
Qwen 4 vs Claude Opus 5.5: Mười sáu điểm chỉ số, và chi phí cho mỗi câu trả lời là bao nhiêu
- 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 · 126 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 · 44 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 · 147 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 · 123 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
Qwen4-Max đạt 42,9 điểm trên Artificial Analysis Intelligence Index và Claude Opus 5.5 đạt 59,1 điểm — khoảng cách 16,2 điểm, được đo trên cùng bộ đánh giá, ở cùng bản sửa đổi (v5.0.1), cách nhau trong vòng hai tháng. Trên cùng bảng xếp hạng, chi phí cho một tác vụ chỉ số đã hoàn thành là 3,27 USD trên Qwen4-Max và 10,04 USD trên Claude Opus 5.5. Vậy tỷ lệ thật rõ ràng: Opus mang lại nhiều hơn 38% điểm chỉ số với số tiền nhiều hơn 207% cho mỗi tác vụ. Đó là món hời hay lãng phí hoàn toàn phụ thuộc vào việc khối lượng công việc của bạn đang mua điểm hay mua câu trả lời, và đó không phải là cùng một kiểu mua. Bài viết này định giá cả hai.
Hai thẻ, từng chiều một
Alibaba đã đưa Qwen4-Max vào trạng thái sẵn sàng chung vào ngày 16 tháng 11 năm 2026, tính phí theo mức sử dụng, tại sáu khu vực; Anthropic đã bán Claude Opus 5.5 từ ngày 22 tháng 9 năm 2026. Mọi thứ dưới đây hoặc là giá niêm yết của nhà cung cấp, hoặc là chỉ số Artificial Analysis có gắn nhãn — hai loại này không bao giờ được trộn vào cùng một con số.
• Giá trên mỗi triệu token — Qwen4-Max $1,50 vào / $4,50 ra tại Singapore ($1,413 / $4,24 tại các khu vực phạm vi toàn cầu); Claude Opus 5.5 $4,00 vào / $20,00 ra. Cả hai đều là giá niêm yết của nhà cung cấp.
• Đầu vào được lưu trong bộ nhớ đệm — Qwen4-Max 0,075 USD mỗi triệu token khi đọc từ bộ nhớ đệm, so với 0,20 USD của Claude Opus 5.5. Qwen cũng công bố mức giá ghi vào bộ nhớ đệm: 1,875 USD cho một mục lưu năm phút và 3,00 USD cho một giờ.
• Cửa sổ ngữ cảnh — 1,000,000 token được công bố trên cả hai. Trình theo dõi của Artificial Analysis liệt kê Qwen4-Max ở mức 983,616, đây là mức trần đầu vào của chế độ suy nghĩ chứ không phải mâu thuẫn: Alibaba giới hạn đầu vào ở 991,808 khi không suy nghĩ và 983,616 khi có suy nghĩ, vì phần suy luận và câu trả lời dùng chung một ngân sách đầu ra 262,144 token.
• Đầu ra tối đa — Qwen4-Max 131.072 token ở chế độ không suy nghĩ, hoặc 262.144 token được chia giữa lập luận và câu trả lời khi bật chế độ suy nghĩ. Claude Opus 5.5 không công bố cách phân chia tương đương.
• Điểm chỉ số — Qwen4-Max 42,9 ở mức nỗ lực xhigh; Claude Opus 5.5 59,1 ở mức nỗ lực tối đa. Artificial Analysis, v5.0.1.
• Chi phí mỗi tác vụ lập chỉ mục — 3,27 USD so với 10,04 USD. Artificial Analysis, cùng phiên bản.
• Trọng số — cả hai đều không mở. Qwen4-Max được liệt kê là độc quyền với Alibaba Cloud là nhà cung cấp duy nhất; Claude Opus 5.5 là độc quyền và được phân phối qua API của Anthropic, Amazon Bedrock, Google Cloud và Microsoft Azure.
