Um cartão de título gerado com o texto ‘Qwen4-Max vs Qwen4 27B’ e o subtítulo ‘Um destes tem um cartão de preço. O outro tem uma menção no palco.’, sobre três cartões: Qwen4-Max com contexto de 1M, $1.50 / $4.50 por 1M e AA Index 43; Qwen4 27B sem pesos, sem ficha de modelo e sem preço; Qwen3.8-27B a $0.33 / $2.40 por 1M, contexto de 256K e AA Index 20. Um rodapé diz ‘Os números do Qwen4-Max são conforme a Alibaba e a Artificial Analysis; o Qwen4 27B não tem especificação publicada em 16 de novembro de 2026.’
Guides & Insights

Qwen4-Max vs Qwen4 27B: uma diferença de preço de 4,5 vezes e um modelo que você não pode baixar

Autor

jinhao.song

Data de publicação

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

A pergunta interessante sobre o Qwen4-Max não é se ele é bom. É se você deveria estar pagando US$ 1,50 e US$ 4,50 por milhão de tokens por um modelo que pensa em goles de 262.144 tokens quando um irmão de 27 bilhões de parâmetros — o Qwen4 27B — deveria fazer a maior parte do mesmo trabalho em hardware que você possui. O problema é que o Qwen4 27B ainda não existe como algo que você possa executar. A Alibaba o mostrou no palco da Apsara Conference em 22 de setembro de 2026 ao lado do Qwen 4 Max, do Qwen 4 Flash e do Qwen 4 Plus, e desde então não publicou nenhum model card, nenhum peso, nenhum comprimento de contexto, nenhum preço e nenhum benchmark para ele. O Qwen4-Max, por outro lado, passou a ser cobrado por uso em 16 de novembro com uma janela de 1.000.000 de tokens e um Artificial Analysis Intelligence Index de 43. Portanto, a versão útil dessa comparação coloca o modelo principal que você pode chamar contra o modelo pequeno que você não pode, e responde à pergunta que realmente decide orçamentos: o que a diferença de 4,5 vezes no preço por token compra, e o que o 27B teria que fazer para conquistar seu lugar.

Dois cartões de preço, um dos quais tem números nele

Comece pelo que está registrado por escrito. Tudo nesta seção é um número publicado; nada é inferido.

• Qwen4-Max, Singapura — US$ 1,50 por milhão de tokens de entrada, US$ 4,50 de saída, preço fixo em toda a janela completa de 1.000.000 de tokens. Leituras de cache US$ 0,075 por milhão, gravações de cinco minutos US$ 1,875, gravações de uma hora US$ 3,00.

Qwen4-Max, outras regiões — $1,413 e $4,24 em Frankfurt, Virgínia, Tóquio, Hong Kong e Pequim, um desconto de 5,8% no cartão de Singapura para limites idênticos.

• Qwen4-Max, independente — AA Index 43 a US$ 3,27 de custo cobrado pelo avaliador por tarefa de índice, valor combinado de US$ 0,80 por milhão, 127 milhões de tokens de saída ao longo da execução.

• Qwen4 27B — sem preço. Não é “não anunciado”; especificamente, não existe linha alguma em lugar nenhum porque não existe modelo ao qual associá-la.

A coisa mais próxima de um Qwen pequeno que você pode executar hoje é o Qwen3.8-27B, o modelo multimodal denso de licença Apache-2.0 da geração anterior. A Alibaba o lista a US$ 0,50 e US$ 3,00 por milhão em sua própria API; nós auto-hospedamos os pesos e cobramos US$ 0,33 e US$ 2,40, porque pesos abertos não têm custo por token de fornecedor a repassar. O Artificial Analysis dá a ele pontuação 20 no mesmo índice — vinte e três pontos abaixo do Qwen4-Max, o que é todo o argumento em um único número.

Portanto, a proporção honesta não é medida em relação a um fantasma. É de 4,5 vezes na entrada e 1,9 vez na saída quando você compara o Qwen4-Max com o último 27B que realmente foi lançado — e vinte e três pontos de índice de capacidade pela diferença. Se isso é um bom negócio depende inteiramente do que sua carga de trabalho gasta seus tokens, o que é uma questão sobre seus traces e não sobre qualquer um dos fornecedores.

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-27B — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, price per 1M $1.50 / $4.50, inputs text, image and video, open weights no, AA Index 43, cost per task $3.27. Qwen3.8-27B: context 256,000 tokens, price per 1M $0.33 / $2.40, inputs text, image and video, open weights Apache-2.0, AA Index 20, cost per task $3.53. Footer: 'Price and context vendor-reported; Qwen3.8-27B price is OrcaRouter self-hosted, Alibaba lists $0.50 / $3.00. AA Index and cost per task per Artificial Analysis v5.0.1. Qwen4 27B has no published figures.'

O que um 27B proporciona que um modelo principal de 2,4 trilhões de parâmetros não consegue

Três coisas, e nenhuma delas é qualidade.

O primeiro é uma conta fixa. Um modelo principal hospedado é um custo variável que escala com o tráfego e com o quão verboso o modelo está naquele dia; um modelo aberto de 27B no seu próprio hardware é um custo de capital e um cronograma de depreciação. A US$ 0,33 e US$ 2,40 por milhão, uma equipe que gasta US$ 3.000 por mês com o modelo principal está gastando cerca de US$ 700 no modelo pequeno para o mesmo volume de tokens — e, no momento em que esse volume dobra, um desses números muda e o outro não.

O segundo é a latência que você controla. Um modelo denso de 27B em um único nó responde em um formato que você consegue prever, porque não há fila atrás dele nem um orçamento de raciocínio de longo horizonte que você não solicitou. O Qwen4-Max usa reasoning_effort: high por padrão, com um orçamento de raciocínio de 131.072 tokens, e uma requisição que não define nada reservou mais folga de saída do que a maioria das tarefas usará. Esse padrão é adequado para um modelo de ponta e inadequado para um classificador, um roteador ou as mil pequenas decisões que um agente toma entre as interessantes.

O terceiro é a licença. Os pesos Apache-2.0 significam que o modelo pode ser quantizado, ajustado fine-tuning, incorporado num produto que você comercializa e executado numa jurisdição onde a API não está disponível. O Qwen4-Max é proprietário, servido a partir de seis regiões e devolve apenas texto — sem pesos, sem fine-tuning, sem implementação on-premise. A documentação da Alibaba diz que o fine-tuning e a implementação do modelo não são suportados em nenhum lugar.

O que um 27B não pode lhe oferecer é exatamente aquilo para o que o Qwen4-Max foi criado. A espinha dorsal de 2,4 trilhões de parâmetros com 71 bilhões de parâmetros ativos, os 328 bilhões de parâmetros de embedding N-gram, as camadas Gated DeltaNet que comprimem o histórico em um estado fixo para cada camada Qwen Sparse Attention — nada dessa arquitetura é transferido para um modelo denso de 27B, e o mesmo vale para a janela de 1.000.000 de tokens. A própria forma como o fornecedor enquadra a família é que modelos menores são "ajustados para o que os modelos pequenos fazem de melhor", o que é uma maneira elegante de dizer que não são o mesmo produto.

A única coisa que a Alibaba disse sobre o Qwen4 27B, e o quanto isso vale

No post de lançamento do Qwen4-Max em 16 de novembro, o parágrafo final diz: "E o Max é apenas o primeiro vislumbre do Qwen4. Modelos menores da família estão chegando ao código aberto, construídos sobre a mesma linhagem e treinados com a mesma geração de técnicas, ajustados para o que os modelos pequenos fazem de melhor."

Essa é a declaração mais recente e específica que existe sobre o tier de 27B, e vale exatamente o que diz — o que é menos do que parece. “Chegar ao código aberto” é um compromisso com uma licença, não uma data. “Mesma linhagem” é uma afirmação sobre descendência arquitetural, não sobre um checkpoint lançado. E a frase não nomeia 27B em momento algum; o nome do tier vem do anúncio de setembro no palco, quando o líder de LLM da Qwen mostrou quatro modelos e disse apenas que a família chegaria em breve. Entre as duas declarações há um intervalo de dois meses com quatro tiers prometidos, um entregue, e o de pesos abertos — historicamente o tier que é lançado primeiro com pesos disponíveis para download — ainda ausente.

O que tornaria esta página desatualizada é verificável em três lugares, e todos os três são os que sinalizaram todas as versões do Qwen. Um repositório na organização Qwen no Hugging Face com um nome Qwen4; os repositórios de modelos mais recentes da organização hoje são todos Qwen3.8, atualizados pela última vez no início de novembro. Um cartão de modelo em qwen.ai que nomeie o nível com um comprimento de contexto e uma licença. Ou uma linha de preços para um 27B alojado, que lhe diria quanto a Alibaba considera que o nível vale antes de os pesos chegarem. Até que um desses se altere, qualquer contagem de parâmetros, janela de contexto ou pontuação que leia para o Qwen4 27B é extrapolação a partir do Qwen3.8-27B e deve ser identificada como tal.

Exemplo prático: o mesmo loop de agente nos dois cards

Considere um agente de automação de suporte: prompt de sistema e esquema de ferramentas de 40.000 tokens, uma conversa de 6.000 tokens, oito chamadas de ferramentas por ticket, 900 tokens de saída por chamada, sem modo de raciocínio, 20.000 tickets por mês. Faça cache do prefixo. Isso é aritmética sobre preços de tabela publicados.

• Qwen4-Max, Singapura, sem cache — 46.000 tokens de entrada por chamada a US$ 1,50 por milhão dá US$ 0,069; oito chamadas dão US$ 0,552 por ticket. A saída a 900 tokens e US$ 4,50 por milhão dá US$ 0,00405 por chamada, US$ 0,0324 por ticket. US$ 0,584 por ticket, US$ 11.690 por mês.

Qwen4-Max com o prefixo em cache — o prefixo de 40.000 tokens é gravado uma vez a US$ 1,875 por milhão e lido nas sete chamadas seguintes a US$ 0,075. Por ticket, o prefixo custa US$ 0,075 pela gravação mais US$ 0,021 por sete leituras; os 6.000 tokens variáveis custam US$ 0,072 ao longo de oito chamadas. A entrada fica em US$ 0,168, a saída permanece em US$ 0,0324. US$ 0,20 por ticket, US$ 4.010 por mês — e o cache contribuiu mais para a fatura do que qualquer troca de modelo faria.

• Qwen3.8-27B à nossa tarifa auto-hospedada — 46.000 tokens de entrada por chamada a US$ 0,33 por milhão é US$ 0,0152; oito chamadas, US$ 0,121. Saída a 900 tokens e US$ 2,40 por milhão é US$ 0,00216 por chamada, US$ 0,0173 por ticket. US$ 0,139 por ticket, US$ 2.780 por mês.

Duas coisas decorrem disso. O cache do prefixo no modelo principal economiza 66% e o coloca dentro de 1,4× do preço sem cache do modelo pequeno — a diferença entre os níveis é menor do que a diferença entre usar o cache e não usá-lo. E a vantagem do modelo pequeno é real, mas não é transformadora neste volume de tokens: cerca de US$ 1.200 por mês em 20.000 tickets. Onde ela se torna transformadora é em dez vezes esse volume, ou quando o trabalho é simples o suficiente para que um modelo de 20 índices seja suficiente, o que, para roteamento de chamadas de ferramentas e classificação, geralmente é.

Onde o carro-chefe não é opcional

Há uma categoria de trabalho em que o nível 27B não é um substituto mais barato, mas sim algo inviável desde o início, e deixar isso claro é a diferença entre uma comparação útil e uma página de vendas.

• Trabalho com contexto longo acima de 256.000 tokens — o Qwen3.8-27B para em 262.144; o Qwen4-Max suporta 1.000.000, com um teto de entrada de 991.808 tokens no modo não-pensante. Uma revisão de contrato de 400.000 tokens não cabe de jeito nenhum no modelo pequeno.

• Execuções de agentes de longo horizonte — As alegações agênticas da Alibaba para o Qwen4-Max são uma execução autônoma de descoberta de materiais de 48 horas em uma plataforma de laboratório úmido e uma revisão de due diligence jurídica de 198 documentos de trabalho, produzindo um relatório de 86 páginas. Independentemente do que se pense das demonstrações dos fornecedores, elas descrevem uma classe de tarefa que um modelo de 20 índices não tenta.

• Entrada de vídeo em longa duração — o Qwen4-Max aceita vídeo e uma janela de 1M; a família 27B aceita vídeo em 262K. A aritmética de quadros por segundo de filmagem é implacável.

• Codificação segura — a Alibaba relata taxas de aprovação no nível de função do Last Secure Code Bench subindo de 22,0% para 31,8% entre gerações no nível Max, e código que é seguro simultaneamente nas granularidades de função, arquivo e repositório de 8% para 14,7%. Esses são números do fornecedor e não reproduzidos, mas são o tipo de número que uma revisão de segurança solicita e que a ficha de um modelo pequeno não traz.

O padrão é que o modelo carro-chefe justifica seu preço nas tarefas longas, multimodais ou cujo erro sai caro, e não nas tarefas numerosas. A maioria dos sistemas de produção contém os dois tipos, e é por isso que a resposta para "qual deles" geralmente é "ambos, com roteamento".

Executando o estado misto em uma única chave

O OrcaRouter oferece a família Qwen3.8 — Qwen3.8-Max, Qwen3.8-Flash e Qwen3.8-27B — em um único endpoint compatível com OpenAI ao preço de tabela do provedor, com 0% de markup, e o 27B é o que executamos em nossa própria infraestrutura a partir dos pesos Apache-2.0, razão pela qual custa US$ 0,33 e US$ 2,40 em vez dos US$ 0,50 e US$ 3,00 da Alibaba. Ele não oferece o Qwen4-Max: esse modelo é acessível pela própria API Model Studio da Alibaba e por várias plataformas de terceiros, e não está no catálogo em 16 de novembro.

O que isso torna possível hoje é o padrão de roteamento que esta comparação defende, sem esperar pelo 27B. Uma API para mais de 200 modelos significa que a decisão de nível deixa de ser uma decisão de aquisição: uma requisição que cabe em 256K e parece rotineira vai para qwen/qwen3.8-27b; uma requisição longa, multimodal ou sinalizada como crítica vai para um modelo de fronteira na mesma chave; a DSL de roteamento expressa essa divisão como uma regra em vez de uma ramificação no código da sua aplicação. O failover automático significa que o nível barato pode suportar o volume sem se tornar um ponto único de falha quando tem um dia ruim, e uma redução de preço de qualquer fornecedor chega à sua chave no mesmo dia porque o preço de tabela é repassado em vez de receber margem adicional.

A fusão de modelos é a terceira opção desse kit de ferramentas e a que menos se adequa a este par específico — um painel de modelos respondendo juntos custa mais do que qualquer um deles sozinho, e o motivo para usá-la é a discordância em perguntas difíceis, não o volume. Vale saber que ela existe; não vale recorrer a ela em um roteador de tickets de suporte.

A screenshot of the OrcaRouter model page for Qwen3.8-27B at the identifier qwen/qwen3.8-27b, showing the $0.33 input and $2.40 output prices, the Vision, Tools, JSON and Reasoning capability tags, the attribution to Qwen dated 2026-08-13, and the description of it as Alibaba's open-weight 27B dense multimodal model released under Apache-2.0 and self-hosted on OrcaRouter's own infrastructure, accepting text, images and video with a 256K-token context window.

O que fazer antes que os pesos cheguem

Se o seu motivo para esperar pelo Qwen4 27B é querer um modelo aberto pequeno que você mesmo possa executar, a espera não está custando muito: o Qwen3.8-27B é Apache-2.0, tem uma janela de 256K, lê texto, imagens e vídeo, e marca 90,3 no LiveCodeBench v6 e 89,2 no GPQA Diamond na própria ficha do Qwen — números do fornecedor, e fortes para o tamanho. Comece por aí, meça o que um modelo de índice 20 faz com a sua taxa de sucesso nas tarefas, e você saberá, antes de o checkpoint Qwen4 chegar, se o nível é adequado para a sua carga de trabalho.

Se o seu motivo é custo, faça cache do prefixo primeiro. O exemplo prático acima mostra uma economia de 66% no modelo carro-chefe a partir de um parâmetro de solicitação, que é maior do que a diferença entre o carro-chefe e o modelo pequeno na mesma base sem cache. Equipes costumam procurar um modelo mais barato quando a parte cara da conta é um prefixo que estão relendo a preço integral.

E se o seu motivo é capacidade, nenhum 27B vai substituir. Os vinte e três pontos de índice entre o Qwen3.8-27B e o Qwen4-Max são a diferença entre um modelo que lida bem com trabalho rotineiro e um que tenta as tarefas longas, multimodais e de alto risco — e a própria linguagem do roadmap da A​libaba diz que os modelos pequenos estão sendo ajustados para o que os modelos pequenos fazem melhor, o que é uma promessa de eficiência, e não de paridade. Faça a divisão de roteamento agora, nas camadas que existem, e no dia em que um Qwen4 27B chegar ao Hugging Face, será uma entrada de catálogo e uma mudança de regra, e não uma migração.

A screenshot of Alibaba Cloud Model Studio's documentation page for qwen4-max (Latest Model), dated 11-16, showing the model description as the next-generation flagship multimodal model in the Qwen family covering text generation, image and video understanding and deep reasoning, its support for web search, tool calling and structured outputs, its OpenAI and Anthropic API compatibility, and its deployment regions including China (Beijing), Singapore and Germany (Frankfurt).