
Qwen4-Max sänker kostnaden per uppgift med 67 %: var besparingen faktiskt kommer ifrån
- 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 · 97 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 · 119 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
En benchmarkfaktura är en märklig artefakt: det enda offentliga dokument som prissätter en modells vanor. Artificial Analysis publicerar vad det kostade att köra Qwen4-Max genom sitt Intelligence Index – $3.27 per uppgift – och publicerar den prislista som användes för att komma dit. Dividera det ena med det andra och du får fram något som labbet aldrig säger rakt ut: hur många tokens Qwen4-Max faktiskt lägger på att tänka. Gör samma sak med Qwen3.8-Max, modellen den ersätter, och minskningen på 67 % i kostnad per uppgift delas prydligt upp i två tal som de flesta rapporteringar om lanseringen den 16 november slår ihop. Ungefär hälften av besparingen är en prissänkning. Den andra hälften är att Qwen4-Max pratar mindre. Och den post som nu dominerar dess räkning är inte den som rubrikpriset antyder.
Leverantörens egen sammanfattning är korrekt men komprimerar det intressanta. Qwen4-Max, uppger Alibaba på sin lanseringssida, använder ungefär 24 % färre tokens än Qwen3.8-Max vid Xhigh effort och 35 % färre vid High på Work360, samt 48 % respektive 49 % färre på Terminal-Bench 4.0; den genomsnittliga kostnaden per uppgift på Work360 sjunker från 4,43 USD till 1,67 USD, en minskning med 62 %. Det är företagets egna siffror på företagets egna benchmarkar. Den oberoende beräkningen nedan når 67 % på en annan benchmark via en annan väg, vilket är den användbara sortens överensstämmelse: två metoder, samma riktning, liknande storleksordning.
Vad den oberoende resultattavlan faktiskt säger
På Artificial Analysis får Qwen4-Max 43 poäng på Intelligensindex, jämfört med 34 för Qwen3.8-Max, en ökning med 27 % i uppmätt kapacitet. Samma sida anger priset för de två modellerna till 1,50 USD per miljon indatatokens och 4,50 USD per miljon utdatatokens, mot 2,00 och 6,00 USD – en jämn rabatt på 25 % åt båda hållen. Cachad indata är där rabatten är dramatisk: 0,075 USD per miljon mot 0,25 USD, en sänkning med 70 %, och rabattsatsen för cacheträffar går från 87,5 % till 95 %.
Kostnaden per uppgift i Intelligence Index, viktad över alla nio utvärderingar i indexet, hamnar på 3,27 USD mot 10,02 USD. Dividerar man kostnaden med poängen vidgas gapet: Qwen4-Max levererar en poäng uppmätt kapacitet för under åtta cent, Qwen3.8-Max för omkring trettio. Det är siffran att hålla fast vid om den enda frågan är vilken modell man ska flytta en arbetsbelastning till – kapacitet per dollar förbättrades med ungefär tre fjärdedelar, inte med de 67 % som kostnaden per uppgift ensam antyder.
Inverterar räkningen för att återställa tokenantalen
Artificial Analysis delar upp kostnaden per uppgift i komponenter: indata till full taxa, cache-skrivning, cache-läsning och utdata, där utdata dessutom delas upp i resonemangstoken och svarstoken. Det publicerar också priserna. Dividera varje komponent med dess pris så får du antalet token. Metoden validerar sig själv på en rad – utdatakomponenten dividerad med $4,50 blir 104 940 token per uppgift, och sidan rapporterar separat 104 939,8 utdatatoken per uppgift för Qwen4-Max. Exakt överensstämmelse till decimalen, på en rad som beräknats på två olika sätt.
Alla övriga rader ärver den tillförsikten, med ett antagande som öppet redovisas: att cacheskrivningar debiteras till fullt indatapris, vilket är vad beräkningarna för båda modellerna antyder snarare än något som någon av leverantörerna uttryckligen dokumenterar.
Vad faller ut, per uppgift i Intelligence Index:
• Utdata-token – Qwen4-Max 104 940 mot Qwen3.8-Max 170 794, en minskning med 39 %.
• Resonemangstoken – 68,914 mot 119,698, en minskning med 42 %. Tankebudgeten krympte betydligt mer än svarsbudgeten.
• Svarstokens – 36 025 mot 51 096, en minskning med 30 %. Qwen4-Max lägger nu 66 % av sin utdata på resonemang i stället för de 70 % som dess föregångare lade; det är inte bara kortare, det är annorlunda proportionerat.
• Cache-lästa tokens – cirka 14,9 miljoner mot 22,7 miljoner, en minskning med 34 %. Detta är de återspelade kontexttokens som dominerar alla långa agentiska körningar.
• Cache-skrivningstokens – cirka 1,11 miljoner mot 1,66 miljoner, en minskning med 33 %.
