The GPT-6 Sol column reads Output price $10.00 per million, AA Index 44 rank 34 of 81, Price per index task $2.47, Output tokens on AA run 65.1M, Above 272K context $4.00 / $15.00, Speed on AA 125 tokens per second. A footer reads 'Index and per-task cost per Artificial Analysis v5.0.1; prices per vendor cards.'

Po przekroczeniu 272 000 tokenów zależność cenowa odwraca się całkowicie

Cennik GPT-6 Sol zawiera klif, a cennik Qwen4-Max nie. To jedyny wymiar, w którym tani model jest nie tylko konkurencyjny, ale wręcz dramatycznie tańszy — i łatwo to przeoczyć, ponieważ oba modele reklamują okno miliona tokenów.

• GPT-6 Sol, do 272 000 tokenów wejściowych — 2,00 USD za wejście, 0,20 USD za wejście z pamięci podręcznej, 2,50 USD za zapis do pamięci podręcznej, 10,00 USD za wyjście.

• GPT-6 Sol, powyżej 272 000 tokenów wejściowych — 4,00 USD za wejście, 0,40 USD za wejście z pamięci podręcznej, 5,00 USD za zapis do pamięci podręcznej, 15,00 USD za wyjście. Strona modelu samego OpenAI jasno podaje tę zasadę: każdy token w żądaniu jest wyceniany ponownie, nie tylko nadwyżka. Prompt o długości 300 000 tokenów powoduje rozliczenie wszystkich 300 000 według stawki dla długiego kontekstu.

• Qwen4-Max — jednolite stawki 1,50 USD za dane wejściowe i 4,50 USD za dane wyjściowe w całym oknie 1 000 000 tokenów, bez progów przy 32K, 128K ani nigdzie indziej. Stawki dla Singapuru; pozostałe pięć regionów to 1,413 USD i 4,24 USD.

• Różnica przy 300 000 tokenów — $4.00 wobec $1.50 na wejściu to 2,7×, a $15.00 wobec $4.50 na wyjściu to 3,3×. Dodaj do tego ścieżkę wsadową Qwen w Pekinie, gdzie Batch File nalicza $0.707 i $2.12, a proporcja rośnie jeszcze bardziej — choć ta ścieżka istnieje tylko w jednym regionie.

Praktyczna konsekwencja — pipeline do analizy dokumentów, który regularnie przekracza 272K tokenów, nie wybiera między dwiema podobnymi cenami. Wybiera między stawką, która podwaja się na granicy, którą jego żądania przekraczają przypadkowo, a stawką, która w ogóle się nie zmienia. Dzielenie zbyt dużych żądań na fragmenty poniżej progu przywraca cenę Sol, ale to zmiana w pipeline i kosztuje cię kontekst pojedynczego żądania, który był powodem zakupu modelu o milionie tokenów.

To najmocniejszy argument w tym tekście na rzecz Qwen4-Max i jest on węższy, niż sugerują publikacje towarzyszące premierze: to przypadek długiego kontekstu, a nie ogólny.

Co każdy dostawca faktycznie twierdzi i co za tym stoi

Materiały premierowe Alibaby dotyczące Qwen4-Max są nietypowo konkretne i w całości przygotowane przez samego dostawcę. Benchmark, od którego zaczyna, Work360, jest tym, który zbudował dostawca: taksonomia obejmująca 26 domen Tier-1, 182 poddomen Tier-2 i 721 pól Tier-3, w ramach której Qwen4-Max uzyskuje 52,69 wobec 47,74 dla Qwen3.8-Max. Obok tego firma podaje redukcje liczby tokenów o około 24% i 35% na Work360 przy ustawieniach xhigh i high, o 48% i 49% na Terminal-Bench 4.0, średni koszt na zadanie spadający z 4,43 USD do 1,67 USD, wskaźnik zaliczeń Last Secure Code Bench na poziomie funkcji rosnący z 22,0% do 31,8% oraz kod bezpieczny jednocześnie na poziomie funkcji, pliku i repozytorium rosnący z 8% do 14,7%. Wszystkie te dane pochodzą od dostawcy i żadna z nich nie została odtworzona poza Alibabą.

Twierdzenia OpenAI dotyczące GPT-6 Sol mają inny kształt: to argumenty o dorównaniu przy niższym koszcie przeciwko nazwanym konkurentom, a nie absolutne wyniki. Materiał premierowy podał wynik FrontierCode 1.1 na poziomie 49,3% przy maksymalnym wysiłku, przy koszcie 2,14 USD na zadanie, wobec 50,3% dla Claude Fable 5.1 przy 12,83 USD, oraz wynik DeepSWE v1.1 na poziomie 68,8%, w odległości 1,1 punktu od 69,9% Claude Fable 5. Spójrz na kształt tych zdań: każde łączy niemal remis w wyniku z ułamkiem kosztu. To twierdzenie o wydajności, a nie o zdolnościach, i jest to twierdzenie słabsze niż to, które Alibaba formułuje na temat Work360.

Niezależny tracker to miejsce, w którym można w końcu porównać oba modele, i jedyne źródło w tym tekście, które zmierzyło oba modele jednym zestawem testowym. Dzieli je jeden punkt i odwraca ranking cenowy. Pozostawia też jedną kolumnę pustą: GPT-6 Sol ma zmierzone 125 tokenów wyjściowych na sekundę, 35,11 sekundy do pierwszego tokenu odpowiedzi i 7,2 minuty na zadanie indeksowe. Qwen4-Max nie ma żadnej z tych trzech wartości — karta wydajności pokazuje N/A. Model, który jest o 32% droższy na zadanie i nie ma opublikowanej szybkości, nie jest modelem, którego przewagę kosztową można już w ogóle wycenić, ponieważ brakującą połową rachunku jest czas.

