Ett genererat titelkort med texten Qwen4-Max vs MiMo v2.6 Pro, med underrubriken Tretton poäng, tolv gånger notan, och tre chips som visar kostnad per uppgift $3.27 mot $0.26, index v5.0.1 43 mot 30, och vikter stängda mot MIT.
Guides & Insights

Qwen4-Max vs MiMo v2.6 Pro: Tretton indexpoäng för tolv gånger så hög kostnad

Författare

jinhao.song

Publiceringsdatum

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

MiMo v2.6 Pro is the cheapest model in this whole family of comparisons and Qwen4-Max is not, which sounds like the beginning of a price argument and is actually the end of one. Xiaomi's flagship lists at $0.435 per million input tokens and $0.87 per million output. A​libaba's lists at $1.50 and $4.50 in Singapore. On output that is 5.2×, and on Artificial Analysis's measured cost per finished Intelligence Index task the spread is wider still: $0.26 for MiMo v2.6 Pro against $3.27 for Qwen4-Max, or 12.6×.

Det som gör att det inte är hela historien är att poängraden rör sig i samma riktning. Qwen4-Max får 43 på Index v5.0.1; MiMo v2.6 Pro får 30. Så frågan som den här sidan måste besvara är inte vilken som är billigare — inget hos de två modellerna är oklart om det — utan om tretton indexpoäng är värt tolv gånger pengarna, och för vilka uppgifter svaret vänder.

Vad varje modell är, och vem som kan köra den

MiMo v2.6 Pro is the flagship checkpoint of Xiaomi's M​iMo-V2.6 series: a sparse mixture of experts with roughly 1.02 trillion parameters in total and 42 billion active per token, 70 layers of which 60 are sliding-window and 10 global, 384 routed experts with 8 activated, a 1M-token context and 128,000 tokens of output. It accepts text, image, video and audio in one model — a 681M-parameter vision encoder and a separate audio tokenizer handle the non-text side — and it is omnimodal in a way Qwen4-Max is not. The weights are on Hugging Face under MIT, ungated, and a 5-layer multi-token-prediction drafter is bundled for speculative decoding.

Qwen4-Max is the closed flagship of A​libaba's Qwen 4 line, generally available since 16 November 2026: 2.4 trillion parameters total, 71 billion active per token plus 328 billion of N-gram embedding parameters, Gated DeltaNet and a sparse attention indexer in the architecture, a 1M-token context with a 991,808-token input ceiling and 262,144 tokens shared between thinking and the answer. Input is text, image and video. Output is text. There are no weights at any price.

Den sista meningen är den strukturella skillnaden, och den väger tyngre än alla benchmarks på den här sidan. En av modellerna kan du hyra från en leverantör. Den andra kan du hyra, ladda ner, finjustera, kvantisera, köra på din egen hårdvara, låsa vid en version som du kontrollerar och fortsätta använda även efter att leverantören ändrar sina priser eller avvecklar slutpunkten. För en reglerad köpare eller ett team som har drabbats av en avveckling är det inte en rad i funktionslistan – det är hela beslutet, och det gör indexgapet till en sekundär faktor.

Resultattavlan, med tokenantalen som förklarar den

Alla siffror nedan är från Artificial Analysis på Index v5.0.1 vid varje leverantörs högsta ansträngningsinställning, eller från leverantörernas egna kort. Inget av det återges här.

• Index — Qwen4-Max 43 mot MiMo v2.6 Pro 30. Tretton poäng, och båda ligger i mitten av en resultattavla vars median är 43.

• Indatapris — 1,50 USD i Singapore och 1,413 USD på andra håll för Qwen4-Max jämfört med 0,435 USD för MiMo v2.6 Pro.

• Utpris — $4.50 mot $0.87. 5,2× är den största enskilda multiplikatorn i jämförelsen och den som de flesta granskningar av prislistor inleder med.

• Cache-läsning — $0,075 per miljon för Qwen4-Max mot $0,0036 för MiMo v2.6 Pro. Tjugoett gånger billigare på den enda kostnadspost som dominerar långa agentkörningar.

• Kostnad per indextask — 3,27 $ mot 0,26 $. Faktorn 12,6× är större än något av prisförhållandena, eftersom Qwen4-Max också genererar något färre tokens (127M mot 131M) till en mycket högre taxa.

• Tid per indexuppgift – 32,1 minuter mot 34,6, vid en median på 11,5 minuter. Båda beskrivs av trackern som anmärkningsvärt långsamma; det finns inget hastighetsargument att föra här.

• Utdatashastighet — 54,5 tokens per sekund mot 58,3. I praktiken likvärdigt, och båda ligger klart efter intervallet 85 till 172 som de slutna flaggskeppen håller sig inom.

• Kontext och utdata – 1 M indata för båda. Qwen4-Max begränsar utdata i icke-tänkande läge till 131 072 och delar 262 144 mellan resonemang och svar; MiMo v2.6 Pro anger 128 000 som fast gräns.

• Modalitet — text, bild, video för Qwen4-Max; text, bild, video och ljud för MiMo v2.6 Pro.

• Vikter – inga vs MIT, utan åtkomstbegränsning, på Hugging Face, med startrecept för SGLang och vLLM publicerade på kortet.

A screenshot of the Artificial Analysis page for MiMo-V2.6-Pro captured 18 November 2026 with an English interface, showing the Xiaomi provider tag and an open-weights badge, an Intelligence Index score of 30, $0.43 input and $0.87 output per million tokens, $0.26 per task, 131M output tokens, 58 tok/s, 34.6 minutes per task and a 1M context window.

Tretton punkter, rätt prissatta

The lazy reading of a 12.6× per-task gap against a thirteen-point index gap is that Xiaomi is selling capability at a fraction of the price and A​libaba is charging a brand premium. That reading is wrong, but so is the reflex correction that thirteen index points always justify any multiplier.

Börja med vad en poäng köper. Intelligence Index är ett viktat medelvärde av nio utvärderingar inom agentiskt kunskapsarbete, terminalkodning, programvaruutveckling med öppen källkod, dokumentresonemang, fysik och vetenskapliga arbetsflöden. En modell på 43 klarar medianen; en modell på 30 gör det inte, och felbeteendet vid 30 är vanligtvis inte "fel svar" utan "klarar de enkla 70 % och ger upp på de svåra 30 %" – långa kedjor av verktygsanvändning, refaktoreringar över flera filer, frågor som kräver tre stegs aritmetik på extraherade värden. Om din arbetsbelastning är retrieval, klassificering, extrahering eller sammanfattning, är det exakt de uppgifter där gapet krymper och MiMo v2.6 Pro:s pris vinner rakt av. Om din arbetsbelastning är en autonom agent som gör tjugo verktygsanrop mot ett system i drift, förstärks gapet för varje steg, och en modell som överger kedjan vid fjortonde turen har kostat dig hela körningen oavsett vad tokens kostar.

Sätt sedan priset på multiplikatorn ordentligt. Vid $3,27 per indexuppgift mot $0,26 är tusen agentkörningar om dagen $3 270 mot $260, eller ungefär $90 000 i månaden mot $7 200. Det är siffran som avgör om de tretton poängen är överkomliga, och det är också siffran som gör jämförelsen orättvis mot Xiaomi, eftersom de körningar som Qwen4-Max slutför och MiMo v2.6 Pro överger inte är samma tusen körningar. En kostnad per uppgift jämför bara lika med lika när båda modellerna slutför.

A generated two-column scoreboard titled Qwen4-Max vs MiMo v2.6 Pro - the scoreboard, with six rows reading index 43 against 30, cost per task $3.27 against $0.26, input price $1.50 against $0.435, output price $4.50 against $0.87, cache read $0.075 against $0.0036, and weights closed against MIT, ungated.

Raden där MiMo v2.6 Pro vinner på förmåga, inte pris

Ljud. MiMo v2.6 Pro stöder det inbyggt, via en AudioTokenizer på 308M och en audio patch-kodare på 127M, i samma modell som hanterar text, bild och video. Qwen4-Max dokumenterar text-, bild- och videoindata, men ingen ljudväg. För en pipeline som transkriberar och resonerar kring samtalsinspelningar, mötesljud eller sändningsmaterial utesluter just den raden Qwen4-Max oavsett pris, och det gör den på en modell som kostar 0,87 USD per miljon utdatatokens.

De öppna vikterna spelar samma praktiska roll för en annan köpare. Ett team som behöver en fast checkpoint för granskning, en domänfinjustering, en lokal driftsättning eller en kostnadsstruktur helt utan mätare per token kan ta MiMo v2.6 Pros arkiv och sluta betala någon. Det alternativet finns inte på Qwen-sidan, och inga mängder indexpoäng kan ersätta det.

Där den billiga modellens datablad blir tunnare

Två rader på MiMo-kortet är värda att uppmärksamma eftersom det är de som kostar pengar senare.

Det första är utdatataket. Ett fast tak på 128 000 tokens fungerar bra för chatt och analys men är klent för generering med lång avkodning – ett enda syntesjobb på 200 000 tokens trunkeras, och trunkering i en agentisk körning innebär vanligtvis ett nytt försök snarare än ett kortare svar. Qwen4-Max delade budget på 262 144 är inte heller generös, men den är dubbelt så stor som taket.

Det andra är specifikationsbladets egen konsekvens. MiMo-kortet beskriver sin drafter för spekulativ avkodning både utifrån antal lager och utifrån hur många tokens den förutspår per framåtpassning, och endast det förstnämnda förekommer i arkitekturtabellen. Det är en liten sak, och det är den sorts lilla sak som avslöjar att kortet har satts ihop i all hast. Xiaomi publicerar inte heller någon egen siffra för genomströmning eller minne för checkpointen; varje hastighetssiffra som cirkulerar, inklusive de 58,3 tokens per sekund ovan, kommer från en tredje part som mäter hårdvara som inte är din.

Qwen4-Max har det motsatta problemet: ett mycket komplett leverantörskort med en påfallande frånvarande kunskapsavskärning, på en modell som säljs för förståelse av dokument och video. Båda korten kräver samma disciplin – lita på arkitekturen, testa beteendet.

Kör jämförelsen utan att fördubbla arbetet

OrcaRouter carries MiMo v2.6 Pro as xiaomi/mimo-v2.6-pro, at Xiaomi's list price with 0% markup passed through, on the same key and the same OpenAI-compatible endpoint as the rest of the catalogue. It does not carry Qwen4-Max, which is available through A​libaba's own Model Studio API and several third-party platforms.

A screenshot of the OrcaRouter model page for xiaomi/mimo-v2.6-pro captured 18 November 2026 with an English interface, showing the Xiaomi breadcrumb, the xiaomi/mimo-v2.6-pro identifier, text, image, video and audio input with vision, audio, tools, JSON and reasoning, a 131K max output, and a description of it as the flagship of the open-source MiMo V2.6 family.

Den asymmetrin är faktiskt praktisk för just det här beslutet, eftersom det första ett team bör göra inte är att välja mellan dessa två över huvud taget — det är att fastställa om de tretton punkterna spelar roll för teamets egna prompts. MiMo v2.6 Pro är tillräckligt billigt på den här plattformen för att köras som baslinje över en verklig eval-uppsättning utan en budgetdiskussion: vid $0,26 per indexuppgift kostar en genomgång på 5 000 prompts mindre än en teamlunch. Kör det först, titta på var det misslyckas och avgör sedan om det är de misslyckandena som Qwen4-Max extra kapacitet åtgärdar. Routing DSL gör svaret operativt — skicka de klasser som MiMo hanterar till MiMo och resten någon annanstans — och automatisk redundansväxling innebär att den billiga modellen kan vara standardvalet utan att vara den enda vägen.

The comparison, stated once and without hedging: MiMo v2.6 Pro is the correct default for anything with a price ceiling, anything that needs audio, anything that must run on your own hardware, and anything where a 12.6× cost advantage outweighs thirteen index points. Qwen4-Max is the correct choice for agentic work where abandoned chains are the failure mode, for jobs that need more than 128,000 tokens of output, and for teams that want A​libaba's regional metering — $1.413 and $4.24 in Frankfurt, Virginia and Tokyo, with batch inference in Beijing. Neither is a mistake. The mistake is picking on the rate card, where the answer looks obvious and the arithmetic that matters is 12.6× against thirteen points, not $0.87 against $4.50.

Jämförda i den här artikeln1

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