Ett genererat titelkort med texten Qwen 4 vs Grok 4.7, med underrubriken Där gränsen vid 200 000 token ändrar kostnaden, en promptlängdsaxel markerad vid 200 000 token, och två priskort med texten $1.50 in / $4.50 ut, ett fast pris för Qwen4-Max, och $4 in / $12 ut över 200K för Grok 4.7.
Guides & Insights

Qwen 4 vs Grok 4.7: 200 000-tokenlinjen avgör den här matchen

Författare

jinhao.song

Publiceringsdatum

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

Grok 4.7 och Qwen4-Max debiteras båda två dollar för inmatning och sex dollar för utmatning per miljon token – men det är bara Grok 4.7 som stannar där. Vår egen katalogpost för Grok 4.7 har två inmatningsnivåer, 2,00/6,00 USD upp till en prompt på 200 000 token och 4,00/12,00 USD över det, medan Qwen4-Max ligger på 1,50 USD för inmatning och 4,50 USD för utmatning per miljon över hela sitt fönster på 1 000 000 token. Den enda strukturella skillnaden är värd mer än de åtta indexpoäng som skiljer dem på papperet, eftersom långkontextarbete är precis det arbete som båda modellerna säljs för. Först en kommentar om namnen, eftersom de två ständigt blandas ihop: Qwen 4 är generationsnamnet Alibaba använder, och Qwen4-Max är den enda medlemmen av den som du kan anropa i dag – släppt den 16 november 2026, med mindre nivåer utlovade för öppen källkod och utan något datum. Grok 4.7 har funnits tillgänglig sedan den 21 september 2026. Detta är en jämförelse av priser och underlag, inte en lanseringsrapport om någon av dem.

De två modellernas form, kortfattat

Qwen4-Max är Alibabas fjärde generationens flaggskepp, en gles mixture-of-experts-modell med ett stamnät på 2,4 biljoner parametrar, 71 miljarder aktiva parametrar per token och ytterligare 328 miljarder parametrar för N-gram-inbäddning. Den tar emot text, bilder och video, returnerar text och har ett kontextfönster på en miljon token. Tänkande är aktiverat som standard, och modellen delar en budget på 262 144 token mellan sitt resonemang och sitt slutliga svar – så ett svar på 131 072 token är endast tillgängligt om tänkandet får plats i den andra halvan.

Grok 4.7 är SpaceXAI:s nuvarande textflaggskepp. Det är en resonemangsmodell med en kontext på 500 000 token, upp till 450 000 utdata-token, text- och bildinmatning samt tre valbara resonemangsnivåer. SpaceXAI publicerar inget parameterantal för den och beskriver lanseringen som en större basmodell med en längre reinforcement learning-körning snarare än en ny arkitektur.

På de dimensioner som avgör ett köp:

• Kontext — Qwen4-Max 1 000 000 tokens vs Grok 4.7 500 000

• Max utdata – Qwen4-Max 262 144 delas med tänkande, eller 131 072 med tänkande undertryckt, jämfört med Grok 4.7 450 000

• Indatapris upp till 200K — Qwen4-Max $1,50 vs Grok 4.7 $2,00 per 1M

• Pris för utdata upp till 200K — Qwen4-Max $4.50 vs Grok 4.7 $6.00 per 1M

• Inpris över 200K — Qwen4-Max fortfarande $1.50 mot Grok 4.7 $4.00; utpris $4.50 mot $12.00

• Cachad läsning — Qwen4-Max $0.075 vs Grok 4.7 $0.50 under 200K, $1.00 över

• Modalitet — Qwen4-Max: text, bild och video som indata kontra Grok 4.7: text och bild som indata

• Oberoende poäng — Qwen4-Max 43 på Artificial Analysis Intelligence Index, rang 38 av 81, jämfört med Grok 4.7 på 35, rang 46 av 81

• Vikter — ingen av leverantörerna publicerar några

Vad en förfrågan på 400 000 token faktiskt kostar

Ta dig an den arbetsbelastning som båda modellerna efterfrågar: läs ett stort kodförråd eller ett långt bevispaket och skriv sedan en omfattande patch eller rapport. 400,000 indatatoken, 20,000 utdatatoken, ingen cacheåteranvändning.