• Phương thức đầu vào — cả hai đều chấp nhận văn bản và hình ảnh và trả về văn bản. Không bên nào nhận video theo các cờ khả năng của tracker.

Mười sáu điểm thực sự nằm ở đâu
Một con số chỉ số duy nhất che giấu nhiều hơn là hé lộ, và cặp này là một ví dụ điển hình. Những bộ kiểm thử mà hai mô hình gần nhau không phải là những bộ mà người ta tranh cãi.
• Terminal-Bench 4.0 — Claude Opus 5.5 đạt 59,6%, Qwen4-Max 48,5%. Cách nhau mười một điểm, và đây chính là hạng mục phản ánh trực tiếp nhất câu hỏi "liệu nó có điều khiển được một shell hay không".
• FrontierCode 2.0 — 46,4% so với 26,5%. Đây là khoảng cách lớn nhất trong bộ và là trường hợp có hệ quả thương mại rõ ràng nhất, vì đây là công việc mã ở quy mô kho lưu trữ chứ không phải việc tạo một hàm đơn lẻ.
• HLE Diamond — 67,9% so với 44,9%. Câu hỏi khoa học khó, chênh lệch 23 điểm.
• CritPt Agentic Hard — 68.0% so với 43.0%. Chênh lệch 25 điểm về suy luận chuẩn vật lý.
• GDPval — 1.866,27 so với 1.808,69. Chênh lệch 3,1% trên một bộ đánh giá giá trị tác vụ. Ở những công việc chuyên môn có nền tảng kinh tế, hai mô hình gần như ngang nhau; còn ở công việc kỹ thuật khó thì không.
• Toàn tri — 48,1 cho Claude Opus 5.5 so với 27,7 cho Qwen4-Max, nghe như một màn áp đảo nữa cho đến khi bạn nhìn vào cột ảo giác ở phần tiếp theo.
• Phân tách theo năng lực — mô hình của Anthropic dẫn đầu ở cả sáu điểm phụ mà công cụ theo dõi công bố, với mức chênh lệch hẹp nhất ở tài chính và kế toán (59.4 so với 54.1) và rộng nhất ở kỹ thuật (65.3 so với 50.1).
Cách hiểu thực tế: nếu công việc của bạn là tóm tắt, trích xuất hoặc phân tích tài liệu có căn cứ, thì con số nổi bật 16 điểm phóng đại mức khác biệt. Nếu công việc của bạn là lập trình tác tử, thì nó lại đánh giá thấp mức khác biệt.

Cả hai mô hình đều bịa đặt. Một mô hình làm vậy ít hơn rõ rệt.
Artificial Analysis báo cáo tỷ lệ ảo giác omniscience cùng với điểm độ chính xác, và đây là cột duy nhất mà Qwen4-Max thắng tuyệt đối: 28,4% các câu trả lời sai hoặc không thể xác minh của nó là ảo giác, so với 50,3% của Claude Opus 5.5. Nói cách khác, Opus đúng thường xuyên hơn nhiều, nhưng khi sai, khả năng nó sai một cách tự tin cao hơn gấp đôi so với việc chỉ im lặng.
Điều đó quan trọng với bất kỳ thứ gì có bước đánh giá bởi con người. Một mô hình nói "Tôi không biết" trong 50% số lần nó sai khiến bạn tốn thêm một truy vấn tiếp theo. Một mô hình bịa đặt trong 50% số lần nó sai khiến bạn phải kiểm chứng thực tế mọi đầu ra, đây là một khoản mục khác và lớn hơn nhiều.
Hóa đơn là đầu vào, không phải đầu ra.
Cả hai mô hình đều được bán dựa trên mức giá đầu ra được quảng cáo, và ở cả hai, đầu ra không phải là nơi tiền thực sự đổ vào. Phân rã chính các số liệu chi phí theo từng tác vụ của Artificial Analysis: trên Qwen4-Max, $2.80 trong $3.27 là dành cho token đầu vào và $0.47 cho đầu ra. Trên Claude Opus 5.5, $6.57 trong $10.04 là dành cho đầu vào và $3.47 cho đầu ra. Đó là 86% và 65% tương ứng, và trong cả hai trường hợp, phần lớn dòng chi phí đầu vào là lưu lượng cache — $1.12 chi phí đầu vào của Qwen4-Max là đọc cache và $1.67 là ghi cache; các con số tương ứng của Opus là $4.74 và $1.80.
