Wygenerowana karta tytułowa o treści „Qwen 4 vs GPT-6.1 Sol: model, który kosztuje jedną trzecią ceny za punkt”, z podtytułem „2,3 centa za punkt indeksu wobec 7,6 oraz klif przy 272 000 tokenów, który zmienia wycenę całego zapytania”. Trzy numerowane wiersze brzmią: „wynik indeksu 42,9 wobec 54,6, Artificial Analysis v5.0.1”, „koszt na ukończone zadanie indeksu 3,27 USD wobec 1,27 USD” oraz „wejście drożeje dwukrotnie z 2,00 USD do 4,00 USD powyżej 272 000 tokenów”. Stopka brzmi: „Wyniki i koszt na zadanie według Artificial Analysis Intelligence Index v5.0.1; ceny według opublikowanego cennika każdego dostawcy”. Płaski styl wektorowy na białym tle z niebiesko-cyjanowymi akcentami, znak OrcaRouter złożony w prawym dolnym rogu.
Guides & Insights

Qwen 4 kontra GPT-6.1 Sol: model, który kosztuje jedną trzecią ceny za punkt

Autor

jinhao.song

Data publikacji

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

Każde inne porównanie z Qwen4-Max w tej serii ma ten sam kształt: przeciwnik uzyskuje wyższy wynik i kosztuje więcej, a spór toczy się o to, czy różnica jest warta dopłaty. To porównanie jest inne. GPT-6.1 Sol uzyskuje 54,6 punktu w Artificial Analysis Intelligence Index wobec Qwen4-Max z wynikiem 42,9 — o dwanaście punktów więcej — i wykonuje zadanie z indeksu za 1,27 USD wobec 3,27 USD w przypadku Qwen4-Max. Sol jest jednocześnie bardziej zdolny i 2,6 razy tańszy w przeliczeniu na gotową odpowiedź. W mierze efektywności, która rozstrzygnęła pozostałe cztery starcia, Sol wygrywa 3,3-krotnie: 2,3 centa za punkt indeksu wobec 7,6.

Jest z tym związany jeden warunek, a jest nim granica 272 000 tokenów. To prawdziwa przepaść, dotyczy każdego tokenu w żądaniu i jest to jedyna droga z powrotem do Qwen4-Max w tym starciu, która nie wiąże się z płaceniem więcej za mniej.

Te dwie karty

GPT-6.1 Sol został wydany 29 września 2026 r. w cenie 2,00 USD za milion tokenów wejściowych i 10,00 USD za milion tokenów wyjściowych. Qwen4-Max przeszedł na rozliczanie za użycie 16 listopada 2026 r. w Singapurze, w cenie 1,50 USD i 4,50 USD. Według stawki nominalnej Qwen4-Max wygląda na 2,2× tańszy pod względem wyjścia; w przeliczeniu na ukończone zadanie jest 2,6× droższy. Ta inwersja jest tematem artykułu.

• Tokeny wejściowe, za milion — Sol: 2,00 USD do 272 tys. tokenów, 4,00 USD powyżej. Qwen4-Max: 1,50 USD w Singapurze, 1,413 USD w pozostałych pięciu regionach, stała stawka w całym oknie.

• Dane wyjściowe, za milion — Sol 10,00 USD w krótkim kontekście, 15,00 USD w długim kontekście. Qwen4-Max 4,50 USD i 4,24 USD, stawka stała.

• Dane wejściowe z pamięci podręcznej — Sol: 0,10 USD za milion w krótkim kontekście, 0,20 USD w długim; Qwen4-Max: 0,075 USD za odczyty, a stawki zapisu wynoszą 1,875 USD i 3,00 USD dla wpisów pięciominutowych i jednogodzinnych.

• The cliff — O​penAI reprices every token in a request once input crosses 272,000, not just the excess. Below it you are on the cheap card; above it you are not, and there is no partial application.

• Kontekst — Sol publikuje w trackerze okno 1 000 000 tokenów; Qwen4-Max robi to samo, z wejściem myślenia ograniczonym do 983 616.

• Koszt na zadanie indeksowania — 1,27 USD w porównaniu z 3,27 USD.

• Wynik indeksu — 54,6 w porównaniu z 42,9, oba zmierzone przy ich najwyższym opublikowanym ustawieniu wysiłku.

A generated two-column scoreboard titled 'Qwen4-Max vs GPT-6.1 Sol - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The GPT-6.1 Sol column reads index score 54.6, cost per index task $1.27, cents per index point 2.3, input per million $2.00, output per million $10.00, hallucination rate 51.9%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

Dlaczego karta wyglądająca na tanią jest tą drogą

Liczby na zadanie mają sens dopiero wtedy, gdy spojrzysz na to, ile każdy model wydał, aby do nich dojść. Sol wygenerował 63,7 mln tokenów wyjściowych w całym zestawie indeksowym; Qwen4-Max wygenerował 127,1 mln. Qwen4-Max napisał niemal dokładnie dwa razy więcej danych wyjściowych, aby uzyskać wynik o dwanaście punktów niższy, a dane wyjściowe to kosztowna kolumna na obu kartach.

