
Qwen 4 vs Qwen 3.8 Max: Vad som faktiskt ändras på din faktura när du uppgraderar
- 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
Migreringen från Qwen3.8-Max till Qwen4-Max är ovanlig bland flaggskeppsuppgraderingar eftersom priset rör sig till din fördel samtidigt som kapaciteten ökar. Qwen3.8-Max har varit allmänt tillgänglig sedan 3 augusti 2026 till $2,00 in och $6,00 ut per miljon tokens med ett kontextfönster på en miljon tokens. Qwen4-Max, som ersatte den i toppen av sortimentet den 16 november 2026, kostar $1,50 och $4,50 för samma kontextfönster, får 43 mot 34 på Artificial Analysis Intelligence Index och kostar $3,27 per indexuppgift mot $10,02. En sänkning med 25 procent på båda sidor av mätaren, nio indexpoäng och en tredjedel av kostnaden per slutförd uppgift – den sorts uppgradering som normalt kommer med en prishöjning på köpet. Haken, och det finns alltid en sådan vid en migrering inom samma leverantör, är att utdatabudgeten blev mindre samtidigt som allt annat blev större.
De fyra numren som flyttades, och det som flyttades bakåt
Uppgraderingar inom en och samma leverantör är lättare att utvärdera än jämförelser mellan leverantörer, eftersom tokenizerns härkomst, API-ytan och konventionerna för verktygsanrop förblir oförändrade. Det som ändras är en kort lista, och du kan kontrollera den mot din egen användning på en eftermiddag.
• Pris — $2.00/$6.00 ner till $1.50/$4.50 per miljon tokens, en sänkning med 25 procent på båda sidor
• Cachad läsning – från $0,25 ner till $0,075 per miljon, en sänkning med 70 procent
• Oberoende poäng — 34 upp till 43 på samma index, samma tavla, båda avlästa 17 november 2026
• Kostnad per indexuppgift – $10.02 ner till $3.27, en minskning med 67 procent
• Delad budget för tänkande och svar — 262 144 token, ned från en större tilldelning i 3.8-generationen
• Aktiva parametrar — 71 miljarder, ned från 95 miljarder, på samma stomme med 2,4 biljoner parametrar
• Kontext — oförändrad vid 1 000 000 tokens
• Vikter – ingen av flaggskeppsmodellerna publicerar några, även om systermodellen till Qwen3.8-Max med öppna vikter, Qwen3.8-27B, gör det
Två av dem förtjänar mer än en rad. Minskningen av aktiva parametrar är det arkitektoniska påståendet bakom resten: Qwen4-Max aktiverar 71 miljarder parametrar per token, medan Qwen3.8-Max aktiverade 95 miljarder, och Alibaba tillskriver effektivitetsvinsten en ny arkitektur snarare än beskärning – gated DeltaNet-lager sammanflätade med en gles uppmärksamhetsmekanism som indexerar kontext på mikroblocksnivå, fyra parallella residualgrenar med dynamiska läs- och skrivgrindar, och en kontextbaserad N-gram-inbäddningstabell med 328 miljarder parametrar som utökar kapaciteten utan att öka beräkningen per token.
Den delade budgeten är den som kommer att förvåna folk. Qwen4-Max samlar sitt resonemang och sitt svar i ett enda utrymme på 262 144 token. Om du genererade utdata på 150 000 token på Qwen3.8-Max med tänkande aktiverat har du nu 112 144 token kvar för tänkande – och i ett svårt problem kommer tänkandet att äta upp det. Misslyckandet ser ut som ett avkortat svar, inte ett fel, vilket är det sämsta sättet för en gräns att komma till ytan.
Varför kostnaden per uppgift sjönk med två tredjedelar när tokenpriset sjönk med en fjärdedel
Tokenpriserna förklarar en fjärdedel av besparingen. De övriga två tredjedelarna kommer från att modellen utför mindre arbete för att nå samma svar, och detta är den del av lanseringen som är svårast att verifiera och viktigast för affärscaset.
Alibabas egna siffror: i Work360-sviten sjunker tokenanvändningen med cirka 24 procent vid xhigh-resonemangsansträngning och 35 procent vid hög; på Terminal-Bench 4.0, 48 respektive 49 procent. Genomsnittskostnaden per uppgift i Work360 faller från 4,43 dollar till 1,67 dollar, en minskning med 62 procent. Det är leverantörens siffror, uppmätta av leverantören, mot leverantörens tidigare modell, utan oberoende reproduktion – och de är riktningsvisande bevis för att effektivitetsanspråket inte bara är en prissänkning i förklädnad.
