
Qwen 4 so với Muse Wonder: Mô hình rẻ hơn lại là mô hình chưa ai từng đo thời gian
- 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
Muse Wonder sẽ tốn của bạn khoảng $6,95 để hoàn thành một tác vụ Intelligence Index. Qwen4-Max sẽ tốn $3,27. Đó là toàn bộ lập luận kinh tế cho mẫu chủ lực mới của Alibaba so với mẫu của Meta, và nó đi kèm một lưu ý lớn: con số $3,27 thuộc về một mô hình không có tốc độ đầu ra được công bố, không có thời gian đo được cho mỗi tác vụ, và không có bất kỳ thông tin thời gian nào trên bảng xếp hạng đã tạo ra con số đó. Muse Wonder có cả ba — 118 token mỗi giây, 13,5 phút cho mỗi tác vụ Index, 19,64 giây để có token trả lời đầu tiên. Vậy nên phát biểu trung thực là mẫu chủ lực của Qwen 4 có giá khoảng một nửa và tốc độ không rõ là bao nhiêu, và chỉ một trong hai khác biệt đó là thứ bạn có thể lập kế hoạch dựa vào ngay hôm nay. Muse Wonder được phát hành vào ngày 12 tháng 10 năm 2026; Qwen4-Max vào ngày 16 tháng 11 năm 2026. Cả hai ngày chỉ là bối cảnh, không phải tin mới.
Hai biên dạng, đặt cạnh nhau và chưa được làm mượt
Muse Wonder là mô hình lý luận tiên phong của Meta, được xây dựng cho công việc tác tử với bề mặt đầu vào rộng bất thường: văn bản, hình ảnh, giọng nói và video đầu vào, văn bản đầu ra, trong ngữ cảnh một triệu token. Đây là mô hình API độc quyền với giá $4,00 mỗi triệu token đầu vào và $20,00 mỗi triệu token đầu ra, mức giá kết hợp $2,94 và ưu đãi bộ nhớ đệm 95%. Meta cũng công bố một biến thể nỗ lực cao hơn, đạt 41 thay vì 44 và chạy nhanh hơn theo thời gian thực — 9,5 phút mỗi tác vụ lập chỉ mục so với 13,5 — đây là lời nhắc hữu ích rằng "nỗ lực tối đa" không tự động là thiết lập đúng.
Qwen4-Max là dòng flagship thế hệ thứ tư của Alibaba: một hỗn hợp chuyên gia thưa với 2,4 nghìn tỷ tham số, 71 tỷ tham số hoạt động mỗi token, khả năng thị giác nguyên bản, đầu vào video, ngữ cảnh một triệu token và ngân sách 262.144 token được chia sẻ giữa suy nghĩ và câu trả lời. Giá là 1,50 USD đầu vào và 4,50 USD đầu ra mỗi triệu token, với đọc bộ nhớ đệm ở mức 0,075 USD.
• Điểm số — Qwen4-Max 43 (hạng 38 trên 81) so với Muse Wonder 44 (hạng 35 trên 81)
• Giá đầu vào — Qwen4-Max $1.50 so với Muse Wonder $4.00 mỗi 1M
• Giá đầu ra — Qwen4-Max $4.50 so với Muse Wonder $20.00 mỗi 1M
• Chi phí mỗi tác vụ lập chỉ mục — Qwen4-Max $3.27 so với Muse Wonder $6.95
• Tốc độ đầu ra — Qwen4-Max không được công bố so với Muse Wonder 118 token mỗi giây
• Thời gian cho mỗi tác vụ lập chỉ mục — Qwen4-Max không được công bố so với Muse Wonder 13,5 phút
• Loại đầu vào — Qwen4-Max: văn bản, hình ảnh, video so với Muse Wonder: văn bản, hình ảnh, giọng nói, video
• Trọng số — không bên nào công bố.
