SubQ Snap 1.1 vs Qwen 3.8: czterdzieści razy wyższa cena za token, zupełnie inne zadanie

Qwen3.8-Max kosztuje około czterdzieści razy więcej niż SubQ Snap 1.1 za token wejściowy — około 1,65 USD za milion wobec 0,04 USD — a ten stosunek jest najmniej interesującym faktem w tym zestawieniu. Oba modele są rozliczane za różne rzeczy. Qwen3.8-Max, flagowy model firmy Alibaba z 2,4 biliona parametrów, który zadebiutował 3 sierpnia 2026 r., pobiera opłaty za to, co myśli i co pisze. Snap 1.1, model decyzyjny firmy Subquadratic wydany 22 października 2026 r., pobiera opłaty tylko za to, co czyta, ponieważ odpowiedzią jest etykieta, a nie zdanie. Podejmij decyzję na modelu, który kontrolujesz, a generowanie na tym, który zasługuje na swój rachunek: Qwen3.8-Max jest oferowany w cenie katalogowej dostawcy z 0% marży i automatycznym przełączaniem awaryjnym.

Umieść je w tym samym potoku, a stosunek cen przestanie wyglądać jak okazja albo zdzierstwo i zacznie wyglądać jak decyzja projektowa. Jeden z tych modeli powinien obsługiwać każde wywołanie routingu w twoim systemie. Drugi powinien obsługiwać ich prawie wcale — a przypadki, w których Qwen3.8-Max jest właściwą odpowiedzią, to dokładnie te przypadki, których model decyzyjny nie jest w stanie obsłużyć w ogóle.

Czym właściwie jest Qwen3.8-Max

Alibaba zaprezentowała go na WAIC w Szanghaju 19 lipca 2026 r., a 3 sierpnia wprowadziła go na rynek. Architektura to rzadka mieszanina ekspertów (sparse mixture of experts) w prawdziwie frontierowej skali: 2,4 biliona parametrów łącznie, z około 95 miliardami aktywnych na token, okno kontekstu 1 mln tokenów oraz maksymalna długość wyjścia 131 tys. tokenów. Jest natywnie multimodalny, przyjmuje tekst, obrazy i wideo, a także obsługuje tryb myślenia, wywoływanie funkcji, wbudowane narzędzia i ustrukturyzowane odpowiedzi w formatach komunikacji zgodnych z OpenAI, Anthropic oraz OpenAI Responses.

Wiersz benchmarku dotyczy modelu frontier, a nie małego modelu: GPQA Diamond 92,6, HLE 43,6, OSWorld 86,1, DeepSWE 1.1 przy 56,6, MRCR v2 przy 0,93 oraz Indeks Inteligencji Artificial Analysis wynoszący 45. To liczby, które uzasadniają cenę katalogową 1,65/4,95 USD — około 4950 USD za przepuszczenie miliarda tokenów wejściowych przez model, czyli mniej więcej tyle, ile Snap 1.1 pobiera za 124 miliardy.

Uwaga dotycząca nazewnictwa, bo ma to znaczenie dla każdego, kto wybiera model: Qwen3.8-Max to hostowany model flagowy. Ma otwarte wagi udostępnione jako Qwen3.8-2.4T-A95B na niestandardowej licencji, a obok niego istnieje osobny, naprawdę otwarty model siostrzany — Qwen3.8-27B, Apache 2.0, natywny kontekst 262K, Intelligence Index na poziomie 34 i około 0,42–0,50 USD za milion tokenów wejściowych. To właśnie 27B większość zespołów powinna porównywać z małymi modelami. Po Maxa sięgasz wtedy, gdy zadanie wymaga największego dostępnego modelu.

Czym właściwie jest Snap 1.1

Snap 1.1 to model decyzyjny, co jest węższym twierdzeniem, niż to brzmi. Przyjmuje do 384 tys. tokenów tekstu i obrazów oraz zestaw odpowiedzi od dwóch do 255 alternatyw na pytanie i zwraca wybór ze skalibrowanym prawdopodobieństwem. Bez prozy. Bez JSON-a do naprawy. Bez tokenów myślenia. Argument Subquadratic jest taki, że decyzja o ustalonej odpowiedzi to inne zadanie obliczeniowe niż generowanie, a jego architektura rzadkiej uwagi przetwarza dane wejściowe przy stałym koszcie obliczeniowym na token, zamiast ponosić kwadratowy koszt uwagi na długim dokumencie.

Główny wynik to 65 punktów w Artificial Analysis Decision Index v1.0 — ex aequo na pierwszym miejscu z d1-ultra i Elephant 9B oraz przed Jev 1.14 z wynikiem 57. Liczba pod nim jest tą, którą warto zapamiętać: dokładność 20% wobec 32% dla d1-ultra i 12% dla Elephant 9B, przy czym wynik indeksu zawdzięcza zgłaszanemu odsetkowi odmów odpowiedzi wynoszącemu 86% w przypadku pytań, na które nie potrafi odpowiedzieć. Snap 1.1 to model wytrenowany do odmawiania, a jego pozycja w rankingu jest miarą tego, jak dobrze odmawia.

Specyfikacje zestawione obok siebie

• Skala — Qwen3.8-Max to model MoE z 2,4 T parametrów i ~95 mld aktywnych; SubQ Snap 1.1 to model decyzyjny z rzadką atencją o nieujawnionym rozmiarze.

• Kontekst — 1 mln tokenów dla Qwen3.8-Max, maks. 131 tys. tokenów wyjściowych; 384 tys. tokenów dla Snap 1.1, bez generowanego wyniku.

• Dane wejściowe — tekst, obrazy i wideo dla Qwen3.8-Max; tekst i obrazy dla Snap 1.1.

• Dane wyjściowe — tekst swobodny, ślady rozumowania, wywołania narzędzi i ustrukturyzowane dane wyjściowe dla Qwen3.8-Max; wybór lub ocena z prawdopodobieństwem dla Snap 1.1.

• Cena — około od 1,65 do 2,00 USD za 1 mln tokenów wejściowych i od 4,95 do 6,00 USD za 1 mln tokenów wyjściowych dla Qwen3.8-Max w zależności od dostawcy, przy czym OrcaRouter podaje 2,00 USD i 6,00 USD; 0,04 USD za 1 mln tokenów wejściowych i nic za tokeny wyjściowe dla Snap 1.1.

• Ogólna inteligencja — Artificial Analysis Intelligence Index wynoszący 45 dla Qwen3.8-Max; brak pomiaru w tym indeksie dla Snap 1.1.

• Jakość decyzji — 65 w Artificial Analysis Decision Index v1.0 dla Snap 1.1; dla Qwen3.8-Max nie zmierzono jej w tym indeksie.

• Wdrożenie — hostowane API i otwarte wagi na niestandardowej licencji dla Qwen3.8-Max; wyłącznie hostowane API, bez wag, dla Snap 1.1.

Te dwa ostatnie wiersze są powodem, dla którego to porównanie wciąż jest przeprowadzane niepoprawnie. Każdy model jest mierzony na indeksie, na którym drugi nigdy nie był uruchamiany, więc każde twierdzenie, że jeden „pokonuje” drugi, jest wnioskiem, a nie wynikiem. Nikt nie opublikował bezpośredniego porównania.

Antywzorzec: używanie flagowego urządzenia jako routera

To częste i kosztowne w sposób, który ujawnia się dopiero wtedy, gdy przyjdzie rachunek. Zespół buduje agenta, potrzebuje, żeby ten decydował między pięcioma narzędziami, i sięga po najmocniejszy dostępny model, bo decyzja ma znaczenie. Decyzja naprawdę ma znaczenie. Model jest po prostu proszony o zrobienie czegoś, do czego nie był optymalizowany, w cenie skrojonej na coś innego.

Przeprowadź obliczenia dla miliona decyzji routingu, z których każda ma 6 000 tokenów kontekstu — sześć miliardów tokenów wejściowych. Qwen3.8-Max przy najtańszej podanej stawce $1.65: $9,900 za wejście, plus być może dwadzieścia tokenów wyjściowych na decyzję, czyli 20 milionów tokenów wyjściowych po $4.95 za milion, co daje kolejne $99. Przyjmijmy $10,000. W cenniku OrcaRouter po $2.00 i $6.00 ten sam wolumen daje $12,120. Snap 1.1 przy tym samym wolumenie: $240 i w ogóle żadnej pozycji wyjściowej. Ta różnica to nie zniżka. To czynnik od czterdziestu do pięćdziesięciu.

Opóźnienie opowiada tę samą historię z drugiej strony. Model z 2,4 biliona parametrów, generując nawet krótką odpowiedź, ponosi opóźnienie pierwszego tokenu i koszt dekodowania, których model decyzyjny po prostu nie ma — propozycja Snap to warstwa decyzyjna poniżej sekundy, a Subquadratic nie publikuje żadnej wartości opóźnienia dla 1.1 poza tym. W pętli agenta, która podejmuje dwadzieścia decyzji na zadanie, ta różnica kumuluje się do sekund na zadanie, co jest różnicą między agentem, który wydaje się natychmiastowy, a takim, który wydaje się zepsuty.

Co Qwen3.8-Max robi, czego Snap nie potrafi

Wszystko, co wiąże się z wytwarzaniem czegoś. Pisze notatkę eskalacyjną, przygotowuje projekt odpowiedzi do klienta, streszcza 900-stronicową umowę, generuje kod, wywołuje narzędzie z poprawnym schematem argumentów i rozumuje nad problemem, którego odpowiedzi nie ma na liście dostarczonej wcześniej. Snap 1.1 nie potrafi żadnej z tych rzeczy — nie dlatego, że jest gorszy, ale dlatego, że nie ma do nich mechanizmu.

Okno 1 mln tokenów to również realna możliwość, a nie popis w karcie specyfikacji. Alibaba podaje wynik MRCR v2 na poziomie 0,93, który jest wynikiem wyszukiwania, a nie nominalną długością kontekstu, i to właśnie ta liczba decyduje o tym, czy okno miliona tokenów jest użyteczne. Okno 384K z silnym efektywnym wyszukiwaniem może przebić okno 1M ze słabym wyszukiwaniem, ale wynik wyszukiwania Qwena sugeruje, że nie opiera się on na nominalnej wartości.

A otwarte wagi mają znaczenie z innego powodu: Qwen3.8-2.4T-A95B można hostować samodzielnie na własnej licencji, co oznacza, że największy model w rodzinie nie jest wyłącznie zależny od API. Snap 1.1 nie ma takiej opcji.

Gdzie do siebie pasują

Architektura, której można bronić, nie jest wyborem między nimi, lecz podziałem pracy. Snap 1.1 obsługuje decyzje o wysokim wolumenie i stałych odpowiedziach, w których skalibrowane prawdopodobieństwo i opcja odmowy są warte więcej niż płynność: która kolejka, które narzędzie, czy eskalować, czy ten dokument jest w ogóle istotny. Qwen3.8-Max obsługuje niewielką część przypadków, w których decyzja wymaga rozumowania nad materiałem, którego nie ma na liście opcji, oraz obsługuje wszystko, co następuje po decyzji i wymaga pisania.

Ta proporcja to cały argument ekonomiczny. Jeśli Snap wstrzyma się od odpowiedzi w 14% przypadków, a te trafią do modelu flagowego, płacisz ceny modelu flagowego za 14% ruchu zamiast za 100%, a dodatkowo otrzymujesz skalibrowany sygnał mówiący, które to 14% — co jest lepszym mechanizmem alokacji niż stały próg na softmaxie modelu ogólnego.

Qwen3.8-Max jest jednym z ponad 200 modeli dostępnych przy użyciu jednego klucza OrcaRouter, oferowany po cenie katalogowej dostawcy z narzutem 0% i automatycznym przełączaniem awaryjnym między dostawcami. Snap 1.1 nie należy do nas; działa za pośrednictwem własnego API Subquadratic. O tym podziale warto wiedzieć przed zaprojektowaniem potoku, ponieważ oznacza on, że warstwę generowania można skonsolidować w ramach jednej umowy i jednej linii rozliczeniowej, podczas gdy warstwa decyzyjna pozostaje odrębną zależnością od jednego dostawcy. Jeśli ta druga zależność jest nie do przyjęcia, alternatywą jest uruchomienie warstwy decyzyjnej na hostowanej przez ciebie instancji Qwen3.8-27B — gorszej w powstrzymywaniu się od odpowiedzi, znacznie lepszej w wyjaśnianiu siebie i całkowicie pod twoją kontrolą.

Uczciwe ustawienie domyślne

Jeśli wybierasz jeden model do podejmowania decyzji za agenta, a decyzje mają stały zestaw odpowiedzi, wybierz model decyzyjny. Stosunek cen czterdzieści do jednego jest realny, ale to mniejsza połowa argumentu; większa połowa polega na tym, że model wytrenowany do mówienia „nie wiem” daje coś, czego model flagowy nie może dać, a mianowicie miejsce na włączenie człowieka do pętli.

Jeśli wybierasz jeden model, który ma robić wszystko — decydować, rozumować, pisać, wywoływać narzędzia, czytać milion tokenów — wybierz Qwen3.8-Max i pogódź się z tym, że płacisz stawki jak za flagowy model za kierowanie wywołań, z którymi model za 0,04 USD poradziłby sobie lepiej. Większość zespołów odkrywa, że robi dokładnie to, około trzy miesiące po starcie, gdy przychodzi faktura i nikt nie potrafi wyjaśnić, dlaczego router kosztuje więcej niż produkt.