Ett genererat titelkort med texten "Qwen4-Max vs DeepSeek V4.1 Pro" och underrubriken "Den ena har ett priskort. Den andra har en mening i en ändringslogg.", över tre kort: Qwen4-Max med 1M kontext och $1,50 / $4,50 per 1M; DeepSeek V4.1 Pro utan modell-ID och utan pris, inget kort; DeepSeek V4 Pro till $0,66 / $1,98 per 1M med AA-index 23. En sidfot lyder "Siffrorna för Qwen4-Max enligt Alibaba och Artificial Analysis; DeepSeek V4.1 Pro är inte släppt per den 16 november 2026."
Guides & Insights

Qwen4-Max vs DeepSeek V4.1 Pro: Den ena har en prislista, den andra har en klausul

Författare

jinhao.song

Publiceringsdatum

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

Qwen4-Max började debiteras den 16 november 2026: 1,50 USD per miljon indatatoken och 4,50 USD per miljon utdatatoken i Singapore, ett kontextfönster på 1 000 000 token, inbyggd bild- och videoinmatning och ett Artificial Analysis Intelligence Index på 43 – 38:e av 81 modeller på den listan. DeepSeek V4.1 Pro har ingen modellidentifierare, ingen prisrad, inget kontextfönster, ingen benchmark och inga vikter, eftersom DeepSeek aldrig har släppt den. Det enda offentliga dokumentet som nämner den är versionsinformationen för DeepSeek V4.1 Flash från den 10 september 2026, där det stod att förfrågningar till deepseek-v4-pro från och med den 14 september skulle dirigeras till V4.1 Flash "tills V4.1-Pro lanseras" – en plan som DeepSeek drog tillbaka efter att utvecklare protesterat mot att en produktionsmodell byttes ut under dem. Två månader senare har namnet fortfarande ingenting bakom sig. Så jämförelsen som är värd din eftermiddag är inte Qwen4-Max mot en modell som inte finns; det är Qwen4-Max mot DeepSeeks flaggskepp som faktiskt finns.

Vad levererades den 16 november, i de siffror en köpare använder

Alibabas pressmeddelande beskriver Qwen4-Max som den första modellen på Qwen4-arkitekturen: en gles mixture-of-experts med 2,4 biljoner backbone-parametrar, 71 miljarder aktiverade per token, plus ytterligare 328 miljarder i N-gram-inbäddningsparametrar som slås upp i stället för att multipliceras. Tre Gated DeltaNet-lager komprimerar historiken till ett tillstånd med fast storlek för varje Qwen Sparse Attention-lager, och fyra residualgrenar med dynamiska läs- och skrivgrindar håller samman den djupa stapeln. Det är leverantörens förklaring till varför kostnaden för lång kontext sjunker; det är en förklaring, inte en mätning.

• Kontext — ett fönster på 1 000 000 token, med ett tak för indata på 991 808 token i icke-tänkandeläge och 983 616 i tänkandeläge. Artificial Analysis anger modellen till 984k, vilket är samma fönster mätt från andra hållet.

• Utdata — 131 072 token utan tänkande; i tänkandeläge delar resonemang och svar en gemensam budget på 262 144 token. reasoning_effort accepterar low, high och xhigh, och om du utelämnar det får du high.

• Pris, Singapore — 1,50 $ in, 4,50 $ ut per miljon. Cache-läsningar till 0,075 $, cache-skrivningar till 1,875 $ för fem minuter eller 3,00 $ för en timme.

Pris, överallt annars — $1,413 in, $4,24 ut i Frankfurt, Virginia, Tokyo, Hong Kong och Peking. Samma modell, 5,8 % billigare per token än Singapore-kortet.

• Jämfört med sin egen föregångare — Qwen3.8-Max listas till $2,00 och $6,00 i Singapore, så minskningen mellan generationerna är 25 % på båda sidor av mätaren.

• Modalitet och gränssnitt — text, bild och video in, text ut; OpenAI Chat Completions, OpenAI Responses, Anthropic Messages och DashScope; batchinferens endast i Peking.

