Um cartão de título gerado com os dizeres Qwen4-Max sai da prévia, com o subtítulo O cartão de preço medido, e o orçamento de saída que ficou menor, e quatro chips com os dizeres $1,50 de entrada / $4,50 de saída por 1M, contexto de 1.000.000 de tokens, orçamento compartilhado de 262.144 e Seis regiões.
Guides & Insights

Qwen4-Max sai da prévia: o cartão de preços por uso e o orçamento de saída que ficou menor

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

O Qwen4-Max passou de uma prévia do plano de tokens para um modelo com cobrança por uso em 16 de novembro de 2026, e o número a ler primeiro não é um benchmark — é $1.50 de entrada e $4.50 de saída por milhão de tokens em Singapura, contra $2.00 e $6.00 do Qwen3.8-Max. Trata-se de um corte direto de 25% nos dois lados da medição. Mas a mesma mudança que publicou uma tabela de preços real também reduziu o orçamento compartilhado de raciocínio mais resposta de 393.216 tokens na prévia para 262.144 na disponibilidade geral, tirou o modelo de um plano de créditos e o colocou em cobrança por token em seis regiões, e deixou a inferência em lote disponível em exatamente uma delas. Se você estava usando a prévia e tratando 16 de novembro como formalidade, as diferenças de especificação são a parte que vai doer, não o desconto.

O que a mudança de 16 de novembro realmente alterou

A prévia era um bom negócio e de escopo restrito: apenas créditos do Token Plan, apenas Singapura, e uma desativação documentada às 24:00 de 25 de novembro de 2026 (UTC+8). A disponibilidade geral substitui todas essas três restrições e acrescenta duas que ninguém pediu. O identificador do modelo agora é simplesmente qwen4-max; as strings de prévia qwen4-max-preview e qwen4.0-max-preview são as que têm data de expiração, então uma configuração que ainda aponte para qualquer uma delas está correndo contra um relógio que termina em nove dias.

• Faturamento — medição por token em seis regiões, versus créditos do Token Plan em uma. A cota gratuita de 1 milhão de tokens no cartão de Singapura é válida por 90 dias a partir da ativação, do lançamento do modelo ou da aprovação, o que ocorrer por último.

• Regiões — Pequim (China continental), Singapura (Internacional), e Frankfurt, Virgínia (EUA), Tóquio e Hong Kong, todos no escopo Global. A pré-visualização era apenas Singapura.

• Orçamento de saída compartilhado — 262.144 tokens combinando raciocínio e a resposta final em GA, contra 393.216 no cartão de pré-visualização. Um terço da folga se foi, e se foi justamente da parte que execuções longas de agentes consomem mais rápido.

• Saída sem raciocínio — limitada a 131,072 tokens, com teto de entrada de 991,808 tokens. No modo de raciocínio, o teto de entrada cai para 983,616, porque o raciocínio e a resposta saem do mesmo limite de 262,144 tokens.

• Inferência em lote — compatível apenas com Pequim, e não compatível com as outras cinco regiões. A prévia não tinha nenhum caminho de lote, então isso é uma nova capacidade, e não uma regressão, mas é regional de um modo que o marketing não destaca em primeiro lugar.

• Superfície de protocolos — OpenAI Chat Completions, OpenAI Responses, Anthropic Messages e DashScope, todos os quatro, com saída estruturada, chamada paralela de ferramentas, conclusão por prefixo, pesquisa na web e cache explícito e implícito. A entrada aceita texto, imagem e vídeo; a saída é apenas texto.

O cartão de preços, apresentado do jeito que a conta chega

A Alibaba publica duas fichas diferentes para o mesmo modelo, e a diferença não é pequena a ponto de poder ser ignorada ao escolher um escopo de implantação.

• Singapura, entrada e saída — $1,50 / $4,50 por milhão de tokens, valor fixo em toda a janela completa de 1.000.000 de tokens, sem faixas em 32K ou 128K.

• Em todos os outros lugares, entrada e saída — $1,413 / $4,24 por milhão de tokens, constante ao longo da mesma janela. Mesmo modelo, mesmos limites, 5,8% mais barato que Singapura por token.

• Gravações de cache, Cingapura — US$ 1,875 por milhão para uma gravação de 5 minutos, US$ 3,00 para uma gravação de 1 hora. Em outros locais: US$ 1,767 e US$ 2,827.

• Leituras de cache, Singapura — US$ 0,075 por milhão. Em outros lugares: US$ 0,071. Isso representa 5% da tarifa de entrada de Singapura e é a maior alavanca isolada em uma carga de trabalho de agente com contexto longo.

• Batch, somente Pequim — Batch File a US$ 0,707 / US$ 2,12 por milhão, Batch Chat a US$ 1,413 / US$ 4,24. Somente Batch File tem o desconto de lote de 50%; Batch Chat é listado à tarifa em tempo real, portanto, "batch" no nome do endpoint não é garantia de preço.

Em comparação com o Qwen3.8-Max, na mesma página — $2,00 / $6,00 em Singapura, $1,65 / $4,951 nas regiões Globais. O Qwen4-Max é 25% mais barato em Singapura e 14,4% mais barato nas demais regiões, porque o cartão não-Singapura do modelo mais antigo já tem desconto.

A cifra de 14,4% é a que importa se você já opera em Frankfurt ou Virginia: a redução de uma geração para outra é menor ali do que a manchete de Singapura sugere, e a alegação do fornecedor de 62% de custo médio por tarefa está fazendo muito trabalho que a tabela de preços por token sozinha não faz.

A generated two-column price scoreboard for Qwen4-Max and Qwen3.8-Max: Singapore input and output $1.50 and $4.50 against $2.00 and $6.00 per 1M, Global input $1.413 against $1.65, cache read $0.075 against a listed discount, both at 1,000,000 context, shared output budget 262,144 against not published.

Um exemplo prático, para que a linha de cache deixe de ser abstrata

Considere um prefixo de documento de 400.000 tokens revisado em três passagens, com 8.000 tokens de saída por passagem, sem raciocínio, tarifas de Singapura. Isto é aritmética sobre os preços de tabela publicados, não uma execução medida.

• Primeira passagem — o prefixo é gravado no cache a $1.875 por milhão, $0.75, mais 8.000 tokens de saída a $4.50 por milhão, $0.036. Total: $0.786.

• Passagens dois e três — o prefixo é lido a $0,075 por milhão, $0,03 por passagem, mais os mesmos $0,036 de saída. $0,066 cada.

• Três passagens com cache — $0.918. As mesmas três passagens pagando a entrada integral a cada vez — $1.908. O prefixo é lido duas vezes por menos que o preço de uma passagem nova.

• Uma quarta passagem — o caching ganha por uma margem cada vez maior a cada nova leitura, que é exatamente o formato de uma longa execução de agente que mantém um system prompt, um schema de ferramentas e um conjunto de documentos fixos diante de uma pergunta que muda.

O ponto de equilíbrio é quase imediato: o prêmio de gravação em cache sobre a taxa normal de entrada é de US$ 0,375 por milhão em Singapura, então um prefixo em cache se paga na primeira releitura. O ponto em que isso deixa de funcionar é um prefixo que muda a cada turno — você paga o prêmio de gravação e nunca recebe o retorno, e a janela padrão de gravação de 5 minutos é curta o suficiente para que uma chamada lenta de ferramenta possa expirá-la.

Três configurações padrão que decidem a fatura antes do seu prompt.

O Qwen4-Max vem com o raciocínio ativado e definido como alto. Esse é um padrão razoável para um modelo de ponta e caro para um classificador.

• O esforço é high por padrão — reasoning_effort aceita low, high e xhigh, e omiti-lo fornece high. thinking_budget também é 131.072 por padrão, e max_completion_tokens é 262.144 no modo de pensamento. Uma requisição que não define nada reservou mais orçamento de saída do que a maioria das tarefas usará.

• Não existe medium — Chat Completions e DashScope mapeiam minimal para low, medium para high e max para xhigh. No caminho Anthropic Messages, o parâmetro é output_config.effort e o mapeamento é o mesmo. Pedir medium custa o mesmo que high.

• O parâmetro preserve_thinking tem true como padrão — o raciocínio anterior é levado para o contexto em chamadas com múltiplos turnos. Isso infla o lado de entrada de cada chamada subsequente e, ao mesmo tempo, aumenta a chance de o prefixo ainda corresponder ao cache. Em um loop longo de agente, os dois efeitos se cancelam em parte; em um chat curto, não se cancelam, e você paga para reler pensamentos que nunca usará.

• Os padrões de amostragem são 1,0 / 0,95 / 20 no modo de pensamento e 0,7 / 0,8 / 20 no modo sem pensamento para temperature, top_p e top_k, com presence_penalty em 1,5 fora do modo de pensamento. Definir temperature explicitamente sem mexer em effort altera o formato da saída, mas não a fatura.

O que o fornecedor diz que melhorou, e o que ninguém verificou

Todos os números nesta seção são da própria Alibaba e não foram reproduzidos fora do laboratório. Até 16 de novembro, não há entrada de índice independente para o Qwen4-Max, então trate a comparação como uma alegação, e não como uma medição.

• Work360 — 52,69 contra 47,74 do Qwen3.8-Max, em uma taxonomia criada pelo fornecedor: 26 domínios de Nível 1, 182 de Nível 2, 721 de Nível 3.

• Eficiência de tokens — cerca de 24% menos tokens no esforço xhigh e 35% no high no Work360; cerca de 48% e 49% no Terminal-Bench 4.0. É esta a afirmação que se potencializa com o corte de preço, e é a que você deve testar primeiro nos seus próprios traces, porque a economia de tokens depende do formato da carga de trabalho.

• Custo médio por tarefa — de US$ 4,43 para US$ 1,67 no Work360, uma redução de 62%. Esse número multiplica um corte de preço por uma alegação de economia de tokens; nenhum dos dois fatores foi verificado de forma independente.

• Qualidade do modelo base — de 5% a 13% menos bits por byte que o Qwen3.8-Max-Base, ativando 25% menos parâmetros, medido internamente em conhecimento, código, QA e STEM. O fornecedor observa que dois dos checkpoints comparados são pós-treinados, o que enfraquece o enquadramento de modelo base.

• Codificação segura — A taxa de aprovação no nível de função do último Secure Code Bench subiu de 22,0% para 31,8%, e o código que é seguro simultaneamente nas granularidades de função, arquivo e repositório subiu de 8% para 14,7%.

A arquitetura por trás da alegação de eficiência é um backbone esparso de mistura de especialistas com 2,4 trilhões de parâmetros, com 71 bilhões de parâmetros ativados por token, além de mais 328 bilhões em parâmetros de embedding de N-gramas que são consultados em vez de multiplicados. Três camadas Gated DeltaNet comprimem o histórico em um estado de tamanho fixo para cada camada Qwen Sparse Attention, que seleciona o contexto em granularidade de microblocos por meio de um indexador leve, e quatro ramos residuais paralelos com portões dinâmicos de leitura e escrita estabilizam a pilha profunda. É uma explicação plausível para o motivo de o custo de contexto longo cair. Ainda é uma explicação.

A screenshot of the Alibaba Cloud Model Studio page for qwen4-max, captured 16 November 2026 with an English interface, showing the qwen4-max heading, a 11-16 changelog entry, the model description, and the documentation sidebar including Model inference pricing and Batch inference.

Experimentar isso sem mover um caminho de produção para ele

A parte incômoda deste lançamento é que o modelo é genuinamente novo, os benchmarks não foram auditados, e a tabela de preços é atrativa o suficiente para que alguém queira colocá-lo em produção esta semana. Esses três fatos apontam para uma estratégia de staging, e não para uma migração.

O Qwen4-Max é acessível por meio da própria API Model Studio da Alibaba e de várias plataformas de terceiros; não está no catálogo da OrcaRouter em 16 de novembro. O Qwen3.8-Max está disponível a US$ 2,00 de entrada e US$ 6,00 de saída por milhão de tokens em Singapura — o preço de tabela do fornecedor repassado com 0% de markup, então a diferença de 25% para o Qwen4-Max é uma diferença real e não uma margem de roteamento. Isso torna o teste honesto barato: mantenha o modelo atual na chave que você já tem, envie uma fração-sombra do tráfego para o novo modelo por meio do fornecedor e compare o custo por tarefa concluída em vez do custo por token. A própria formulação do fornecedor — de US$ 4,43 para US$ 1,67 — é um número de custo por tarefa, e o custo por tarefa é a única comparação em que uma alegação de eficiência de tokens e um corte de preço se alinham no mesmo eixo.

Para equipes que já roteiam por meio do OrcaRouter, o custo de troca que normalmente bloqueia esse tipo de avaliação é o segundo contrato e o segundo SDK. Uma API para mais de 200 modelos, failover automático entre provedores e uma DSL de roteamento que compõe vários modelos em uma única chamada fazem com que o estado misto — o incumbente cuidando do volume, o candidato cuidando de uma fatia — seja uma mudança de configuração em vez de uma integração. Para um modelo não comprovado, essa é a diferença entre uma prova de duas semanas e uma de dois dias, e o failover é o que impede que a prova se torne uma indisponibilidade quando o candidato tem um dia ruim.

A screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026 with an English interface, showing the model name, the qwen/qwen3.8-max identifier, text, image and video input capabilities, a 1,000,000-token context, and a pricing panel.

O que fazer antes de 25 de novembro

Se você estiver na preview, o prazo não é flexível: o qwen4-max-preview está documentado para descontinuação às 24:00 de 25 de novembro de 2026 UTC+8, e o identificador GA é qwen4-max, com limites diferentes. Migre a string e depois verifique novamente duas coisas que não gerarão erro quando estiverem erradas — qualquer código que presumia um orçamento compartilhado de 393.216 tokens agora tem 262.144, e qualquer job que dependia de créditos do Token Plan agora é cobrado por token.

Se você está decidindo se adota, o argumento para esperar é mais frágil do que era uma semana atrás, porque o cartão medido e o preço de cache agora estão publicados e o preço está genuinamente abaixo da geração anterior em todas as regiões. O argumento para ter cuidado é o orçamento compartilhado de saída, o caminho de lote apenas em Pequim e uma suíte de benchmarks que o fornecedor escreveu. Execute a fatia sombra, precifique por tarefa concluída e deixe as próximas duas semanas dos seus próprios rastros decidirem — essa evidência valerá mais do que um 52,69 em uma taxonomia que nenhum de nós consegue auditar.

Mais uma coisa está por vir que muda as contas de novo: a Alibaba diz que os modelos menores do Qwen4 serão de código aberto na mesma linhagem, o que historicamente significa que o piso de preços desse segmento muda em até um trimestre. Qualquer coisa que você contratar pelas tarifas de hoje deve ser um compromisso do qual você possa abrir mão.