
Qwen4-Max กับ Nemotron 3.5 Bolt 74B: มีตัวเลขหนึ่งตัวที่หายไปจากการเปรียบเทียบนี้
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 184 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 215 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
วาง Qwen4-Max กับ NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB ไว้เคียงกัน แล้วสิ่งแรกที่คุณสังเกตเห็นคือเว็บไซต์เปรียบเทียบไม่มีอะไรให้เปรียบเทียบ BenchLM กล่าวไว้ตรงๆ ว่า ยังไม่มีผลการทดสอบมาตรฐานที่ใช้ร่วมกัน แล้วก็ชวนให้คุณดูราคาแทน เหตุผลเป็นเชิงโครงสร้างมากกว่าชั่วคราว: Qwen4-Max ได้ 43 คะแนนบน Artificial Analysis Intelligence Index v5.0.1 ส่วน Nemotron 3.5 Bolt 74B-A9B 24GB ไม่มีคะแนน Intelligence Index เลย ไม่ใช่คะแนนต่ำ แต่เป็น N/A บนกระดานที่รันโมเดลมาตั้งแต่ก่อนทั้งสองรุ่นจะวางจำหน่าย เพราะโมเดลนี้ไม่มี API ที่เปิดให้สาธารณะใช้งาน และชุดทดสอบอิสระก็ไม่มีอะไรให้เรียกใช้
การไม่มีอยู่เพียงรายการเดียวนั้นจัดระเบียบทุกสิ่งอย่างอื่นเกี่ยวกับการเปรียบเทียบนี้ใหม่ คุณไม่สามารถจัดอันดับ checkpoint ขนาด 74 พันล้านพารามิเตอร์ที่บรรจุได้ใน 24 gigabyte เทียบกับโมเดลที่โฮสต์ซึ่งมี 2.4 ล้านล้านพารามิเตอร์ โดยเอาตัวเลขของทั้งสองมาใส่ในช่องที่อยู่ติดกันได้ เพราะมีเพียงตัวเดียวเท่านั้นที่มีตัวเลข สิ่งที่คุณทำได้ — และสิ่งที่หน้าเว็บรวมข้อมูลไม่ได้ทำ — คือแยกข้อกล่าวอ้างที่ผู้ขายแต่ละรายระบุ บันทึกว่าใครเป็นผู้วัดข้อกล่าวอ้างเหล่านั้น และหาว่าการตัดสินใจจริง ๆ แล้วขึ้นอยู่กับคอลัมน์ใด ซึ่งปรากฏว่าไม่ค่อยเกี่ยวกับความสามารถเท่ากับเกี่ยวกับว่าคุณกำลังซื้อไฟล์หรือเช่าบริการ
อันหนึ่งคือไฟล์ อีกอันคือมิเตอร์
NVIDIA Nemotron 3.5 Bolt 74B-A9B 24GB วางจำหน่ายเมื่อวันที่ 15 ตุลาคม 2026 และอยู่บน Hugging Face ในรูปแบบน้ำหนักที่ดาวน์โหลดได้ภายใต้ OpenMDW-1.1 ซึ่งเป็นสัญญาอนุญาตที่อนุญาตให้ใช้เชิงพาณิชย์ได้ เป็นโมเดลผสมผู้เชี่ยวชาญ (mixture-of-experts) แบบไฮบริด Mamba-Transformer: มีพารามิเตอร์ทั้งหมด 74,000 ล้านตัว และเปิดใช้งาน 9,000 ล้านตัวต่อโทเค็น "24GB" ในชื่อคือจุดหมายสำคัญของการทำทั้งหมดนี้ NVIDIA สร้างมันขึ้นมาโดยบีบอัดโมเดลแม่ขนาด 120B-A12B ด้วยกรอบการค้นหาแบบนำทางด้วยเราเตอร์ที่เรียกว่า Star Elastic โดยลด top-K ของผู้เชี่ยวชาญจาก 22 เหลือ 9 