Alla dessa siffror är A​libabas egna. Den enda oberoende siffran som finns tillgänglig i dag är AA Index på 43, vilket placerar Qwen4-Max över tavlans median på 41 och under frontier-nivån. Kostnaden för att köra det indexet en gång är 3,27 dollar, med ett blandpris på 0,80 dollar per miljon, och den genererade 127 miljoner utdatatokens när den gjorde det – mångordig, men inte exceptionellt mångordig.

Vad namnet V4.1 Pro faktiskt består av

Mindre än ett stycke. DeepSeeks meddelande den 10 september introducerade DeepSeek V4.1 Flash, en mixture-of-experts-modell med 552 miljarder parametrar på en ny Causal Encoder-Decoder-arkitektur som aktiverar 8 miljarder parametrar under prefill och 16 miljarder under decode, läser bilder, hanterar en kontext på 1M tokens och 384K utdata och släpptes under MIT-licensen. I samma meddelande skrev DeepSeek att V4 Pro-trafik skulle flyttas till Flash enligt Flash-taxor "tills V4.1-Pro lanseras." Utvecklarna tolkade det som ett avvecklingsbesked för en modell som de körde i produktion; DeepSeek backade från routingplanen och fortsatte att erbjuda deepseek-v4-pro med oförändrad fakturering.

Det som har framkommit sedan dess går inte att verifiera. DeepSeeks prissida listar i dag exakt två modeller som tillhandahålls: deepseek-flash, som mappar till DeepSeek-V4.1-Flash-1017, och deepseek-v4-pro, som mappar till DeepSeek-V4-Pro-0813. Det finns ingen sträng deepseek-v4.1-pro i API-referensen, ingen rad i prislistan, och det nyaste repositoriet i organisationen deepseek-ai på Hugging Face är fortfarande V4.1 Flash. Bevakare som publicerar ett datum för den publicerar en uppskattning; en nedräkningssida som delats brett anger den 12 november 2026 som en ”uppskattad utgivning”, och det datumet passerade utan tillkännagivande.

Så den ärliga tolkningen av namnet är följande: det är en nivå som DeepSeek har beskrivit i prosa och inte har byggt något offentligt ovanpå. V4-generationen är det enda beviset för hur nivån skulle se ut – DeepSeek V4 Pro är en mixture-of-experts-modell med 1,6 biljoner parametrar, 49 miljarder aktiva, endast text, 1M kontext, 384K utdata, MIT-licens – och en V4.1 Pro skulle förmodligen ärva den nya arkitekturen och inbyggd vision. Förmodligen. Leverantörens eget påstående att Flash ”överträffar på alla punkter” V4 Pro när det gäller prestanda, kostnad och hastighet gör syftet med Pro-nivån i V4.1-serien genuint oklart, vilket är en märklig position för en flaggskeppsmodell att tillkännages i.

A generated two-column scoreboard titled 'Qwen4-Max vs DeepSeek V4 Pro — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, output 262,144 thinking plus answer, price per 1M $1.50 / $4.50, modality text, image and video, AA Index 43, cost per task $3.27. DeepSeek V4 Pro: context 1,048,576 tokens, output 384,000 tokens, price per 1M $0.66 / $1.98, modality text only, AA Index 23, cost per task $1.77. Footer: 'Price and context vendor-reported; AA Index and cost per task per Artificial Analysis v5.0.1.'

Matchen du kan köra idag: Qwen4-Max mot DeepSeek V4 Pro

Tar man bort versionsnumret från D​eepSeek-sidan har man en riktig tävling, eftersom DeepSeek V4 Pro 0813 är en anropbar, prissatt flaggskeppsmodell med öppna vikter. Båda sidorna nedan är leverantörernas publicerade siffror; indexkolumnen är Artificial Analysis v5.0.1, den enda raden där de två siffrorna har tagits fram med samma testramverk.

• Pris per miljon — Qwen4-Max $1,50 in / $4,50 ut (Singapore) jämfört med DeepSeek V4 Pro $0,66 / $1,98 off-peak, vilket fördubblas till $1,32 / $3,96 under vardagliga högtrafikfönster 01:00–04:00 och 06:00–10:00 UTC.

