
Qwen4-Max từng được gọi là kẻ đánh bại Opus 5.5: Chỉ số lại xếp nó thấp hơn 16 điểm
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 90 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 96 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 87 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 133 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 trên 1 triệu token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 120 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 trên 1 triệu token · 219 tok/s
Phán quyết ngày ra mắt về Qwen4-Max là nó đánh bại Claude Opus 5.5 cùng cả GPT-6.1 Sol lẫn GPT-6 Astra, và chỉ xếp sau Claude Fable 5.2. Ba trong bốn so sánh đó lại đi theo chiều ngược lại trên bảng điểm duy nhất đã cho cả năm mô hình chạy qua cùng chín bài đánh giá. Artificial Analysis Intelligence Index v5.0.1, được ghi nhận vào ngày 16 tháng 11 năm 2026 — ngày Qwen4-Max được mở bán — xếp Qwen4-Max ở 43, Claude Opus 5.5 ở 59, GPT-6 Astra ở 57, GPT-6.1 Sol ở 55 và Claude Fable 5.2 ở 65. Kém mười sáu điểm so với mô hình mà nó được cho là đánh bại, kém mười bốn điểm so với mô hình rẻ thứ hai trong ba mô hình, và kém mười hai điểm so với mô hình thứ ba. So sánh thứ tư, tức so sánh mà Fable 5.2 dẫn đầu, là phần duy nhất của tuyên bố còn trụ được khi đối chiếu với bộ kiểm thử.
Khoảng cách đó đáng để mổ xẻ chứ không phải gạt bỏ, vì tuyên bố này không phải bịa ra. Đó là kết quả bạn nhận được khi một phép so sánh được ghép từ những cài đặt mức nỗ lực suy luận không khớp nhau, và sự lệch nhau lần nào cũng chỉ chạy theo một hướng. Dưới đây: những gì Alibaba thực sự công bố, bảng điểm ghi gì ở từng nấc của mỗi thang, phép đọc duy nhất mà theo đó tuyên bố trở thành đúng theo nghĩa đen, và con số mà công cụ theo dõi hoàn toàn không có đối với Qwen4-Max.
Những gì Alibaba đã công bố và những gì họ không công bố
Điều đầu tiên cần tách bạch là tài liệu ra mắt của nhà cung cấp với những bình luận xung quanh nó. Bài đăng blog Qwen4-Max của chính Alibaba, ngày 16 November 2026, không nhắc tên bất kỳ mô hình đối thủ nào ở bất cứ đâu trong 3.100 từ của bài. Mọi so sánh trong đó đều là với Qwen3.8-Max, mẫu chủ lực trước đó của chính công ty. Đó là việc bình thường đối với một bài đăng ra mắt và đây không phải là lời chỉ trích — nhưng điều đó có nghĩa là cách đóng khung cạnh tranh không đến từ nhà cung cấp, và bất kỳ tuyên bố “đánh bại Opus” nào đang lưu hành đều là suy luận của người khác.
Điều mà nhà cung cấp quả thực tuyên bố, tất cả đều do nhà cung cấp tự báo cáo và chưa được tái lập:
• Kiến trúc — một xương sống 2,4 nghìn tỷ tham số trên kiến trúc Qwen4 mới, với khả năng thị giác gốc và cửa sổ ngữ cảnh một triệu token.
• Hiệu quả sử dụng token so với Qwen3.8-Max — ít hơn 24% token ở mức nỗ lực Xhigh và ít hơn 35% ở mức High trên benchmark Work360 của Alibaba, cùng với mức ít hơn 48% và 49% trên Terminal-Bench 4.0.
• Chi phí mỗi tác vụ so với Qwen3.8-Max — trung bình từ $4.43 giảm xuống còn $1.67, mức cắt giảm 62%, với mức giảm lớn nhất ở giá đầu vào được lưu trong bộ nhớ đệm.
• Điểm Work360 — 52,69 so với 47,74 của Qwen3.8-Max.
Không có thứ nào trong số đó là so sánh liên phòng thí nghiệm, và không thứ nào có thể được đối chiếu với số liệu đã công bố của đối thủ cạnh tranh, bởi vì chúng được đo trên các bài kiểm chuẩn mà chính nhà cung cấp tự chấm điểm. Con số độc lập đã đến cùng ngày từ một hướng khác.
