
Qwen4-Max kallades en Opus 5.5-besegrare: Indexet placerar den 16 poäng efter
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 90 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 96 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 87 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 133 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 120 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 219 tok/s
Lanseringsdagens dom om Qwen4-Max var att den slår Claude Opus 5.5 och både GPT-6.1 Sol och GPT-6 Astra, och bara ligger efter Claude Fable 5.2. Tre av dessa fyra jämförelser går i motsatt riktning på den enda resultattavla som körde alla fem modellerna genom samma nio utvärderingar. Artificial Analysis Intelligence Index v5.0.1, avläst den 16 november 2026 — dagen då Qwen4-Max började säljas — placerar Qwen4-Max på 43, Claude Opus 5.5 på 59, GPT-6 Astra på 57, GPT-6.1 Sol på 55 och Claude Fable 5.2 på 65. Sexton poäng efter modellen som den sades slå, fjorton efter den näst billigaste av de tre och tolv efter den tredje. Den fjärde jämförelsen, den där Fable 5.2 ligger i täten, är den enda delen av påståendet som klarar kontakten med testramverket.
Den klyftan är värd att plocka isär i stället för att avfärda, eftersom påståendet inte är påhittat. Det är vad man får när en jämförelse sätts ihop av inställningar för resonemangsansträngning som inte matchar, och missmatchningen råkar alltid gå i en riktning. Nedan: vad Alibaba faktiskt publicerade, vad resultattavlan visar på varje steg i varje stege, den enda avläsning under vilken påståendet blir bokstavligen sant, och den siffra som trackern inte har alls för Qwen4-Max.
Vad Alibaba publicerade, och vad de inte publicerade
Det första man måste skilja på är leverantörens lanseringsmaterial och kommentarerna kring det. Alibabas eget blogginlägg om Qwen4-Max, daterat den 16 november 2026, nämner ingen konkurrerande modell vid namn någonstans i sina 3 100 ord. Varje jämförelse i det görs mot Qwen3.8-Max, företagets eget tidigare flaggskepp. Det är normalt för ett lanseringsinlägg och det är ingen kritik – men det betyder att den konkurrensinriktade ramen inte kom från leverantören, och varje påstående i omlopp om att den "slår Opus" är en slutsats som någon annan har dragit.
Det som leverantören faktiskt hävdar, allt leverantörsrapporterat och inte reproducerat:
• Arkitektur — en stomme med 2,4 biljoner parametrar på en ny Qwen4-arkitektur, med inbyggd vision och ett kontextfönster på en miljon tokens.
Tokeneffektivitet jämfört med Qwen3.8-Max – 24 % färre tokens vid Xhigh-ansträngning och 35 % färre vid High på Alibabas Work360-benchmark, samt 48 % och 49 % färre på Terminal-Bench 4.0.
• Kostnad per uppgift jämfört med Qwen3.8-Max — i genomsnitt från $4.43 ned till $1.67, en minskning med 62 %, där de största sänkningarna gällde prissättningen för cachad indata.
• Work360-poäng — 52,69 mot 47,74 för Qwen3.8-Max.
Inget av dem är en jämförelse mellan laboratorier, och inget kan kontrolleras mot en konkurrents publicerade siffror, eftersom de mäts på benchmarkar som leverantören själv sätter poäng på. Den oberoende siffran kom samma dag från ett annat håll.
Vad den oberoende testriggen läser
Artificial Analysis v5.0.1 är ett sammansatt mått bestående av nio utvärderingar – AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset och Terminal-Bench-Science 0.1 – som körs av trackern, inte av labben. I den ligger Qwen4-Max 43 på plats 38 av 81 modeller, lite över fältets median på 41. Det är en respektabel debut för en förstagenerationsarkitektur. Den är inte en ledare, och de fyra modeller som den placerades över ligger alla före den:
• Claude Opus 5.5 — 59 vid Max, 57 vid Xhigh, 52 vid High, 48 vid Medium, 35 vid Low. Släppt 22 september 2026.
• GPT-6 Astra — 57 vid Max, 55 vid Xhigh, 55 vid High, 52 vid Medium, 43 vid Low. Släppt 3 september 2026, kunskapsgräns april 2026.
• GPT-6.1 Sol — 55 vid Max, 52 vid Xhigh, 50 vid High, 46 vid Medium, 35 vid Low. Släpptes 29 september 2026.
• Claude Fable 5.2 — 65 på Max, 62 på Xhigh, 62 på High, 56 på Medium, 54 på Low. Släppt 9 november 2026.
• Qwen4-Max — 43, publicerad som en enda siffra utan någon stege för olika ansträngningsnivåer. Utgiven 16 november 2026.
Den sista asymmetrin är hela historien. Qwen4-Max är en resonemangsmodell, och trackern betygsätter dess konkurrenter vid fem separata resonemangsinställningar medan den betygsätter Qwen4-Max vid en. Vilken inställning som än gav 43 jämförs med Opus 5.5:s, Astras och Sols starkaste, och trackern talar inte om hur mycket utrymme som finns under den. Så "43 mot 59" är inte en jämförelse på lika villkor av de två modellernas tak — det är Qwen4-Max enda uppmätta inställning mot Opus 5.5:s bästa.
Den enda tolkning under vilken påståendet är sant
Läs stegarna nedåt, så slutar påståendet vara falskt och börjar bli vilseledande, vilket är ett mer intressant misslyckande. Qwen4-Max 43 besegras inte av varje steg hos varje motståndare. Det klarar eller tangerar det nedersta steget hos tre av de fyra:
• Mot Claude Opus 5.5 – 43 slår Low-lägets 35 med åtta poäng och förlorar mot Mediums 48 med fem. Övergången ligger mellan Low och Medium.
• Mot GPT-6 Astra — 43 är exakt lika med Astras Low-inställning på 43, och förlorar mot Mediums 52 med nio.
• Mot GPT-6.1 Sol — 43 slår Sols Low-inställning på 35 med åtta poäng och förlorar mot Mediums 46 med tre. Det här är det jämnaste avgörandet på tavlan.
• Mot Claude Fable 5.2 – 43 förlorar mot varje steg, inklusive Low-inställningens 54, med elva poäng. Det finns ingen inställning av Fable 5.2 som Qwen4-Max når.
Så en jämförelse som ställde Qwen4-Max mot konkurrenter som körde på Low effort skulle ge exakt den rapporterade ordningen för Opus 5.5 och Sol, exakt det rapporterade oavgjort-eller-bättre-resultatet mot Astra och exakt den rapporterade förlusten mot Fable 5.2. Det är en sammanhängande, självkonsistent uppsättning resultat, och det är den enda uppsättningen på den här harnessen som ger den ordning som cirkulerar. Oavsett om någon satte ihop den medvetet eller kom fram till den genom att jämföra en standardkonfiguration mot en lägsta inställning, landar aritmetiken där.
Den praktiska konsekvensen är den del som spelar roll för alla som läser en lanseringstråd snarare än en resultattavla: vid samma resonemangsinsats ligger Qwen4-Max ungefär ett steg efter GPT-6.1 Sol och två steg efter Claude Opus 5.5. Det är en genuint konkurrenskraftig debut. Det är inte en ledning, och det är långt ifrån "överträffar"-formuleringen.

Kostnad per uppgift skiljer två påståenden från ett
Kapacitet är bara hälften av vad lanseringssnacket hävdade, och vad gäller pengar är bilden mer fördelaktig för Qwen4-Max — för två av de tre modellerna, och inte den tredje.
• Listpris – Qwen4-Max kostar 1,50 USD per miljon indatatoken och 4,50 USD per miljon utdatatoken, med 95 % cacherabatt och en blandad taxa på 0,80 USD per miljon. Den blandade taxan är den lägsta av alla fem modellerna här: GPT-6.1 Sol ligger på 1,47 USD, Claude Opus 5.5 på 2,94 USD, Claude Fable 5.2 på 5,74 USD och GPT-6 Astra på 7,70 USD.
Kostnad per slutförd uppgift – Claude Fable 5.2: 26,54 $, Claude Opus 5.5: 10,04 $, GPT-6 Astra: 6,24 $, Qwen4-Max: 3,27 $, GPT-6.1 Sol: 1,27 $. Alla med respektive modells Max-inställning.
• Inversionen – Qwen4-Max har den lägsta kombinerade taxan på listan och den tredje billigaste uppgiften. Den slår Claude Opus 5.5 per uppgift med en faktor tre och GPT-6 Astra med ungefär två, och förlorar mot GPT-6.1 Sol med en faktor på 2,6.
Mekanismen är mångordighet, och trackern mäter det direkt: Qwen4-Max genererade 127 miljoner utdatatokens när den slutförde indexet, mot ett medianvärde i fältet på 78,6 miljoner, och klassas som mycket mångordig. En modell som skriver 60 % mer än medianen gör av med sin prisfördel på det. Alibabas egna siffror för tokenminskning på 24–35 % är verkliga förbättringar jämfört med Qwen3.8-Max och säger ingenting om hur mångordig modellen är i absoluta tal, vilket är siffran som hamnar på en faktura.
Så kostnadsdelen av påståendet faller tydligt ut. ”Billigare att köra än Opus 5.5 och Astra” är sant per uppgift, med god marginal, och är det starkaste i den här artikeln för Qwen4-Max. ”Billigare än GPT-6.1 Sol” är falskt per uppgift med en faktor 2,6, trots att Qwen4-Max sammanvägda taxa är 46 % lägre. Den som budgeterade utifrån prislistan och fick motsatt resultat på fakturan har hittat samma gap.
Siffran som trackern inte har
En kolumn på Qwen4-Max-sidan är tom på ett sätt som förtjänar att uppmärksammas. Artificial Analysis redovisar tid per uppgift för varje modell som listas här – Claude Opus 5.5 på 24,9 minuter på Max, GPT-6 Astra på 20,9, GPT-6.1 Sol på 22,9, Claude Fable 5.2 på 41,8 – och anger N/A för Qwen4-Max, med tidsdiagrammet försett med anteckningen "Inget offentligt tillgängligt API".
Läs den annoteringen noga innan du drar en slutsats av den, eftersom det inte är ett påstående att modellen inte kan anropas. Alibaba publicerar priser per token för Qwen4-Max och i lanseringsinlägget står det att API-priserna sänktes jämfört med Qwen3.8-Max, och trackern listar själv Alibaba Cloud som modellens leverantör och anger en kostnad på 3,27 USD per uppgift. En modell med en prislista, en leverantör och en uppmätt kostnad per uppgift har ett API. Den mer sannolika tolkningen är att tidmätningen inte gick att få fram via den väg trackern använde, och sidan säger inte vilken det var. Trackerns egen FAQ på samma sida säger att modellen "är tillgänglig via API genom 1 leverantör", vilket inte heller stämmer överens med diagrammets annotering.
Det som återstår av oklarheten är snävare men fortfarande användbart: det finns ingen oberoende latenssiffra för Qwen4-Max den dag den lanserades, medan varje modell den jämförs med har en. Om din arbetsbelastning är latenskänslig väljer du utifrån en siffra som ingen har publicerat ännu, och det ärliga förhållningssättet är att mäta den själv innan du binder en produktionsväg till den.

Vad håller måttet i lanseringspåståendena
Tre av de sakpåståenden som cirkulerar håller och är värda att sägas rakt ut, eftersom en faktakontroll som bara drar ifrån inte är någon faktakontroll:
• Kontextfönstret – annonserat till en miljon tokens, uppmätt av trackern till 984 000. Det är en riktig miljontokenmodell, inte en avrundad 200K.
• Inbyggd vision – trackern registrerar text- och bildinmatning med textutmatning, vilket stämmer med leverantörens beskrivning ”native vision” snarare än en påbyggnadskodare som skruvats fast på en textmodell.
• Prissänkningen – 1,50 och 4,50 dollar per miljon jämfört med Qwen3.8-Max högre prislista, och den lägsta blandade taxan bland de fem modeller som jämförs här. Riktningen för prisberättelsen är inte omtvistad.
Det som inte håller är rangordningen, och rangordningen är den del som upprepades mest.
Vad ska man göra med detta på lanseringsdagen?
Det användbara draget med en modell som den här är inte att välja sida i argumentet utan att hålla valmöjligheten billig. Qwen4-Max är en förstagenerationsarkitektur till ett genuint lågt styckpris med ett oberoende resultat i mitten av fältet och ingen latenssiffra – en profil som belönar ett test och straffar en migrering.
Det är vad routing är till för. Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol och Claude Fable 5.2 är alla routade via OrcaRouter till respektive leverantörs listpris med 0 % påslag, så en ändring av leverantörens pris gäller samma dag och beräkningen per uppgift ovan förblir aktuell utan ett andra avtal eller en SDK-ändring. Qwen4-Max är inte routad via OrcaRouter – den nås via Alibabas eget Model Studio API och flera tredjepartsplattformar, och den här artikeln tänker inte låtsas något annat. Det routing ger dig i den situationen är jämförelsen: de fyra modellerna som den mättes mot ligger bakom en nyckel över 200+ modeller, så att benchmarka Qwen4-Max mot dem är en konfigurationsändring på ena sidan staketet i stället för inköp på båda.
Och om Qwen4-Max faktiskt förtjänar en plats, automatisk failover är det som gör det säkert att sätta en icke uppmätt modell i en skarp driftväg — förfrågan faller vidare till en modell vars latens du faktiskt känner till, i stället för att misslyckas när den nya är långsam eller otillgänglig på det sätt som dess saknade svarstidssiffra antyder att den kan vara.

Lanseringsdagens inramning var att en billig kinesisk modell hade hoppat förbi två amerikanska flaggskepp. Vad testriggen faktiskt visar är en välprissatt modell ett steg efter den billigaste av dem och två steg efter den bästa, med en verklig bildförmåga, ett verkligt fönster på en miljon token och ingen publicerad hastighet. Det är en bättre produkt än påståendet fick den att låta och en sämre placering, och skillnaden mellan dessa två saker är exakt avståndet mellan en tråd och en resultattavla.
Jämförda i den här artikeln2
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