Giá trên mỗi token và giá trên mỗi câu trả lời lệch nhau gấp đôi.
Tỷ lệ được nêu ở tiêu đề là 4,4× ở đầu ra và 2,7× ở đầu vào. Tỷ lệ trên mỗi tác vụ là 2,1×. Khoảng cách giữa những con số đó chính là lượng công việc mà mỗi mô hình thực hiện để tạo ra câu trả lời, và nó đi ngược lại với điều mà mức giá niêm yết gợi ý: Muse Wonder đang dùng nhiều token hơn cho mỗi tác vụ, chứ không phải ít hơn, đó là lý do mức giá đầu ra $20 lại thành hóa đơn $6,95 thay vì $40.
Hãy tính cụ thể qua một công việc thực tế. Một lần rà soát tài liệu 50.000 token tạo ra bản ghi nhớ 5.000 token, không dùng cache: Qwen4-Max tính $0,075 cho đầu vào và $0,0225 cho đầu ra, dưới mười xu. Muse Wonder tính $0,20 và $0,10, ba mươi xu. Ba so với một, và cả hai đều là những khoản tiền nhỏ không đáng kể — đó chính là điểm mấu chốt. Ở khối lượng nhỏ, cả hai mức giá đều không quan trọng và chênh lệch điểm số một điểm chỉ số là không đáng kể so với câu hỏi về tốc độ.
Nhân rộng lên. Mười nghìn đánh giá như thế mỗi tháng: Qwen4-Max $975 so với Muse Wonder $3,000. Giờ giá thành quan trọng, và giờ chiếc đồng hồ bấm giây còn thiếu càng quan trọng hơn, vì một công việc chỉ tốn một phần ba chi phí nhưng mất gấp đôi thời gian có thể không vừa khung chạy ban đêm chút nào.
Đó là hình dạng của quyết định. Đây không phải là một phép so sánh trong đó một mô hình tốt hơn; mà là một phép so sánh trong đó lựa chọn rẻ hơn có một khía cạnh chưa được đo lường, và khía cạnh đó lại tình cờ chính là điều mà các hệ thống production quan tâm nhất.
“Không có tốc độ được công bố” thực sự khiến bạn phải trả giá những gì
Một mô hình chưa được đo lường không phải là một mô hình chậm, và sẽ là sai lầm nếu hiểu nó theo cách đó. Đó là mô hình mà bạn phải tự xác lập độ trễ của nó trước khi có thể đặt nó phía sau bất kỳ thứ gì có thời gian chờ. Điều đó có ba hệ quả thực tế, theo thứ tự mức độ khó chịu tăng dần.
Đầu tiên, bạn không thể định cỡ autoscaling từ tài liệu. Bạn phải chạy một thử nghiệm thí điểm, đo p50 và p95 thời gian đến token đầu tiên ở độ dài prompt của riêng bạn, rồi mới định cỡ. 30 token mỗi giây và 39,7 phút mỗi tác vụ của Kimi K3.1 Pro đã được đo và công bố; con số của Qwen4-Max cuối cùng cũng sẽ có, nhưng hiện tại vẫn chưa có.
Hai là, các mô hình suy luận suy giảm một cách khó đoán dưới tải theo những cách mà một con số token mỗi giây chỉ phản ánh được một phần. Thời gian 19,64 giây để có token trả lời đầu tiên ở mức nỗ lực tối đa của Muse Wonder là một con số đã được đo đạc và có thể tái lập. Một mô hình không có con số như vậy thì không có đường cơ sở để nhận ra rằng một ngày thứ Ba chậm gấp đôi một ngày thứ Hai.