Den oberoende bekräftelsen är snävare men stämmer överens. Artificial Analysis mäter 10,02 dollar per indextask för Qwen3.8-Max och 3,27 dollar för Qwen4-Max. Ingen utom Alibaba publicerade 4,43 dollar eller 1,67 dollar; 10,02 och 3,27 är någon annans aritmetik på någon annans arbetsbelastning, och de pekar i samma riktning.
Sätt en siffra på ditt eget arbete. En pipeline som utför 5 000 uppgifter om dagen med 30 000 indata- och 4 000 utdatatoken, utan cachelagring, enligt de publicerade USD-priserna: Qwen3.8-Max fakturerar $50 för indata och $120 för utdata per dag, totalt $170. Qwen4-Max fakturerar $37.50 och $90 — $127.50. Ungefär $1 275 sparas i månaden före cachelagring, och betydligt mer om ett stabilt prefix låter dig utnyttja cacheläsningen för $0.075 i stället för den för $0.25.
Effektivitetsberättelsen har en andra halva som ingen citerar.
Billigare tokens per uppgift är bara halva affärscaset. Den andra halvan är tidsåtgången, och här är bilden grumligare än pristabellen.
Artificial Analysis uppmäter Qwen3.8-Max till 59 utdatatokens per sekund och 48 minuter per indexuppgift – långsamt, och om du kör långsiktigt agentiskt arbete är det den siffran som styr ditt nattliga fönster. Qwen4-Max publicerar ingen utdatahastighet och ingen tidsmätning per uppgift alls. Det använder ungefär hälften så många tokens på vissa benchmarks, vilket skulle innebära ungefär halva den verkliga tiden vid samma genomströmning, men ingen har publicerat genomströmningen.
Så den ärliga beskrivningen av uppgraderingen är: du kommer definitivt att betala mindre per token, nästan säkert betala mindre per uppgift och troligen bli klar snabbare. Bara det första av dessa tre är ett faktum du kan skriva in i ett avtal i dag. Det andra stöds av en oberoende mätning. Det tredje är en slutledning.
Det spelar särskilt stor roll för schemaläggningsbeslut. Om din 48-minuters indexeringsuppgift på 59 token per sekund redan ligger på gränsen för vad som får plats över natten, behöver du göra en pilot med dina egna prompter innan du migrerar – inte för att Qwen4-Max sannolikt är långsammare, utan för att en delad tankebudget på 262 144 token förändrar formen på en lång körning på sätt som ett benchmarkgenomsnitt inte avslöjar.
Vad som inte förändrades, och varför det är den bästa nyheten här
Kontextfönstret är samma miljon token. Modalitetsytan är densamma – text, bild och video in, text ut. API-ytan är densamma, där tänkandet styrs av enable_thinking eller av reasoning.effort på Responses API, och modellen tillhandahålls i Alibabas regioner i OpenAI-kompatibla, Anthropic-kompatibla och inbyggda format.
För alla som redan använder Qwen3.8-Max är det här det som gör uppgraderingen billig: migreringen är en ändring av modellidentifieraren, inte en omskrivning. Ingen omstrukturering av prompter, inget schema för verktygsanrop som måste förhandlas om, ingen ändring av kontexthanteringen. De två saker du måste testa igen är de som siffrorna pekar ut – utdatabudgeten under tänkande, och de av dina flöden som är latenskänsliga.
Det innebär också att det kloka mönstret är skuggtrafik i stället för en växling: skicka en del av produktionsförfrågningarna till båda, jämför utdata och tokenantal och låt den gemensamma budgeten på 262,144 token avslöja sig i de långa fallen innan den gör det inför en kund.

Bör du behålla 0902-ögonblicksbilden?
Qwen3.8-Max har en daterad ögonblicksbild, qwen3.8-max-0902, låst till den 2 september 2026 med samma funktioner och prissättning som basmodellen. Ögonblicksbilder finns för reproducerbarhet, och argumentet för att behålla en är starkast just när du är på väg att ändra den underliggande modellen.
Om du har en utvärderingssvit som du litar på, kör den mot ögonblicksbilden innan du avvecklar aliaset. Ögonblicksbilden är din kontrollgrupp; aliaset var aldrig stabilt enligt design, och Qwen4-Max är en annan modell, inte en versionsuppdatering av samma. Två detaljer värda att kontrollera i den körningen: om dina fall med långa utdata överlever den mindre delade budgeten, och om din kostnad per uppgift faktiskt förändrades med den marginal som pristabellen förutspår. Om den inte gjorde det håller inte påståendet om token-effektivitet för din arbetsbelastning, och argumentet för att migrera begränsas till enbart prissänkningen – fortfarande värt att ha, men en fjärdedel snarare än två tredjedelar.
