
Qwen4-Max vs Kimi K4: Den ena släpptes den här veckan, den andra har aldrig släppts alls
- 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 · 152 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
Sök efter Kimi K4 och du hittar en mängd texter om en modell som inte existerar. Sök efter Qwen4-Max och du hittar, från och med den 16 november 2026, en modell som du kan anropa med en publicerad prislista, sex regioner och en dokumentationssida med tidsstämpeln 09:46 den morgonen. Det är inte jämförbara saklägen, och att behandla dem som två sidor i en duell är det enskilt vanligaste misstaget i den här delen av marknaden. Så den här sidan har två uppgifter: den slår fast vad Kimi K4 är – ett namn utan modellkort, API-identifierare, vikter, pris och utan någon utannonsering bakom sig – och sedan genomför den den jämförelse som en läsare faktiskt kan agera utifrån, mellan Qwen4-Max och Kimi K3.1 Pro, modellen som Moonshot AI släpper i dag och den modell med öppna vikter som får högst poäng på Artificial Analysis Intelligence Index.
Den andra jämförelsen är mer intressant än den du skrev in, eftersom det är den enda platsen där Qwen4-Max möter en modell som slår den på uppmätt kapacitet men förlorar mot den i pris. Det är också jämförelsen som visar varför den saknade Qwen4-Max-benchmarken är dyr: mot Kimi K3.1 Pro finns ett riktigt tal på ena sidan av tabellen och en tom plats på den andra.

Kimi K4-kontrollen, utförd i öppen dager
Påståenden om att något inte har släppts förlorar kraft, så här är bevisen i stället för domen. Moonshot AI:s prisdokumentation för utvecklare av Kimi API anger kimi-k3.1-pro och kimi-k3 som modellerna i K3-serien, med ett kontextfönster på 1 048 576 token, samt K2-serien, som samma sida säger kommer att vara helt avvecklad i slutet av december 2026. Ingen identifierare för kimi-k4 förekommer. Plattformens modellista innehåller ingen sådan. Labets egen bloggindex innehåller inget K4-inlägg. En sökning i repon under organisationen moonshotai ger inget resultat över K3.1 Pro.
Det enda artefakt som dyker upp för namnet är en tredjepartsåteruppladdning på Hugging Face, skapad i juli 2026, med en handfull nedladdningar, ingen dokumentation och en uppsättning taggar som kopierats rakt av från Kimi K3. Det är inte en Moonshot-artefakt och den här sidan behandlar den inte som en sådan. Ett levererat Moonshot-flaggskepp lämnar ett kontrollerbart spår inom några dagar – ett modellkort med ett parameterantal, en rad i prislistan, en API-identifierare, en post på en resultattabell. Ett namn som inte har lämnat något av det är inte en tyst lansering; det är ett namn.
Det är värt att säga rakt ut, eftersom inramningen av den här sidan skulle kunna misstolkas: att K4 inte har släppts säger ingenting om Moonshots utvecklingsbana. Labbet har släppt två modeller på fyra månader, och den andra av dem, K3.1 Pro den 24 oktober 2026, är det bästa resultatet för modeller med öppna vikter på det aktuella indexet. Nästa modell är en fråga om när, inte om. Det är helt enkelt inte nu.
Vad blev Qwen4-Max den här veckan?
Fram till 16 november fanns Qwen4-Max endast som qwen4-max-preview: en uthyrning endast via Token Plan som öppnades kl. 10:00 UTC+8 den 11 november, med ett publicerat avvecklingsdatum kl. 24:00 den 25 november och inget pris per token någonstans. GA-modellen är en annan identifierare, qwen4-max, med betalning per användning, sex regioner – Singapore, Peking, Hongkong, Frankfurt, Virginia och Tokyo – och inget utgångsdatum.
Den publicerade specifikationen är en kontext på 1 000 000 token, en maximal utdata på 131 072 token i icke-tänkande läge, en delad budget på 262 144 token för tänkande plus svar, text-, bild- och videoindata samt utdata endast i text. Tänkande är aktiverat som standard med en budget på 131 072 token och resonemangsansträngning inställd på hög. API:et talar OpenAI Chat Completions, OpenAI Responses, Anthropic Messages och DashScope, vilket innebär att ett befintligt Anthropic SDK som pekas mot en ny bas-URL fungerar utan att skrivas om. Finjustering och modelldriftsättning dokumenteras som icke stödda, och inga vikter publiceras.

Qwen4-Max mot den Kimi du faktiskt kan anropa
Kimi K3.1 Pro var en post-träningsrelease snarare än en ny arkitektur: Moonshot beskriver den som Kimi K3 omtränad med betydligt mer beräkningskraft för efterträning, inklusive storskalig gemensam förstärkningsinlärning över hundratals nedströmsdomäner. Kontextfönstret är oförändrat på 1 048 576 token, bild- och videoindata är oförändrade och taket för utdata är oförändrat på 1M token. Det som förändrades mest avgörande var priset: 2,00 USD per miljon indatatoken och 10,00 USD per miljon utdatatoken, ned från K3:s 3,00 USD och 15,00 USD.
• Inputpris — Qwen4-Max $1.50 per 1 miljon i Singapore, $1.413 på andra håll, jämfört med Kimi K3.1 Pro $2.00
Pris för utdata – Qwen4-Max $4.50 i Singapore, $4.24 på andra håll, jämfört med Kimi K3.1 Pro $10.00
• Cacheläsning – Qwen4-Max $0,075 efter en femminuters skrivning för $1,875, jämfört med Kimi K3.1 Pro $0,20 efter en skrivning för $2,00
• Kontext — Qwen4-Max 1 000 000 tokens mot Kimi K3.1 Pro 1 048 576 tokens, en fördel på 4,6 % för Kimi
• Maximal utdata — Qwen4-Max 131 072 utan tänkande, jämfört med Kimi K3.1 Pros tak på 1 miljon tokens, en stor fördel för Kimi
• Oberoende poäng – Qwen4-Max opublicerad, jämfört med Kimi K3.1 Pro 46,5 på Artificial Analysis Intelligence Index v5.0.1, det bästa resultatet för öppna vikter på listan
• Vikter – för Qwen4-Max har inga publicerats, jämfört med Kimi K3.1 Pro:s förälder K3 som är öppen under en anpassad licens
• Leverantörsbenchmark — Qwen4-Max: ingen, jämfört med Kimi K3.1 Pro på 65,7 % på Terminal-Bench 4.0, enligt leverantören
Raden för utpris är den som förändrar en budget. Med $4,50 mot $10,00 är Qwen4-Max 55 % billigare på utdata i Singapore och 58 % billigare i de övriga regionerna. En pipeline som genererar 50 miljoner utdatatoken i månaden betalar $225 på Qwen4-Max och $500 på Kimi K3.1 Pro. Det är en verklig skillnad, och det är det starkaste enskilda argumentet för den nyare modellen.
Det är raden för utdatataket som kan omkullkasta det. Kimi K3.1 Pro genererar en miljon tokens i ett svar; Qwen4-Max har ett tak på 131 072 utanför tänkandeläget och 262 144 som delas med tänkandeläget. Om din arbetsbelastning omfattar att generera långa dokument, omskrivningar av hela filer eller utökade resonemangsspår i ett enda anrop, kan den billigare modellen kanske inte slutföra jobbet oavsett pris, och en rabatt på 55 % på en begäran som måste delas upp i åtta anrop är ingen rabatt.
Varför tomrummet i poängkolumnen är det som säger allt
Varje modelljämförelse som den här bloggen publicerar stöter på samma vägg när det gäller nya Alibaba-flaggskepp: dokumentationen är ovanligt exakt om mekaniken och helt tyst om kvaliteten. Sidan för Qwen4-Max anger standardtemperaturen i varje läge, top-p- och top-k-värdena, tänkbudgeten, de exakta övre gränserna för in- och uttoken per läge samt de sex regionerna med deras driftsättningsomfattningar. Den publicerar ingen benchmarktabell, vare sig leverantörsrapporterad eller på annat sätt, och det finns ingen Qwen4-post i modellindexet Artificial Analysis – URL:en för den enskilda modellen returnerar en 404.
Jämfört med Kimi K3.1 Pro har den asymmetrin en specifik konsekvens. Kimi-sidan har ett förstapartsnummer som alla kan se och ett oberoende nummer på samma indexversion, och båda ligger i toppen av listan över öppna vikter. Qwen-sidan har ett pris och ett specifikationsblad. En köpare som jämför dem jämför inte två modeller; de jämför en uppmätt modell med en dokumenterad, och det enda sättet att överbrygga den klyftan är att mäta den själva.
Vilket är billigare att göra än det låter. Hundra promptar hämtade från din egen trafik, körda på båda, till dessa priser, kostar några dollar. Det är hela utvärderingsbudgeten som krävs för att förvandla Qwen4-Max från en okänd till en känd storhet för din arbetsbelastning – och det är mindre än kostnaden för en enda vecka av att gissa fel om outputpriset.
Det enda stället där de två designerna skiljer sig som mest
Moonshots K3-arkitektur bygger på Kimi Delta Attention, en linjär attention-mekanism med ett återkommande tillstånd av fast storlek, i 69 av dess 92 glesa lager. Den konstruktionen är det som gör en kontext på 1 miljon token överkomlig att betjäna, och det är också anledningen till att oberoende utvärderare avfärdar förstapartspåståenden om lång kontext i hela branschen: hybrider med linjär attention tenderar att tappa några poäng på needle-in-a-haystack-återvinning jämfört med full attention. Qwen publicerar inget om Qwen4-Max attention-design, så det går inte att veta vilken sida av den avvägningen den står på.
Det Qwen faktiskt publicerar är en implementering för promptcachning med explicita och implicita lägen och en fem minuters cacheskrivning till $1,875 per miljon mot en läsning på $0,075 – en rabatt på 96 % på läsningen. Kimis motsvarighet är $2,00 för skrivning och $0,20 för läsning, en rabatt på 90 %. Båda designerna belönar ett stabilt prefix och bestraffar en prompt som ändras varje tur, och ingen av dem ändrar aritmetiken för en engångsförfrågan.
För arbete med dokument med lång kontext — den arbetsbelastning båda leverantörerna säljer — är det praktiska testet detsamma oavsett modell: bygg ett nåltest på din egen korpus innan du litar på det marknadsförda fönstret. En modell som svarar korrekt vid 900K tokens på dina data är värd mer än en som svarar korrekt vid 1M på ett syntetiskt benchmark, och bara ett av dessa två tal går att känna till utan din egen testrigg.
Anropar dem sida vid sida
OrcaRouter tillhandahåller Kimi K3.1 Pro som kimi/kimi-k3.1-pro till Moonshots listpris – $2,00 in och $10,00 ut per miljon – som förmedlas utan påslag, på samma OpenAI-kompatibla bas-URL som resten av en 215-identifierarekatalog, med både /v1/chat/completions- och /v1/responses-endpoints. Qwen4-Max finns inte i den katalogen i dag; det är tillgängligt via Alibabas eget API, där den regionala prislistan ovan gäller.

Anledningen till att hålla båda tillgängliga i stället för att välja en är att beslutet mellan dem formas av arbetsbelastningen, inte av modellen. Arbete med långa genereringar vill ha Kimis utdatatak. Generering i hög volym där svaren är korta vill ha Qwen4-Max utdatapris. Allt där ett felaktigt svar är dyrt vill ha modellen med ett poängresultat tills du har tagit fram ett poängresultat för den andra. En routingpolicy uttrycker det som regler i stället för som ett arkitekturbeslut, och automatisk redundansväxling ser till att den nyare av de två inte blir en enskild felpunkt medan du fortfarande samlar bevis.
Var detta lämnar sökningen du började med
Om du kom hit för Kimi K4 är svaret att det inte har lanserats, att ingenting om det har tillkännagivits, och att modellen att utvärdera i dag är Kimi K3.1 Pro – som enligt det aktuella indexet är den starkaste open-weights-modellen som finns tillgänglig för alla. Håll utkik efter ett model card snarare än ett rykte: ett dokument som innehåller parametrar, kontext, pris och en API-identifierare tillsammans är den signal som den här bloggen har använt hela året för att skilja en lanserad modell från ett namn i omlopp.
Om du kom för Qwen4-Max-sidan är svaret att den är verklig, att den har ett pris och att den är billig i exakt en dimension som spelar roll – utdatatokens – men har ett tak på en bråkdel av vad Kimi-modellen kommer att producera i ett enda svar och inte har något kvalitetsmått alls. Köp den där utdatavolym dominerar och svaren är korta. Testa den innan du köper den någon annanstans. Och behandla gapet mellan $4,50 och $10,00 som en inbjudan att köra din egen utvärdering, eftersom det är det enda talet i den här jämförelsen som för närvarande är gratis.
Jämförda i den här artikeln1
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