Đây là lý do vì sao so sánh theo từng token giữa hai mô hình này là con số ít hữu ích nhất trên trang. Giá đầu ra của Qwen4-Max rẻ hơn Opus 4,4 lần, vậy mà lợi thế chi phí trên mỗi câu trả lời của nó chỉ là 3,1 lần, vì nó dành một tỷ trọng ngân sách lớn hơn cho ngữ cảnh mà nó phải đọc và, ở mức $1.875 mỗi triệu cho một lần ghi bộ nhớ đệm năm phút, cho ngữ cảnh mà nó phải ghi.
Một tác nhân bốn mươi lượt, được định giá hai lần
Hãy lấy một tác nhân lập trình thêm 8.000 token đầu ra công cụ mỗi lượt, chạy bốn mươi lượt và phát ra 1.500 token câu trả lời mỗi lượt. Không dùng bộ nhớ đệm, giá niêm yết:
• Qwen4-Max — 6,56 triệu token đầu vào tích lũy ở mức $1,50, cộng với 60.000 token đầu ra ở mức $4,50: $9,84 + $0,27 = $10,11.
Claude Opus 5.5 — 6,56 triệu đầu vào với giá 4,00 đô la, cộng 60.000 đầu ra với giá 20,00 đô la: 26,24 đô la + 1,20 đô la = 27,44 đô la.
Giờ là cùng một lượt chạy với tỷ lệ trúng bộ nhớ đệm 90% trên tiền tố tích lũy, đúng như những gì một vòng lặp agent được xây dựng tốt thực sự đạt được:
• Qwen4-Max — 5.904M được lưu trong bộ nhớ đệm với $0.075 ($0.44) + 656K mới với $1.50 ($0.98) + $0.27 đầu ra = $1.69.
• Claude Opus 5.5 — 5.904M được lưu trong bộ nhớ đệm với giá $0.20 ($1.18) + 656K mới với giá $4.00 ($2.62) + $1.20 đầu ra = $5.01.
Có hai điều rút ra. Bộ nhớ đệm cắt giảm cả hai hóa đơn hơn 80%, vì vậy một agent không dùng prompt caching đang trả gấp năm đến sáu lần mức cần thiết. Và tỷ lệ gần như không đổi — 2,7× khi không dùng cache, 3,0× khi dùng cache — vì lợi thế của Qwen4-Max tập trung ở mức giá ghi cache, mà kịch bản có cache lại dùng khoản này ngay từ đầu. Đây là phép tính theo giá niêm yết dựa trên các mức giá công bố, không phải hóa đơn thực đo; số lượt, mức tăng tiền tố và tỷ lệ trúng cache của bạn sẽ làm thay đổi đáng kể các con số tuyệt đối.
Đây cũng là lúc một lớp định tuyến thực sự đáng giá chứ không chỉ là tiện dụng. Chúng tôi chuyển nguyên giá niêm yết của nhà cung cấp với mức cộng thêm 0%, nên khoảng chênh lệch ở trên là khoảng chênh lệch của nhà cung cấp, không phải của chúng tôi — và nếu Anthropic thay đổi bảng giá Opus, thay đổi đó sẽ có hiệu lực trên cùng một khóa ngay trong ngày. Cả hai mô hình đều có thể được gọi qua một endpoint duy nhất với khả năng chuyển đổi dự phòng tự động, điều này đặc biệt quan trọng ở đây vì hai mô hình cách nhau hai tháng về ngày phát hành: một lỗi hồi quy riêng của Qwen4-Max sẽ hiện ra dưới dạng một yêu cầu thất bại, chứ không phải một câu trả lời tệ mà bạn chỉ nhận ra sau một tuần.