Những gì bộ khung độc lập đọc
Artificial Analysis v5.0.1 là một tổ hợp gồm chín bài đánh giá — AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset và Terminal-Bench-Science 0.1 — do đơn vị theo dõi thực hiện, không phải các phòng thí nghiệm. Trên đó, điểm 43 của Qwen4-Max đứng thứ 38 trong 81 mô hình, cao hơn một chút so với trung vị của nhóm là 41. Đó là một màn ra mắt đáng nể đối với một kiến trúc thế hệ đầu. Nó không phải là mô hình dẫn đầu, và bốn mô hình mà nó được xếp trên đều đứng trước nó:
• Claude Opus 5.5 — 59 ở Max, 57 ở Xhigh, 52 ở High, 48 ở Medium, 35 ở Low. Phát hành ngày 22 tháng 9 năm 2026.
• GPT-6 Astra — 57 ở mức Max, 55 ở mức Xhigh, 55 ở mức High, 52 ở mức Medium, 43 ở mức Low. Phát hành ngày 3 tháng 9 năm 2026, kiến thức cập nhật đến tháng 4 năm 2026.
• GPT-6.1 Sol — 55 ở Max, 52 ở Xhigh, 50 ở High, 46 ở Medium, 35 ở Low. Phát hành ngày 29 tháng 9 năm 2026.
• Claude Fable 5.2 — 65 ở mức Max, 62 ở mức Xhigh, 62 ở mức High, 56 ở mức Medium, 54 ở mức Low. Ra mắt ngày 9 tháng 11 năm 2026.
• Qwen4-Max — 43, được công bố dưới dạng một con số duy nhất, không có thang theo mức nỗ lực. Phát hành ngày 16 tháng 11 năm 2026.
Sự bất đối xứng cuối cùng đó chính là toàn bộ câu chuyện. Qwen4-Max là một mô hình suy luận, và trình theo dõi chấm điểm các đối thủ của nó ở năm thiết lập suy luận riêng biệt trong khi chỉ chấm Qwen4-Max ở một thiết lập. Thiết lập nào tạo ra con số 43 đang được so với mức mạnh nhất của Opus 5.5, Astra và Sol, và trình theo dõi không cho bạn biết còn bao nhiêu dư địa phía dưới mức đó. Vì vậy, “43 so với 59” không phải là so sánh cùng điều kiện giữa trần năng lực của hai mô hình — mà là một thiết lập duy nhất được đo của Qwen4-Max đem so với thiết lập tốt nhất của Opus 5.5.
Cách hiểu duy nhất mà theo đó tuyên bố này là đúng
Đọc các bảng xếp hạng từ trên xuống dưới thì tuyên bố không còn sai nữa mà bắt đầu gây hiểu lầm, một kiểu thất bại thú vị hơn. Con số 43 của Qwen4-Max không bị mọi bậc của mọi đối thủ vượt qua. Nó vượt hoặc ngang bằng bậc thấp nhất của ba trong bốn:
• So với Claude Opus 5.5 — 43 đánh bại con số 35 của cài đặt Low với tám điểm, và thua con số 48 của Medium với năm điểm. Điểm giao nhau nằm giữa Low và Medium.
• So với {{1}}GPT-6 Astra{{/1}} — 43 hòa đúng với thiết lập Low 43 của Astra, và thua thiết lập Medium 52 chín điểm.
• So với GPT-6.1 Sol — 43 đánh bại mức Low của Sol là 35 với cách biệt tám điểm, và thua mức Medium là 46 với cách biệt ba điểm. Đây là kết quả sát nút nhất trên bảng.
• Đối đầu với Claude Fable 5.2 — 43 thua mọi bậc, kể cả mức 54 của cài đặt Low, với cách biệt mười một điểm. Không có cài đặt nào của Fable 5.2 mà Qwen4-Max đạt tới.
Vậy nên một phép so sánh đặt Qwen4-Max đối đầu với các đối thủ chạy ở mức Low effort sẽ tạo ra đúng thứ tự được báo cáo đối với Opus 5.5 và Sol, đúng kết quả hòa hoặc tốt hơn được báo cáo so với Astra, và đúng kết quả thua được báo cáo trước Fable 5.2. Đó là một tập kết quả mạch lạc và tự nhất quán, và là tập duy nhất trên harness này tạo ra thứ tự đang lưu hành. Dù có ai đó đã cố ý ghép nó lại hay đi đến nó bằng cách so sánh một cấu hình mặc định với một thiết lập thấp nhất, thì phép tính vẫn rơi đúng vào đó.
Hệ quả thực tiễn mới là phần quan trọng đối với bất kỳ ai đọc một luồng ra mắt chứ không phải một bảng điểm: ở cùng mức nỗ lực suy luận, Qwen4-Max gần như thấp hơn GPT-6.1 Sol khoảng một bậc và thấp hơn Claude Opus 5.5 hai bậc. Đó là một màn ra mắt thực sự mang tính cạnh tranh. Nó không phải là vị trí dẫn đầu, và còn xa mới đạt tới cách diễn đạt “vượt trội”.