จากนั้นใช้การกลั่นแบบรู้การควอนไทซ์ (quantization-aware distillation) เพื่อให้เลเยอร์ผู้เชี่ยวชาญอยู่ที่ 2.0625 บิต มีตัวร่างแบบ speculative ขนาด 1.13 พันล้านพารามิเตอร์มาพร้อมกัน โดยมีความยาวการยอมรับเฉลี่ย 4.68 ภายใต้การถอดรหัสแบบ greedy และ 4.25 ภายใต้การสุ่มตัวอย่าง รันไทม์ที่แนะนำคือ vLLM บน Ampere, Hopper หรือ Blackwell ด้วยขนาด tensor-parallel เท่ากับหนึ่ง
Qwen4-Max เป็นแนวทางที่ตรงกันข้าม และไม่เพียงเพราะขนาดเท่านั้น เรือธงรุ่นที่สี่ของ Alibaba เปิดให้ใช้งานทั่วไปเมื่อวันที่ 16 พฤศจิกายน 2026 ในราคา 1.50 ดอลลาร์ต่อล้านโทเคนอินพุต และ 4.50 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ในสิงคโปร์ โดยมีหน้าต่างบริบท 1,000,000 โทเคน รองรับอินพุตรูปภาพและวิดีโอแบบเนทีฟ และมีระดับการให้เหตุผลที่กำหนดค่าได้สามระดับ ไม่มีการเผยแพร่ checkpoint ใด ๆ การไฟน์ทูน การดีพลอยโมเดล และการอนุมานแบบแบตช์ ถูกระบุว่าไม่รองรับทั้งหมดในเอกสารประกอบของ Model Studio ทุก endpoint ที่ให้บริการโมเดลนี้ล้วนให้บริการดีพลอยเมนต์ของ Alibaba
ดังนั้นโมเดลทั้งสองไม่ได้แข่งขันกันเพื่อตำแหน่งเดียวกันในสถาปัตยกรรมของคุณ ตัวหนึ่งคือสิ่งที่คุณรันเอง อีกตัวคือสิ่งที่คุณเรียกใช้ การเปรียบเทียบใดก็ตามที่ไม่เริ่มต้นจากตรงนั้นกำลังวัดสิ่งผิด
ตารางของผู้ขายเปรียบเทียบ Bolt กับ Qwen ที่ไม่ใช่รุ่นนี้
ตาราง benchmark ของ NVIDIA เองเป็นชุดตัวเลขที่มีเอกสารประกอบดีที่สุดในทั้งสองฝ่าย และคุ้มค่าที่จะอ่านอย่างละเอียดเพราะสิ่งที่ตารางนี้ไม่มี คอลัมน์เปรียบเทียบคือ Qwen3.6-35B-A3B ใน BF16, Gemma 4 26B-A4B-IT ใน BF16 และ Nemotron 3.5 Lightning 30B-A3B โดยไม่มี Qwen4-Max อยู่ในตาราง Qwen ที่ตารางวัดเป็นโมเดล open-weight 35 พันล้านพารามิเตอร์ที่เก่ากว่าสองรุ่น และเหตุผลก็ชัดเจนเมื่อกล่าวออกมา: ชุดการเปรียบเทียบถูกกำหนดโดย memory footprint และ API แบบ hosted ที่มี 2.4 ล้านล้านพารามิเตอร์ไม่มี footprint ให้เปรียบเทียบ
สิ่งที่ตารางยืนยันได้ — ซึ่งทั้งหมดเป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ได้มีการทำซ้ำ — ก็คือไฟล์ขนาด 24GB นั้นสามารถแข่งขันกับตัวเลือกภายในเครื่องที่มีขนาดใหญ่กว่ามากในงานเชิงเอเจนต์ได้ ในแถวที่ NVIDIA เลือก:
• BrowseComp — Nemotron 3.5 Bolt 74B 66.75 เทียบกับ 48.74 สำหรับ Qwen3.6-35B-A3B และ 26.30 สำหรับ Gemma 4 26B-A4B
