Ett genererat titelkort med texten Qwen 4 vs Muse Wonder, med underrubriken Den billigare modellen är den ingen har tidtagit, och två kort: Kostnad per indexuppgift som visar $3.27 ovanför $6.95, och Uppmätt hastighet som visar ej publicerad ovanför 118 tokens per sekund.
Guides & Insights

Qwen 4 vs Muse Wonder: Den billigare modellen är den som ingen har tagit tid på

Författare

jinhao.song

Publiceringsdatum

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

Muse Wonder kostar dig ungefär 6,95 USD för att slutföra en uppgift i Intelligence Index. Qwen4-Max kostar dig 3,27 USD. Det är hela det ekonomiska argumentet för Alibabas nya flaggskepp gentemot Metas, och det kommer med en stor varning: de 3,27 USD tillhör en modell som inte har någon publicerad utdatahastighet, ingen uppmätt tid per uppgift och ingen tidsmätning av något slag på den resultattavla som tog fram siffran. Muse Wonder har alla tre – 118 tokens per sekund, 13,5 minuter per indexuppgift, 19,64 sekunder till första svars-token. Så det ärliga påståendet är att Qwen 4:s flaggskepp är ungefär hälften så dyrt och har en okänd hastighet, och att det bara är en av dessa två skillnader som du kan planera efter i dag. Muse Wonder släpptes den 12 oktober 2026; Qwen4-Max den 16 november 2026. Båda datumen är kontext, inte nyheter.

De två profilerna, sida vid sida och oglättade

Muse Wonder är Metas banbrytande resonemangsmodell, byggd för agentiskt arbete med en ovanligt bred inmatningsyta: text, bilder, tal och video in, text ut, inom en kontext på en miljon tokens. Det är en proprietär API-modell till priset 4,00 dollar per miljon input-tokens och 20,00 dollar per miljon output, med en blandad taxa på 2,94 dollar och 95 procents cacherabatt. Meta publicerar också en variant med högre ansträngning som får 41 istället för 44 och är snabbare i väggklockstid – 9,5 minuter per indexuppgift mot 13,5 – vilket är en användbar påminnelse om att "maximal ansträngning" inte automatiskt är rätt inställning.

Qwen4-Max är Alibabas fjärde generationens flaggskeppsmodell: en gles mixture-of-experts-modell med 2,4 biljoner parametrar och 71 miljarder aktiva per token, inbyggd vision, videoinmatning, ett kontextfönster på en miljon token och en budget på 262 144 token som delas mellan tänkande och svar. Priset är 1,50 dollar för inmatning och 4,50 dollar för utmatning per miljon token, med cacheläsningar på 0,075 dollar.

• Poäng — Qwen4-Max 43 (plats 38 av 81) mot Muse Wonder 44 (plats 35 av 81)

• Indatapris — Qwen4-Max $1,50 vs Muse Wonder $4,00 per 1 miljon

• Pris för utdata — Qwen4-Max 4,50 USD vs Muse Wonder 20,00 USD per 1 miljon

Kostnad per indexuppgift — Qwen4-Max 3,27 USD jämfört med Muse Wonder 6,95 USD

• Utdatningshastighet — Qwen4-Max inte publicerad vs Muse Wonder 118 tokens per sekund

• Tid per indexuppgift – Qwen4-Max inte publicerad vs Muse Wonder 13,5 minuter

• Inmatningsytor — Qwen4-Max text, bild, video jämfört med Muse Wonder text, bild, tal, video

• Vikter — ingen av dem publicerar några

Priset per token och priset per svar skiljer sig åt med en faktor två

Förhållandet i rubriken är 4,4× för output och 2,7× för input. Förhållandet per uppgift är 2,1×. Skillnaden mellan dessa siffror är hur mycket arbete varje modell lägger på att producera ett svar, och den går i motsatt riktning mot vad prislappen antyder: Muse Wonder gör av med fler tokens per uppgift, inte färre, vilket förklarar varför ett outputpris på $20 blir en räkning på $6,95 i stället för $40.

Räkna igenom det med ett konkret jobb. En dokumentgranskning på 50 000 tokens som ger ett PM på 5 000 tokens, utan cache: Qwen4-Max debiterar $0,075 för indata och $0,0225 för utdata, under tio cent. Muse Wonder debiterar $0,20 och $0,10, trettio cent. Tre mot ett, och båda är triviala belopp – vilket är poängen. Vid små volymer spelar ingen av priserna någon roll, och poängskillnaden på en indexpunkt är irrelevant bredvid snabbhetsfrågan.

