Wygenerowana karta tytułowa z napisem Qwen 4 vs Muse Wonder, z podtytułem Tańszy model to ten, którego nikt nie mierzył czasu, oraz dwie karty: Koszt na zadanie indeksowe pokazujący 3,27 USD powyżej 6,95 USD i Zmierzona szybkość pokazująca nieopublikowaną wartość powyżej 118 tokenów na sekundę.
Guides & Insights

Qwen 4 vs Muse Wonder: Tańszy model to ten, którego nikt nie zmierzył

Autor

jinhao.song

Data publikacji

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

Muse Wonder będzie kosztować około 6,95 USD za ukończenie jednego zadania Intelligence Index. Qwen4-Max będzie kosztować 3,27 USD. To cały ekonomiczny argument za nowym flagowcem Alibaby w zestawieniu z flagowcem Meta, i wiąże się z jednym dużym zastrzeżeniem: kwota 3,27 USD dotyczy modelu, dla którego nie opublikowano prędkości generowania, nie zmierzono czasu na zadanie i nie podano żadnych danych czasowych na tablicy, która dała tę wartość. Muse Wonder ma wszystkie trzy — 118 tokenów na sekundę, 13,5 minuty na zadanie indeksu, 19,64 sekundy do pierwszego tokenu odpowiedzi. Uczciwie rzecz biorąc, flagowiec Qwen 4 jest o około połowę tańszy, a różnica w prędkości jest nieznana; tylko jedną z tych dwóch różnic można dziś uwzględnić w planach. Muse Wonder wydano 12 października 2026 r.; Qwen4-Max — 16 listopada 2026 r. Obie daty są tłem, a nie wiadomością.

Dwa profile, zestawione obok siebie i niewygładzone

Muse Wonder to czołowy model rozumowania Meta, stworzony do pracy agentowej z wyjątkowo szerokim zakresem wejścia: tekst, obrazy, mowa i wideo na wejściu, tekst na wyjściu, w kontekście miliona tokenów. To zastrzeżony model API w cenie 4,00 USD za milion tokenów wejściowych i 20,00 USD za milion tokenów wyjściowych, ze stawką mieszaną 2,94 USD i 95-procentową zniżką za pamięć podręczną. Meta publikuje także wariant o wyższym poziomie wysiłku, który uzyskuje 41 zamiast 44 i działa szybciej w czasie zegarowym — 9,5 minuty na zadanie indeksowania wobec 13,5 — co jest użytecznym przypomnieniem, że „maksymalny wysiłek” nie jest automatycznie właściwym ustawieniem.

Qwen4-Max to flagowy model firmy Alibaba czwartej generacji: rzadki mixture-of-experts o 2,4 biliona parametrów i 71 mld aktywnych parametrów na token, z natywną obsługą obrazu, wejściem wideo, kontekstem o długości miliona tokenów oraz budżetem 262 144 tokenów współdzielonym między myślenie i odpowiedź. Cena wynosi 1,50 USD za wejście i 4,50 USD za wyjście za milion, a odczyty z pamięci podręcznej kosztują 0,075 USD.

• Wynik — Qwen4-Max 43 (pozycja 38 z 81) kontra Muse Wonder 44 (pozycja 35 z 81)

• Cena danych wejściowych — Qwen4-Max 1,50 USD vs Muse Wonder 4,00 USD za 1 mln

• Cena tokenów wyjściowych — Qwen4-Max 4,50 USD vs Muse Wonder 20,00 USD za 1 mln

• Koszt na zadanie indeksowania — Qwen4-Max $3.27 vs Muse Wonder $6.95

• Szybkość generowania — Qwen4-Max: brak danych vs Muse Wonder: 118 tokenów na sekundę

• Czas na zadanie indeksowania — Qwen4-Max: nie podano; Muse Wonder: 13,5 minuty

• Obsługiwane dane wejściowe — Qwen4-Max: tekst, obraz, wideo vs Muse Wonder: tekst, obraz, mowa, wideo