“Bị cắt đứt khỏi chưng cất” thực sự đang khẳng định điều gì
Luận điểm đang lan truyền gắn với màn so tài này — rằng Qwen4-Max trông có tính cạnh tranh trên các benchmark của nhà cung cấp rồi lại sụp đổ trên chỉ số độc lập, và rằng việc Alibaba bị cắt khỏi quá trình chưng cất giải thích cho sự sa sút đó — thực chất là hai luận điểm khoác chung một chiếc áo, và chỉ luận điểm đầu là có thể đo lường được.
Điều đầu tiên là đúng và không có gì bí ẩn. Tài liệu ra mắt của Alibaba báo cáo Work360 đạt 52,69 so với 47,74 của thế hệ trước, giảm 24% và 35% token trên cùng benchmark, 48% và 49% trên Terminal-Bench 4.0, và chi phí mỗi tác vụ giảm từ $4,43 xuống $1,67. Tất cả những số đó đều do nhà cung cấp báo cáo và chưa được tái lập. So với một chỉ số độc lập gồm chín bộ kiểm thử, trong đó có FrontierCode 2.0 và CritPt Agentic Hard — những bộ mà Alibaba không công bố số liệu — mô hình đạt 42,9. Một bộ benchmark của nhà cung cấp và một bộ độc lập đo những thứ khác nhau sẽ không đồng thuận; đó là trường hợp bình thường, không phải bằng chứng cho bất cứ điều gì.
Tuyên bố thứ hai, về chưng cất, không phải điều người mua có thể xác minh hoặc dựa vào để hành động, và cũng không phải thuộc tính của mô hình mà bạn có thể gọi. Điều có thể xác minh và hữu ích là hình dạng của sự thiếu hụt: tập trung ở mã nguồn quy mô kho lưu trữ và khoa học khó, mỏng ở giá trị tác vụ chuyên môn. Đó là một phát biểu về nơi nên triển khai mô hình, và nó vẫn đứng vững bất kể điều gì hóa ra là đúng về cách mô hình được huấn luyện.

Lấy một trong hai
Claude Opus 5.5 có trong danh mục của chúng tôi với mã anthropic/claude-opus-5.5 theo giá niêm yết của Anthropic, 4,00 USD đầu vào và 20,00 USD đầu ra trên mỗi triệu. Qwen4-Max không có trong danh mục của chúng tôi — hôm nay, một mã nhận diện qwen4 sẽ trả về không tìm thấy — và tuyến đường đến nó là API Model Studio của chính Alibaba cùng một số nền tảng bên thứ ba. Chúng tôi sẽ không giả vờ khác đi, và sự thay thế trung thực về phía chúng tôi là qwen/qwen3.8-max, mô hình hàng đầu trước đó, với giá 2,00 USD và 6,00 USD.
Vậy quy tắc ra quyết định hẹp hơn những gì bảng điểm gợi ý. Nếu khối lượng công việc của bạn là viết mã ở quy mô kho lưu trữ, suy luận kỹ thuật khó, hoặc bất kỳ việc gì mà một câu trả lời sai là tốn kém còn câu trả lời chậm thì không, thì 16 điểm là thật và $10.04 một tác vụ là cái giá của chúng. Nếu khối lượng công việc của bạn là xử lý tài liệu có căn cứ với khối lượng lớn, nơi GDPval nói rằng hai mô hình chỉ chênh nhau trong vòng 3%, thì bạn đang trả mức giá của Opus cho một khác biệt sẽ không xuất hiện trong bộ đánh giá của bạn — và Qwen4-Max ở $3.27 là lựa chọn mua tốt hơn, với tỷ lệ ảo giác thấp hơn như một điểm cộng. Con số cần tính trước khi bạn quyết định không phải là khoảng cách chỉ số. Mà là bao nhiêu phần đầu vào của bạn được cache.
So sánh trong bài viết này2
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