För Qwen4-Max till den internationella taxan på 1,413 USD per miljon för indata och 4,24 USD för utdata blir det 0,565 USD för indata och 0,085 USD för utdata, cirka 0,65 USD. Till Singapore-taxan på 1,50/4,50 USD blir det 0,69 USD.

På Grok 4.7 når samma begäran aldrig den billiga nivån, eftersom 400 000 är dubbelt så mycket som gränsen. Den debiterar 1,60 dollar för indata och 0,24 dollar för utdata: 1,84 dollar. Förhållandet är 2,7 mot ett, och det är inte en avrundningsartefakt – det är skillnaden mellan ett platt kort och ett kort med ett steg i.

Sänk begäran till 150 000 indata och 15 000 utdata, och bilden ändrar karaktär. Qwen4-Max Singapore: $0,225 plus $0,0675, cirka $0,29. Grok 4.7 på nivå ett: $0,30 plus $0,09, cirka $0,39. En lucka på 25 procent, intetsägande, ungefär vad rubrikpriserna antyder. De två korten skiljer sig bara våldsamt åt på de arbetsbelastningar där ett av dem byter nivå.

Det är den aritmetik som marknadsföringssidorna hoppar över. När en leverantör annonserar ett pris och sedan lägger till en nivå för lång kontext är den ärliga jämförelsen per arbetsbelastning, inte per token, eftersom nivågränsen hamnar precis där produkten ska vara användbar.

Agentloopen är där cachedesignen betyder mer än priset.

Läsare för långa kontexter gör sällan ett enda anrop; de gör tio mot ett stabilt prefix. Tänk dig en prompt på 200 000 token där 180 000 kan cachas, 10 000 är ny indata och 10 000 är utdata, över tio turer.

Qwen4-Max debiterar per tur $0,027 för ny indata, $0,0135 för cacheläsningar à $0,075 och $0,045 för utdata – $0,0855, alltså $0,855 för körningen. Själva cacheskrivningen debiteras en gång, till $1,875 per miljon för en femminuterslagring, och är tillräckligt liten vid den här storleken för att ignoreras.

Grok 4.7 debiterar $0.04 för ny indata, $0.09 för cacheläsningar till $0.50 och $0.06 för utdata — $0.19 per tur, $1.90 för körningen. Enbart cacheläsningspriset är nästan sju gånger Qwen4-Maxs, vilket är anledningen till att gapet mer än fördubblas trots att ingen av modellerna ligger i sin dyra nivå här.

Om du kör detta via en enda endpoint i stället för två leverantörsavtal ändrar routningslagret inte någon av de siffrorna – 0 procents påslag innebär att leverantörens listpris går igenom orört, så en prissänkning från leverantören slår igenom på din faktura samma dag som den publiceras i stället för vid nästa avtalsförnyelse. Det är argumentet för att hålla en blandning av modeller bakom en enda nyckel, och det är det enda argumentet i den här artikeln som handlar om vår produkt snarare än deras.

Där Grok 4.7 fortfarande vinner ohotat

Två platser, och ingen av dem är liten.

Det första är utdatalängd. Grok 4.7 anger ett tak för utdata på 450 000 token. Qwen4-Max anger inget separat tak för utdata; den har en budget på 262 144 token som delas med dess eget tänkande, och med tänkandet avstängt är taket 131 072. För arbete som producerar en lång artefakt i stället för ett kort svar – en genererad kodbas, ett långt juridiskt utkast, ett transkriberat och analyserat korpus – handlar skillnaden inte om kvalitet. Det handlar om huruvida jobbet slutförs i ett anrop eller måste delas upp.

Det andra är uppmätt bevis i det övre segmentet. Grok 4.7 har funnits på Artificial Analysis Intelligence Index sedan september och har tre värden för resonemangsansträngning: 35 vid xhigh, 35 vid high, 31 vid low, medan tiden till första svarstoken går från 52,9 sekunder vid den högsta inställningen till 10,6 sekunder vid den lägsta. Qwen4-Max har en enda publicerad indexpoäng på 43 och, vid tidpunkten för skrivandet, ingen utdatahastighet eller tidsmätning per uppgift på samma resultattavla. En 43 mot en 35 är en verklig ledning, men en poäng utan en hastighetsmätning säger ingenting om huruvida modellen är praktisk inom din latensbudget.