Na zadanie podział wynosi 67 824 tokenów wyjściowych dla Sol w porównaniu z 104 940 dla Qwen4-Max — z czego odpowiednio 49 213 i 68 914 to rozumowanie. Zatem Qwen4-Max nie jest bardziej gadatliwy w odpowiedzi; jest bardziej gadatliwy w myśleniu. Rozumuje o 40% dłużej, aby dojść do gorszego wniosku, a potem nalicza ci 4,50 USD za milion za ten przywilej.

Cache behaviour makes it worse rather than better. Qwen4-Max's $3.27 is 86% input, and $1.67 of that input is cache writes at $1.875 per million — a rate that exists because A​libaba charges for populating the cache, not just for reading it. Sol's $1.27 is 47% input, with $0.33 of cache writes and $0.25 of cache reads. On a workload with heavy prefix reuse, Qwen4-Max's cache-write line is the one that grows fastest, and it is the line most people do not model.

Gdzie Qwen4-Max nie zostaje pokonany

Dwanaście punktów to nie pogrom w każdym zestawie testów, a trzy wiersze warto przeczytać, zanim skreśli się model.

• Terminal-Bench 4.0 — Sol 56,1%, Qwen4-Max 48,5%. Siedem i pół punktu. Realne, ale mniejsze, niż sugeruje nagłówek.

• AutomationBench — Qwen4-Max 72,6% wobec 64,9% Sol. Qwen4-Max wygrywa w tym zestawieniu o blisko osiem punktów i jest to największa pojedyncza inwersja w całym porównaniu.

• GDPval — Qwen4-Max 1 808,69 wobec wyniku 1 607,47 modelu Sol. Przewaga 12,5% w ekonomicznie ugruntowanych zadaniach zawodowych — w porównaniu z modelem wyprzedzającym o dwanaście punktów indeksu. To druga inwersja i bardziej zaskakująca z obu, ponieważ GDPval na tablicy wyników najbardziej przypomina pytanie: „czy profesjonalista zaakceptowałby tę pracę”.

• FrontierCode 2.0 — 26,5% wobec 40,6%. Trzynaście punktów w drugą stronę; największa różnica na tablicy i ta najbardziej obciążona komercyjnie.

• CritPt Agentic Hard — 43,0% wobec 69,5%. Dwadzieścia sześć punktów, najgorszy pojedynczy wiersz dla Qwen4-Max.

• Omniscience — 27,7 wobec 42,0, przy wskaźnikach halucynacji wynoszących 28,4% i 51,9%. Sol jest dokładniejszy i znacznie częściej zmyśla, gdy się myli.

• Podwyniki kompetencji — Sol prowadzi we wszystkich sześciu obszarach, nieznacznie w strategii i operacjach (57,6 wobec 56,9) oraz wyraźnie w inżynierii (59,4 wobec 50,1).

Wzorzec jest spójny z pozostałymi pojedynkami w tej serii: Qwen4-Max radzi sobie tam, gdzie zadanie polega na profesjonalnej ocenie dokumentów, a przegrywa tam, gdzie zadanie wymaga długotrwałego rozumowania technicznego lub wykonania agentowego. Dwa zwycięstwa na dwanaście zestawów testów to nie powód, by go wybierać, ale powód, dla którego wybór zależy od zadania, a nie jest automatyczny.

A headless-browser screenshot of the Artificial Analysis page for GPT-6.1 Sol, captured 17 November 2026 in English, showing OpenAI's mark, the label Proprietary model, Released September 2026, the heading GPT-6.1 Sol: Intelligence, Performance & Price Analysis, a rank strip reading Intelligence #12 of 81, Performance #62 of 79, Cost #21 of 80 and Verbosity #35 of 80, a statistics row giving a time to first answer token of 161.08 seconds, 49 output tokens per second, $2.00 input and $10.00 output per million tokens, a 95% cache discount, 1.92 billion input tokens and an output-to-input ratio of 3.322%, and the summary paragraph describing the model as among the leading models in intelligence and reasonably priced for its band, notably slow per task but fairly concise, with text and image input, text output and a 1M-token context window.

Przeprowadzanie obliczeń na 272 000 tokenów

Weź bazę kodu liczącą 400 000 tokenów, którą chcesz przeanalizować w jednym przebiegu, przy 2000 tokenów wyniku. Oba modele mieszczą ją w swoich oknach kontekstowych. Tylko jeden z nich zmienia cenę.