• Wagi — żaden z nich nie publikuje żadnych

Cena za token i cena za odpowiedź różnią się dwukrotnie

Główny współczynnik to 4,4× na wyjściu i 2,7× na wejściu. Współczynnik na zadanie wynosi 2,1×. Różnica między tymi liczbami to ilość pracy, jaką każdy model wykonuje, aby wygenerować odpowiedź, i działa odwrotnie, niż sugeruje metka: Muse Wonder zużywa więcej tokenów na zadanie, a nie mniej, dlatego cena 20 USD za wyjście przekłada się na rachunek 6,95 USD, a nie 40 USD.

Prześledźmy to na konkretnym zadaniu. Przegląd dokumentu o 50 000 tokenów, którego wynikiem jest notatka o 5 000 tokenów, bez pamięci podręcznej: Qwen4-Max nalicza 0,075 USD za dane wejściowe i 0,0225 USD za dane wyjściowe, czyli poniżej dziesięciu centów. Muse Wonder nalicza 0,20 USD i 0,10 USD, trzydzieści centów. Trzy do jednego, a obie sumy są trywialne — i o to właśnie chodzi. Przy małym wolumenie żadna z cen nie ma znaczenia, a różnica jednego punktu w indeksie jest nieistotna wobec kwestii szybkości.

Skaluj to. Dziesięć tysięcy takich recenzji miesięcznie: Qwen4-Max 975 USD wobec Muse Wonder 3000 USD. Teraz cena ma znaczenie, a jeszcze większe ma brakujący stoper, bo zadanie, które kosztuje jedną trzecią tego, ale trwa dwa razy dłużej, może w ogóle nie zmieścić się w oknie nocnym.

Taki jest kształt tej decyzji. To nie jest porównanie, w którym jeden model jest lepszy; to porównanie, w którym tańsza opcja ma niezmierzony wymiar, który akurat okazuje się tym, na którym systemom produkcyjnym zależy najbardziej.

Ile faktycznie kosztuje Cię „brak publikowanej prędkości”

Niezmierzony model to nie wolny model i błędem byłoby odczytywać to w ten sposób. To model, którego opóźnienie musisz sam ustalić, zanim umieścisz go za czymkolwiek z limitem czasu. Ma to trzy praktyczne konsekwencje, w rosnącej kolejności uciążliwości.

Po pierwsze, nie można ustalać skalowania automatycznego na podstawie dokumentacji. Trzeba przeprowadzić pilotaż, zmierzyć p50 i p95 czasu do pierwszego tokenu przy własnych długościach promptów, a następnie ustalić skalę. Dla Kimi K3.1 Pro zmierzono i opublikowano 30 tokenów na sekundę i 39,7 minuty na zadanie; wartości dla Qwen4-Max również się kiedyś pojawią, ale obecnie ich nie ma.

Po drugie, modele rozumujące degradują się nieprzewidywalnie pod obciążeniem w sposób, który liczba tokenów na sekundę tylko częściowo oddaje. Czas 19,64 sekundy do pierwszego tokenu odpowiedzi Muse Wonder przy maksymalnym wysiłku to zmierzona, powtarzalna wartość. Model bez takiej wartości nie ma punktu odniesienia, względem którego można by zauważyć, że wtorek jest dwa razy wolniejszy niż poniedziałek.

Po trzecie — i to jest ten, który najbardziej daje w kość — warstwa routingu może przełączać się awaryjnie na podstawie opóźnień tylko wtedy, gdy wie, jak wygląda norma. Jeśli umieścisz model bez pomiaru czasu w puli z modelem objętym pomiarem, zachowanie puli określi wolniejsze, nieznane ogniwo. Przełączanie awaryjne sprawia, że da się to przetrwać: zawieszone żądanie można ponowić wobec drugiego modelu, a klient nie musi o tym wiedzieć. Nie czyni tego jednak mierzalnym ani nie zastępuje wiedzy o własnych liczbach.