• Terminal-Bench 2.1 — 50.98 เทียบกับ 44.38 และ 37.22
• WebArena ในโหมดภาพ — 50.86 เทียบกับ 36.60 และ 38.20
• GPQA Diamond — 86.43 เทียบกับ 83.40 และ 79.61
• HLE โดยไม่ใช้เครื่องมือ — 25.30 เทียบกับ 19.56 และ 17.42
• GDPVal-AA-V2 — 28.47 เทียบกับ 25.75 และ 15.33
• MCP-Atlas — 52.20 เทียบกับ 51.20 และ 48.4
• Tau3 Banking — 17.01 เทียบกับ 10.52 และ 14.02

สองแถวที่มันแพ้ควรค่าแก่การเอ่ยถึง เพราะตารางของผู้ขายแทบไม่เคยรวมแถวเหล่านี้ไว้ ในด้านความแม่นยำของ AA-Omniscience นั้น Gemma 4 26B-A4B ได้ 22.17 เทียบกับ Bolt ที่ 16.90; ในด้านการไม่ฮาลูซิเนตของ AA-Omniscience นั้น Nemotron 3.5 Lightning นำอยู่ที่ 68.81 เทียบกับ Bolt ที่ 61.27 คุณสมบัติที่อ่อนแอที่สุดของ Bolt ที่เปิดเผย คือการรู้ว่าตนเองไม่รู้
เชิงอรรถสำคัญพอ ๆ กับแถวข้อมูล NVIDIA บันทึก MCP-Atlas ที่ 51.20 สำหรับ Qwen3.6-35B-A3B ขณะที่ระบุว่า Qwen เองรายงาน 62.8 ใน benchmark เดียวกัน ซึ่งวัดจากงานสาธารณะ 500 งาน สองแล็บ benchmark เดียว ช่องว่างสิบเอ็ดจุดห้า นั่นไม่ใช่เรื่องอื้อฉาว แต่เป็นหน้าตาของตัวเลขที่ผู้ขายรายงานเมื่อไม่มีใครตรงกลางรันฮาร์เนสให้ทั้งสองฝ่าย ซึ่งเป็นบทบาทที่ Intelligence Index เล่นให้ Qwen4-Max และไม่สามารถเล่นให้ Bolt ได้อย่างแม่นยำ

สิ่งที่คณะกรรมการอิสระกล่าวเกี่ยวกับ Qwen4-Max — และเหตุใดจึงไม่ได้ยุติเรื่องใดเลย
บันทึกอิสระของ Qwen4-Max นั้นมีอยู่น้อยแต่เป็นของจริง Artificial Analysis ให้คะแนนมัน 43 บน Intelligence Index v5.0.1 และจัดอันดับให้อยู่อันดับที่ 51 จาก 96 โมเดลบนบอร์ดเวอร์ชันนั้น โดยมีต้นทุนการประมวลผล $3.27 ต่องานในดัชนี ยังคงทำผลงานได้โดยสร้างโทเค็นเอาต์พุต 127 ล้านโทเค็นตลอดการรัน เทียบกับค่ามัธยฐานที่ 65.1 ล้าน และใช้เวลา 31.3 นาทีต่องาน เทียบกับค่ามัธยฐานที่ 12.4 ความเร็วเอาต์พุตคือ 56 โทเค็นต่อวินาที เวลาถึงโทเค็นคำตอบแรกคือ 146 วินาที หน้าต่างบริบทของโมเดลบนบอร์ดระบุไว้ที่ 984k ซึ่งเป็นเพดานอินพุตโหมดคิดที่ 983,616 เมื่อปัดเศษ ไม่ใช่โมเดลอื่น

จงอ่านแถวข้อมูลเหล่านั้นในฐานะโปรไฟล์การปรับใช้ มากกว่าจะเป็นคำตัดสิน โมเดลที่ใช้เวลาคิดครึ่งชั่วโมงต่องานและสร้างจำนวนโทเค็นเป็นสองเท่าของค่ามัธยฐานไม่ได้ช้าเพราะได้รับการให้บริการที่ไม่ดี มันช้าเพราะมันทำงานมากขึ้นต่องานและเรียกเก็บเงินจากคุณสำหรับงานนั้น เมื่อคิดต่องาน $3.27 คือต้นทุนที่แท้จริงของคำตอบจาก Qwen4-Max และเป็นตัวเลขที่ต้องนำไปใช้ในการเปรียบเทียบใด ๆ กับโมเดลที่คุณโฮสต์เอง ซึ่งต้นทุนส่วนเพิ่มของงานหนึ่งคืองค่าไฟฟ้าและเวลารอในคิว