• Kontext och utdata — 1 000 000 tokens med en budget på 262 144 tokens för tänkande plus svar, jämfört med 1 048 576 tokens med upp till 384 000 utdatatokens.

• Modalitet – text, bild och video som indata kontra endast text. Detta är den enskilt största funktionella skillnaden mellan dem, och det är inte ens nära.

{{1}}Stomme{{/1}} — 2,4T totalt, 71B aktiva, plus 328B i N-gram-inbäddningar jämfört med 1,6T totalt, 49B aktiva. Parameterantal förutsäger träningskostnad, inte token-effektivitet; behandla dem som arkitekturanteckningar.

• Oberoende index — 43 mot 23 vid D​eepSeeks Max effort-inställning, med 21 på High och 13 utan resonemang. Tjugo poäng är en generationsformad klyfta, inte en inställningsformad.

• Oberoende kostnad per indextask — $3,27 vs $1,77. Notera riktningen: D​eepSeek vinner på kostnad, med ungefär 1,8×, enligt utvärderarens egen tokenredovisning.

• Mångordighet — 127M utdatatokens i hela indexet jämfört med en siffra som D​eepSeeks sida rapporterar per uppgift snarare än totalt; den jämförelse som spelar roll är kostnad per slutförd uppgift, inte tokens per token.

• Vikter — proprietära, endast API vs MIT, nedladdningsbara i 48 safetensors-shards.

• Cache-ekonomi — Qwen4-Max tar $1,875 per miljon för att skriva en femminuters cachepost och $0,075 för att läsa den, en rabatt på 95 %; D​eepSeek tar inget uttryckligt betalt för att skriva och $0,022 per miljon för att läsa, en rabatt på 97 %. D​eepSeeks cache är både billigare och automatisk, vilket spelar större roll än den officiella taxan för agentarbetsbelastningar.

Kostnadsberäkning av ett långkontextjobb på båda mätarna

Ta ett kodbasprefix på 300 000 token, tio turer arbete mot det, 4 000 output-tokens per tur, tänkande påslaget och ett prefix som är stabilt över turerna. Det här är aritmetik på publicerade listpriser, inte en uppmätt körning.

• Qwen4-Max, Singapore, utan cache — 300 000 indatatoken till $1,50 per miljon är $0,45 per tur; tio turer är $4,50. Utdata är 4 000 token till $4,50 per miljon, $0,018 per tur, $0,18 över tio. Totalt $4,68.

• Qwen4-Max med cachen som gör sitt jobb – en skrivning till $1.875 per miljon, $0.5625, sedan nio läsningar till $0.075 per miljon, $0.0225 styck, $0.2025. Indata faller till $0.765, utdata ligger kvar på $0.18. Totalt $0.945, en 3,8× minskning för en enda rad begärandekonfiguration.

• DeepSeek V4 Pro, off-peak, utan cache — 300 000 indatatoken till $0,66 per miljon är $0,198 per tur, $1,98 för tio. Utdata till $1,98 per miljon är $0,00792 per tur, $0,0792 totalt. Totalt $2,06.

• DeepSeek V4 Pro med cacheträffar – första omgången kostar $0,198; de nio senare omgångarna läses till $0,022 per miljon, $0,0066 vardera. Indata landar på nära $0,257, utdata $0,079. Totalt $0,336. Under högtrafikfönstren, dubbla det.

Två slutsatser överlever aritmetiken. För det första kostar Qwen4-Max till listpris ungefär 2,8 gånger vad DeepSeek V4 Pro kostar för den här typen av jobb, med eller utan cache. För det andra stänger A​libabas påstående att Qwen4-Max använder 24 % till 35 % färre tokens än Qwen3.8-Max inte en klyfta på 2,8 gånger; även en generös tokenbesparing på 35 % lämnar Qwen4-Max på ungefär dubbla kostnaden per slutförd uppgift. Leverantörens egen jämförelse på 4,43–1,67 dollar per uppgift är en jämförelse mot den egna tidigare generationen, inte mot D​eepSeek.

Vad skulle göra V4.1 Pro till en riktig motståndare

Tre publicerade artefakter, och det är samma tre som har signalerat varje D​eepSeek-släpp. En changelog-post som namnger modellen, eftersom det är där både V4.1 Flash och V4 Pro 0813 tillkännagavs. Ett repository i deepseek-ai-organisationen med V4.1-Pro i namnet, vilket är där vikterna skulle hamna om nivån följer familjens MIT-konvention. Eller en tredje kolumn på prissidan, som i dag har exakt två modeller på sig. Fram till att något av detta förändras är varje specifikationsblad du läser för D​eepSeek V4.1 Pro – parameterantal, kontext, pris, poäng – extrapolerat från V4-generationen och bör läsas så.

Det finns en sak till att hålla koll på som inte är en artefakt utan ett påstående: D​eepSeek säger att Flash slår V4 Pro när det gäller prestanda, kostnad, hastighet och total uppgiftstid. Om det håller i sig i V4.1-generationen måste en V4.1 Pro motivera sig med något annat än "större" — och det mest sannolika svaret är det som ingen har publicerat, nämligen att den blir den multimodala nivån för långa tidshorisonter snarare än den billiga.

Att få endera bakom en enda tangent

OrcaRouter tillhandahåller inte Qwen4-Max. Det finns inte i katalogen med fler än 200 modeller från och med den 16 november, och ingen närliggande listning gör att det blir så; den ärliga vägen till Qwen4-Max i dag är A​libabas eget Model Studio API och flera tredjepartsplattformar. Det vi däremot tillhandahåller är D​eepSeek-delen av den här sidan, till leverantörens listpris som förs vidare utan påslag: deepseek/deepseek-v4-pro-0813 till $0,66 in och $1,98 ut per miljon, 1M kontext, 384K utdata, de O​penAI-, Responses- och Anthropic-kompatibla slutpunkterna, med lågtrafik- och högtrafikfönstren som gäller exakt så som D​eepSeek publicerar dem.

Den asymmetrin är den praktiska poängen med den här jämförelsen. Du kan lägga DeepSeek V4 Pro på nyckeln du redan har och mäta den i eftermiddag. Det kan du inte göra med Qwen4-Max här ännu, och att låtsas något annat vore den sorts påstående som kostar ett team en vecka. Vad ett routinglager däremot ger dig under tiden är ett billigt blandat läge: DeepSeek V4 Pro som bär volymen till listpris, en skuggslicing av trafiken som skickas direkt till A​libaba för Qwen4-Max, och en enda plats där de två fakturorna läses sida vid sida. När en modell väl landar i katalogen är att flytta en procentandel av trafiken till den en routingregel snarare än en integration, och automatisk failover innebär att en obeprövad modell kan sitta bakom en beprövad utan att bli en enskild felpunkt sin första dåliga eftermiddag.

A screenshot of the OrcaRouter model page for DeepSeek V4 Pro 0813 at the identifier deepseek/deepseek-v4-pro-0813, showing the $0.66 input and $1.98 output prices, the Tools, JSON and Reasoning capability tags, the attribution to DeepSeek, and the description of a 1M-token context window with up to 384K output tokens, thinking and non-thinking modes with low, high and max reasoning effort, and native support for the Responses API.

Beslutet framför dig den här veckan

Om du behöver den starkaste modellen du kan anropa i dag och kostnaden är begränsningen, är DeepSeek V4 Pro svaret till $0,66 och $1,98, och indexgapet på tjugo punkter till Qwen4-Max är priset för den rabatten – ett verkligt pris, inte ett avrundningsfel. Om din arbetsbelastning har video eller bilder på ingångssidan kan DeepSeek V4 Pro inte göra det alls, och Qwen4-Maxs inbyggda vision plus ett fönster på 1M är värt 2,8× även innan man räknar in de Work360-agentpåståenden som A​libaba har publicerat och som ingen har reproducerat.

Om det du faktiskt ville ha var D​eepSeek V4.1 Pro, är svaret att det inte finns någon sådan modell att vänta på, bara en klausul i en ändringslogg från september som D​eepSeek inte har agerat på. Bygg mot det som finns; håll bytet billigt; och kontrollera prissidan för D​eepSeek en gång i månaden, eftersom det är sidan som kommer att ändras först.

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).

Jämförda i den här artikeln3

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen