Rubrikkort för MAI Code 2 vs Qwen 4 Max. MAI Code 2 visas som Microsofts GitHub Copilot-modell till $0,50 för indata och $2,50 för utdata per miljon token med ett kontextfönster på 1M, ingen endpoint och inget publicerat utdatatak. Qwen4-Max visas som Alibabas förbrukningsdebiterade API i sex regioner till $1,50 och $4,50 per miljon token, med ett indatatak på 991 808 token och en delad tänkbudget på 262 144 token.
Guides & Insights

MAI Code 2 vs Qwen 4 Max: Nio dagar, två prislistor, en slutpunkt

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Det finns en tidsfrist gömd i den här jämförelsen. Qwen 4 Max — som Alibaba skriver som Qwen4-Max, och som API:et listar som qwen4-max — övergick till mätarbaserad debitering den 16 november 2026, och de modellsträngar för förhandsversionen som den ersatte — qwen4-max-preview och qwen4.0-max-preview — slutar svara kl. 24:00 UTC+8 den 25 november 2026. Det är nio dagar från idag. MAI Code 2, som Microsoft släppte en dag efter att Qwen4-Max blev allmänt tillgänglig, på Ignite den 17 november 2026, har ingen sådan tidsgräns: den går bara att nå genom att välja den i en GitHub Copilot-klient, till $0.50 per miljon indatatoken och $2.50 per miljon utdatatoken enligt ett kampanjpris som gäller till den 17 maj 2027. Så en av dessa två modeller har en migreringsfrist som du fortfarande kan missa, och den andra har ett utgångsdatum som du kan planera kring. Inget av detta är ett benchmark, och tillsammans förklarar de det mesta av det som skiljer de två åt.

Frågan om prissättning och frågan om åtkomst pekar i motsatta riktningar här, och bara en av dem kan avgöras genom att läsa en prislista.

Två modeller som lanserades med en dags mellanrum och är oense om allt annat

MAI Code 2 anlände till Microsoft Ignite som en av en grupp om sju modeller på en och samma scen, och dess avgörande designval är att det inte existerar utanför leverantörens verktyg. Alibabas Qwen4-Max lämnade förhandsversionen dagen innan, efter en Token Plan-period i Singapore, och dess avgörande designval är det motsatta: mätning per token i sex regioner, fyra API-protokoll och ett dokumenterat specifikationsblad där de besvärliga delarna har lämnats kvar.

De där tjugofyra timmarna är hela historien om de två. Det ena företaget släppte en modell optimerad för en prenumeration som det redan säljer. Det andra släppte en modell optimerad för ett API som det redan driver. Varje skillnad nedan följer av detta, vilket är anledningen till att jämförelsen är värd att göra överhuvudtaget.

Prislistorna, med rabatterna som löper ut

• Indata – MAI Code 2 till $0,50 per miljon token mot Qwen4-Max till $1,50 i Singapore, eller $1,413 i de globala regionerna; MAI är en tredjedel av Singapores taxa

• Produktion — 2,50 $ mot 4,50 $ och 4,24 $; kvoten krymper till 56 %

• Cachad indata – 0,025 USD mot 0,075 USD i Singapore och 0,071 USD på andra håll; en 3× skillnad, den minsta fördelen i listan

• Cache-skrivningar – Microsoft publicerar inga, jämfört med Qwen4-Max till $1.875 per miljon för en femminutersskrivning och $3.00 för en timme

• Från 17 maj 2027 — MAI Code 2 fördubblas till $1.00 / $0.05 / $5.00, vid vilken tidpunkt dess indatapris fortfarande är lägre än Qwen4-Max och dess utdatapris är högre än det

• Kontext — 991,808 indatatokens på Qwen4-Max, som sjunker till 983,616 i tänkläge, mot 1 miljon tokens på MAI Code 2 i VS Code och Copilot CLI

• Utdatabudget — publiceras inte av Microsoft, mot en budget på 262 144 token som delas mellan resonemang och svar på Qwen4-Max

• Vikter — ingen av dem är nedladdningsbar. Microsoft säger detta explicit; Qwen4-Max:s Max-nivå har inget åtagande om öppna vikter, till skillnad från 27B-nivån i samma familj

Raden för cachad indata avgör långa agentkörningar, och den talar emot huvudbudskapet. Qwen4-Max cache-läsning är 5 % av dess eget indatapris, och dess publicerade räkneexempel – en utdata på 8 000 token plus ett prefix som läses två gånger – gör tre identiska körningar till $0.918 jämfört med $1.908 utan cachelagring. Ett team som håller en fast systemprompt och ett verktygsschema framför en föränderlig fråga får en betydligt större effektiv rabatt än indatapriset antyder. MAI Code 2:s cacherabatt på 95 % på en lägre bas är av jämförbart slag, men Microsoft publicerar ingen avgift för cache-skrivning, vilket gör de två korten svåra att jämföra på den enda dimension där agentiska arbetsbelastningar lägger större delen av sina pengar.