Chi phí mỗi tác vụ phân tách hai yêu cầu khỏi một.
Năng lực chỉ là một nửa những gì những lời bàn tán lúc ra mắt khẳng định, và xét về tiền bạc thì cục diện có lợi hơn cho Qwen4-Max — với hai trong ba mô hình, còn mô hình thứ ba thì không.
• {{1}}Giá niêm yết{{/1}} — {{2}}Qwen4-Max có giá $1.50 mỗi triệu token đầu vào và $4.50 mỗi triệu token đầu ra, với mức chiết khấu bộ nhớ đệm 95% và mức giá tổng hợp là $0.80 mỗi triệu token.{{/2}} {{3}}Mức giá tổng hợp đó là thấp nhất trong cả năm mô hình ở đây{{/3}}: {{4}}GPT-6.1 Sol là $1.47, Claude Opus 5.5 $2.94, Claude Fable 5.2 $5.74 và GPT-6 Astra $7.70.{{/4}}
• Chi phí trên mỗi tác vụ đã hoàn thành — Claude Fable 5.2 $26.54, Claude Opus 5.5 $10.04, GPT-6 Astra $6.24, Qwen4-Max $3.27, GPT-6.1 Sol $1.27. Tất cả đều ở cài đặt Max của từng mô hình.
• Sự đảo ngược — Qwen4-Max có mức giá hỗn hợp rẻ nhất trên bảng và là tác vụ rẻ thứ ba. Nó đánh bại Claude Opus 5.5 trên mỗi tác vụ gấp ba lần và GPT-6 Astra gấp khoảng hai lần, nhưng thua GPT-6.1 Sol gấp 2,6 lần.
Cơ chế là sự dài dòng, và công cụ theo dõi đo trực tiếp điều đó: Qwen4-Max đã tạo 127 triệu token đầu ra để hoàn thành chỉ mục, so với mức trung vị của lĩnh vực là 78,6 triệu, và được xếp vào loại rất dài dòng. Một mô hình viết nhiều hơn 60% so với mức trung vị đang tiêu vào việc đó lợi thế về đơn giá của mình. Các con số giảm 24–35% token của chính Alibaba là những cải thiện thực sự so với Qwen3.8-Max và không nói gì về mức độ dài dòng của mô hình theo giá trị tuyệt đối, mà đó mới là con số đi đến hóa đơn.
Phần chi phí trong tuyên bố tách ra rất rõ ràng. “Rẻ hơn khi vận hành so với Opus 5.5 và Astra” là đúng xét theo từng tác vụ, với khoảng cách lớn, và là điểm mạnh nhất trong bài viết này dành cho Qwen4-Max. “Rẻ hơn GPT-6.1 Sol” là sai xét theo từng tác vụ, với hệ số 2,6 lần, dù mức giá tổng hợp của Qwen4-Max thấp hơn 46%. Bất kỳ ai lập ngân sách dựa trên bảng giá mà lại nhận kết quả ngược lại trên hóa đơn đều đã thấy cùng một khoảng cách đó.
Con số mà trình theo dõi không có
Một cột trên trang Qwen4-Max đang trống theo cách đáng phải lưu ý. Artificial Analysis báo cáo thời gian mỗi tác vụ cho mọi mô hình mà nó liệt kê ở đây — Claude Opus 5.5 là 24,9 phút trên Max, GPT-6 Astra là 20,9, GPT-6.1 Sol là 22,9, Claude Fable 5.2 là 41,8 — và báo N/A cho Qwen4-Max, với biểu đồ thời gian được chú thích "Không có API công khai".
Hãy đọc kỹ chú thích đó trước khi đưa ra kết luận từ nó, vì đó không phải là một tuyên bố rằng không thể gọi mô hình. Alibaba công bố giá theo token cho Qwen4-Max và bài đăng ra mắt của họ nói rằng giá API đã được hạ so với Qwen3.8-Max, và chính tracker liệt kê Alibaba Cloud là nhà cung cấp của mô hình và dẫn mức chi phí $3.27 mỗi tác vụ. Một mô hình có bảng giá, có nhà cung cấp và có chi phí đo được trên mỗi tác vụ thì có API. Cách hiểu khả dĩ hơn là phép đo thời gian không thể lấy được qua bất kể đường dẫn nào mà tracker đã dùng, và trang không nói rõ là đường nào. Phần FAQ của chính tracker, trên cùng trang, nói rằng mô hình "is available via API through 1 provider", điều này cũng không khớp với chú thích trên biểu đồ.
Điều còn trụ lại sau sự mơ hồ thì hẹp hơn nhưng vẫn hữu ích: không có con số độ trễ độc lập nào cho Qwen4-Max vào ngày nó ra mắt, trong khi mọi mô hình mà nó được đem ra so sánh đều có một con số. Nếu khối lượng công việc của bạn nhạy cảm với độ trễ, bạn đang lựa chọn dựa trên một con số mà chưa ai công bố, và quan điểm trung thực là hãy tự đo lấy trước khi cam kết đưa nó vào một lộ trình sản xuất.

Điều gì đứng vững trong những tuyên bố ra mắt
Ba trong số những khẳng định thực tế đang được lan truyền là chính xác và đáng được nói rõ, bởi vì một cuộc kiểm chứng mà chỉ biết trừ đi thì không phải là kiểm chứng:
• Cửa sổ ngữ cảnh — được quảng cáo là một triệu token, nhưng trình theo dõi đo được là 984.000. Đó là một mô hình một triệu token thực sự, không phải bản 200K được làm tròn lên.
• Thị giác gốc — trình theo dõi ghi nhận đầu vào văn bản và hình ảnh với đầu ra văn bản, khớp với mô tả “native vision” của nhà cung cấp thay vì một bộ mã hóa bổ trợ gắn thêm vào mô hình văn bản.
• Việc cắt giảm giá — $1.50 và $4.50 mỗi triệu so với bảng giá cao hơn của Qwen3.8-Max, và là mức giá tổng hợp thấp nhất trong số năm mô hình được so sánh ở đây. Chiều hướng của câu chuyện giá cả không có gì phải tranh cãi.
Điều không đứng vững là thứ hạng, và thứ hạng là phần được lặp lại nhiều nhất.
Làm gì với thứ này vào ngày ra mắt
Với một mô hình như thế này, nước đi hữu ích không phải là chọn phe trong cuộc tranh luận mà là giữ cho lựa chọn này ở mức rẻ. Qwen4-Max là một kiến trúc thế hệ đầu với đơn giá thực sự thấp, điểm độc lập ở mức trung bình trong nhóm và không có số liệu về độ trễ — một đặc điểm cho thấy dùng thử thì có lợi còn chuyển đổi thì bất lợi.
Đó chính là mục đích của định tuyến. Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol và Claude Fable 5.2 đều được định tuyến trên OrcaRouter theo giá niêm yết của từng nhà cung cấp với mức tăng giá 0%, vì vậy khi giá của nhà cung cấp thay đổi, nó sẽ có hiệu lực ngay trong cùng ngày và phép tính theo từng tác vụ ở trên vẫn đúng mà không cần hợp đồng thứ hai hay thay đổi SDK. Qwen4-Max không được định tuyến trên OrcaRouter — nó có thể truy cập qua API Model Studio của chính Alibaba và một số nền tảng bên thứ ba, và bài viết này sẽ không giả vờ điều ngược lại. Điều mà định tuyến mang lại cho bạn trong tình huống đó là phép so sánh: bốn mô hình mà nó được đo cùng đều nằm sau một khóa duy nhất cho hơn 200 mô hình, vì vậy việc đánh giá hiệu năng Qwen4-Max so với chúng chỉ là một thay đổi cấu hình ở một phía thay vì phải mua sắm ở cả hai phía.
Và nếu Qwen4-Max thực sự giành được một vị trí, chuyển đổi dự phòng tự động chính là thứ khiến một mô hình chưa được đo lường trở nên an toàn để đưa vào một luồng trực tiếp — yêu cầu sẽ chuyển sang một mô hình mà bạn đã có số liệu độ trễ, thay vì thất bại khi mô hình mới chậm hoặc không khả dụng theo cách mà con số thời gian còn thiếu của nó gợi ý rằng nó có thể như vậy.

Cách định khung trong ngày ra mắt là một mô hình Trung Quốc giá rẻ đã vượt mặt hai mô hình chủ lực của Mỹ. Điều bộ đánh giá thực sự cho thấy là một mô hình có giá hợp lý, kém mô hình rẻ nhất trong số đó một bậc và kém mô hình tốt nhất hai bậc, với năng lực thị giác thực sự, cửa sổ một triệu token thực sự và không có tốc độ nào được công bố. Đó là một sản phẩm tốt hơn những gì tuyên bố khiến nó nghe có vẻ, và là một thứ hạng tệ hơn, còn khác biệt giữa hai điều đó đúng bằng khoảng cách giữa một chuỗi bài đăng và một bảng điểm.
So sánh trong bài viết này2
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
