Cartão de título informando que o Qwen4-Max reduz o custo por tarefa em 67%, com um valor de destaque de US$ 3,27 contra US$ 10,02 por tarefa do Intelligence Index e uma observação de que a divisão é aproximadamente metade tabela de preços e metade disciplina de tokens.
Engineering & Research

Qwen4-Max reduz o custo por tarefa em 67%: de onde vem a economia de fato

Autor

jinhao.song

Data de publicação

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

Uma fatura de benchmark é um artefato estranho: é o único documento público que precifica os hábitos de um modelo. O Artificial Analysis publica quanto custou executar o Qwen4-Max em seu Intelligence Index — US$ 3,27 por tarefa — e publica a tabela de preços que usou para chegar lá. Divida um valor pelo outro e você recupera algo que o laboratório nunca declara abertamente: quantos tokens o Qwen4-Max realmente gasta pensando. Faça o mesmo com o Qwen3.8-Max, o modelo que ele substitui, e a redução de 67% no custo por tarefa se divide claramente em dois números que a maior parte da cobertura do lançamento de 16 de novembro trata em conjunto. Aproximadamente metade da economia é um corte de preço. A outra metade é o Qwen4-Max falando menos. E o item da fatura que agora domina seus custos não é o que o preço de destaque sugere.

O resumo do próprio fornecedor é preciso, mas comprime a parte interessante. O Qwen4-Max, afirma a Alibaba em sua página de lançamento, usa aproximadamente 24% menos tokens que o Qwen3.8-Max com esforço Xhigh e 35% menos com High no Work360, e 48% e 49% menos no Terminal-Bench 4.0; o custo médio por tarefa no Work360 cai de US$ 4,43 para US$ 1,67, uma redução de 62%. Esses são números da empresa em benchmarks da empresa. A aritmética independente abaixo chega a 67% em um benchmark diferente por uma rota diferente, que é o tipo útil de concordância: dois métodos, mesma direção, magnitude semelhante.

O que o placar independente realmente diz

Na Artificial Analysis, o Qwen4-Max obtém 43 pontos no Intelligence Index, contra 34 do Qwen3.8-Max, um ganho de 27% em capacidade medida. A mesma página lista os dois modelos a US$ 1,50 por milhão de tokens de entrada e US$ 4,50 por milhão de saída, contra US$ 2,00 e US$ 6,00 — um desconto fixo de 25% nos dois sentidos. É na entrada em cache que o desconto é drástico: US$ 0,075 por milhão contra US$ 0,25, um corte de 70%, e a taxa de desconto para acerto de cache passa de 87,5% para 95%.

O custo por tarefa do Intelligence Index, ponderado por todas as nove avaliações do índice, fica em US$ 3,27 contra US$ 10,02. Divida o custo pela pontuação e a diferença aumenta: o Qwen4-Max entrega um ponto de capacidade medida por menos de oito centavos, e o Qwen3.8-Max por cerca de trinta. Esse é o número a reter se a única pergunta for para qual modelo migrar uma carga de trabalho — a capacidade por dólar melhorou em cerca de três quartos, e não pelos 67% que o custo por tarefa isoladamente sugere.

Invertendo a conta para recuperar as contagens de tokens

A Artificial Analysis decompõe o custo por tarefa em componentes: entrada à tarifa cheia, gravação em cache, leitura de cache e saída, com a saída ainda dividida em tokens de raciocínio e de resposta. Ela também publica os preços. Divida cada componente pelo seu preço e você terá os tokens. O método se valida em uma linha — o componente de saída dividido por US$ 4,50 resulta em 104.940 tokens por tarefa, e a página relata separadamente 104.939,8 tokens de saída por tarefa para o Qwen4-Max. Concordância exata até a casa decimal, em uma linha que foi calculada de duas maneiras diferentes.