Skala upp det. Tiotusen sådana recensioner i månaden: Qwen4-Max $975 mot Muse Wonder $3,000. Nu spelar priset roll, och nu spelar det saknade stoppuret större roll, eftersom ett jobb som kostar en tredjedel så mycket men tar dubbelt så lång tid kanske inte alls ryms inom ett nattligt fönster.

Det är så beslutet ser ut. Detta är inte en jämförelse där den ena modellen är bättre; det är en där det billigare alternativet har en omätt dimension som råkar vara den som produktionssystem bryr sig mest om.

Vad "ingen publicerad hastighet" faktiskt kostar dig

En icke uppmätt modell är inte en långsam modell, och det vore fel att tolka den så. Det är en modell vars latens du själv måste fastställa innan du kan sätta den bakom något som har en timeout. Det får tre praktiska konsekvenser, i stigande ordning efter hur irriterande de är.

För det första kan du inte dimensionera autoskalning utifrån dokumentation. Du måste köra en pilot, mäta p50 och p95 för tid till första token vid dina egna promptlängder och sedan dimensionera. Kimi K3.1 Pros 30 tokens per sekund och 39,7 minuter per uppgift mättes och publicerades; Qwen4-Maxs siffra kommer också att publiceras så småningom, men den finns inte där nu.

För det andra försämras resonemangsmodeller oförutsägbart under belastning på sätt som ett tal för tokens per sekund bara delvis fångar. Muse Wonders tid på 19,64 sekunder till första svarstoken vid maximal ansträngning är en uppmätt, reproducerbar siffra. En modell som saknar en sådan siffra har ingen baslinje för att märka att en tisdag är dubbelt så långsam som en måndag.

Tredje – och det är den som ställer till det – ett routningslager kan bara växla över vid latens om det vet hur normalt ser ut. Om du sätter en modell utan tidsmätning i en pool med en som har tidsmätning, definieras poolens beteende av den långsammare, okända medlemmen. Överväxling gör det överlevbart: en förfrågan som hakar upp sig kan göras om mot en andra modell utan att klienten märker det. Det gör den inte mätbar, och det ersätter inte att känna till dina egna siffror.

Inmatningsytan är Muse Wonders verkliga särskiljande faktor

Tal är inte en kryssruta. Muse Wonder accepterar ljud som förstklassig indata, vid sidan av text, bild och video, och returnerar text. Qwen4-Max tar text, bild och video. Om din pipeline tar in samtalsinspelningar, mötesljud eller sändningsmedia avgör den skillnaden modellen innan priset ens diskuteras – att först transkribera till text är en separat modell, en separat faktura och ett separat felbeteende som förlorar prosodi och överlappande talare.

Video är den andra axeln där båda konkurrerar och detaljerna spelar roll. Båda accepterar det; ingen av dem publicerar en gräns för bildfrekvens, varaktighet eller upplösning i materialet vi läste, vilket innebär att en videobelastning är ett pilotförsök på båda sidor snarare än en specifikationsjämförelse.

Där Qwen4-Max vinner på input är kostnaden vid volym. En miljon tokens videohärledd kontext för 1,50 dollar kostar 1,50 dollar på Qwen4-Max och 4,00 dollar på Muse Wonder. Lång mediaanalys är precis den arbetsbelastning där inmatningsgapet på 2,7× förstärks, och precis där Qwen4-Maxs prisfördel är mest försvarbar.

A generated two-column scoreboard for Qwen4-Max and Muse Wonder: Artificial Analysis Index 43 against 44, cost per task $3.27 against $6.95, input $1.50 against $4.00, output $4.50 against $20.00, speed not published against 118 tokens per second, and audio input no against yes.

En poäng i indexpoäng, och vad den är värd

44 mot 43 på samma Artificial Analysis Intelligence Index, avlästa samma dag. Det är inte en meningsfull skillnad i förmåga; det ligger inom bruset för hur ett enda aggregerat index reagerar på en handfull svåra frågor. Den som bygger ett argument för Muse Wonder på den punkten bygger det på ingenting.