Powierzchnia wejściowa to prawdziwy wyróżnik Muse Wonder.

Mowa to nie pole wyboru. Muse Wonder przyjmuje dźwięk jako pełnoprawne dane wejściowe — obok tekstu, obrazu i wideo — i zwraca tekst. Qwen4-Max przyjmuje tekst, obraz i wideo. Jeśli Twój potok przetwarzania przyjmuje nagrania rozmów, dźwięk ze spotkań lub media nadawcze, ta różnica rozstrzyga wybór modelu, zanim w ogóle zacznie się rozmowa o cenie — wcześniejsza transkrypcja na tekst to osobny model, osobny rachunek i osobny tryb awarii, który gubi prozodię i nakładanie się mówców.

Wideo to druga oś, na której obie strony konkurują, a szczegóły mają znaczenie. Obie je obsługują; żadna nie podaje limitu liczby klatek na sekundę, czasu trwania ani rozdzielczości w materiałach, które czytaliśmy, co oznacza, że obciążenie wideo jest pilotażem po obu stronach, a nie porównaniem specyfikacji.

To, w czym Qwen4-Max wygrywa na wejściu, to koszt przy dużej skali. Milion tokenów kontekstu pochodzącego z wideo przy stawce 1,50 USD kosztuje 1,50 USD w Qwen4-Max i 4,00 USD w Muse Wonder. Analiza długich materiałów medialnych to dokładnie ten rodzaj obciążenia, w którym 2,7-krotna różnica w kosztach wejścia się kumuluje, i dokładnie tam, gdzie przewaga cenowa Qwen4-Max jest najłatwiejsza do obrony.

A generated two-column scoreboard for Qwen4-Max and Muse Wonder: Artificial Analysis Index 43 against 44, cost per task $3.27 against $6.95, input $1.50 against $4.00, output $4.50 against $20.00, speed not published against 118 tokens per second, and audio input no against yes.

Jeden punkt wyniku indeksu i ile jest wart

44 wobec 43 w tym samym Artificial Analysis Intelligence Index, odczytanym tego samego dnia. To nie jest znacząca różnica w możliwościach; mieści się w szumie tego, jak pojedynczy zagregowany indeks reaguje na garść trudnych pytań. Ktokolwiek na tej podstawie buduje argument na rzecz Muse Wonder, buduje go na niczym.

Istotne jest to, że Muse Wonder ma wariant o wysokim wysiłku z wynikiem 41, co pokazuje, że regulacja wysiłku przesuwa wynik o około trzy punkty w obu kierunkach. Jeśli regulacja wysiłku Qwen4-Max działa podobnie — a własne raporty Alibaby sugerują, że wysiłek istotnie zmienia zużycie tokenów, przy czym użycie Work360 spada o 24 proc. przy xhigh i o 35 proc. przy high — to 43 jest pojedynczą próbką z rozkładu, a nie stałą właściwością. Zgłoszone przez dostawcę, względem Qwen3.8-Max, nieodtworzone: kierunek traktuj jako informacyjny, a wielkość jako twierdzenie.

Benchmarki premierowe obu dostawców należy czytać z takim samym sceptycyzmem. Liczby Meta z JobBench i Vals są danymi własnymi firmy. Wynik Alibaby Work360 52,69, spadek kosztu na zadanie z 4,43 USD do 1,67 USD oraz poprawy w zakresie bitów na bajt w pięciu bazowych checkpointach również są danymi własnymi firmy. Żaden z tych zestawów nie został niezależnie odtworzony i żaden z dostawców nie publikuje harnessu ewaluacyjnego, który pozwoliłby spróbować samodzielnie.