Thứ ba — và đây là điểm chí mạng — một lớp định tuyến chỉ có thể chuyển đổi dự phòng dựa trên độ trễ nếu nó biết trạng thái bình thường trông như thế nào. Nếu bạn đưa một mô hình không được đo thời gian vào cùng một nhóm với một mô hình có đo thời gian, hành vi của nhóm sẽ do thành viên chậm hơn, chưa rõ quyết định. Chuyển đổi dự phòng giúp điều đó có thể sống sót: một yêu cầu bị treo có thể được thử lại với mô hình thứ hai mà phía khách hàng không biết. Nó không làm cho điều đó có thể đo lường được, và nó không thay thế cho việc biết các con số của chính bạn.
Bề mặt nhập liệu chính là điểm khác biệt thực sự của Muse Wonder.
Lời nói không phải là một ô đánh dấu. Muse Wonder chấp nhận âm thanh như một đầu vào hạng nhất, bên cạnh văn bản, hình ảnh và video, và trả về văn bản. Qwen4-Max nhận văn bản, hình ảnh và video. Nếu quy trình của bạn tiếp nhận bản ghi cuộc gọi, âm thanh cuộc họp hoặc phương tiện phát sóng, thì sự khác biệt đó sẽ quyết định mô hình trước khi giá cả được bàn đến — chuyển đổi sang văn bản trước tiên là một mô hình riêng, một hóa đơn riêng và một kiểu lỗi riêng làm mất đi ngữ điệu và sự chồng lấn của người nói.
Video là trục cạnh tranh còn lại giữa cả hai, và các chi tiết rất quan trọng. Cả hai đều chấp nhận nó; không bên nào công bố giới hạn về tốc độ khung hình, thời lượng hay độ phân giải trong tài liệu chúng tôi đã đọc, nghĩa là khối lượng công việc video sẽ là một thử nghiệm thí điểm ở cả hai bên chứ không phải một so sánh thông số kỹ thuật.
Điểm Qwen4-Max giành lợi thế về đầu vào là chi phí ở quy mô lớn. Một triệu token ngữ cảnh bắt nguồn từ video ở mức $1.50 tốn $1.50 trên Qwen4-Max và $4.00 trên Muse Wonder. Phân tích phương tiện dài đúng là loại khối lượng công việc mà khoảng cách đầu vào 2.7× cộng dồn, và cũng chính là nơi lợi thế giá của Qwen4-Max vững chắc nhất.

Một điểm của điểm chỉ số, và nó đáng giá bao nhiêu
44 so với 43 trên cùng Chỉ số Thông minh Artificial Analysis, được ghi nhận trong cùng ngày. Đó không phải là một khác biệt có ý nghĩa về năng lực; nó nằm trong mức nhiễu của cách một chỉ số tổng hợp duy nhất phản ứng với một vài câu hỏi khó. Bất kỳ ai xây dựng lập luận cho Muse Wonder dựa trên điểm đó đều đang xây dựng trên hư không.
Điều đáng nói là Muse Wonder có một biến thể nỗ lực cao đạt 41 điểm, cho thấy núm điều chỉnh nỗ lực dịch chuyển điểm số khoảng ba điểm theo cả hai hướng. Nếu núm nỗ lực của Qwen4-Max hoạt động tương tự — và báo cáo của chính Alibaba cho thấy nỗ lực thay đổi đáng kể mức tiêu thụ token, với mức sử dụng Work360 giảm 24% ở xhigh và 35% ở high — thì 43 chỉ là một mẫu đơn lẻ từ một phân phối, không phải một thuộc tính cố định. Do nhà cung cấp báo cáo, so với Qwen3.8-Max, chưa được tái lập: hãy coi hướng là thông tin đáng lưu ý và độ lớn chỉ là một tuyên bố.
Cả hai bộ điểm chuẩn ra mắt của hai nhà cung cấp đều nên được đọc với cùng một thái độ hoài nghi. Các số liệu JobBench và Vals của Meta là do chính họ công bố. Work360 52.69 của Alibaba, mức giảm chi phí trên mỗi tác vụ từ $4.43 xuống $1.67, và mức cải thiện bits-per-byte trên năm checkpoint cơ sở của họ cũng đều do chính họ công bố. Không bộ số liệu nào đã được tái lập độc lập, và không nhà cung cấp nào công bố eval harness để bạn có thể tự thử.
Trong đó mỗi lựa chọn đều là câu trả lời hiển nhiên
Chọn Muse Wonder khi âm thanh nằm trong pipeline, khi bạn cần một con số độ trễ đã được công bố để viết SLA dựa vào, hoặc khi công việc mang tính tác tử và dài hạn và bạn thà trả 6,95 đô-la cho một tác vụ có thể đo thời gian còn hơn trả 3,27 đô-la cho một tác vụ không thể. Con số 118 token mỗi giây thực sự nhanh đối với một mô hình ở mức điểm này, và tốc độ là một tính năng mà khách hàng nhận thấy.
Chọn Qwen4-Max khi khối lượng là ràng buộc, khi khối lượng công việc là đọc ngữ cảnh dài thay vì suy luận tầm xa, hoặc khi đầu vào là video ở quy mô lớn và khoảng cách đầu vào 2.7× chính là toàn bộ hóa đơn. Bảng giá cố định $1.50/$4.50 không có bậc ngữ cảnh dài thì dễ dự báo hơn, điều này quan trọng hơn vẻ ngoài của nó khi bạn đang lập ngân sách hàng quý.
Cả hai đều là độc quyền và không công bố trọng số, nên không cái nào có thể tự triển khai hoặc ghim phiên bản. Nếu đó là một yêu cầu, thì so sánh này không có người thắng và câu trả lời là một mô hình công bố checkpoint — Kimi K3.1 Pro, trong số các mô hình hàng đầu, có làm vậy.
Nếu bạn muốn tránh việc phải chọn, thỏa hiệp hữu ích là dùng một nhóm thay vì đưa ra quyết định: định tuyến theo phương thức đầu vào (âm thanh đến Muse Wonder, video quy mô lớn đến Qwen4-Max), giữ lợi thế giá ở nơi nó thực sự tồn tại, và để cơ chế chuyển đổi dự phòng bù đắp cho độ trễ mà bạn chưa thể dự đoán. Cần nói rõ điều gì có thể định tuyến được hiện nay — cả Muse Wonder lẫn Qwen4-Max đều không nằm trong 215 định danh mà chúng tôi cung cấp, vì vậy nhóm đó là một thiết kế, không phải một trang sản phẩm. Những gì chúng tôi thực sự cung cấp ở phía Meta là dòng Muse Spark với giá đầu vào $1.25 và đầu ra $4.25, và ở phía Alibaba qwen/qwen3.8-max ở mức $2.00/$6.00, được định giá theo bảng giá niêm yết của nhà cung cấp, không cộng thêm gì.

Câu hỏi cần đặt ra trước lần phát hành tiếp theo
Mọi so sánh giữa một mô hình mới được vài tuần với một mô hình đã một tháng tuổi đều có cùng một điểm yếu: bằng chứng không đối xứng theo những cách có lợi cho mô hình nào ra mắt trước, bởi vì quá trình kiểm thử độc lập đã có nhiều thời gian hơn để xem xét nó. Các con số của Muse Wonder phong phú hơn không phải vì Meta minh bạch hơn mà vì nó đã có thêm năm tuần đo lường.
Điều cần để ý không phải là một bộ benchmark khác. Mà là liệu tốc độ và thời gian xử lý mỗi tác vụ của Qwen4-Max có xuất hiện trên cùng một bảng xếp hạng trước khi lợi thế về giá bị hao mòn hay không. Một mô hình có chi phí mỗi tác vụ bằng một nửa và độ trễ gấp đôi là một sản phẩm khác với một mô hình có chi phí bằng một nửa và độ trễ tương đương, và hiện tại không ai ngoài Alibaba biết đó là cái nào trong hai cái đó.

So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