• GPT-6.1 Sol, stawka dla krótkiego kontekstu — nie można użyć. Przy 400 tys. tokenów wejściowych obowiązuje próg długiego kontekstu: 400 000 × 4,00 USD za milion = 1,60 USD za wejście, plus 2000 × 15,00 USD = 0,03 USD za wyjście. Razem 1,63 USD.

• Qwen4-Max — 400 000 × 1,50 USD za milion = 0,60 USD za wejście, plus 2000 × 4,50 USD = 0,009 USD za wyjście. Łącznie 0,61 USD.

• To samo zapytanie przy 250 000 tokenów, poniżej progu — Sol: 250 000 × 2,00 USD = 0,50 USD plus 0,03 USD = 0,53 USD. Qwen4-Max: 0,375 USD plus 0,009 USD = 0,38 USD.

Odwrócenie jest więc realne i wąskie. Poniżej 272 000 tokenów wejściowych Sol jest tańszy w przeliczeniu na żądanie i lepszy; powyżej Qwen4-Max jest 2,7× tańszy i o dwanaście punktów gorszy. Pętla agentowa na 200 tys. tokenów, w której dane wyjściowe narzędzi narastają z tury na turę, przekracza próg w trakcie sesji — a to dokładnie taki kształt obciążenia, w którym ten klif daje się najbardziej we znaki: to nie ty wybierasz poziom, wybiera go za ciebie rosnący kontekst pętli.

To arytmetyka cen katalogowych na podstawie publikowanych stawek, a nie zmierzonych faktur. Trafienia w pamięć podręczną znacznie zmniejszyłyby obie liczby i zawęziłyby różnicę bezwzględną, pozostawiając stosunek w przybliżeniu na tym samym poziomie.

Odpowiedź dotycząca routingu, która jest tu wyjątkowo czysta

GPT-6.1 Sol is on our catalogue as openai/gpt-6.1-sol at O​penAI's list price, including both context tiers, with 0% markup on top. Qwen4-Max is not on our catalogue — a qwen4 identifier returns not-found, its route is A​libaba's Model Studio API and several third-party platforms, and the Qwen model we do serve is qwen/qwen3.8-max at $2.00 and $6.00.

To, co sprawia, że ta para nadaje się do routingu, a nie do wyboru, to fakt, że zmienną decyzyjną jest liczba tokenów, a warstwa routingu może ją zobaczyć. Reguła 272 000 tokenów dotycząca długości danych wejściowych — Sol poniżej, coś tańszego powyżej — to polityka w dwóch linijkach i właśnie coś, co łatwo wdrożyć raz, ale nie sposób pamiętać o ręcznym stosowaniu w każdym serwisie. Automatyczne przełączanie awaryjne obejmuje drugi przypadek: warstwa długiego kontekstu Sol to inny przedział cenowy, a nie inny model, więc skok rozmiaru promptu powoduje zmianę rachunku, a nie błąd, i nic cię nie ostrzeże aż do faktury.

A headless-browser screenshot of the OrcaRouter model page for GPT-6.1 Sol, captured 17 November 2026 in English, showing the identifier openai/gpt-6.1-sol, the vision, tools, JSON and reasoning badges, the byline OpenAI dated 2026-09-29, a description placing it one tier below GPT-6 Astra and aimed at agentic coding and computer use, a 1M-token context, 128K max output, text, image and file input, and best-for tags for reasoning, coding and agentic work.

Co by to poruszyło

Two things. A Qwen4-Max price cut would need to reach $0.60 in and $1.80 out before it undercut Sol on the short-context tier per task, which is a 60% reduction and not on any published roadmap. And a Sol long-context rate that applied to the excess rather than the whole request would remove the only structural advantage Qwen4-Max holds here; O​penAI's documentation is explicit that it does not, so that is a hypothetical rather than a forecast.

Dopóki nie nastąpi jedno z dwojga, zasada jest krótka i nie schlebia bohaterowi tego cyklu. W niemal wszystkim GPT-6.1 Sol jest lepszym modelem i tańszym, a dwunastopunktowa różnica jest sprzedawana z rabatem. W konkretnym przypadku zadania wymagającego zawodowego osądu, mocno opartego na dokumentach, gdzie 12,5% przewagi GDPval ma znaczenie, Qwen4-Max warto rozważyć przy 2,6× wyższej cenie za zadanie. A w przypadku wszystkiego, co przeciąga duży kontekst poza 272 000 tokenów, Qwen4-Max przestaje być opcją kompromisową i staje się właściwym wyborem — nie dlatego, że się poprawił, lecz dlatego, że koszt alternatywy się podwoił.