Gdzie każdy z nich jest oczywistą odpowiedzią

Wybierz Muse Wonder, gdy w potoku przetwarzania jest audio, gdy potrzebujesz opublikowanego wskaźnika opóźnienia, na podstawie którego napiszesz SLA, albo gdy praca ma charakter agentowy i długohoryzontowy, a wolisz zapłacić 6,95 USD za zadanie, którego czas możesz zmierzyć, niż 3,27 USD za takie, którego nie możesz. Wartość 118 tokenów na sekundę jest naprawdę duża jak na model z tym wynikiem, a szybkość to cecha, którą klienci zauważają.

Wybierz Qwen4-Max, gdy ograniczeniem jest wolumen, gdy obciążenie polega na czytaniu długiego kontekstu, a nie na rozumowaniu długoterminowym, albo gdy dane wejściowe to wideo na dużą skalę, a 2,7× różnica w koszcie danych wejściowych stanowi cały rachunek. Stała stawka $1.50/$4.50 bez poziomu długiego kontekstu jest łatwa do prognozowania, co ma większe znaczenie, niż się wydaje, gdy tworzysz budżet kwartalny.

Oba są zastrzeżone i nie mają opublikowanych wag, więc żadnego nie można hostować samodzielnie ani przypiąć do konkretnej wersji. Jeśli jest to wymóg, to porównanie nie ma zwycięzcy, a odpowiedzią jest model, który publikuje checkpointy — spośród flagowców robi to Kimi K3.1 Pro.

Jeśli chcesz uniknąć wybierania, użytecznym kompromisem jest pula zamiast decyzji: kieruj według modalności wejściowej (audio do Muse Wonder, wideo na dużą skalę do Qwen4-Max), zachowaj przewagę cenową tam, gdzie jest ona realna, i pozwól przełączaniu awaryjnemu pokryć opóźnienie, którego jeszcze nie potrafisz przewidzieć. Warto dokładnie określić, co można dziś kierować — ani Muse Wonder, ani Qwen4-Max nie należą do 215 identyfikatorów, które obsługujemy, więc ta pula to projekt, a nie strona produktu. Po stronie Meta mamy natomiast linię Muse Spark w cenie 1,25 USD za wejście i 4,25 USD za wyjście, a po stronie Alibaba qwen/qwen3.8-max w cenie 2,00/6,00 USD, wyceniane zgodnie z cennikiem dostawcy, bez żadnych doliczeń.

Artificial Analysis page for Muse Wonder, captured 17 November 2026 in English, showing Intelligence #35 of 81, 19.64 seconds to first answer token, 118 output tokens per second, $4.00 input and $20.00 output per 1M tokens, 13.5 minutes and $6.95 per Intelligence Index task.

Pytanie, które należy zadać przed kolejnym wydaniem

Każde porównanie modelu sprzed kilku tygodni z modelem sprzed miesiąca ma tę samą słabość: dowody są asymetryczne w sposób, który faworyzuje ten model, który pojawił się pierwszy, ponieważ niezależne testy miały więcej czasu, by mu się przyjrzeć. Dane liczbowe Muse Wonder są bogatsze nie dlatego, że Meta jest bardziej przejrzysta, lecz dlatego, że mierzono go o pięć tygodni dłużej.

To, na co trzeba uważać, to nie kolejny benchmark. Chodzi o to, czy szybkość Qwen4-Max i czas wykonania na zadanie pojawią się na tej samej tablicy wyników, zanim przewaga cenowa zostanie roztrwoniona. Model, który kosztuje o połowę mniej na zadanie i ma dwukrotnie większe opóźnienie, to inny produkt niż ten, który kosztuje o połowę mniej i jest porównywalny, a obecnie nikt poza Alibaba nie wie, którym z tych dwóch on jest.

OrcaRouter model page for Muse Spark 1.2, captured 17 November 2026 in English, showing the identifier meta/muse-spark-1.2, text, image, video, file and audio input, a 1M-token context, a pricing panel and the Meta vendor label.

Porównane w tym artykule1

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