Två saker sticker ut. För det första är tokenminskningen inte koncentrerad till det synliga svaret, där en användare skulle lägga märke till ordrikedom, utan till resonemanget och till den återspelade kontexten, där ingen tittar. För det andra är tokenvolymerna per uppgift enorma i absoluta tal – fjorton miljoner cacheläsningar per uppgift – vilket säger vad Intelligence Index faktiskt mäter: långsiktigt arbete med en stor beständig kontext, inte frågor och svar i en enda tur.

Dela upp de 67 % i pris och beteende
Kostnaden är priset multiplicerat med volymen, så minskningen kan delas upp på ett renodlat sätt. Om Qwen3.8-Max:s tokenvolymer prissätts enligt Qwen4-Max:s priser kostar en uppgift 4,97 USD i stället för 10,02 USD – enbart prisändringen står för en minskning på 50 %. Tillämpar man även Qwen4-Max:s beteende hamnar den på 3,27 USD, ytterligare 34 % lägre än det som återstod. Multiplicerat ger 0,496 gånger 0,658 = 0,326: den observerade minskningen på 67 %, helt förklarad, utan något kvar.
Vilken hälft som förtjänar äran beror på i vilken ordning du räknar in den, och det är värt att säga det i stället för att välja den smickrande siffran. I procenttermer står priset för ungefär 50 % och tokendisciplinen för ungefär 34 %. I dollar – 6,76 $ sparade per uppgift totalt, 5,06 $ från prissatser och 1,70 $ från volym – står priset för tre fjärdedelar. Båda inramningarna är korrekta; de besvarar olika frågor. Om du prognostiserar nästa kvartals utgifter är prislistan den större och säkrare hävstången. Om du frågar om modellen verkligen är mer ekonomisk, är de 34 % som kommer från att använda färre tokens den mer varaktiga, eftersom en prissänkning kan rullas tillbaka men en arkitektur inte.
Riktningen i leverantörens egna siffror bekräftar uppdelningen utan att någon ens har bett om det. Alibaba tillskriver minskningen båda faktorerna i samma andetag, och dess 62 % på Work360 ligger nära de 67 % som uppmätts oberoende på Intelligence Index – två testramverk, två uppsättningar uppgifter, en slutsats.
Radposten som i tysthet blev den största
Det är här rubrikpriset är missvisande. Tidigare utgjorde cacheläsningar 57 % av räkningen och cacheskrivningar 33 %. Efteråt är cacheskrivningar 51 % och cacheläsningar 34 %. Modellen blev billigare på varje rad, men rabatten var snedvriden – 70 % rabatt på cacheläsningar, 25 % rabatt på cacheskrivningar – och den kastade om rangordningen för de två största kostnaderna.
Cache-skrivningar debiteras enligt input-priset, 1,50 dollar per miljon, tjugo gånger cache-läsningspriset på 0,075 dollar. En arbetsbelastning som skriver om sin kontext oftare än den spelar upp den betalar nu för den vanan i den dyraste valutan på prislistan. Detta är den praktiska konsekvensen av prisförändringen som lanseringsbevakningen till stor del missade, och den talar för det oglamorösa arbetet: stabila promptprefix, långlivade sessioner, färre återuppbyggnader av hela kontexten. På Qwen3.8-Max spelade de vanorna mindre roll eftersom uppspelning var tillräckligt dyrt för att dominera räkningen ändå.
Lärdomen sträcker sig bortom den här modellen. När en leverantör sänker priset på en tokenklass långt mycket mer än på andra, förändras den optimala promptarkitekturen i takt med det, och räkningen du får är en eftersläpande indikator på den arkitektur du byggde för föregående kort.

Effektiviteten är relativ, och den absoluta siffran är inte smickrande.
En minskning av utdatatokens med 39 % låter som en slimmad modell. Satt i relation till fältet är den en slimmare version av en mycket pratsam sådan. Under hela indexkörningen genererade Qwen4-Max 127 miljoner utdatatokens; medianmodellen genererar 78,6 miljoner. Qwen3.8-Max genererade 150 miljoner. Båda Qwen-modellerna ligger långt åt det ordrika hållet, och Qwen4-Max flyttade sig bara från 1,9 gånger medianen till 1,6 gånger den.
Det är inte en motsägelse av effektivitetsanspråket – det är den korrekta tolkningen av det. Anspråket är att Qwen4-Max får ett bättre resultat än sin föregångare samtidigt som den förbrukar färre tokens, och båda delarna stämmer. Det är inte ett påstående att modellen är tystlåten, och varje budgetmodell som bygger på antagandet att en högpresterande modell måste vara kortfattad kommer att ha fel med god marginal. Om utdatavolymen driver din kostnad minskar en övergång till Qwen4-Max antalet och ändrar inte kategorin.
