
Qwen4-Max cắt giảm 67% chi phí mỗi tác vụ: Khoản tiết kiệm thực sự đến từ đâu
- 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 · 97 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 · 119 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
Một hóa đơn benchmark là một thứ kỳ lạ: đó là tài liệu công khai duy nhất định giá các thói quen của một mô hình. Artificial Analysis công bố chi phí để chạy Qwen4-Max qua Intelligence Index của mình — 3,27 đô la mỗi tác vụ — và công bố bảng giá mà họ đã dùng để tính ra con số đó. Chia con số này cho con số kia, bạn sẽ suy ra được điều mà phòng thí nghiệm không bao giờ nói thẳng ra: Qwen4-Max thực sự dành bao nhiêu token để suy nghĩ. Làm tương tự với Qwen3.8-Max, mô hình mà nó thay thế, và mức giảm 67% chi phí mỗi tác vụ tách gọn thành hai con số mà phần lớn các bài đưa tin về buổi ra mắt ngày 16 tháng 11 gộp làm một. Khoảng một nửa mức tiết kiệm là nhờ giảm giá. Nửa còn lại là nhờ Qwen4-Max nói ít hơn. Và khoản mục giờ chiếm phần lớn nhất trong hóa đơn của nó không phải khoản mà mức giá được nhấn mạnh gợi ý.
Bản tóm tắt của chính nhà cung cấp là chính xác nhưng lại nén mất phần thú vị. Qwen4-Max, Alibaba nêu trên trang ra mắt của mình, sử dụng ít hơn khoảng 24% token so với Qwen3.8-Max ở mức nỗ lực Xhigh và ít hơn 35% ở mức High trên Work360, và ít hơn 48% và 49% trên Terminal-Bench 4.0; chi phí trung bình mỗi tác vụ trên Work360 giảm từ $4.43 xuống $1.67, mức giảm 62%. Đó là các con số của công ty trên các benchmark của chính công ty. Phép tính độc lập dưới đây đạt 67% trên một benchmark khác thông qua một con đường khác, đây là kiểu đồng thuận hữu ích: hai phương pháp, cùng hướng, độ lớn tương tự.
Bảng điểm độc lập thực sự nói gì
Trên Artificial Analysis, Qwen4-Max đạt 43 điểm trên Chỉ số Trí tuệ so với 34 điểm của Qwen3.8-Max, mức tăng 27% về năng lực được đo lường. Cùng trang đó niêm yết giá hai mô hình là 1,50 USD cho mỗi triệu token đầu vào và 4,50 USD cho mỗi triệu token đầu ra, so với 2,00 USD và 6,00 USD — giảm đều 25% ở cả hai chiều. Đầu vào được lưu trong bộ nhớ đệm là nơi mức giảm giá rất lớn: 0,075 USD mỗi triệu so với 0,25 USD, tức giảm 70%, và tỷ lệ chiết khấu khi trúng bộ nhớ đệm tăng từ 87,5% lên 95%.
Chi phí cho mỗi tác vụ của Intelligence Index, được tính trọng số trên cả chín đánh giá trong chỉ số, ở mức 3,27 USD so với 10,02 USD. Chia chi phí cho điểm số và khoảng cách càng nới rộng: Qwen4-Max mang lại một điểm năng lực đo được với chi phí dưới tám xu, Qwen3.8-Max khoảng ba mươi xu. Đó là con số cần ghi nhớ nếu câu hỏi duy nhất là nên chuyển một khối lượng công việc sang mô hình nào — năng lực trên mỗi đô-la đã cải thiện khoảng ba phần tư, chứ không phải 67% như chỉ riêng chi phí mỗi tác vụ gợi ý.
Đảo ngược hóa đơn để khôi phục số lượng token
Artificial Analysis chia chi phí mỗi tác vụ thành các thành phần: đầu vào theo mức giá đầy đủ, ghi bộ nhớ đệm, đọc bộ nhớ đệm và đầu ra, trong đó đầu ra được tách tiếp thành token lập luận và token trả lời. Nó cũng công bố các mức giá. Chia từng thành phần cho đơn giá của nó, bạn sẽ có số token. Phương pháp tự kiểm chứng trên một dòng — thành phần đầu ra chia cho $4.50 cho ra 104.940 token mỗi tác vụ, và trang này báo cáo riêng 104.939,8 token đầu ra mỗi tác vụ cho Qwen4-Max. Khớp chính xác đến từng chữ số thập phân, trên một dòng được tính theo hai cách khác nhau.
Mọi dòng còn lại đều thừa hưởng độ tin cậy đó, với một giả định được nêu rõ ràng: rằng các lần ghi bộ nhớ đệm được tính phí theo mức giá đầu vào đầy đủ, điều mà phép tính trên cả hai mô hình hàm ý chứ không phải điều mà bất kỳ nhà cung cấp nào tài liệu hóa một cách rõ ràng.
Điều gì bị loại ra, theo nhiệm vụ Intelligence Index:
• Token đầu ra — Qwen4-Max 104,940 so với Qwen3.8-Max 170,794, mức giảm 39%.
• Token suy luận — 68,914 so với 119,698, giảm 42%. Ngân sách tư duy bị thu hẹp nhiều hơn hẳn so với ngân sách câu trả lời.
• Token trả lời — 36.025 so với 51.096, giảm 30%. Qwen4-Max hiện dành 66% đầu ra của mình cho suy luận, thay vì 70% mà phiên bản tiền nhiệm đã dành; nó không chỉ ngắn hơn mà còn được phân bổ tỷ lệ theo cách khác.
• Token đọc từ bộ nhớ đệm — khoảng 14,9 triệu so với 22,7 triệu, giảm 34%. Đây là những token ngữ cảnh được phát lại, chiếm phần lớn trong bất kỳ phiên chạy tác tử dài nào.
• Token ghi bộ nhớ đệm — khoảng 1,11 triệu so với 1,66 triệu, giảm 33%.
Có hai điều nổi bật. Thứ nhất, mức giảm token không tập trung ở câu trả lời hiển thị — nơi người dùng sẽ nhận ra sự dài dòng — mà ở phần suy luận và ngữ cảnh được phát lại, những nơi không ai theo dõi. Thứ hai, khối lượng token mỗi tác vụ là cực kỳ lớn nếu tính theo giá trị tuyệt đối — mười bốn triệu lượt đọc bộ nhớ đệm cho mỗi tác vụ — điều này cho bạn thấy Intelligence Index thực sự đo lường điều gì: công việc dài hạn với ngữ cảnh lưu trữ lớn, chứ không phải hỏi đáp một lượt.

Chia 67% đó thành giá và hành vi
Chi phí là giá nhân với khối lượng, nên mức giảm có thể được phân tách rõ ràng. Tính khối lượng token của Qwen3.8-Max theo đơn giá của Qwen4-Max thì một tác vụ tốn 4,97 đô la thay vì 10,02 đô la — chỉ riêng thay đổi về giá đã tạo ra mức giảm 50%. Áp dụng thêm hành vi của Qwen4-Max thì kết quả là 3,27 đô la, giảm thêm 34% so với phần còn lại. Nhân với nhau, 0,496 nhân 0,658 cho 0,326: mức giảm 67% quan sát được, được giải thích đầy đủ, không còn dư lại.
Việc nửa nào xứng đáng được ghi công phụ thuộc vào thứ tự bạn tính tiền, và đáng nói rõ điều đó thay vì chọn con số tâng bốc. Theo tỷ lệ phần trăm, giá chiếm khoảng 50% và kỷ luật token khoảng 34%. Theo đô la — tiết kiệm tổng cộng $6.76 mỗi tác vụ, $5.06 từ mức giá và $1.70 từ khối lượng — giá chiếm ba phần tư. Cả hai cách diễn giải đều đúng; chúng trả lời những câu hỏi khác nhau. Nếu bạn đang dự báo chi tiêu quý tới, bảng giá là đòn bẩy lớn hơn và chắc chắn hơn. Nếu bạn đang hỏi liệu mô hình có thực sự tiết kiệm hơn không, thì 34% đến từ việc dùng ít token hơn là phần bền vững hơn, vì cắt giảm giá có thể bị đảo ngược còn kiến trúc thì không.
Chiều hướng của chính các con số phía nhà cung cấp cũng củng cố sự phân tách đó dù không được yêu cầu. Alibaba quy việc giảm này cho cả hai yếu tố cùng lúc, và mức 62% của họ trên Work360 rất gần với mức 67% được đo độc lập trên Intelligence Index — hai bộ khung thử nghiệm, hai bộ nhiệm vụ, một kết luận.
Khoản mục âm thầm trở thành khoản lớn nhất
Đây là chỗ mà mức giá được công bố gây hiểu lầm. Trước đây, đọc cache chiếm 57% hóa đơn và ghi cache chiếm 33%. Sau đó, ghi cache chiếm 51% và đọc cache chiếm 34%. Mô hình trở nên rẻ hơn ở mọi hạng mục, nhưng mức giảm giá không đồng đều — giảm 70% cho đọc cache, giảm 25% cho ghi cache — và nó đã đảo ngược thứ hạng của hai chi phí lớn nhất.
Ghi bộ nhớ đệm được tính theo mức giá đầu vào, 1,50 USD mỗi triệu, gấp hai mươi lần mức giá đọc bộ nhớ đệm là 0,075 USD. Một khối lượng công việc ghi lại ngữ cảnh của nó thường xuyên hơn so với việc phát lại ngữ cảnh đó giờ phải trả giá cho thói quen ấy bằng loại tiền đắt đỏ nhất trên bảng giá. Đây là hệ quả thực tế của thay đổi giá mà phần lớn các bài đưa tin ra mắt đã bỏ sót, và nó ủng hộ những việc kém hào nhoáng: tiền tố lời nhắc ổn định, phiên kéo dài, ít lần dựng lại toàn bộ ngữ cảnh hơn. Trên Qwen3.8-Max, những thói quen đó ít quan trọng hơn vì việc phát lại vốn đã đủ đắt để chi phối hóa đơn.
Bài học này vượt ra ngoài mô hình này. Khi một nhà cung cấp cắt giảm một loại token mạnh tay hơn nhiều so với các loại khác, kiến trúc prompt tối ưu cũng thay đổi theo, và hóa đơn bạn nhận được là một chỉ báo trễ về kiến trúc bạn đã xây dựng cho card trước đó.

Hiệu suất mang tính tương đối, còn con số tuyệt đối thì không mấy khả quan.
Giảm 39% số token đầu ra nghe như một mô hình tinh gọn. Đặt nó cạnh toàn bộ nhóm thì đó chỉ là phiên bản tinh gọn hơn của một mô hình rất nói nhiều. Trong toàn bộ lần chạy chỉ số, Qwen4-Max tạo ra 127 triệu token đầu ra; mô hình trung vị tạo ra 78,6 triệu. Qwen3.8-Max tạo ra 150 triệu. Cả hai mô hình Qwen đều nằm xa về phía dài dòng, và Qwen4-Max chỉ chuyển từ 1,9 lần mức trung vị xuống 1,6 lần.
Đó không phải là mâu thuẫn với tuyên bố về hiệu quả — đó là cách hiểu đúng về tuyên bố đó. Tuyên bố là Qwen4-Max đạt kết quả tốt hơn mô hình tiền nhiệm trong khi dùng ít token hơn, và cả hai vế đều đúng. Đây không phải là tuyên bố rằng mô hình ít nói, và bất kỳ mô hình tối ưu ngân sách nào được xây dựng trên giả định rằng một mô hình đạt điểm cao phải là mô hình súc tích sẽ sai lệch rất lớn. Nếu khối lượng đầu ra quyết định chi phí của bạn, việc chuyển sang Qwen4-Max sẽ giảm số lượng đó chứ không thay đổi hạng mục.
Số liệu tiền huấn luyện của nhà cung cấp cũng cho thấy xu hướng tương tự ở một tầng khác. Trong các đánh giá BPB nội bộ, Qwen4-Max-Base tốt hơn Qwen3.8-Max-Base từ 5–13% ở mọi lĩnh vực trong khi kích hoạt ít hơn 25% tham số — kiến trúc đang thực hiện nhiều công việc hơn trên mỗi đơn vị tính toán, điều này nhất quán với một mô hình cần ít token hơn để đi đến kết luận. Việc xương sống 2,4 nghìn tỷ tham số, 71 tỷ tham số được kích hoạt và 328 tỷ tham số embedding N-gram bổ sung có phải là lý do hay không chỉ là giải thích của nhà cung cấp, chứ không phải một phép đo mà bất kỳ ai bên ngoài Alibaba đã tái lập.
Điều gì còn thiếu trong bức tranh chi phí?
Độ trễ, chẳng hạn. Thẻ Intelligence Index ghi thời gian mỗi tác vụ là không áp dụng cho Qwen4-Max; với Qwen3.8-Max, con số này là 48,1 phút so với mức trung vị 13,3 phút, một trong những kết quả chậm nhất được đo. Một mô hình rẻ hơn 67% mỗi tác vụ và mất một khoảng thời gian thực không xác định cho mỗi tác vụ thì chưa được so sánh đầy đủ với bất kỳ thứ gì. Token rẻ mà bạn phải chờ đợi là một sản phẩm khác.
Độ rộng nhà cung cấp, thêm một điểm nữa. Mức giá đằng sau mọi con số ở trên là một mức giá chính chủ duy nhất từ Alibaba Cloud, và mô hình hiện chỉ xuất hiện với một host. Không có nguồn thứ hai để chênh lệch giá, nên bảng giá chính là mức giá. Và Qwen3.8-Max giờ đã bị đánh dấu là không còn được khuyến nghị, nhường chỗ cho Qwen4-Max, và được đánh giá chuẩn mỗi mười tám giờ thay vì mỗi sáu giờ, nghĩa là đường cơ sở so sánh làm mới chậm hơn so với mô hình được đo đối chiếu với nó.

Biến phép tính thành ngân sách do bạn kiểm soát
Có hai đòn bẩy rút ra từ việc phân tách này, và chúng độc lập với nhau. Đầu tiên là giá: một bảng giá bạn không thể thương lượng vẫn là bảng giá bạn có thể lách qua bằng cách định tuyến vòng, đúng như trường hợp trả giá niêm yết và không trả thêm gì trên đó. OrcaRouter chuyển giá niêm yết của nhà cung cấp qua với mức chênh lệch 0%, vì vậy một đợt giảm giá từ nhà cung cấp kiểu Alibaba đã thực hiện vào ngày 16 tháng 11 sẽ đến hóa đơn của bạn ngay trong ngày thay vì vào lần gia hạn hợp đồng tiếp theo — và quy mô của đợt giảm cụ thể này, đặc biệt là mức 70% cho đầu vào được lưu trong bộ nhớ đệm, chính là kiểu thay đổi mà một thỏa thuận chuyển tiếp giá làm cho hiển lộ thay vì âm thầm hấp thụ.
Đòn bẩy thứ hai là khối lượng, và đây là thứ mà mô hình không thể tạo ra thay bạn. DSL định tuyến kết hợp nhiều mô hình vào một lệnh gọi duy nhất, nhờ đó phần lớn một pipeline có thể chạy trên một mô hình rẻ, trong khi phần khó nhất — những tác vụ thực sự cần một MoE 2,4 nghìn tỷ tham số — được gửi đến mô hình có khả năng đó. Cách tách này là cách bạn thu được cổ tức hành vi 34% mà không phải trả mức giá của mô hình tiên phong cho công việc vốn không cần đến chúng, và đó là phản ứng tự nhiên đối với một khối lượng công việc mà mười bốn triệu token ngữ cảnh cho mỗi tác vụ là bình thường.
Nói rõ về những gì chúng tôi cung cấp và không cung cấp: tính đến ngày 16 tháng 11 năm 2026, Qwen4-Max không có trong danh mục của chúng tôi. Mô hình Qwen mà chúng tôi định tuyến hiện nay là qwen/qwen3.8-max, mô hình tiền nhiệm mà bài viết này dùng làm đường cơ sở. Với một nhóm muốn kiểm tra xem việc giảm token có đúng trên lưu lượng của chính họ hay không trước khi cam kết, chuyển đổi dự phòng tự động là cách bắt đầu ít rủi ro — định tuyến một phần lưu lượng, giữ phương án dự phòng luôn hoạt động và so sánh các trace thực tế thay vì các tác vụ benchmark.
Điều gì sẽ thay đổi cách hiểu này?
Artificial Analysis công bố số lượng token tổng hợp theo từng mô hình, và bài viết này suy ra khối lượng theo từng tác vụ từ các thành phần chi phí của nó. Nếu khung kiểm thử thay đổi giữa hai lần chạy — tổ hợp tác vụ khác nhau, cách gán trọng số khác nhau — thì một phần của mức giảm 39% đầu ra có thể là do khung kiểm thử chứ không phải mô hình. Việc đối soát khớp chính xác ở dòng đầu ra là lập luận ngược lại điều đó, nhưng không loại trừ được khả năng này, và bất kỳ ai có lưu lượng truy cập riêng nên coi các con số suy ra là một giả thuyết cần kiểm chứng chứ không phải sự thật để dựa vào mà lập kế hoạch.
Các số liệu Work360 của nhà cung cấp mang một lưu ý khác, mà chính Alibaba nêu rõ: hai trong số các checkpoint trong so sánh BPB là đã qua huấn luyện sau chứ không phải mô hình gốc, điều này làm yếu đi cách diễn đạt so sánh tương đương. Mức giảm chi phí 62% trên Work360 không bị ảnh hưởng bởi điều đó, vì nó so sánh các mô hình đã phát hành trên một tập tác vụ cố định, nhưng các tuyên bố về tiền huấn luyện nên được đọc với điều đó trong đầu.
Điều còn lại sau tất cả những điều đó là hình dạng của câu trả lời hơn là độ chính xác của nó. Một buổi ra mắt được đóng khung như một đợt giảm giá cũng đồng thời, và gần như tương đương, là một thay đổi về việc mô hình tốn bao nhiêu để đi đến một câu trả lời — và nửa sau mới là phần mà đối thủ không thể sao chép bằng cách điều chỉnh bảng giá. Đó là con số cần theo dõi khi các mô hình Qwen4 nhỏ hơn được tung ra, bởi nếu kỷ luật token mang tính kiến trúc thì nó sẽ đi cùng chúng, còn nếu đó chỉ là một thuộc tính của riêng checkpoint này thì sẽ không.
So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
