Muse Wonder so với Qwen 3.8 Max: Token rẻ hơn nhưng lại tốn kém hơn trên mỗi tác vụ

Qwen 3.8 Max rẻ hơn Muse Wonder ở mọi mức giá được công bố — 2,00 USD cho mỗi triệu token đầu vào và 6,00 USD cho mỗi triệu token đầu ra, so với 4,00 USD và 20,00 USD — vậy mà nó vẫn tốn nhiều hơn để hoàn thành một công việc. Trên chính bộ kiểm thử của Artificial Analysis, chi phí đo được để hoàn thành một tác vụ trong Intelligence Index là khoảng 5,41 USD với Qwen 3.8 Max và khoảng 4,52 USD với Muse Wonder, bởi vì Qwen 3.8 Max phát ra khoảng 190 triệu token đầu ra để hoàn tất lần chạy đó, trong khi Muse Wonder phát ra khoảng 130 triệu, so với mức trung vị của bảng xếp hạng vào khoảng 85 triệu. Meta Superintelligence Labs ra mắt Muse Wonder vào ngày 12 tháng 10 năm 2026 và nó đạt 52 điểm trên cùng chỉ số đó; Qwen 3.8 Max đạt 45 điểm. Đó không phải là một khoảng cách làm tròn trên cả hai trục, và điều đó có nghĩa là phản xạ quen thuộc "rẻ hơn trên mỗi token thì thắng" lại hiểu ngược hoàn toàn về cặp so sánh này.

Bảng giá cước không phải là hóa đơn

Hãy bắt đầu với những gì hai nhà cung cấp công bố, vì xét trên lý thuyết thì không có sự cạnh tranh nào.

• Đầu vào — Qwen 3.8 Max $2.00 mỗi triệu token; Muse Wonder $4.00, vì vậy nó chỉ bằng một nửa giá

• Đầu ra — Qwen 3.8 Max 6,00 USD mỗi triệu token; Muse Wonder 20,00 USD, nên chỉ bằng khoảng một phần ba

• Giảm giá cache — Qwen 3.8 Max giảm 88% cho đầu vào đã cache; Muse Wonder 95%. Vì tỷ lệ phần trăm được trừ vào giá đầu vào niêm yết cao gấp đôi, nên sau khi làm tròn, hai mức giá chỉ chênh nhau vài xu — khoảng $0.24 so với khoảng $0.20 mỗi triệu token được cache — và danh mục của chính chúng tôi định giá lượt đọc cache của Qwen 3.8 Max ở mức $0.25. Đây là dòng duy nhất mà mức giá niêm yết rẻ hơn lại dẫn đến cache đắt hơn.

• Cách định vị của chính nhà cung cấp — Artificial Analysis đánh dấu đầu vào của Muse Wonder là “hơi đắt” so với mức trung vị của bảng là $2.00 và đầu ra của nó là “đắt” so với mức trung vị $10.00. Qwen 3.8 Max nằm ở hoặc dưới cả hai mức trung vị.

Mỗi dòng trong số đó đều có lợi cho Qwen 3.8 Max. Giờ hãy xem cùng khung đo lường ấy ghi nhận được gì cho một tác vụ đã hoàn thành — con số duy nhất mà một ngân sách thực sự cảm nhận được.

• Chi phí cho mỗi tác vụ Chỉ số Trí tuệ — Muse Wonder khoảng 4,52 đô la; Qwen 3.8 Max khoảng 5,41 đô la

• Số token đầu ra tiêu thụ trong lần chạy chỉ mục đó — Muse Wonder khoảng 130 triệu; Qwen 3.8 Max khoảng 190 triệu, so với mức trung vị của bảng xếp hạng gần 85 triệu

• Điều mà harness nói về mức độ dài dòng — Muse Wonder được mô tả là "khá dài dòng"; Qwen 3.8 Max được mô tả là "rất dài dòng"

Hai bảng giá và hai hóa đơn đo được chỉ về hai hướng ngược nhau, và lý do hoàn toàn nằm ở khối lượng token. Qwen 3.8 Max tiêu tốn khoảng 1,5 lần số token đầu ra so với Muse Wonder trong cùng một phép đánh giá, điều này xóa bỏ lợi thế 3,3 trên 1 của nó ở khoản đầu ra và rồi vẫn tiếp tục vượt xa hơn thế. Nếu khối lượng công việc của bạn giống như chỉ mục — suy luận dài, câu trả lời dài, thiết lập effort cao — thì bảng giá là tài liệu sai để lập kế hoạch dựa vào. Số lượng token của chính bạn mới là con số đúng, và khoảng cách giữa hai bên chỉ đáng để theo đuổi nếu bạn đã đo đạc hỗn hợp của chính mình thay vì đi mượn của người khác.

Bảy điểm chỉ số là một bậc, không phải một sự hòa.

Những so sánh giữa các mẫu chỉ hơn kém nhau trong vòng một điểm thường được quyết định bởi giá cả và kiểu dáng. Cuộc so sánh này thì không phải vậy.

• Chỉ số Trí tuệ — Muse Wonder (max) 52; Qwen 3.8 Max 45

• Phép đo chung — cả hai con số đều của Artificial Analysis, được tạo ra trên hệ thống đo lường riêng của họ ở mức nỗ lực tối đa, chứ không phải benchmark ưa thích của bất kỳ nhà cung cấp nào

Bảy điểm trên một chỉ số tổng hợp trải rộng 219 mô hình trong lớp này là một sự tách biệt thực sự, và nó đến từ phía sổ sách nơi Qwen 3.8 Max đang tiêu thêm token. Nó tạo ra nhiều đầu ra hơn mà lại đạt điểm thấp hơn. Sự kết hợp đó — nhiều token hơn, điểm thấp hơn — chính là kiểu dài dòng tốn kém, bởi vì bạn phải trả giá hai lần: một lần bằng đô-la cho mỗi tác vụ và một lần bằng bất cứ thứ gì mà điểm số đang đại diện.

Lưu ý trung thực là một chỉ số tổng hợp chỉ là mức trung bình trên tập hợp nhiệm vụ của người khác. Bảy điểm trên công cụ cho bạn biết hai mô hình không cùng đẳng cấp; nó không cho bạn biết mô hình nào vượt quacủa bạn đánh giá (một chỉ số duy nhất chưa từng trả lời điều đó và sự kết hợp này cũng không ngoại lệ)

Bảng thông số kỹ thuật, từng dòng một

• Cửa sổ ngữ cảnh — Muse Wonder (Max) 1.048.576 token, với cửa sổ một triệu token được nhắc lại trong bản tóm tắt thẻ của chính Meta; Qwen 3.8 Max 984k token như thẻ độc lập ghi, so với 1.000.000 token trên trang danh mục của chúng tôi cho cùng mô hình có tên đó. Hai nguồn lệch nhau 16.000 token về phía mô hình đó; hãy coi mức trần là "khoảng một triệu" ở cả hai và kiểm tra con số nhỏ hơn với nhà cung cấp trước khi bạn thiết kế dựa trên nó.

• Đầu vào mô hình — Muse Wonder: văn bản, hình ảnh, giọng nói và video; Qwen 3.8 Max: văn bản và hình ảnh, còn video cũng được liệt kê trên trang danh mục của chúng tôi. Giọng nói là loại đầu vào mà chỉ một trong hai mô hình này chấp nhận.

• Đầu ra — văn bản trên cả hai.

• Suy luận — cả hai đều suy luận, và không bên nào công bố chế độ không suy luận mà bên gọi có thể dựa vào. Token suy luận được tính như output trên cả hai, đúng điểm mà mức ngốn token của Qwen 3.8 Max trở nên đắt đỏ.

• Tốc độ đầu ra — Qwen 3.8 Max khoảng 36 token mỗi giây, mức mà harness nhận xét là chậm đáng kể; Muse Wonder chưa được công bố trên cùng harness đó. Sự bất đối xứng ấy quan trọng hơn vẻ ngoài của nó: nó có nghĩa là một bên trong phép so sánh này có hồ sơ độ trễ đo lường được công khai, còn bên kia thì không.

• Trọng số — độc quyền ở cả hai, không cái nào được công bố.

• Phát hành — Muse Wonder vào ngày 12 tháng 10 năm 2026. Qwen 3.8 Max là mô hình cũ hơn ở đây: Artificial Analysis đo checkpoint 0902, còn danh mục của chúng tôi liệt kê mục Qwen 3.8 Max của riêng nó dưới một ngày khác, 2026-08-03. Hai id đó không thể hoán đổi cho nhau, và nếu bạn đang so sánh giá hoặc điểm số thì cần chắc chắn bạn thực sự đang gọi checkpoint nào.

Độ trễ là trục mà chỉ một trong số chúng ghi lại.

Dòng tốc độ ở trên là phần khó chịu nhất của trang này, vì đây là chỗ duy nhất mà việc so sánh không còn đối xứng. Muse Wonder không có tốc độ đầu ra nào được công bố trên hệ thống kiểm thử độc lập — không phải một con số chậm, mà là không có con số nào — nên mọi tuyên bố rằng một trong hai cái này trả lời nhanh hơn đều không được hỗ trợ ở ít nhất một chiều.

Điều có thể nói chính là những gì lưu lượng của chúng tôi cho thấy. Trên OrcaRouter, Qwen 3.8 Max có thời gian đến token đầu tiên (p50) đo được vào khoảng 4,92 giây. Đó là khoảng chờ trước khi token đầu tiên xuất hiện, trên một mô hình mà bộ kiểm thử độc lập vốn đã đánh giá là chậm rõ rệt ở tốc độ đầu ra duy trì. Với một bề mặt tương tác, đó là một khoảng lặng dài; với một tác vụ theo lô, nó gần như không đáng bận tâm. Việc bạn đang xây dựng loại nào trong hai loại đó sẽ quyết định phần này đáng được lưu tâm đến mức nào, và nếu bạn đang xây dựng loại tương tác, thì một mô hình mà chưa ai công bố độ trễ chính là rủi ro mà bạn nên định giá trước khi áp dụng, chứ không phải sau đó.