A headless-browser screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026 in English, showing the Alibaba proprietary-model label, Released November 2026, an Intelligence Index of 43 ranked of 81, the cost block reading In $1.50, Out $4.50, Cache 95% and $3.27 per task, a verbosity reading, and the summary line noting text and image input with a 984k-token context window.

Twierdzenie architektoniczne kryjące się pod liczbami tokenów

Qwen4-Max to rzadka mieszanka ekspertów o 2,4 biliona parametrów, z 71 miliardami parametrów aktywnych na token oraz 328 miliardami parametrów osadzeń N-gram, które są wyszukiwane, a nie mnożone. Trzy warstwy Gated DeltaNet kompresują historię do stanu o stałym rozmiarze dla każdej warstwy Qwen Sparse Attention, która wybiera istotny kontekst na poziomie mikro-bloków za pomocą lekkiego indeksatora; cztery równoległe gałęzie rezydualne z dynamicznymi bramkami odczytu i zapisu stabilizują stos. Alibaba donosi o braku skoków funkcji straty podczas treningu modelu o 2,4 bln parametrów oraz o 5% do 13% niższej liczbie bitów na bajt niż w Qwen3.8-Max-Base przy aktywowaniu o 25% mniejszej liczby parametrów — z uczciwym zastrzeżeniem podanym przez dostawcę, że dwa z porównywanych checkpointów są po dodatkowym treningu, co osłabia ujęcie ich jako modeli bazowych.

To wiarygodne wyjaśnienie, dlaczego wnioskowanie z długim kontekstem jest tańsze na token. Nie jest to jednak wyjaśnienie, dlaczego jedno żądanie wymaga 1,95 razy więcej tokenów wyjściowych niż u konkurenta, a nic w materiałach premierowych się do tego nie odnosi. Wydajność na token i wydajność na odpowiedź to różne wielkości, a ten model poprawia pierwszą, tracąc drugą.

Gdzie oba się znajdują i jak wygląda mieszane obciążenie

GPT-6 Sol jest kierowany na OrcaRouter jako openai/gpt-6-sol w cenie katalogowej OpenAI z 0% marży — 2,00 USD i 10,00 USD za milion tokenów poniżej 272K, 4,00 USD i 15,00 USD powyżej, z regułą ponownego wyliczania ceny przy 272K stosowaną tak, jak robi to OpenAI. Jedno API dla ponad 200 modeli sprawia, że opisane wyżej pytanie o długi kontekst staje się decyzją o routingu, a nie drugą umową: pipeline może wysyłać swoje żądania poniżej 272K do Sol, a te o większym rozmiarze gdzie indziej, bez uruchamiania drugiego SDK, a zmiana ceny dostawcy pojawia się tutaj tego samego dnia, w którym pojawia się w cenniku OpenAI.

Qwen4-Max nie znajduje się w katalogu OrcaRouter na dzień 16 listopada 2026 r. Jest osiągalny przez własne API Model Studio firmy Alibaba oraz kilka platform zewnętrznych. To sprawia, że uczciwy eksperyment jest asymetryczny i tani tylko w jednym kierunku: ramię Sol nie wymaga nowej integracji, a ramię Qwen tak, a porównanie, którego naprawdę chcesz — koszt ukończonego zadania na własnym ruchu, przy własnych długościach wyjściowych — jest dokładnie tym pomiarem, który rozstrzygnąłby, czy odwrócenie relacji $2.47 wobec $3.27 utrzymuje się poza środowiskiem testowym. Uruchom je na wycinku cieniowym, a nie na ścieżce produkcyjnej, i pozwól swoim własnym liczbom tokenów zdecydować, który z dwóch przebiegów indeksu jest tym mylącym.

A headless-browser screenshot of the OrcaRouter model page for openai/gpt-6-sol, captured 16 November 2026 in English, showing the GPT-6 Sol heading and identifier, the OpenAI attribution dated 2026-09-22, vision, tools, JSON and reasoning badges, a description placing it below GPT-6 Astra and above GPT-6 Luna, an OpenAI-compatible /v1/chat/completions endpoint, and the price block reading $2.00 input and $10.00 output per million tokens with a 4.54 s p50 time to first token.

Co sprawiłoby, że byłby to inny artykuł?

Dwa pomiary. Pierwszym jest wielkość wyjścia {{1}}Qwen4-Max{{/1}} w obciążeniu z twardym limitem wyjścia; jeśli 127 milionów tokenów jest cechą samej ewaluacji, a nie modelu, odwrócenie jest artefaktem, a stawka {{2}}$4.50{{/2}} to czysta oszczędność. Drugim jest szybkość. {{3}}GPT-6 Sol{{/3}} potrzebuje {{4}}7,2 minuty{{/4}} na zadanie indeksowania i {{5}}35 sekund{{/5}} do pierwszego tokenu, co nie jest niczym niezwykłym; jeśli {{6}}Qwen4-Max{{/6}} jest istotnie wolniejszy w tych samych zadaniach, to model, który jest już o {{7}}32%{{/7}} droższy w przeliczeniu na odpowiedź, jest również tym, który każe dłużej na nią czekać, i żaden argument dotyczący kosztu za token tego nie uratuje.

Dopóki oba nie istnieją, możliwa do obrony pozycja jest wąska i konkretna. W przypadku zapytań przekraczających 272 000 tokenów Qwen4-Max jest od dwóch do trzech razy tańszy i nie ma tu żadnej konkurencji. W pozostałych przypadkach GPT-6 Sol jest lepszym wyborem według jedynej liczby, która łączy cenę z zachowaniem — a fakt, że jego podawana stawka jest o 2,2× wyższa w przypadku wyjścia, jest najmniej pouczającą informacją na jego temat.

Porównane w tym artykule2

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