Det finns en tredje asymmetri som är lätt att missa: Grok 4.7:s ansträngningskontroll är ett kostnadsreglage som du kan justera per begäran, och dess publicerade tidsangivelser visar vad varje inställning kostar dig i väntetid. Qwen4-Max exponerar också resonemangsansträngning, men Alibaba beskriver besparingen endast i relativa termer – tokenanvändningen minskar med 24 procent vid xhigh och 35 procent vid high i deras Work360-svit, 48 respektive 49 procent på Terminal-Bench 4.0, allt mätt mot Qwen3.8-Max i stället för att publiceras som en prislista per ansträngningsnivå. Leverantörsrapporterat, ej reproducerat och relativt en annan modell: användbart som riktning, värdelöst som budgetunderlag.

Där Qwen4-Max vinner överlägset

Kontext och mätarens form.

En miljon tokens mot en halv miljon är inte en dubblering av en specifikation; det förändrar vilka jobb som får plats. Tre som ligger mellan de två siffrorna: en refaktorering över hela monorepot där den relevanta delen är 600 000 tokens beroendegraf och historik; en upptäcktsövning över en dokumentuppsättning som måste läsas i sin helhet snarare än hämtas; och en 24/7-agent som ackumulerar tillstånd under en arbetsdag utan att sammanfatta. Qwen4-Max passar alla tre. Grok 4.7 passar ingen av dem i ett anrop, och att pressa in 600 000 tokens i den innebär antingen hämtning eller $4/$12-nivån – prissatt exakt vid den punkt där gapet på 2,7× blir svårt att försvara.

Det platta kortet gör också prognoser möjliga. En budgetansvarig kan multiplicera tokens med en enda taxa och få rätt resultat. Ett kort med stegvisa taxor innebär att finansmodellen måste gissa fördelningen av promptlängder, vilket i praktiken innebär att uppskattningen blir fel åt det dyra hållet.

Och den oberoende poängen, sådan den nu är, gynnar Qwen4-Max: 43 mot 35 på samma resultattavla. Förbehållet är verkligt – en modell som bara är några dagar gammal har fått betydligt mindre granskning, och ett enda indexaggregat döljer enorm variation mellan enskilda uppgifter – men riktningen är inte tvetydig.

A generated two-column scoreboard for Qwen4-Max and Grok 4.7: Artificial Analysis Index 43 against 35, input $1.50 against $2.00, output $4.50 against $6.00, context 1M against 500K tokens, maximum output 262K shared against 450K, and speed not published against 69 tokens per second.

Det som ingen av modellerna berättar för dig

Ingen av leverantörerna publicerar vikter, så ingen av dem kan självhostas, granskas eller låsas till en version som du kontrollerar. SpaceXAI publicerar överhuvudtaget inget parameterantal för Grok 4.7. Alibaba publicerar en arkitekturbeskrivning för Qwen4-Max – gated DeltaNet-lager sammanflätade med en gles uppmärksamhetsmekanism, fyra parallella residualgrenar med dynamiska grindar, en N-gram-inbäddningstabell – men inga vikter.

Ingen av leverantörernas benchmark-siffror är oberoende granskade på det sätt som indexet är. Alibabas Work360-siffra på 52,69 mot Qwen3.8-Maxs 47,74, dess påstående att genomsnittskostnaden per uppgift sjönk från $4,43 till $1,67, och dess 5–13 procent lägre bits-per-byte över fem bascheckpunkter är alla egenrapporterade och inte reproducerade. Grok 4.7:s fördelar är lika odokumenterade utanför indexet: det finns ingen publicerad kostnad per uppgift från SpaceXAI, bara ett tokenpris.

Den enda oberoende kostnadssiffra som finns talar emot det billigare kortet. Artificial Analysis anger Qwen4-Max till $3.27 per uppgift i Intelligence Index, och dess profil för Grok 4.7 listar inte alls någon jämförbar siffra. Läs det noga: den modell som ser billigast ut här är den som har en dokumenterad kostnad per uppgift, och den andra är helt enkelt omätt. Det är inte ett bevis för att Qwen4-Max är dyrt. Det är ett bevis på att bara en av dessa två har kostnadsberäknats från början till slut av någon.