Det som är betydelsefullt är att Muse Wonder har en variant för hög ansträngning som får 41, vilket säger att ansträngningsreglaget flyttar poängen med ungefär tre poäng åt endera hållet. Om ansträngningsreglaget för Qwen4-Max beter sig på liknande sätt – och Alibabas egen rapportering tyder på att ansträngningen förändrar tokenförbrukningen väsentligt, med Work360-användningen 24 procent lägre vid xhigh och 35 procent lägre vid high – så är 43:an ett enda urval från en fördelning, inte en fast egenskap. Leverantörsrapporterat, relativt Qwen3.8-Max, icke reproducerat: behandla riktningen som informativ och magnituden som ett påstående.

Båda leverantörernas lanseringsbenchmarkar bör läsas med samma skepsis. Metas JobBench- och Vals-siffror är förstapartsdata. Alibabas Work360 52,69, dess minskning av kostnaden per uppgift från 4,43 USD till 1,67 USD och dess förbättringar i bitar per byte över fem bascheckpoints är förstapartsdata. Ingen av uppsättningarna har oberoende reproducerats, och ingen av leverantörerna publicerar det utvärderingsramverk som skulle göra det möjligt för dig att prova.

Där var och en är det uppenbara svaret

Välj Muse Wonder när ljud finns i pipeline, när du behöver en publicerad latenssiffra att skriva ett SLA mot, eller när arbetet är agentiskt och långhorisontellt och du hellre betalar $6.95 för en uppgift du kan mäta tiden för än $3.27 för en du inte kan. Siffran 118 tokens per sekund är genuint snabb för en modell med denna poäng, och hastighet är en egenskap som kunder lägger märke till.

Välj Qwen4-Max när volymen är begränsningen, när arbetsbelastningen är långkontextläsning snarare än långsiktigt resonemang, eller när indata är video i stor skala och 2,7× indatagapet är hela kostnaden. Det platta $1,50/$4,50-kortet utan långkontextnivå är lätt att prognostisera mot, vilket spelar större roll än det låter när du skriver en kvartalsbudget.

Båda är proprietära och saknar publicerade vikter, så ingen av dem kan självhostas eller pinnas. Om det är ett krav har den här jämförelsen ingen vinnare, och svaret är en modell som publicerar checkpoints – bland flaggskeppen gör Kimi K3.1 Pro det.

Om du vill undvika att välja är den användbara kompromissen en pool snarare än ett beslut: routa efter indatamodalitet (ljud till Muse Wonder, storskalig video till Qwen4-Max), behåll prisfördelen där den är verklig och låt failover täcka den latens du ännu inte kan förutse. Det är värt att vara precis om vad som är routbart i dag – varken Muse Wonder eller Qwen4-Max finns bland de 215 identifierare vi tillhandahåller, så den poolen är en design, inte en produktsida. Det vi däremot har på Meta-sidan är Muse Spark-serien till $1,25 in och $4,25 ut, och på Alibaba-sidan qwen/qwen3.8-max till $2,00/$6,00, prissatt enligt leverantörens lista utan något påslag.

Artificial Analysis page for Muse Wonder, captured 17 November 2026 in English, showing Intelligence #35 of 81, 19.64 seconds to first answer token, 118 output tokens per second, $4.00 input and $20.00 output per 1M tokens, 13.5 minutes and $6.95 per Intelligence Index task.

Frågan att ställa före nästa lansering

Varje jämförelse mellan en några veckor gammal modell och en som är en månad gammal har samma svaghet: bevisen är asymmetriska på sätt som smickrar den modell som släpptes först, eftersom oberoende testning har haft längre tid att titta på den. Muse Wonders siffror är rikare, inte för att Meta är mer transparent, utan för att den har kunnat mätas i fem veckor längre.

Det man bör hålla koll på är inte ännu ett benchmark. Det är huruvida Qwen4-Max hastighet och tid per uppgift dyker upp på samma resultattavla innan prisfördelen är förbrukad. En modell som kostar hälften per uppgift och har dubbelt så hög latens är en annan produkt än en som kostar hälften och är jämförbar, och just nu vet ingen utanför Alibaba vilken av de två det är.

OrcaRouter model page for Muse Spark 1.2, captured 17 November 2026 in English, showing the identifier meta/muse-spark-1.2, text, image, video, file and audio input, a 1M-token context, a pricing panel and the Meta vendor label.