Титульная карточка для MAI Code 2 против Qwen 4 Max. MAI Code 2 показан как модель Microsoft для GitHub Copilot по цене $0,50 за входные и $2,50 за выходные данные за миллион токенов с окном контекста 1M, без endpoint и без опубликованного ограничения на выход. Qwen4-Max показан как API Alibaba с оплатой по мере использования в шести регионах по $1,50 и $4,50 за миллион токенов, с ограничением входных данных в 991 808 токенов и общим бюджетом размышлений в 262 144 токена.
Guides & Insights

MAI Code 2 vs Qwen 4 Max: девять дней, два тарифа, одна конечная точка

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

В этом сравнении спрятан дедлайн. Qwen 4 Max — которую Alibaba пишет как Qwen4-Max, а API указывает как qwen4-max — перешла на тарификацию по потреблению 16 ноября 2026 года, а строки preview-моделей, которые она заменила — qwen4-max-preview и qwen4.0-max-preview — перестают отвечать в 24:00 UTC+8 25 ноября 2026 года. До этого осталось девять дней. MAI Code 2, выпущенная Microsoft через день после того, как Qwen4-Max стал общедоступным (GA), на Ignite 17 ноября 2026 года, не имеет такого ограничения: до неё можно добраться только выбрав её в клиенте GitHub Copilot, по цене $0.50 за миллион входных токенов и $2.50 за миллион выходных по промо-тарифу, действующему до 17 мая 2027 года. Так что у одной из этих двух моделей есть дедлайн миграции, который вы всё ещё можете пропустить, а у другой есть дата истечения, которую можно учесть заранее. Ни то, ни другое не является бенчмарком, и вместе они объясняют большую часть того, что отличает эту пару.

Здесь вопрос цены и вопрос доступа указывают в противоположные стороны, и только один из них можно решить, заглянув в тарифный справочник.

Две модели, запущенные с разницей в один день и расходящиеся во всём остальном

MAI Code 2 прибыл на Microsoft Ignite как одна из семи моделей в одной партии на одной сцене, и его определяющее дизайнерское решение состоит в том, что он не существует вне инструментария своего вендора. Qwen4-Max от Alibaba вышел из предварительного просмотра накануне, после периода Token Plan в Сингапуре, и его определяющее дизайнерское решение противоположно: тарификация по токенам в шести регионах, четыре протокола API и опубликованный лист спецификаций, в котором оставлены неудобные места.

Эти двадцать четыре часа — вся история этой пары. Одна компания выпустила модель, оптимизированную для подписки, которую она уже продаёт. Другая выпустила модель, оптимизированную для API, который она уже эксплуатирует. Все различия ниже следуют из этого — именно поэтому сравнение вообще имеет смысл.

Тарифные карточки со скидками, срок действия которых истекает

• Ввод — MAI Code 2 по $0.50 за миллион токенов против Qwen4-Max по $1.50 в Сингапуре или $1.413 в глобальных регионах; MAI составляет треть от сингапурского тарифа

• Выпуск — $2,50 против $4,50 и $4,24; соотношение снижается до 56%

• Кэшированный ввод — $0,025 против $0,075 в Сингапуре и $0,071 в других регионах; разрыв в 3 раза — наименьшее преимущество в списке

• Запись в кэш — Microsoft такие данные не публикует, тогда как у Qwen4-Max это $1,875 за миллион при пятиминутной записи и $3,00 за час

• С 17 мая 2027 года — тарифы MAI Code 2 удваиваются до $1.00 / $0.05 / $5.00, и к этому моменту его ставка за ввод всё ещё ниже, чем у Qwen4-Max, а ставка за вывод — выше.

• Контекст — 991 808 токенов входных данных в Qwen4-Max, снижаясь до 983 616 в режиме размышления, против 1 миллиона токенов в MAI Code 2 в VS Code и Copilot CLI

• Бюджет вывода — не опубликован Microsoft, в рамках бюджета в 262 144 токена, совместно используемого для рассуждений и ответа в Qwen4-Max

• Веса — ни те, ни другие не доступны для скачивания. Microsoft прямо заявляет об этом; уровень Max модели Qwen4-Max не несёт обязательств по открытым весам, в отличие от уровня 27B той же семьи.

Строка о кэшированном вводе определяет длительные запуски агентов и противоречит главному показателю. Чтение из кэша у Qwen4-Max стоит 5% от его собственной ставки за ввод, а опубликованный разобранный пример — вывод на 8,000 токенов плюс двукратное чтение префикса — превращает три идентичных прохода в $0.918 против $1.908 без кэширования. Команда, которая держит фиксированный системный промпт и схему инструментов перед меняющимся вопросом, получает гораздо более крупную эффективную скидку, чем подразумевает ставка за ввод. 95%-ная скидка на кэш у MAI Code 2 при более низкой базе сопоставима по сути, но Microsoft не публикует плату за запись в кэш, из-за чего две карточки трудно сравнить по единственному измерению, где агентные рабочие нагрузки тратят большую часть своих денег.

Бюджет вывода сократился на пути к общей доступности

Наименее освещённый факт о GA Qwen4-Max заключается в том, что preview-версия давала модели больше пространства для размышлений. В preview общий бюджет на размышления и ответ составлял 393,216 токенов; в GA он равен 262,144. Вывод в режиме без размышлений ограничен 131,072 токенами. Треть запаса исчезла в тот же момент, когда у модели появились настоящая тарифная сетка и пять новых регионов.

То, является ли это регрессией, зависит от вашей рабочей нагрузки, но это документированное изменение, о котором должны знать все, кто всё ещё указывает в конфигурации на preview-строки, потому что эти строки перестают действовать через девять дней. Сохраняется только идентификатор qwen4-max.

Эквивалент для MAI Code 2 не опубликован. Microsoft документирует контекстное окно в 1 миллион токенов и настраиваемые уровни рассуждений — документация Copilot подтверждает, что глубину рассуждений можно регулировать, и отмечает, что расширенный контекст является функцией VS Code и Copilot CLI — но ни в одном документе Microsoft нет потолка вывода, поэтому не с чем сравнивать цифру 262 144. Эта асимметрия проходит через всё это сравнение: Qwen4-Max сообщает вам неудобные цифры, а MAI Code 2 — лестные.

Что говорят независимые оценки — от той единственной стороны, у которой они есть

Artificial Analysis указывает Qwen4-Max с результатом 43 в Intelligence Index v5.0.1: стоимость $3,27 за задачу индекса при 32,1 минуты на задачу, 55 токенов в секунду вывода и 155,4 секунды до первого токена ответа при окне контекста, которое, по её измерениям, составляет 984k. Это средние показатели. Более полезным оказывается примечание о многословности на той же странице: при прогоне индекса модель сгенерировала примерно вдвое больше выходных токенов, чем медианная модель, поэтому её номинальная цена за токен занижает реальную стоимость одной задачи.

У MAI Code 2 вообще нет строки в Artificial Analysis — нет страницы модели, а значит, и значения индекса. Есть только публикация Microsoft о запуске: четыре названных бенчмарка, три из которых выполнялись на внутренней платформе компании MSBench через GitHub Copilot CLI с отключёнными субагентами при максимальном уровне рассуждений, четвёртый взят из Artificial Analysis, а результаты выражены как 96% производительности Claude Opus 5.5 при 5% затрат и 98% от GPT-6.1 Sol при 40%. Ни один показатель прохождения по отдельным бенчмаркам не опубликован.

Если честно сопоставить эти показатели, ранжировать две модели невозможно. 43 балла Qwen4-Max в нейтральном индексе — это средний результат; соотношения MAI Code 2 сильны сами по себе; они измеряют разные вещи на разных стендах, и ни один из поставщиков не прогонял методику другого. Можно сказать лишь, что число Qwen4-Max поддаётся аудиту, а MAI Code 2 — нет, и это утверждение о доказательствах, а не о возможностях.

Artificial Analysis page for Qwen4 Max showing an Intelligence Index of 43 against a median of 43, $1.50 input and $4.50 output per million tokens, a 95 percent cache discount, 55 tokens per second, 32.1 minutes per task, $3.27 per task, 127 million output tokens against a median of 651 million, and a 984k token context window.

Глаголы, выполнению которых была обучена каждая модель

Позиционирование Microsoft для {{1}}MAI Code 2{{/1}} узкое и конкретное: доведение кода до production, глубокая отладка, реализация в нескольких файлах, рассуждения в масштабе всего репозитория, работа над UI, а также дашборды и визуализация. В посте о запуске столь же конкретно очерчены границы — модели «явно ещё не настроены на более сложные задачи, такие как фундаментальные научные исследования и агентная работа с очень длинным горизонтом» — а утверждение о слепой оценке фронтенда, {{2}}предпочтение 64% рецензентов по сравнению с GPT-6 Sol{{/2}}, относится именно к этой сильной стороне визуального кодинга.

Позиционирование Qwen4-Max по своей конструкции шире, и это видно по его документации: ввод текста, изображений и видео, структурированный вывод, параллельный вызов инструментов, дополнение по префиксу, веб-поиск, а также явное и неявное кэширование — в рамках OpenAI Chat Completions, OpenAI Responses, Anthropic Messages и DashScope. Пакетный вывод доступен только в Пекине, и только путь Batch File дает скидку — Batch Chat указан по тарифу реального времени, поэтому слово «batch» в названии эндпоинта там не гарантирует цену.