Todas as demais linhas herdam essa confiança, com uma suposição declarada abertamente: a de que as gravações em cache são cobradas pela taxa integral de entrada, o que é o que a aritmética entre ambos os modelos implica, e não algo que qualquer um dos fornecedores documente explicitamente.

O que se destaca, por tarefa do Intelligence Index:

• Tokens de saída — Qwen4-Max 104.940 contra Qwen3.8-Max 170.794, uma redução de 39%.

• Tokens de raciocínio — 68.914 contra 119.698, queda de 42%. O orçamento de raciocínio encolheu muito mais do que o orçamento de resposta.

• Tokens de resposta — 36.025 contra 51.096, queda de 30%. O Qwen4-Max agora dedica 66% de sua saída ao raciocínio, em vez dos 70% que seu antecessor dedicava; não é apenas mais curto, tem proporções diferentes.

• Tokens de leitura de cache — cerca de 14,9 milhões contra 22,7 milhões, queda de 34%. Estes são os tokens de contexto reproduzidos que dominam qualquer execução agêntica longa.

• Tokens de gravação em cache — cerca de 1,11 milhão contra 1,66 milhão, queda de 33%.

Duas coisas se destacam. Primeiro, a redução de tokens não está concentrada na resposta visível, onde um usuário notaria verbosidade, mas no raciocínio e no contexto reproduzido, onde ninguém está observando. Segundo, os volumes de tokens por tarefa são enormes em termos absolutos — quatorze milhões de leituras de cache por tarefa —, o que revela o que o Intelligence Index realmente mede: trabalho de longo horizonte com um grande contexto persistente, e não resposta a perguntas de turno único.

Two-column scoreboard comparing Qwen4-Max and Qwen3.8-Max on cost per task of 3.27 dollars against 10.02 dollars, output tokens per task of 104,940 against 170,794, cache-read tokens of 14.9 million against 22.7 million, and Intelligence Index scores of 43 against 34.

Divida os 67% em preço e comportamento

O custo é o preço multiplicado pelo volume, portanto a redução pode ser decomposta de forma limpa. Fature os volumes de tokens do Qwen3.8-Max às tarifas do Qwen4-Max e uma tarefa custa $4,97 em vez de $10,02 — só a mudança de preço responde por um corte de 50%. Aplique também o comportamento do Qwen4-Max e chega-se a $3,27, mais 34% de redução sobre o que restava. Multiplicados entre si, 0,496 vezes 0,658 dão 0,326: a redução observada de 67%, totalmente explicada, sem nada sobrando.

Qual metade merece o crédito depende da ordem em que você a contabiliza, e vale dizer isso em vez de escolher o número lisonjeiro. Em termos percentuais, o preço vale cerca de 50% e a disciplina de tokens, cerca de 34%. Em dólares — US$ 6,76 economizados por tarefa no total, US$ 5,06 provenientes das tarifas e US$ 1,70 do volume — o preço responde por três quartos. Ambos os enquadramentos estão corretos; eles respondem a perguntas diferentes. Se você está projetando os gastos do próximo trimestre, a tabela de tarifas é a alavanca maior e mais certa. Se você está perguntando se o modelo é realmente mais econômico, os 34% que vêm de usar menos tokens são a parte mais duradoura, porque um corte de preço pode ser revertido e uma arquitetura não.

A direção dos números do próprio fornecedor corrobora a divisão sem que ninguém precise pedir. A Alibaba atribui a redução a ambos os fatores no mesmo fôlego, e seus 62% no Work360 ficam próximos dos 67% medidos independentemente no Intelligence Index — duas estruturas de teste, dois conjuntos de tarefas, uma conclusão.

O item de linha que, discretamente, se tornou o maior.

É aqui que o preço anunciado engana. Antes, as leituras de cache representavam 57% da fatura e as gravações de cache, 33%. Depois, as gravações de cache são 51% e as leituras de cache, 34%. O modelo ficou mais barato em cada linha, mas o desconto foi assimétrico — 70% de desconto nas leituras de cache, 25% nas gravações de cache — e inverteu o ranking dos dois maiores custos.