Utmatningsbudgeten krympte på vägen mot allmän tillgänglighet

Det minst rapporterade faktumet om Qwen4-Max:s GA är att förhandsversionen gav det mer utrymme att tänka. I förhandsversionen var den gemensamma budgeten för tänkande och svar 393 216 token; i GA är den 262 144. Utdata utan tänkande är begränsad till 131 072. En tredjedel av marginalen försvann i samma stund som modellen fick en riktig prislista och fem nya regioner.

Om det är en regression beror på din arbetsbelastning, men det är en dokumenterad förändring som alla som fortfarande pekar en config mot förhandsgranskningssträngarna behöver känna till, eftersom de strängarna tas ur bruk om nio dagar. Identifieraren qwen4-max är den som överlever.

MAI Code 2:s motsvarighet är inte publicerad. Microsoft dokumenterar ett kontextfönster på 1 miljon token och konfigurerbara resonemangs­nivåer – Copilot-dokumentationen bekräftar att resonemangsdjupet är justerbart och noterar att det utökade kontextet är en funktion i VS Code och Copilot CLI – men det finns inget utdatatak i något Microsoft-dokument, så det finns inget att jämföra med siffran 262 144. Den asymmetrin genomsyrar hela den här jämförelsen: Qwen4-Max berättar de besvärliga siffrorna, och MAI Code 2 berättar de smickrande.

Vad de oberoende betygen säger, från den enda sidan som har dem

Artificial Analysis listar Qwen4-Max på 43 i Intelligence Index v5.0.1, med en kostnad på 3,27 USD per indextask vid 32,1 minuter per uppgift, 55 tokens per sekund i utdata och 155,4 sekunder till den första svartoken, över ett kontextfönster som den uppmäter till 984k. Det är siffror i mittenfältet. Noteringen om verbositet på samma sida är den mer användbara läsningen: modellen genererade ungefär dubbelt så många utdatatokens som medianmodellen under indexkörningen, så dess nominella tokenpris underskattar den verkliga kostnaden per uppgift.

MAI Code 2 har ingen rad alls hos Artificial Analysis – ingen modellsida, alltså ingen indexavläsning. Det som finns är Microsofts lanseringsinlägg: fyra namngivna benchmarkar, varav tre körs på företagets interna MSBench-plattform via GitHub Copilot CLI med subagenter inaktiverade vid maximal resonemangsansträngning, den fjärde hämtad från Artificial Analysis, och resultaten uttrycks som 96 % av Claude Opus 5.5:s prestanda till 5 % av kostnaden och 98 % av GPT-6.1 Sol:s till 40 %. Ingen passeringsgrad per benchmark publiceras.

Jämför dem ärligt och du kan inte rangordna de två. Qwen4-Maxs 43 på ett neutralt index är medelmåttigt; MAI Code 2:s kvoter är starka på sina egna villkor; de mäter olika saker i olika testramverk och ingen av leverantörerna har kört den andras. Det man kan säga är att Qwen4-Maxs siffra är granskningsbar och MAI Code 2:s inte är det, vilket är ett uttalande om bevis snarare än om förmåga.

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.

Verben som varje modell tränades att utföra

Microsofts positionering för MAI Code 2 är snäv och specifik: att ta kod till produktion, djupgående felsökning, implementering i flera filer, repoövergripande resonemang, UI-arbete samt instrumentpaneler och visualisering. Lanseringinlägget är lika specifikt om gränserna – modellerna är "uttryckligen ännu inte trimmade för svårare problem, som grundläggande vetenskaplig forskning och agentiskt arbete med mycket lång horisont" – och påståendet från den blinda frontend-utvärderingen, 64 % granskares preferens framför GPT-6 Sol, är begränsat till exakt den visuella kodningsstyrkan.

Qwen4-Max:s positionering är bredare till sin konstruktion, och dess dokumentation visar det: text-, bild- och videoinmatning, strukturerad utdata, parallella verktygsanrop, prefixkomplettering, webbsökning samt både explicit och implicit cachelagring, över OpenAI Chat Completions, OpenAI Responses, Anthropic Messages och DashScope. Batchinferens finns endast i Peking, och endast Batch File-vägen omfattas av rabatten — Batch Chat listas till realtidspriset, så ordet "batch" i ett slutpunktsnamn är ingen prisgaranti där.

Det är den praktiska asymmetrin mellan en kodningsmodell och en generell modell. MAI Code 2 är förmodligen bättre på det den byggdes för, och Microsoft har interna benchmarkar som de inte visar dig. Qwen4-Max kommer att göra många fler saker, och Alibabas egen oberoende bedömning säger att den bara är kompetent på kodningshalvan.

Var man ska köra var och en, och vad en router egentligen är till för här

MAI Code 2 är tillgänglig i GitHub Copilot för Pro, Pro+, Max, Business och Enterprise, på Windows, macOS och Linux, i Copilot CLI och Visual Studio Code. MAI Code 2 Flash är den enda modellen i familjen med ett API-gränssnitt – en förhandsversion med begränsad åtkomst i Microsoft Foundry via ett OpenAI-kompatibelt Responses API. Qwen4-Max finns på Alibabas egen plattform i sex regioner. Ingen av dem finns i OrcaRouters katalog i dag, så inget påstående om att routa dem skulle vara sant.

Det katalogen däremot innehåller är Qwen3.8-Max för $2,00 och $6,00 i Singapore — modellen Qwen4-Max är 25 % billigare än den på både in- och utprissidan — plus de frontlinjemodeller du skulle jämföra en billig kodare mot: Claude Opus 5.5, Kimi K3.1 Pro, Gemini 4 Carbon. Allt till leverantörens listpris med 0 % påslag, allt med en och samma nyckel. Det spelar roll för en specifik typ av beslut: om du avser att välja mellan MAI Code 2 och Qwen4-Max genom att köra båda på dina egna repon, behöver jämförelsen en kontroll, och kontrollen är mätbar i dag medan ingen av kandidaterna är det.

Routningsargumentet som håller när det möter dessa två modeller är inte "att sätta båda bakom en enda endpoint". Det är att den endpoint du faktiskt kontrollerar är där reservlösningen finns. En pipeline som anropar Qwen3.8-Max kan växla över till en andra leverantör utan kodändring; en Copilot-plats kan inte växla över till något, eftersom det inte finns något under den att routa.

Hur väljer man utan ett gemensamt jämförelsemått

Välj Qwen4-Max om modellen måste svara på en begäran som din kod konstruerar. Det är hela argumentet och det är avgörande: ett API med fyra protokoll och sex regioner mot en post i modellväljaren är ingen jämn match för något automatiserat. Migrera bort från förhandsvisningssträngarna före 25 november, budgetera för den utförlighet som indexkörningen blottade, och budgetera för ett utdatatak en tredjedel mindre än förhandsversionens.

Ta MAI Code 2 om utvecklarna redan är i Copilot och arbetet är den rutinmässiga företagsreparation som Microsoft har prissatt det för. Till en tredjedel av Qwen4-Max indatapris och drygt hälften av dess utdatapris kan till och med en modell som behöver ett andra försök vinna på kostnad per slutförd uppgift – och till skillnad från Qwen4-Max har dess kampanjpris ett angivet slutdatum i stället för ett öppet kort som du inte kontrollerar.

Välj ingen av dem om arbetsbelastningen kräver en poäng som du kan försvara inför en upphandlingskommitté. Den ena modellen har ett medelmåttigt oberoende omdöme; den andra har inget oberoende omdöme alls. I den situationen är det försvarbara draget att köra den av dem du kan anropa mot en modell som finns med på en neutral resultattabell, på dina egna uppgifter, och jämföra kostnaden för slutförda uppgifter i stället för tokenpriset.

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.

Det som skulle ändra domen är ett enda absolut tal från Microsoft. En godkännandegrad i Terminal Bench 2.1, publicerad på samma sätt som Moonshot publicerade 65,7 % på Terminal-Bench 4.0, skulle låta en köpare placera MAI Code 2 på samma axel som Qwen4-Maxs 43 och sluta förlita sig på en kvot. Fram till dess står valet mellan en modell du kan mäta och en rabatt du kan verifiera, och det ärliga rådet är att välja den mätbara för allt automatiserat och rabatten för allt där en människa sitter framför.