Hur man väljer

Om dina promptar rutinmässigt överskrider 200 000 token är Qwen4-Max den billigare modellen med en faktor som växer med längden, och Grok 4.7:s nivåindelning innebär att den vanliga instinkten att ”bara skicka mer kontext” snabbt blir dyr. Dirigera arbete med långa kontexter till Qwen4-Max.

Om ditt jobb är att generera en mycket lång artefakt i ett enda anrop är utdatataket på 450 000 token för {{1}}Grok 4.7{{/1}} den avgörande siffran, och den delade budgeten på 262 144 för {{2}}Qwen4-Max{{/2}} är det som diskvalificerar den. Att dela upp genereringen i bitar är inte en neutral lösning; det kostar dig sammanhang vid skarvarna.

Om du behöver ett latensvärde innan du bestämmer dig har Grok 4.7 publicerat sådana på tre ansträngningsnivåer, medan Qwen4-Max inte har det. Den asymmetrin kommer att minska i takt med att oberoende tester kommer ikapp, men i dag är den ett skäl att pilotera snarare än att standardisera.

Om du redan kör Grok 4.7 och frågan är om du ska lägga till Qwen4-Max, är det ärliga svaret att lägga till den selektivt: läsning med lång kontext, videoinmatning och kostnadskänsligt batcharbete, medan långformsgenerering lämnas kvar på modellen med ett dokumenterat utdatatak. Två modeller bakom en enda nyckel kostar dig en routningsregel, inte en migrering, och det innebär att en dålig vecka hos endera leverantören är en failover snarare än ett avbrott.

Artificial Analysis page for Grok 4.7, captured 17 November 2026 in English, showing Intelligence #46 of 81, Output speed 69 tokens per second, $2.00 input and $6.00 output per 1M tokens, a 75 per cent cache discount, and SpaceXAI as the developer.

Resultattavlan, med källhänvisningarna bifogade

Det enskilda tal som renast skiljer dessa modeller åt är inte indexpoängen – det är priset vid 400 000 tokens. Qwen4-Max $0.69, Grok 4.7 $1.84, enligt varje leverantörs publicerade internationella taxa. Allt annat i den här jämförelsen är en bedömning av bevis och utrymme för mer.

Några ord om indexpoängen, eftersom de kommer att citeras ur sitt sammanhang. 43:an och 35:an kommer från samma resultattavla från Artificial Analysis, avläst den 17 november 2026. De är jämförbara med varandra. De är inte jämförbara med 55:an som Kimi K3.1 Pro hade enligt en tidigare bedömningsmall, och varje artikel som sätter de två siffrorna i samma mening jämför två olika tester. Leverantörens siffror – Work360, tokenminskningarna, bits-per-byte-deltan – är Alibabas egna och har ingen tredjepartskontroll alls.

En sak till som är värd att veta innan du planerar en kostnad utifrån 43:an: poängen gäller en enda ansträngningsinställning. Alibaba levererar thinking på som standard med en 131,072-tokenbudget och effort inställt på high, och oberoende tester har ännu inte publicerat vad modellen får för poäng vid låg effort eller vad det skulle spara. Tills dess bör du behandla 43:an som priset för modellens standardinställning snarare än en ratt du kan skruva ned.

Båda korten, på en och samma rutt

Det är värt att nämna den operativa skillnaden mellan att läsa två prislistor och att köra två modeller, eftersom den är mindre än prisskillnaden antyder. grok/grok-4.7 är en av de 215 identifierare vi tillhandahåller, till leverantörens listpris utan påslag, så dess nivågräns och cachepris är vad SpaceXAI publicerar för dagen. Qwen4-Max är inte en av dem; den dirigeras via Alibabas eget Model Studio-API. Den praktiska konsekvensen är att den blandade strategi som förespråkades ovan – långkontextläsning på Qwen4-Max, långformsgenerering på Grok 4.7 – kräver en leverantörsrelation för vardera sidan, och en dirigeringsregel är bara så bra som de två ändpunkterna under den.

OrcaRouter model page for Grok 4.7, captured 17 November 2026 in English, showing the identifier grok/grok-4.7, text, image and file input, a 500K-token context, 450K maximum output, a pricing panel and a p50 time-to-first-token of 10.00 seconds.