Ytterligare ett alternativ som flaggskeppsjämförelsen tenderar att dölja: Qwen3.8-27B har öppna vikter under Apache-2.0 och kan självhostas, och vi tillhandahåller den som qwen/qwen3.8-27b. För arbete med hög volym och låg komplexitet är matematiken helt annorlunda än för någon av flaggskeppsmodellerna, och "uppgradera från 3.8-Max till Qwen4-Max" är inte det enda möjliga draget. Om din arbetsbelastning är klassificering, extrahering eller kortformsgenerering kan en 27B dense-modell som du kan köra själv slå båda på enhetskostnad — och det är det enda alternativet i den här familjen som du kan låsa till en version och granska.
Migreringen, i ordning
Inventera först dina utdata. Varje väg som begär mer än ungefär 120,000 utdatatoken med tänkande aktiverat löper risk under den delade budgeten på 262,144. Det är en grep av dina anropsställen, inte ett riktmärke.
För det andra, mät din egen tokenförbrukning per uppgift på båda modellerna under en representativ vecka. De publicerade effektivitetssiffrorna ligger mellan 24 och 49 procent beroende på benchmark och insats, vilket är ett brett spann – tillräckligt brett för att ditt eget värde skulle kunna ligga utanför det.
För det tredje, mät din p95. Qwen4-Max har ingen publicerad genomströmning, så din första latenssiffra kommer att vara den första latenssiffra som någon utanför Alibaba har.
För det fjärde, besluta om nivån för öppna vikter. Om en del av volymen kan flyttas till qwen/qwen3.8-27b behöver flaggskeppsmigreringen bara hantera de svåra fallen, och den blandade kostnaden sjunker mer än vad någon av planerna med en enda modell antyder.
Att köra båda flaggskeppen bakom en och samma slutpunkt är den enkla versionen av detta: qwen/qwen3.8-max ligger kvar på $2.00/$6.00 och en Qwen4-Max-förfrågan är en dirigeringsregel snarare än ett nytt avtal, så du kan flytta över trafik gradvis och växla tillbaka så snart den gemensamma budgeten gör sig påmind. Det är värt att säga rakt ut att Qwen4-Max i sig inte finns bland de 215 identifierare vi för närvarande tillhandahåller — den uppgraderade modellen dirigeras via Alibabas eget API — så det du får från oss i dag är de etablerade modellerna, prissatta till listpris utan något påslag.
Domen, som är ovanlig
Migrera, om du inte genererar mycket långa utdata. En uppgradering inom samma leverantör som sänker priset med en fjärdedel, sänker cachepriset med 70 procent och lägger till nio indexpoäng är nära nog en gratis lunch, och bevisen per uppgift – från leverantören och från en oberoende nämnd – säger båda att den verkliga besparingen är större än tokenpriset antyder.
Undantaget är snävt och specifikt: arbetsbelastningar vars utdata regelbundet överstiger ungefär 120 000 token med tänkandet påslaget. För dem är den delade budgeten på 262 144 token en kapacitetsförsämring utklädd till en effektivitetsvinst, och det korrekta draget är att stanna kvar på 3.8-generationen eller dela upp förfrågan.
Det man bör hålla utkik efter härnäst är siffran som saknas snarare än de som publiceras. En modell som är två tredjedelar billigare per uppgift och inte har någon uppmätt genomströmning är ett starkt kort med en okvantifierad risk, och den första oberoende tidmätningen av Qwen4-Max kommer att avgöra mer av den här diskussionen än någon ytterligare benchmarkpoäng.

Den del av den här familjen som du kan köra själv
En fördel med en uppgradering hos samma leverantör som inte finns i någon av flaggskeppsmodellerna: nivån under dem är öppen och portabel. Qwen3.8-27B levereras under Apache-2.0 med text-, bild- och videoinmatning och ett fönster på 262 144 token, och vi tillhandahåller den som qwen/qwen3.8-27b – på vår egen infrastruktur, till listpris utan påslag, och den kan versionlåsas på ett sätt som ingen av flaggskeppsmodellerna kan. För en migrering vars huvudsakliga risk är en delad utdatabudget som du inte kan granska, är en versionshanterad återfallsmodell med öppna vikter i samma familj den billigaste försäkringen som finns.

Jämförda i den här artikeln1
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