Leverantörens förträningssiffror pekar i samma riktning på ett annat lager. I interna BPB-utvärderingar är Qwen4-Max-Base 5–13 % bättre än Qwen3.8-Max-Base inom varje domän samtidigt som den aktiverar 25 % färre parametrar – arkitekturen gör mer arbete per beräkningsenhet, vilket är förenligt med en modell som behöver färre tokens för att nå en slutsats. Huruvida stommen med 2,4 biljoner parametrar, de 71 miljarder aktiverade parametrarna och de extra 328 miljarder N-gram-inbäddningsparametrarna är anledningen är en förklaring från leverantören, inte en mätning som någon utanför Alibaba har reproducerat.
Vad saknas i kostnadsbilden
Svarstiden, till exempel. Intelligence Index-kortet anger tiden per uppgift som inte tillämplig för Qwen4-Max; för Qwen3.8-Max är den 48,1 minuter mot en median på 13,3 minuter, ett av de långsammaste uppmätta resultaten. En modell som är 67 % billigare per uppgift och tar en okänd mängd väggklockstid per uppgift har inte jämförts fullt ut med något. Billiga tokens som man måste vänta på är en annan produkt.
Leverantörsbredd, som ett annat exempel. Priset bakom varje siffra ovan är ett enda förstapartspris från Alibaba Cloud, och modellen finns för närvarande hos endast en värd. Det finns ingen andra källa för arbitrage, så prislistan är priset. Och Qwen3.8-Max är nu markerad som föråldrad till förmån för Qwen4-Max och benchmarkas var artonde timme i stället för var sjätte, vilket innebär att jämförelsebaslinjen uppdateras långsammare än modellen som mäts mot den.

Gör matematiken till en budget du har kontroll över
Två hävstänger följer av uppdelningen, och de är oberoende. Den första är pris: en prislista du inte kan förhandla är fortfarande en prislista du kan runda, vilket är fallet när du betalar listpris och inget däröver. OrcaRouter för vidare leverantörernas listpriser med 0 % påslag, så en leverantörsprissänkning av det slag Alibaba gjorde den 16 november når din faktura samma dag i stället för vid nästa avtalsförnyelse – och storleken på just denna sänkning, särskilt de 70 % på cachad indata, är precis den typ av förändring som ett arrangemang med direkt vidarebefordran synliggör i stället för att tyst absorbera.
Den andra hävstången är volym, och det är den som modellen inte kan skapa åt dig. Routing-DSL:en komponerar flera modeller till ett enda anrop, så huvuddelen av en pipeline kan köras på en billig modell medan den svåra svansen – uppgifterna som verkligen behöver en MoE med 2,4 biljoner parametrar – skickas till en som har den. Den uppdelningen är hur du fångar den 34-procentiga beteendeutdelningen utan att betala frontier-priser för arbete som aldrig behövde dem, och det är det naturliga svaret på en arbetsbelastning där fjorton miljoner kontexttoken per uppgift är normalt.
Att vara exakt om vad vi erbjuder och inte erbjuder: Qwen4-Max finns inte i vår katalog från och med den 16 november 2026. Den Qwen-modell vi dirigerar i dag är qwen/qwen3.8-max, föregångaren som den här artikeln använder som baslinje. För ett team som vill testa om tokenminskningen håller för den egna trafiken innan de binder sig, är automatisk failover det lågriskalternativet – dirigera en del av trafiken, håll reservlösningen aktiv och jämför verkliga trafikspår i stället för benchmarkuppgifter.
Vad skulle ändra den här läsningen
Artificial Analysis publicerar aggregerade tokenantal per modell, och den här artikeln härleder volymer per uppgift från dess kostnadskomponenter. Om testramverket ändrades mellan de två körningarna – olika uppgiftsmixar, en annan viktning – skulle en del av minskningen av utdata med 39 % kunna bero på ramverket och inte på modellen. Den exakta avstämningen på utdataraden talar emot detta, men utesluter det inte, och alla som har egen trafik bör behandla de härledda siffrorna som en hypotes att testa snarare än ett faktum att planera utifrån.
Leverantörens Work360-siffror har ett annat förbehåll, som Alibaba själva anger: två av kontrollpunkterna i BPB-jämförelsen är eftertränade snarare än basmodeller, vilket försvagar en jämförelse på lika villkor. Kostnadsminskningen på 62 % för Work360 påverkas inte av det, eftersom den jämför levererade modeller på en fast uppsättning uppgifter, men påståendena om förträning bör läsas med det i åtanke.
Det som överlever allt detta är svarets form snarare än dess precision. En lansering som ramas in som en prissänkning är också, och ungefär lika mycket, en förändring i hur mycket modellen gör av med för att nå ett svar — och den andra halvan är den del som en konkurrent inte kan kopiera genom att justera en prislista. Det är siffran att hålla ögonen på när de mindre Qwen4-modellerna lanseras, för om token-disciplinen är arkitektonisk kommer den att följa med dem, och om den var en egenskap hos just den här checkpointen kommer den inte att göra det.
