Qwen4-Max Preview 对比 Claude Opus 5.5：一个只有十四天窗口的模型，还是一个到十二月仍能调用的模型

Alibaba 于 2026 年 11 月 11 日 10:00 开放 Qwen4-Max Preview，并在同一文档页面上说明了关闭时间：UTC+8 11 月 25 日 24:00。共十四天。Anthropic 于 2026 年 9 月 22 日发布 Claude Opus 5.5，价格为每百万输入 token 4.00 美元、每百万输出 token 20.00 美元，并承诺不早于 2027 年 9 月 22 日退役。这两句话已经基本决定了这次比较的大部分结论，因为其中一个模型只是为期两周的实验，而另一个则是可以列入明年预算的支出项。

日期并不能确定的是，这项实验是否值得进行。Qwen4-Max Preview 目前没有基准测试——没有厂商表格，没有独立运行结果，也没有任何已公布的分数——因此，任何将其与 Claude Opus 5.5 在质量上进行排名比较的页面都只是在猜测。本页则不是。它比较的是你在周五之前真正能够验证的四件事：每个模型接受什么作为输入、单次响应最多能容纳多少输出、一项任务的成本是多少，以及你被允许继续使用它多长时间。

每一个是什么，以你今天可以调用的形式

A​libaba 在公告中将该产品写作 Qwen4-Max-Preview，在文档中则写作 API 字符串 qwen4-max-preview；此外还有一个别名 qwen4.0-max-preview。A​libaba 指出两者均可使用，但计费会以 4.0 形式呈现。这两个名称都无法对应到公开的模型卡、参数数量或许可证，因为没有任何可供下载的内容。

Claude Opus 5.5 是另一类对象：一个有文档、有定价、多平台可用的端点，其每一项限制都写在你能够引用的页面上。把两者并排放在一起，这种对比其实根本不在于能力。

• 上下文窗口 — Qwen4-Max Preview 1,000,000 tokens 对比 Claude Opus 5.5 1,000,000 tokens。真正的平局，也是该预览版唯一无需附加说明的维度。

• 每次响应的最大输出：预览版为 393,216 个 token；Alibaba 表示，该数字同时涵盖思考过程和最终答案。相比之下，Claude Opus 5.5 为 128,000 个 token，而在带有 beta 标头的 Batches API 上为 300,000 个 token。

• 输入——文本、图像和视频 vs 文本和图像。这是唯一一个一方模型根本无法胜任另一方所能完成的工作的维度。

• 每百万 token 价格——未公布；通过订阅按 Token Plan Credits 计量，相比之下输入为 $4.00、输出为 $20.00，缓存读取为 $0.20，5 分钟缓存写入为 $5.00。

• 思考默认值——reasoning_effort 开启，默认设为 xhigh，并提供 low 和 medium 可选；而 adaptive thinking 始终开启，effort 在从 low 到 max 的范围内默认设为 medium。两者的默认值指向相反方向，这一点比听起来更重要。

• 已发布基准——无 vs Artificial Analysis Intelligence Index 59，在该指标上位列 74 个模型中的第五名。

• 如何访问 — 仅限通过 Token Plan 订阅，使用新加坡基础 URL token-plan.ap-southeast-1.maas.aliyuncs.com，并配合 Q​wen 应用、Q​wen Chat、Agent Mode、Qoder、QwenWork 和 QwenStudio；相较之下，Claude 侧包括 Claude API、Amazon Bedrock、G​oogle Cloud、Microsoft Foundry 和 AWS 上的 Claude Platform。

• 可用性窗口——2026 年 11 月 11 日至 25 日，对比活跃状态，退役时间不早于 2027 年 9 月 22 日。

那份清单里的不对称有一个很容易被忽略的实际后果。Qwen4-Max Preview 有两扇门——一扇是无需密钥的产品门，另一扇是需要 Token Plan 订阅以及一个你尚未拥有的 base URL 的 API 门——而 Claude Opus 5.5 可以从你已有的任何 OpenAI 风格客户端访问。如果你的评估问题是“这个模型是否理解我的代码库”，聊天这扇门就足够了。如果你的评估问题是“它能否经受住与我的流水线的实际接触”，那你就是在为一个两周后就过期的模型再配置一份合同。

393K 输出上限正是文档暗藏陷阱之处

393,216 是本次发布每份摘要都会首先提到的数字，而它确实是一项真实优势：它刚好是 Claude Opus 5.5 的 128,000 token 上限的三倍多一点。整个代码库重写、长转录内容综合、单次响应生成整个小型应用——该预览版正是为那些无法塞进大多数模型响应预算的输出而构建的。