As gravações em cache são cobradas à taxa de entrada, $1.50 por milhão, vinte vezes a taxa de leitura de cache de $0.075. Uma carga de trabalho que reescreve seu contexto com mais frequência do que o reproduz agora paga por esse hábito na moeda mais cara do cartão. Esta é a consequência prática da mudança de preços que a cobertura do lançamento em grande parte deixou passar, e ela favorece o trabalho nada glamouroso: prefixos de prompt estáveis, sessões duradouras, menos reconstruções de contexto completo. No Qwen3.8-Max, esses hábitos importavam menos porque reproduzir já era caro o suficiente para dominar a conta de qualquer forma.

A lição se generaliza para além deste modelo. Quando um provedor reduz uma classe de token muito mais agressivamente que as outras, a arquitetura ideal de prompt muda junto, e a fatura que você recebe é um indicador defasado da arquitetura que você construiu para a placa anterior.

Alibaba Cloud Model Studio documentation page for qwen4-max, showing the model name as the page title, a release date of 11-16, the model invocation ID qwen4-max, and the listed regions including Singapore and US (Virginia).

A eficiência é relativa, e o número absoluto é pouco lisonjeiro

Uma redução de 39% nos tokens de saída parece indicar um modelo enxuto. Mas, comparado ao conjunto, trata-se de uma versão mais enxuta de um modelo bastante falante. Ao longo de toda a execução do índice, o Qwen4-Max gerou 127 milhões de tokens de saída; o modelo mediano gera 78,6 milhões. O Qwen3.8-Max gerou 150 milhões. Ambos os modelos Qwen estão bem do lado prolixo, e o Qwen4-Max apenas passou de 1,9 vez a mediana para 1,6 vez.

Isso não é uma contradição da alegação de eficiência — é a leitura correta dela. A alegação é que o Qwen4-Max obtém um resultado melhor que o seu antecessor enquanto gasta menos tokens, e ambas as partes se sustentam. Não é uma alegação de que o modelo seja silencioso, e qualquer modelo de baixo custo construído com base na suposição de que um modelo de alta pontuação deve ser conciso estará errado por uma margem ampla. Se o volume de saída determina o seu custo, migrar para o Qwen4-Max reduz o número e não muda a categoria.

Os números de pré-treinamento do fornecedor apontam na mesma direção em uma camada diferente. Nas avaliações internas de BPB, o Qwen4-Max-Base é 5–13% melhor que o Qwen3.8-Max-Base em todos os domínios, enquanto ativa 25% menos parâmetros — a arquitetura está fazendo mais trabalho por unidade de computação, o que é consistente com um modelo que precisa de menos tokens para chegar a uma conclusão. Se o backbone de 2,4 trilhões de parâmetros, os 71 bilhões de parâmetros ativados e os 328 bilhões adicionais de parâmetros de embedding de N-gram são a razão é uma explicação do fornecedor, não uma medição que alguém fora da Alibaba tenha reproduzido.

O que está faltando no panorama de custos?

Latência, para começar. O cartão do Intelligence Index lista o tempo por tarefa como não aplicável para o Qwen4-Max; para o Qwen3.8-Max, é de 48,1 minutos contra uma mediana de 13,3 minutos, um dos resultados mais lentos medidos. Um modelo que é 67% mais barato por tarefa e leva uma quantidade desconhecida de tempo real por tarefa não foi totalmente comparado a nada. Tokens baratos pelos quais você precisa esperar são um produto diferente.

A amplitude de provedores, por outro lado. O preço por trás de cada número acima é uma única tarifa própria da Alibaba Cloud, e o modelo atualmente aparece com um único host. Não há uma segunda fonte para arbitrar, então a tabela de preços é o preço. E o Qwen3.8-Max agora está marcado como obsoleto em favor do Qwen4-Max e avaliado a cada dezoito horas, em vez de a cada seis, o que significa que a linha de base de comparação é atualizada mais lentamente do que o modelo com o qual está sendo comparado.