В этом и заключается практическая асимметрия между моделью для программирования и универсальной моделью. MAI Code 2, вероятно, лучше в том, для чего её создавали, а у Microsoft есть внутренние бенчмарки, которые она вам не покажет. Qwen4-Max умеет гораздо больше, но, согласно собственной независимой оценке Alibaba, в части программирования она лишь компетентна.

Где запускать каждый из них и для чего здесь на самом деле нужен роутер

MAI Code 2 доступна в GitHub Copilot в тарифах Pro, Pro+, Max, Business и Enterprise на Windows, macOS и Linux, в Copilot CLI и Visual Studio Code. MAI Code 2 Flash — единственная модель в семействе с API-интерфейсом: предварительная версия с ограниченным доступом в Microsoft Foundry через API Responses, совместимый с OpenAI. Qwen4-Max доступна на собственной платформе Alibaba в шести регионах. Ни той, ни другой сегодня нет в каталоге OrcaRouter, поэтому любое утверждение о маршрутизации через него было бы неверным.

Что в каталоге действительно есть, так это Qwen3.8-Max по цене $2.00 и $6.00 в Сингапуре — модель Qwen4-Max на 25% дешевле по обе стороны счётчика — плюс передовые модели, с которыми вы бы сравнивали дешёвого кодера: Claude Opus 5.5, Kimi K3.1 Pro, Gemini 4 Carbon. Всё по прайсовой цене провайдера с наценкой 0%, всё на одном ключе. Это важно для определённого типа решения: если вы собираетесь выбирать между MAI Code 2 и Qwen4-Max, запустив обе модели на своих репозиториях, для сравнения нужен контрольный ориентир, и этот ориентир можно измерить уже сегодня, тогда как ни одного из кандидатов — нельзя.

Аргумент в пользу маршрутизации, который выдерживает проверку на этих двух моделях, состоит не в том, чтобы «поставить обе за одним эндпоинтом». Он в том, что эндпоинт, который контролируете вы, — это место, где находится резервный путь. Конвейер, вызывающий Qwen3.8-Max, может переключиться на второго провайдера без изменения кода; лицензия Copilot не может переключиться ни на что, потому что под ней нет ничего, что можно было бы маршрутизировать.

Как выбрать без общего бенчмарка

Выбирайте Qwen4-Max, если модель должна отвечать на запрос, который строит ваш код. Это весь аргумент, и он решающий: API с четырьмя протоколами и шестью регионами против пункта в списке выбора модели — это не соревнование на равных для любой автоматизации. Переходите со строк preview до 25 ноября, закладывайте бюджет на многословность, которую выявил прогон по индексу, и закладывайте потолок вывода на треть меньше, чем у preview.

Выбирайте MAI Code 2, если разработчики уже работают в Copilot, а задача — это рутинное корпоративное исправление, под которое Microsoft и установила свою цену. При цене за входные данные в треть от ставки Qwen4-Max и чуть более половины его ставки за выходные даже модель, которой нужна вторая попытка, может выиграть по стоимости за завершённую задачу — и, в отличие от Qwen4-Max, у его промо-тарифа есть указанная дата окончания, а не бессрочный тариф, который вы не контролируете.

Не выбирайте ни одну из них, если для рабочей нагрузки нужна оценка, которую можно отстоять перед комитетом по закупкам. У одной модели средняя независимая оценка; у другой независимой оценки нет вообще. В такой ситуации оправданный шаг — прогнать ту модель, которую вы можете вызывать, против модели, присутствующей в нейтральном лидерборде, на ваших собственных задачах и сравнить стоимость завершённой задачи, а не цену за токен.

Alibaba Cloud Model Studio documentation page headed 'Recommended models', updated 2026-11-16, listing qwen4-max as the latest model for text generation alongside the qwen3.7-plus and qwen3.8-flash cards.Scoreboard comparing MAI Code 2 and Qwen4-Max across six dimensions. Input $0.50 versus $1.50 per million tokens, output $2.50 versus $4.50, cached input $0.025 versus $0.075, context 1M tokens versus a 991,808-token input ceiling, maximum output not published versus a 262,144-token shared budget, and access via GitHub Copilot versus a metered API in six regions.

Что изменило бы вердикт — это одно абсолютное число от Microsoft. Доля успешных прохождений Terminal Bench 2.1, опубликованная так же, как Moonshot опубликовала 65,7% на Terminal-Bench 4.0, позволила бы покупателю поставить MAI Code 2 на ту же ось, что и 43 у Qwen4-Max, и перестать полагаться на соотношение. До тех пор выбор — между моделью, которую можно измерить, и скидкой, которую можно проверить, а честный совет — брать измеримый вариант для всего автоматизированного и скидку для всего, перед чем сидит человек.

Сравнение в этой статье1

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно