Ett genererat titelkort i 16:9 som lyder "Qwen4-Max vs Reflection Beam", med undertexten "$1.20 utdata mot $4.50, och vikterna som avgör det", med tre rundade kort: $1.20 mot $4.50 per miljon utdatatokens, Apache 2.0-vikter mot inga, och en oberoende poäng på 17.7 mot en opublicerad tom plats. OrcaRouter-logotyp nere till höger.
Guides & Insights

Qwen4-Max vs Reflection Beam: $1.20 utdata mot $4.50, och vikterna som avgör det

Författare

jinhao.song

Publiceringsdatum

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

Reflection Beam 1.0 genererar en miljon utdatatokens för $1.20 via sitt eget API. Qwen4-Max tar $4.50 för samma miljon i Singapore, $4.24 i Frankfurt, Virginia, Tokyo, Hong Kong och Beijing. Det är en skillnad på 3,75× till fördel för den öppna viktmodellen, och det är den sortens siffra som avslutar de flesta jämförelser innan de ens börjat. Den avslutar inte den här, eftersom de två modellerna inte är samma typ av produkt: Reflection Beam 1.0 är en sparse mixture-of-experts-modell med 501 miljarder parametrar och Apache 2.0-vikter som du kan ladda ner och köra på fyra GPU:er, och Qwen4-Max är en sluten Alibaba-flaggskeppsmodell som blev allmänt tillgänglig med en publicerad prislista den 16 november 2026 och inte publicerar några vikter alls. Den ena är en modell du kan äga. Den andra är en modell du kan hyra, till ett pris som ger dig ett mycket större kontextfönster, inbyggd videoinmatning och en leverantör med supportavtal.

Det finns också en mätfråga, och den talar starkt emot den billigare modellen. Beam 1.0 får 17,7 på det aktuella Artificial Analysis Intelligence Index. Qwen4-Max har ingen poäng alls. Så den ärliga formuleringen är inte "billig öppen modell mot dyr sluten modell" – utan "en uppmätt modell som är billig och inte särskilt stark, mot en omätt modell som är dyr och gör anspråk på väldigt mycket."

A generated two-column scoreboard titled 'Qwen4-Max vs Reflection Beam 1.0 - the scoreboard', comparing $1.50 against $0.40 input, $4.50 against $1.20 output, a 1,000,000-token context against 1,048,576, text, image and video input against text only, no weights against Apache 2.0, and no independent score against 17.7, over a footer reading 'Beam score per Artificial Analysis Index v5.0.1; Qwen4-Max unpublished.' OrcaRouter logo bottom-right.

Vad Beam 1.0 faktiskt är

{{1}}Reflection{{/1}}, New York-laboratoriet som grundades 2024 av två tidigare forskare på Google DeepMind, tillkännagav Beam den 5 oktober 2026 och släppte vikterna den 16 oktober. Modellen är Beam 1.0-501B-A23B: 501,3 miljarder parametrar totalt, 23 miljarder aktiva per token, en aktiveringsgrad på omkring 4,6 %. Reflection uppger att man inte begränsar destillering, finjustering, kvantisering eller sammanslagning.

Släppet är ovanligt komplett för att vara en första modell. BF16 på 188 safetensors-shards, FP8 i E4M3 på 468,72 GiB och ett NVFP4-bygge på 273 GiB som Reflections egna serveringsguider rekommenderar att man laddar ner. En separat drafter för spekulativ avkodning med 1,93 miljarder parametrar, DFlash2, publicerad som ett eget repository. Support från dag ett i Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed och NVIDIA Dynamo, med steg-för-steg-guider för SGLang, vLLM och TokenSpeed plus ett Helm-chart. En konformitetssvit, beam-verifier, som körs mot vilken aktiv Beam-endpoint som helst. Och ett referenskrav för självhosting på fyra NVIDIA B300 SXM-GPU:er på NVLink – en enda maskin, inte ett kluster, vilket är en mycket lägre tröskel än vad en 500B-modell normalt innebär och följer direkt av aktiveringsförhållandet på 23B.

Kontexten är 1 048 576 token. Modellen är textorienterad och inriktad på kodning, resonemang och agentiskt arbete.

Vad Qwen4-Max faktiskt är

Alibabas fjärde generationens flaggskepp, allmänt tillgängligt sedan den 16 november 2026 under modell-ID:t qwen4-max. En kontext på 1 000 000 token, en maximal utdata på 131 072 token utanför tänkandeläget, en delad budget på 262 144 token för tänkande plus svar samt text-, bild- och videoindata med textutdata. Tänkande är aktiverat som standard med en budget på 131 072 token och resonemangsansträngning på hög. Sex regioner. OpenAI-, Anthropic- och DashScope-trådprotokoll. Finjustering och modelldistribution dokumenteras som icke-stödda, och inga vikter publiceras.

A screenshot of Alibaba Cloud Model Studio's 'Model releases and updates' changelog, dated 2026-11-16 and headed qwen4-max, with the 2026-11-11 qwen4-max-preview entry visible below it.

Sida vid sida, utifrån de aspekter som avgör om du hyr eller äger:

• Indatapris — Qwen4-Max $1,50 per 1 miljon i Singapore och $1,413 på andra håll, jämfört med Beam 1.0 $0,40

• Pris för utdata — Qwen4-Max 4,50 USD i Singapore, 4,24 USD på andra håll, jämfört med Beam 1.0 1,20 USD

• Kontext — Qwen4-Max 1 000 000 tokens jämfört med Beam 1.0 1 048 576 tokens

Maximal utdata – Qwen4-Max 131 072 utan tänkande, 262 144 delas med tänkande, jämfört med Beam 1.0:s tak, som Reflections offentliga material inte särredovisar från kontexten

• Modalitet — Qwen4-Max: text, bild och video som indata, jämfört med Beam 1.0: text som indata

• Vikter — Qwen4-Max inga, jämfört med Beam 1.0 Apache 2.0, nedladdningsbara i tre precisioner

• Egen hosting – Qwen4-Max är varken tillåtet eller möjligt, jämfört med Beam 1.0 på fyra B300 SXM-GPU:er i leverantörens eget referensbygge

Oberoende poäng — Qwen4-Max: ingen publicerad, jämfört med Beam 1.0 på 17,7 på Artificial Analysis Intelligence Index v5.0.1

Indexversionsfällan i Beams poäng

När Beam släpptes i oktober var den första oberoende siffran som kopplades till den 30, på indexversion v4.3.2, placerad som nittonde av 120 modeller. Den nuvarande resultattavlan visar 17.7 på version v5.0.1. Ingen av siffrorna är fel; de är inte jämförbara, eftersom Artificial Analysis räknade om indexets bas mellan dessa versioner och varje modell på tavlan flyttades. Den som i dag citerar "Beam fick 30" citerar en utfasad version, och den som citerar "17.7" utan versionen bjuder in till samma misstag åt andra hållet.

A screenshot of the Artificial Analysis model page for Reflection Beam, showing the model's intelligence index score of 17.7 on index version v5.0.1, its 501-billion-parameter size with 23 billion active, its Apache 2.0 licence and its 1,048,576-token context window.

Det som överlever ombaseringen är den relativa bilden. På v5.0.1 ligger Beam 1.0:s 17,7 väl under Qwen3.8-Max på 33,7, Grok 4.7 på 35,5 och Kimi K3.1 Pro på 46,5. Det är en fungerande modell som inte är konkurrenskraftig mot den nuvarande frontlinjen vad gäller allmän förmåga, vilket är precis vad dess pris antyder och precis vad Reflections lanseringsmaterial inte sa rakt ut. Leverantörens påstående vid tillkännagivandet var en frontlinjenära resonemangsmodell; den oberoende mätningen säger något annat.

Och Qwen4-Max har inget värde för någon av versionerna. Dess modellsida på Artificial Analysis returnerar en 404 och ingen Qwen4-post förekommer i indexet. Alibabas dokumentation specificerar mekaniken i detalj – standardtemperaturer på 1,0 med tänkande och 0,7 utan, top-p 0,95 och 0,8, top-k 20, indatatak per läge på 991 808 och 983 616 token – och publicerar ingen benchmarktabell av något slag.

Vad det faktiskt kostar att självhosta Beam

Siffrorna $0,40 och $1,20 är Reflections egna API-priser. De är inte vad Beam kostar dig om du kör det själv, och skillnaden är hela anledningen till att öppna vikter spelar roll här.

Fyra B300 SXM-GPU:er på NVLink är ett köp, ett leasingavtal eller en molnreservation, och inget av dessa är gratis. Poängen med att äga är inte att kostnaden per token är lägre — det är att när hårdvaran är avskriven närmar sig marginalkostnaden för inferens elräkningen, och att inget av dina data lämnar byggnaden. För ett team som redan kör B300-kapacitet för annat arbete är Beam 1.0:s marginalkostnad nära noll och dess poäng på 17,7 är ett fynd. För ett team som skulle behöva köpa burken är samma modell ett kapitalåtagande gjort på styrkan av en poäng i mitten av tabellen.

Qwen4-Max är den motsatta avvägningen i alla avseenden. Det finns ingen kapitalkostnad, ingen kapacitetsplanering och ingen driftsbörda, och i gengäld betalar du 3,75× Beams API-pris, du kan inte finjustera den, du kan inte köra den inom din egen perimeter, och du är utlämnad åt vad Alibaba gör med den prislistan nästa kvartal. Den regionala strukturen i prislistan är det intressanta: Singapore på $1,50 och $4,50 mot $1,413 och $4,24 i de övriga fem regionerna är en skillnad på 6 % för samma modell, vilket är tillräckligt litet för att vara en bokföringsdetalj och tillräckligt stort för att spela roll vid volym.

Där var och en gör sig förtjänt av sin plats

Beam 1.0 är rätt svar när något av tre saker stämmer. Din data kan inte lämna din infrastruktur – inget kontrakterat API klarar den ribban, och Apache 2.0-vikterna gör det. Du vill finjustera på domändata – Qwen4-Maxs dokumentation anger uttryckligen att finjustering inte stöds, medan Reflection tillåter destillering, finjustering, kvantisering och sammanslagning utan begränsning. Eller så är din arbetsbelastning agentisk kodning där en 23B-aktiv modell vid interaktiv latens är tillräckligt snabb och tillräckligt billig för att en allmän poäng i mitten av tabellen inte ska vara den bindande begränsningen.

Qwen4-Max är rätt svar när indata inte är text. Beam tar text; Qwen4-Max tar text, bilder och video. Om din pipeline tar emot skärmbilder, skannade dokument, bildrutor från en kamera eller en skärminspelning är jämförelsen över innan priset ens kommer in i bilden, eftersom en av modellerna inte kan ta emot begäran. Samma sak gäller allt som kräver en distribution i Europa, Japan eller US East: sex Alibaba-regioner mot ett enda förstaparts-API är en behörighetsfråga, inte en kostnadsfråga.

För allt annat – allmän textgenerering i måttlig volym, ingen finjustering, inga krav på datahemvist – beror beslutet på hur mycket du litar på en omätt modell kontra en uppmätt medelmåttig sådan, och svaret är att du inte bör lita på någon av dem förrän du har kört hundra av dina egna prompter genom båda. Med $4,50 och $1,20 per miljon genererade utdatatoken kostar den utvärderingen bara cent.

Routing, och argumentet för ett tredje alternativ

OrcaRouter dirigerar för närvarande inte Beam 1.0 eller Qwen4-Max; båda nås via leverantörernas egna API:er till ovanstående priser. Det katalogen däremot erbjuder är mitten av marknaden på en nyckel och en bas-URL — GLM-5.3 till $1,40 och $4,40 per miljon med öppna vikter och en indexpoäng på 31,7, Qwen3.8-Max till $2,00 och $6,00 med 33,7, Kimi K3.1 Pro till $2,00 och $10,00 med 46,5 — alla vidarebefordrade till leverantörens listpris utan påslag.

Det är den praktiska lösningen på just den här matchningen. Beam 1.0 ber dig acceptera ett resultat på 17,7 i utbyte mot ägande och ett lågt pris; Qwen4-Max ber dig acceptera en okänd faktor i utbyte mot modalitet och regioner. En modell med ett publicerat resultat, publicerade vikter och ett pris mellan de två ber dig att inte acceptera någon av dem. Att dirigera båda de intressanta men obeprövade alternativen vid sidan av en uppmätt baslinje är hur du tar reda på om någon av dem förtjänar produktionstrafik – och automatisk failover innebär att experimentet inte kan ta ner tjänsten medan du kör det.

Vad skulle avgöra det?

En siffra: en Qwen4-Max-notering på en oberoende topplista, i den aktuella indexversionen, bredvid Beam 1.0:s 17,7. Allt annat på den här sidan är redan känt – priserna, kontexterna, licenserna, antalet GPU:er. Om Qwen4-Max hamnar någonstans nära 30-nivåerna är dess 3,75× premie lätt att motivera för alla som behöver videoinput eller en Frankfurt-endpoint. Om den hamnar nära Beam köper premien modalitet och regelefterlevnad och inget annat, och rätt svar är att routa efter krav i stället för efter benchmark. Tills den siffran finns är jämförelsen mellan en modell som har mätts och befunnits vara ordinär och en modell som inte har mätts alls – och bara en av dessa två positioner är ett skäl att anslå budget.