OrcaRouter model page for qwen/qwen3.8-max, showing the model id, input and output prices of $2.00 and $6.00 per million tokens, a 1,000,000-token context window, and the capability badges for vision, tools, JSON and reasoning.

Transformando a aritmética em um orçamento que você controla

Dois caminhos decorrem dessa decomposição, e são independentes. O primeiro é o preço: uma tabela de preços que você não pode negociar continua sendo uma tabela de preços pela qual você pode contornar — é o caso de pagar o preço de tabela e nada acima dele. OrcaRouter repassa o preço de tabela dos provedores com 0% de markup, de modo que um corte de preço por parte de um fornecedor, do tipo que a Alibaba fez em 16 de novembro, chega à sua fatura no mesmo dia, e não na próxima renovação de contrato — e o tamanho desse corte em particular, especialmente os 70% sobre entrada em cache, é exatamente o tipo de mudança que um arranjo de repasse torna visível em vez de absorver silenciosamente.

A segunda alavanca é o volume, e é aquela que o modelo não pode criar para você. O DSL de roteamento compõe vários modelos em uma única chamada, então a maior parte de um pipeline pode rodar em um modelo barato, enquanto a cauda difícil — as tarefas que realmente precisam de um MoE de 2,4 trilhões de parâmetros — é enviada para um que tenha essa capacidade. Essa divisão é como você captura o dividendo comportamental de 34% sem pagar preços de modelos de fronteira por trabalho que nunca precisou deles, e é a resposta natural para uma carga de trabalho em que quatorze milhões de tokens de contexto por tarefa são normais.

Sendo precisos sobre o que oferecemos e o que não oferecemos: o Qwen4-Max não está no nosso catálogo em 16 de novembro de 2026. O modelo Qwen que encaminhamos hoje é qwen/qwen3.8-max, o predecessor que este artigo usa como linha de base. Para uma equipe que deseja testar se a redução de tokens se mantém no próprio tráfego antes de se comprometer, o failover automático é a forma de baixo risco de começar — encaminhe uma fração, mantenha o fallback ativo e compare traces reais em vez de tarefas de benchmark.

O que mudaria esta leitura?

A Artificial Analysis publica contagens agregadas de tokens por modelo, e este artigo infere volumes por tarefa a partir de seus componentes de custo. Se o harness mudou entre as duas execuções — misturas de tarefas diferentes, uma ponderação diferente —, parte da redução de 39% na saída pode ser devida ao harness e não ao modelo. A reconciliação exata na linha de saída argumenta contra isso, mas não o descarta, e qualquer pessoa com tráfego próprio deve tratar os números derivados como uma hipótese a testar, e não como um fato no qual basear o planejamento.

Os números do Work360 do fornecedor trazem uma ressalva diferente, que a própria Alibaba declara: dois dos checkpoints na comparação de BPB são pós-treinados em vez de base, o que enfraquece um enquadramento de comparação equivalente. A redução de custo de 62% no Work360 não é afetada por isso, já que compara modelos lançados em um conjunto fixo de tarefas, mas as afirmações sobre pré-treinamento devem ser lidas levando isso em conta.

O que sobrevive a tudo isso é a forma da resposta, e não sua precisão. Um lançamento enquadrado como corte de preço também é, e mais ou menos na mesma medida, uma mudança em quanto o modelo gasta para chegar a uma resposta — e a segunda metade é a parte que um concorrente não consegue copiar ajustando uma tabela de tarifas. Esse é o número a observar quando os modelos Qwen4 menores forem lançados, porque, se a disciplina de tokens for arquitetural, ela viajará com eles; e, se era uma propriedade deste checkpoint específico, não viajará.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente