
Qwen 4 vs Claude Opus 5.5: Sexton indexpoäng, och vad de kostar per svar
- 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 · 126 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 · 44 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 · 147 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 · 123 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
Qwen4-Max får 42,9 på Artificial Analysis Intelligence Index och Claude Opus 5.5 får 59,1 – en skillnad på 16,2 poäng, uppmätt på samma svit, i samma revision (v5.0.1), med två månaders mellanrum. På samma resultattavla kostar en slutförd indexuppgift $3,27 på Qwen4-Max och $10,04 på Claude Opus 5.5. Så förhållandet är tydligt: Opus levererar 38 % fler indexpoäng för 207 % mer pengar per uppgift. Huruvida det är ett kap eller slöseri beror helt och hållet på om din arbetsbelastning köper poäng eller köper svar, och det är inte samma köp. Den här artikeln prissätter båda.
De två korten, dimension för dimension
Alibaba släppte Qwen4-Max för allmän tillgänglighet den 16 november 2026, med mätbaserad fakturering, i sex regioner; Anthropic har sålt Claude Opus 5.5 sedan den 22 september 2026. Allt nedan är antingen ett listpris från leverantören eller en märkt Artificial Analysis-mätning – de två blandas aldrig i ett och samma tal.
• Pris per miljon tokens – Qwen4-Max $1,50 in / $4,50 ut i Singapore ($1,413 / $4,24 i de globala regionerna); Claude Opus 5.5 $4,00 in / $20,00 ut. Båda är leverantörernas listpriser.
• Cachad indata — Qwen4-Max $0.075 per miljon vid en cacheläsning, jämfört med $0.20 för Claude Opus 5.5. Qwen publicerar även priser för cacheskrivning: $1.875 för en femminuterspost och $3.00 för en timme.
• Kontextfönster – 1 000 000 token publicerat på båda. Artificial Analysis-trackern anger Qwen4-Max till 983 616, vilket är taket för indata i tänkandeläge snarare än en motsägelse: Alibaba begränsar indata till 991 808 utan tänkande och 983 616 med det, eftersom resonemang och svar delar en gemensam utdatabudget på 262 144 token.
• Maximal utdata – Qwen4-Max 131 072 token i icke-tänkande läge, eller 262 144 uppdelade mellan resonemang och svar när tänkande är på. Claude Opus 5.5 publicerar ingen motsvarande uppdelning.
• Indexpoäng — Qwen4-Max 42,9 vid xhigh-ansträngning; Claude Opus 5.5 59,1 vid maximal ansträngning. Artificial Analysis, v5.0.1.
• Kostnad per indexuppgift — 3,27 $ mot 10,04 $. Artificial Analysis, samma version.
• Vikter – ingen av dem är öppen. Qwen4-Max anges som proprietär med Alibaba Cloud som enda värd; Claude Opus 5.5 är proprietär och distribueras via Anthropics API, Amazon Bedrock, Google Cloud och Microsoft Azure.
• Inmatningsmodalitet — båda accepterar text och bilder och returnerar text. Ingen av dem tar emot video enligt trackerns kapacitetsflaggor.

Där de sexton punkterna faktiskt finns
Ett enda indexnummer döljer mer än det avslöjar, och det här paret är ett bra exempel. De sviter där de två modellerna ligger nära varandra är inte de sviter som folk argumenterar om.
• Terminal-Bench 4.0 — Claude Opus 5.5 59,6 %, Qwen4-Max 48,5 %. Elva poäng, och det som mest direkt motsvarar "kan den köra ett skal".
• FrontierCode 2.0 – 46,4 % mot 26,5 %. Detta är det största gapet i uppsättningen och det med tydligast kommersiella konsekvens, eftersom det handlar om kodarbete på repositorienivå snarare än generering av enskilda funktioner.
• HLE Diamond — 67,9 % mot 44,9 %. Svåra naturvetenskapliga frågor, en spridning på 23 procentenheter.
• CritPt Agentic Hard — 68,0 % mot 43,0 %. En skillnad på 25 procentenheter i resonemang på fysiknivå.
• GDPval – 1 866,27 mot 1 808,69. En skillnad på 3,1 % i ett benchmark för uppgiftsvärde. På ekonomiskt förankrat professionellt arbete ligger de två modellerna nära varandra; på svårt tekniskt arbete gör de inte det.
Allvetenhet – 48,1 för Claude Opus 5.5 mot 27,7 för Qwen4-Max, vilket låter som ännu en utklassning tills man tittar på hallucineringskolumnen i nästa avsnitt.
• Kapacitetsuppdelning – Anthropics modell ligger högst i alla sex delpoäng som trackern publicerar, med den minsta marginalen inom finans och redovisning (59,4 mot 54,1) och den största inom ingenjörsvetenskap (65,3 mot 50,1).
Den praktiska tolkningen: om ditt arbete är sammanfattning, extrahering eller grundad dokumentanalys överdriver rubriken på 16 punkter skillnaden. Om ditt arbete är agentisk kodning underskattar rubriken den.

Båda modellerna hittar på saker. En gör det märkbart mindre.
Artificial Analysis rapporterar en allvetenhetshallucinationsfrekvens vid sidan av noggrannhetspoängen, och detta är den enda kolumnen där Qwen4-Max vinner klart: 28,4 % av dess felaktiga eller overifierbara svar var hallucinationer, mot 50,3 % för Claude Opus 5.5. Med andra ord har Opus rätt mycket oftare, men när den har fel är den mer än dubbelt så benägen att vara tvärsäker på felaktigheter i stället för att bara vara tyst.
Det spelar roll för allt som har ett steg med mänsklig granskning. En modell som säger ”jag vet inte” i 50 % av fallen när den har fel kostar dig en uppföljningsfråga. En modell som hittar på saker i 50 % av fallen när den har fel kostar dig en faktakontroll av varje utdata, vilket är en annan och mycket större kostnadspost.
Räkningen är indata, inte utdata.
Båda modellerna säljs in med ett annonserat outputpris, och för båda är det inte outputpriset som pengarna går till. Om man bryter ner Artificial Analysiss egna kostnadssiffror per uppgift: för Qwen4-Max går 2,80 dollar av 3,27 dollar till indatatoken och 0,47 dollar till output. För Claude Opus 5.5 går 6,57 dollar av 10,04 dollar till input och 3,47 dollar till output. Det är 86 % respektive 65 %, och i båda fallen utgör cachetrafiken större delen av inputposten — 1,12 dollar av Qwen4-Max inputkostnad är cacheläsningar och 1,67 dollar är cacheskrivningar; motsvarande siffror för Opus är 4,74 dollar och 1,80 dollar.
Det är därför jämförelsen per token mellan dessa två modeller är den minst användbara siffran på sidan. Qwen4-Max utdatapris är 4,4 gånger billigare än Opus, och ändå är dess kostnadsfördel per svar bara 3,1 gånger, eftersom en större del av budgeten går till kontext som den måste läsa och, till $1,875 per miljon för en cacheskrivning på fem minuter, till kontext som den måste skriva.
En agent med fyrtio turer, prissatt två gånger
Ta en kodningsagent som lägger till 8 000 token verktygsutdata per tur, kör fyrtio turer och avger 1 500 token svar per tur. Ingen cache, listpriser:
• Qwen4-Max — 6,56 miljoner ackumulerade indatatoken till $1,50, plus 60 000 utdatatoken till $4,50: $9,84 + $0,27 = $10,11.
• Claude Opus 5.5 — 6,56 miljoner indata till $4,00, plus 60 000 utdata till $20,00: $26,24 + $1,20 = $27,44.
Nu samma körning med en cacheträffsäkerhet på 90 % på det ackumulerade prefixet, vilket är vad en välbyggd agentloop faktiskt uppnår:
• Qwen4-Max — 5,904M cachade till $0,075 ($0,44) + 656K färska till $1,50 ($0,98) + $0,27 utdata = $1,69.
• Claude Opus 5.5 — 5,904M cachade till $0,20 ($1,18) + 656K nya till $4,00 ($2,62) + $1,20 utdata = $5,01.
Två saker framgår. Cachning sänker båda räkningarna med mer än 80 %, så en agent utan prompt-cachning betalar fem till sex gånger mer än den behöver. Och förhållandet rör sig knappt – 2,7× ocachat, 3,0× cachat – eftersom Qwen4-Max fördel är koncentrerad till cache-skrivpriset, som det cachade scenariot använder från början. Detta är listprisaritmetik på publicerade priser, inte uppmätta räkningar; ditt antal turer, prefixets tillväxt och cacheträffkvot kommer att förändra de absoluta siffrorna avsevärt.
Det är också här ett routningslager gör nytta i stället för att bara vara bekvämt. Vi för vidare leverantörernas listpriser med 0 % påslag, så gapet ovan är leverantörens gap, inte vårt — och om Anthropic ändrar Opus-kortet är ändringen live på samma nyckel samma dag. Båda modellerna är anropbara via en enda endpoint med automatisk failover, vilket spelar roll här specifikt eftersom de två ligger två månader isär i releasedatum: en Qwen4-Max-specifik regression visar sig som en misslyckad förfrågan, inte som ett dåligt svar du märker en vecka senare.
Vad ”avskuren från destillation” egentligen hävdar
Påståendet som cirkulerar kring den här jämförelsen – att Qwen4-Max ser konkurrenskraftig ut på leverantörsbenchmarkar och sedan faller samman i det oberoende indexet, och att Alibaba har skurits av från destillation förklarar fallet – är två påståenden i samma kappa, och bara det första är mätbart.
Det första är sant och inte mystiskt. Alibabas lanseringsmaterial anger Work360 till 52,69 mot 47,74 för föregående generation, tokenreduktioner på 24 % och 35 % på samma benchmark, 48 % och 49 % på Terminal-Bench 4.0 samt en minskad kostnad per uppgift från 4,43 USD till 1,67 USD. Allt detta är leverantörsrapporterat och inte reproducerat. Mot ett oberoende index med nio sviter som omfattar FrontierCode 2.0 och CritPt Agentic Hard – sviter som Alibaba inte publicerar siffror för – landar modellen på 42,9. En leverantörsbenchmarksvit och en oberoende sådan som mäter olika saker kommer att vara oense; det är det normala fallet, inte bevis för något.
Det andra påståendet, om destillation, är inte något en köpare kan verifiera eller agera på, och det är inte en egenskap hos modellen som du kan anropa. Det som är verifierbart och användbart är underskottets form: koncentrerat till kod på repositorienivå och avancerad vetenskap, tunt när det gäller värde för yrkesuppgifter. Det är ett påstående om var man ska driftsätta modellen, och det står sig oavsett vad som visar sig vara sant om hur den tränades.

Att få någon av dem
Claude Opus 5.5 finns i vår katalog som anthropic/claude-opus-5.5 till Anthropics listpris, $4.00 in och $20.00 ut per miljon. Qwen4-Max finns inte i vår katalog – en qwen4-identifierare returnerar not-found i dag – och vägen till den är Alibabas eget Model Studio API och flera tredjepartsplattformar. Vi tänker inte låtsas något annat, och den ärliga ersättaren på vår sida är qwen/qwen3.8-max, den tidigare flaggskeppsmodellen, till $2.00 och $6.00.
Så beslutsregeln är snävare än resultattavlan antyder. Om din arbetsbelastning är kodning i repositorieskala, tunga tekniska resonemang eller något där ett fel svar är dyrt och ett långsamt svar inte är det, är de 16 poängen verkliga och $10.04 per uppgift är priset för dem. Om din arbetsbelastning är grundat dokumentarbete i stor volym, där GDPval säger att de två modellerna ligger inom 3 %, betalar du Opus-priset för en skillnad som inte kommer att synas i din utvärderingsuppsättning — och Qwen4-Max till $3.27 är det bättre köpet, med en lägre hallucinationsfrekvens som bonus. Talet du ska beräkna innan du bestämmer dig är inte indexgapet. Det är hur stor andel av din indata som är cachad.
Jämförda i den här artikeln2
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