不过，读一下脚注。Alibaba 表示，这 393,216 个 token 由思考过程和最终答案共享，随后又加了一句会破坏移植的话：从这个模型开始，OpenAI Chat Completions 中的 max_tokens 等同于 max_completion_tokens，而且两者都限制“思考+答案”的合计用量。此前所有 Qwen 模型都保留旧行为，即该上限只作用于答案。因此，一个从 qwen3.8-max 照搬过来、带有 max_tokens: 8192 的请求，现在会花 8,192 个 token 用于思考，剩下的额度有多少算多少——在困难提示词下按默认的 xhigh 努力程度，可能一点都不剩。失败模式是答案被截断，而不是你能捕获到的错误。

为了公平起见，需要对通常的报道方式作一处更正。A​nthropic 的 max_tokens 也会在单次响应中同时限制思考内容和文本，因此共享预算并非 Q​wen 的发明，也不能成为偏好某一家厂商的理由。不同之处在于预算的大小，以及 Q​wen 改变了其用户早已熟悉的某个参数的含义。这是一项迁移成本，而且它由你承担，而不是由厂商承担。

第二个陷阱是默认投入程度。除非另有说明，Qwen4-Max Preview 会以 xhigh 进行推理；Claude Opus 5.5 则以 medium 进行推理。两次未配置的调用并排比较，衡量的并不是相同的工作量——而且在预览版上，更深的默认设置会在答案的第一个字出现之前，就吃掉更大一部分响应预算。

视频输入是唯一没有变通办法的缺口

{{1}}Claude Opus 5.5{{/1}} 可接受文本和图像。{{2}}Qwen4-Max Preview{{/2}} 可接受文本、图像和视频，并且 A​libaba 直接列出了用例：截图分析、文档理解、视频分析。

如果你的流水线已经采样帧并将它们作为图像发送，那就没有任何变化——两个模型都能读取这些帧，差异就归结为 token 计量。如果你的流水线想交出一个文件并询问其中发生了什么，那么这些模型中只有一个能接受这个问题。对所提供的片段进行时间推理，并不是你靠用文本描述该片段就能近似做到的；你可以重建出一个近似结果，但你会花掉一位研究员一周的时间，才发现答案中有多少存在于运动之中。

这是本次比较中最清晰的决策规则，而且它不需要基准测试。输入路径中包含视频的团队，如今只有一个候选方案。而输入路径中不包含视频的团队，则没有理由把十四天有效期作为交易的一部分来接受。

独立数字，以及那个与此模型无关的数字

Artificial Analysis 没有 Qwen4-Max Preview 的页面。截至 11 月 11 日，它没有实测速度、没有每任务成本、没有指数得分，也没有提供商数量——这个预览版太新，到了第十四天，可能永远不会获得条目。因此，要把两者放进同一张图表，唯一诚实的做法是使用最近一个经过实测的 Qwen 旗舰模型 Qwen3.8-Max，并明确说明它只是一个替代指标。

• 智能指数 — Claude Opus 5.5 得 59 分，在 74 个中排名第五；相比之下 Qwen3.8-Max 为 34 分，低于其价格档位 40 分的中位数。数据来自 Artificial Analysis。

• 输出速度 — 每秒 115 个 token，对比 53 个。根据 Artificial Analysis，同一测试工具。

• 首个答案 token 的生成时间——353.75 秒对 122.57 秒。Opus 5.5 是起步较慢、完成更快的模型。

• 每项任务用时——25.0 分钟 vs 54.1 分钟，相较中位数 12.6。

• 每项任务成本——10.04 美元 vs 10.02 美元。请读两遍；这是本页最值得注意的数字，下一节将解释原因。

• 冗长度——该指数上的输出 token 数为 2.18 亿，对比 1.5 亿，而中位数为 7280 万。

有一项测量确实将 Qwen 4 的某个 checkpoint 与 Claude Opus 5.5 直接对比，这一点值得审慎对待，而不是被做成标题。GameFeel Benchmark 是一项创意与游戏开发评测，对构建、缺陷修复、游戏手感、创意、视觉和音频评分，其中有一行是 Qwen-4-Flash-Early 平均得分 49.9，对比 Claude Opus 5.5 在 XHigh 强度下平均得分 47.2。在任何人引用它之前，必须说明四点。它是 Flash 档位的 checkpoint，不是 Max。其中的“-Early”标签是基准作者对一个未标注端点属于哪个未发布档位的猜测，并非阿里巴巴的确认。这两行的计费方式不同，因此每任务 $0.40 和 $2.60 的数字并非同口径比较。而且平均值掩盖了分项差异：Opus 在缺陷修复上以 65 比 63 获胜，在反向评估上以 21.67 比 19.95 获胜，而该 Qwen checkpoint 在创意上以 54 比 41、视觉上以 65 比 63、音频上以 30 比 25、游戏手感上以 52 比 50 获胜。缺陷修复和反向评估是最接近生产工作的两个子任务；创意和音频则是离生产工作最远的两个。