Chạy cả hai, hoặc chạy một

Qwen 3.8 Max có trên OrcaRouter dưới dạng qwen/qwen3.8-max, với giá niêm yết $2.00 cho đầu vào và $6.00 cho đầu ra mỗi triệu token, cùng mức $0.25 cho cache-read và cửa sổ một triệu token vẫn nguyên vẹn. Phía chúng tôi không cộng thêm gì — giá niêm yết của nhà cung cấp được chuyển thẳng, nên khi nhà cung cấp thay đổi mức giá thì con số trên trang của chúng tôi cũng thay đổi ngay trong cùng ngày. Điều đó khiến phía so sánh này chỉ cách mọi harness bạn đã có đúng một thay đổi chuỗi, tức cách rẻ nhất có thể để tìm hiểu xem hỗn hợp tác vụ của riêng bạn tác động thế nào đến mức $2.00 đó.

Muse Wonder không có trong danh mục của chúng tôi, và trang này sẽ không giả vờ rằng nó có — Model API của chính Meta và Muse Code là nơi nó chạy ngày nay. Thứ chúng tôi thực sự có từ cùng một phòng thí nghiệm là Muse Spark 1.2, checkpoint mà Meta đã dựa vào để xây dựng phần còn lại của dòng này, với mức $1,25 cho đầu vào và $4,25 cho đầu ra trên mỗi triệu token trong cửa sổ 1.048.576 token, cùng $0,15 cho mỗi lượt đọc cache. Nếu điều bạn thực sự muốn từ Muse Wonder là phong cách đặc trưng của Meta với một phần năm mức giá thay vì điểm số tiên phong, thì con đường đó tồn tại trên cùng khóa bạn đã có.

Lý do thực tiễn cho một điểm cuối tương thích OpenAI duy nhất xuyên suốthơn 200 mô hình chính là bài toán đo lường này. Mức chênh lệch $4.52 so với $5.41 là con số trung bình trên các tác vụ của người khác, và cách duy nhất để biết liệu nó có đúng với tác vụ của bạn hay không là chạy thử. Làm điều đó qua một khóa duy nhất nghĩa là trỏ quy trình đánh giá hiện có của bạn sang tên mô hình thứ hai rồi chạy lại, chứ không phải ký thêm hợp đồng thứ hai và dựng lại hệ thống thanh toán. Cơ chế chuyển đổi dự phòng tự động bao quát trường hợp bạn đưa mô hình mới hơn, chưa được kiểm chứng lên trước: nếu nhà cung cấp thượng nguồn suy giảm, yêu cầu sẽ được chuyển hướng thay vì thất bại.

Cái nào, và dựa trên bằng chứng nào

• Hãy chọn Muse Wonder khi điểm số là mục tiêu. Bảy điểm chỉ số với chi phí đo được trên mỗi tác vụ thấp hơn là một thắng lợi rõ ràng, và không có gì trong sự kết hợp này đảo ngược điều đó.

• Hãy dùng Qwen 3.8 Max khi đầu vào dài và đầu ra ngắn. Bảng giá $2.00 cho đầu vào so với $4.00 là mức tiết kiệm thực sự 50% trên các khối lượng công việc chỉ toàn prompt và hầu như không có câu trả lời, và hình phạt dài dòng không bao giờ có cơ hội phát huy tác dụng vì chẳng có gì để dài dòng cả.

• Hãy chọn Qwen 3.8 Max khi bạn cần một hồ sơ độ trễ được công bố. Tốc độ của nó đã được ghi nhận, và nếu bộ phận thu mua muốn một con số trước khi ký duyệt, “không được công bố” là câu trả lời khó biện hộ hơn “36 token mỗi giây”.

• Đừng đánh giá Qwen 3.8 Max chỉ qua mức giá được quảng cáo. Mức 2,00 đô-la là một khoản chiết khấu thực sự cho phần đầu vào, nhưng lại là một cách tóm tắt gây hiểu nhầm về mô hình này: trên bộ kiểm thử độc lập, chi phí cho mỗi tác vụ hoàn thành của nó cao hơn cả một mô hình tính giá gấp đôi cho đầu vào và gấp hơn ba lần cho đầu ra.

• Đừng cho rằng bất kỳ lựa chọn nào trong số đó là phương án rẻ cho đến khi bạn tự đếm số token của chính mình. Các con số theo từng tác vụ trên trang này đến từ một harness chạy một đánh giá. Sự đảo ngược mà chúng thể hiện chính là lý do để đo lường, chứ không phải bản thân phép đo.

Điều khiến cặp so sánh này thú vị là nó phá vỡ lối tắt. Bảng giá thì dễ đọc và dễ tin, vậy mà ở đây cách đọc dễ dãi lại đưa ra câu trả lời sai khoảng 20%. Các mô hình cũng cách nhau một thế hệ về ngày phát hành, nhưng đủ giống nhau về hình dáng đến mức khó chọn ra từ bảng thông số. Cả hai điều đó đều có thể trả lời được từ log của chính bạn trong tuần này — và cả hai sẽ không được trả lời bởi bảng benchmark tiếp theo mà một trong hai lab công bố.