ตอนนี้ลองวาง 24GB ของ Bolt ไว้ข้างๆ สิ่งนั้นดู คุณมีตารางจากผู้ขายที่บอกว่ามันเอาชนะ Qwen แบบ open-weight ขนาด 35B ในการท่องเว็บแบบ agentic และคุณมีคณะกรรมการอิสระที่บอกว่า Qwen แบบโฮสต์ที่มันถูกนำมาเปรียบเทียบด้วยจริงๆ นั้นได้คะแนน 43 และมีค่าใช้จ่าย $3.27 ต่องาน ข้อเท็จจริงสองข้อนี้ไม่ได้เชื่อมโยงกันเลย ยังไม่มีใครนำ Nemotron 3.5 Bolt 74B ผ่าน Intelligence Index และจนกว่าจะมีคนทำ แผนภูมิใดก็ตามที่วางสองโมเดลนี้บนแกนความสามารถก็กำลังลากเส้นระหว่างจุดที่วัดได้กับจุดที่สันนิษฐานไว้
ในกรณีที่การเปรียบเทียบสามารถชี้ขาดได้: หน่วยความจำ ความหน่วง และค่าใช้จ่าย
มีสามแถวที่สามารถนำมาเปรียบเทียบกันได้อย่างตรงไปตรงมา เพราะทั้งสองฝ่ายเผยแพร่แถวเหล่านี้ และไม่มีฝ่ายใดต้องอาศัยบุคคลที่สาม
• หน่วยความจำ — Nemotron 3.5 Bolt 74B-A9B 24GB ต้องใช้หน่วยความจำในเครื่อง 24 กิกะไบต์ที่การควอนไทซ์แบบ expert ระดับ 2.0625 บิต; Qwen4-Max ไม่ต้องใช้เลย เพราะคุณไม่เคยถือ weights ไว้ การแลกเปลี่ยนคือ เพดานหน่วยความจำของโมเดลที่โฮสต์จะกลายเป็นเพดานบริบท: 262,144 โทเคนสำหรับ checkpoint ของ NVIDIA, 1,000,000 สำหรับ Qwen4-Max โดยมีขีดจำกัดอินพุต 983,616 โทเคนในโหมดคิด และ 262,144 ที่ใช้ร่วมกันระหว่างการให้เหตุผลกับคำตอบ
• ความเร็ว — NVIDIA อ้างว่าถอดรหัสได้อย่างน้อย 80 โทเคนต่อวินาที และรายงานว่าได้ 84 เมื่อใช้ดราฟเตอร์; Artificial Analysis วัด Qwen4-Max ได้ 56 โทเคนต่อวินาที โดยใช้เวลา 146 วินาทีถึงโทเคนแรกของคำตอบ โมเดลท้องถิ่นเร็วกว่าต่อโทเคนและเริ่มตอบได้เร็วกว่า โมเดลที่โฮสต์ไว้อาจยังทำงานเสร็จเร็วกว่า เพราะมันใช้ปริมาณการคิดที่แตกต่างกัน
• {{1}}ราคา{{/1}} — งานหนึ่งของ Qwen4-Max มีค่าใช้จ่าย $3.27 บนฮาร์เนสอิสระ หรือ $1.50 และ $4.50 ต่อล้านโทเค็นตามมิเตอร์ Nemotron 3.5 Bolt 74B ไม่มีราคาตามมิเตอร์ที่เผยแพร่เลย เพราะไม่มีผู้ให้บริการรายใดขายโมเดลนี้ ค่าใช้จ่ายของมันคือต้นทุน GPU ที่คุณจ่ายไป: การ์ด 24GB ที่มีอยู่ในเวิร์กสเตชันอยู่แล้ว โดยตัดค่าเสื่อมราคาเฉลี่ยตามจำนวนงานต่อเดือนที่คุณรันผ่านการ์ดนั้น
แถวสุดท้ายนั่นแหละคือที่ซึ่งการตัดสินใจอยู่จริง และเป็นเหตุผลว่าทำไมกรอบคำถามแบบ "อะไรฉลาดกว่า" ถึงยังล้มเหลวอยู่เรื่อยมา ถ้าภาระงานของคุณคือเอเจนต์Turnสั้น ๆ หนึ่งล้านครั้งต่อเดือน เช็กพอยต์ในเครื่องจะชนะด้านเศรษฐศาสตร์ต่อหน่วยด้วยช่องว่างที่ไม่มีแถว benchmark ใดเอาชนะได้ และคอนเท็กซ์ 262k ก็เป็นข้อจำกัดที่คุณออกแบบให้รองรับ ถ้าภาระงานของคุณคืองานระยะยาวไม่กี่พันงานที่มีวิดีโอในอินพุตและมีเอกสารขนาด 900,000 โทเคนแนบมาด้วย ก็ไม่มีเช็กพอยต์ 24GB ตัวใดตอบคำถามนี้ได้เลย และราคา $3.27 ต่องานของ Qwen4-Max ก็เป็นคำตอบที่ถูกที่สุดที่มีอยู่ ไม่ใช่คำตอบที่แพง
ทำไมคำตอบที่ตรงไปตรงมาจึงเป็น "ทั้งสองอย่าง สำหรับงานที่แตกต่างกัน"
คำตอบที่น่าดึงดูดคือการประกาศผู้ชนะ และ SERP ก็เต็มไปด้วยหน้าที่ทำแบบนั้นโดยไม่มีข้อมูลร่วมกัน คำตอบที่มีประโยชน์กว่าคือโมเดลทั้งสองกำลังบรรจบมาที่แนวคิดทางสถาปัตยกรรมเดียวกันจากทิศทางตรงกันข้าม Qwen4-Max เป็น mixture-of-experts แบบ sparse ที่เปิดใช้งาน 71 พันล้านจาก 2.4 ล้านล้านพารามิเตอร์ต่อโทเคน และเน้นประสิทธิภาพของโทเคน — ข้อกล่าวอ้างของผู้พัฒนาเองที่ยังไม่มีการทำซ้ำคือมันมีประสิทธิภาพเหนือกว่า Qwen3.8-Max โดยใช้โทเคนน้อยลงสูงสุดประมาณ 50% โดยต้นทุนเฉลี่ยต่องานลดลงจาก $4.43 เป็น $1.67 Nemotron 3.5 Bolt 74B เป็น mixture-of-experts แบบ sparse ที่เปิดใช้งาน 9 พันล้านจาก 74 พันล้าน และเน้นการบีบอัด โดยได้ footprint 24GB มาด้วยน้ำหนักผู้เชี่ยวชาญแบบ 2 บิตและตัวร่างแบบ speculative ขนาดเล็ก ทั้งสองเป็นคำตอบสำหรับคำถามเดียวกัน: คุณสามารถแตะส่วนของโมเดลได้น้อยเพียงใดต่อโทเคนก่อนที่คุณภาพจะทรุดลง?
การวางกรอบเช่นนั้นมีผลที่ตามมาในทางปฏิบัติ ทีมที่จะได้ประโยชน์สูงสุดจากทั้งสองแนวทางคือทีมที่วัดโทเคนต่องานที่เสร็จแล้ว มากกว่าวัดโทเคนต่อวินาที ในฝั่งโลคอล นั่นหมายถึงการจับตาความยาวที่ยอมรับ (acceptance length) บน drafter เพราะตัวถอดรหัสแบบคาดการณ์ล่วงหน้าที่ accepts 4.68 โทเคนต่อขั้นภายใต้การถอดรหัสแบบ greedy และ 4.25 ภายใต้การสุ่มตัวอย่าง คือแหล่งที่ throughput ของคุณมาจาก และการตั้งค่าการสุ่มตัวอย่างก็เปลี่ยนค่านี้ได้ ในฝั่งโฮสต์ นั่นหมายถึงการบันทึกยอดรวมของ thinking-plus-answer เทียบกับเพดาน 262,144 โทเคน เพราะ reasoning effort มีค่าเริ่มต้นเป็น high และไคลเอนต์แบบ OpenAI ที่ขอ medium จะได้รับ high อย่างเงียบ ๆ การวัดทั้งสองแบบไม่จำเป็นต้องใช้ benchmark และทั้งสองแบบก็ให้ข้อมูลมากกว่าการวัดเพียงอย่างเดียว
อะไรจะทำให้เรื่องนี้ยุติลง
จำนวนที่หายไปคือการรันฮาร์เนสหนึ่งครั้ง หากนำ Nemotron 3.5 Bolt 74B-A9B 24GB ไปทดสอบกับ Intelligence Index v5.0.1 ที่ควอนไทเซชันซึ่งจัดส่งมา โมเดลทั้งสองก็จะเทียบกันได้บนแกนเดียวที่ทั้งสองฝ่ายสามารถวัดได้ และทุกหน้า aggregator ที่ตอนนี้ระบุว่า "ยังไม่มีผลการทดสอบ benchmark ที่ใช้ร่วมกัน" จะมีอะไรให้แสดง NVIDIA เผยแพร่ checkpoint แล้ว รันไทม์คือ vLLM และเครื่องมือมีอยู่แล้ว จนกว่าจะถึงตอนนั้น สิ่งที่ควรทำคือเลิกมองเรื่องนี้เป็นการจับคู่แข่งขัน แล้วเริ่มมองเป็นการตัดสินใจระหว่างสร้างเองกับซื้อ โดยมีต้นทุนที่มีเอกสารระบุไว้ฝ่ายหนึ่ง และมีฟุตพรินต์ที่มีเอกสารระบุไว้อีกฝ่ายหนึ่ง
ในส่วนของฝั่งเราบนบัญชีนี้ หากพูดให้ชัดเรื่องความพร้อมใช้งาน: OrcaRouter ไม่ได้ให้บริการเราเตอร์ทั้งสองโมเดลนี้ Nemotron 3.5 Bolt 74B เป็นไฟล์ที่คุณดาวน์โหลดไปให้บริการเอง ส่วน Qwen4-Max นั้นเช่าใช้จาก Alibaba หรือผ่านแพลตฟอร์มพันธมิตรในช่วงที่ยังเปิดให้ใช้ฟรีอยู่ สมาชิกตระกูล Qwen ในแคตตาล็อกของเราคือ Qwen3.8-Max ราคา $2.00 ขาเข้า และ $6.00 ขาออก ต่อหนึ่งล้านโทเคน พร้อมบริบท 1M โทเคน ซึ่งเป็นตัวเลือกสำรองตามธรรมชาติหากคุณต้องการคีย์เดียวที่ใช้ได้กับสแตกแบบผสมและราคาที่เป็นไปตามรายการของผู้ขายเอง ไม่ใช่การขายต่อที่บวกกำไรเพิ่ม สำหรับการตัดสินใจแบบนี้ — ซึ่งผู้เข้าชิงสองรายอยู่คนละสุดของสเปกตรัมระหว่างสร้างเองกับซื้อ — สิ่งที่มีประโยชน์ซึ่งเราเตอร์มอบให้คุณไม่ใช่ผู้ชนะ แต่คือความสามารถในการเปิดช่องทางแบบโฮสต์ไว้ ระหว่างที่คุณค้นหาว่าเลน local ทำอะไรไม่ได้บ้าง
ถ้าคุณกำลังเลือกในเดือนนี้ ให้เลือกจากข้อจำกัดที่คุณขยับไม่ได้ บริบท (context) ความหลากหลายของรูปแบบข้อมูล (modality) และการจ่ายตามงาน คือข้อจำกัดของ Qwen4-Max ที่ต้องทำให้ได้ ส่วนหน่วยความจำ การทำงานแบบออฟไลน์ และต้นทุนส่วนเพิ่มเป็นศูนย์ต่อคำขอ คือข้อจำกัดของ Nemotron 3.5 Bolt 74B ช่องว่างด้านเบนช์มาร์กระหว่างทั้งสองนั้นมีจริง แต่มันไม่ใช่ช่องว่างที่จะตัดสินสถาปัตยกรรมของคุณ — และการทำตารางเทียบเคียงกันแบบเคียงข้างมากแค่ไหนก็ไม่อาจปิดช่องว่างนั้นได้ก่อนที่ใครสักคนจะรันฮาร์เนส
การเปรียบเทียบในบทความนี้1
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