同一个基准测试也显示了投入力度对 Opus 5.5 的影响：在 Medium 下，它每项任务花费 $0.88，得分为 42.3；而在 XHigh 下，花费 $2.60，得分为 47.2。几乎三倍的花费只换来五分。如果你默认以最大投入力度运行 Opus，那这一行就是值得关注的。

当无法为一方定价时，一项任务会付出什么代价

先从有价目表的那一半说起。一个发送 200,000 个输入 token 并返回 20,000 个输出 token 的任务，在 Claude Opus 5.5 上的输入成本为 $0.80，输出成本为 $0.40——合计 $1.20。从缓存中复用这些输入，输入侧成本就降到 $0.04，这使同一任务变为 $0.44。将其批处理，整体又会再减半。这些都是算术，不是估算，你可以把它们放进预测中。

现在说另一半。A​libaba 未公布 Qwen4-Max Preview 的每 token Credits 费率。Token Plan Personal Edition 是一种 Credits 订阅——A​libaba 的四个个人档位从每月 6 美元获得 20,000 Credits，到 43 美元获得 200,000 Credits——并且厂商表示，一次调用消耗 Credits 的速率由模型类型、token 用量、思考模式和工具调用动态决定。观察真实费率的唯一地方，是你已经消耗一些 Credits 后控制台中的用量明细。预览期间有促销折扣，这使得观察到的费率难以作为预览后费率的参考。

所以，价格对比并不是“哪个更便宜”。而是“其中一个有单价，另一个则有你目前还无法换算成单价的订阅。”而上面的数字表明，价目表的重要性并没有看起来那么大：Qwen3.8-Max 的标价是每百万 token 2.00 美元和 6.00 美元——是 Opus 5.5 输入价格的三分之一，不到其输出价格的三分之一——但在每项 Intelligence Index 任务上仍达到 10.02 美元，而 Opus 为 10.04 美元。这个便宜模型每项任务生成的 token 多得多，以至于价目表几乎被完全抵消。只有当模型也同样简洁时，更低的标价才能带来更低的账单；而就所有可用的衡量指标来看，这个系列并不简洁。

将它们并排运行，而不假装这是一份合同

Claude Opus 5.5 已收录在我们的目录中，型号为 anthropic/claude-opus-5.5，按 Anthropic 公布的每百万 token 4.00 美元和 20.00 美元的价格，零加价，因此它是一个密钥、一份账单，与 200 多个其他模型并列，并提供回退链和路由 DSL；如果你想在不改代码的情况下，把工作负载中较简单的那一半发送到比 Opus 更便宜的地方，就可以使用它们。

Qwen4-Max Preview 不在我们的产品目录中，值得直说这意味着什么：我们不提供它，你也不能在这里把它放进故障转移链。要用它，就需要 Token Plan API 密钥、新加坡基础 URL，以及第二份合同——而这正是为一个只存在两周的模型很少值得去搭建的东西。如果你想评估它，就用自己的密钥做离线对比评测，拿你已经知道答案的提示词来跑，并让生产环境继续指向在 11 月 26 日仍能响应请求的东西。

这个预览的用处是什么，正是它迫使你面对的问题。两周时间足够长，可以弄清楚视频原生输入和 393K 响应预算是否会改变你的产品能做什么——也足够短，不至于让你不小心最终依赖这个答案。

本周谁该做哪项？

如果你的输入路径中有视频，并且结果不用于生产依赖，那么今天就通过 Q​wen Chat 打开 Qwen4-Max Preview，花一个下午处理你真正关心的片段，并把你学到的一切当作研究，而不是架构。首次运行时将 reasoning_effort 设为 medium，以免答案预算在答案开始之前就被耗尽，并将 max_tokens 设得足够高，让思考和输出都能容纳。

如果你要在12月交付任何必须能正常运转的东西，Claude Opus 5.5 是两者中唯一一个价格可预测、有能拿去给客户引用的基准测试成绩、且到那个日期仍然存在的模型。它的弱点是公开记录在案的，而非神秘莫测——首 token 延迟高、输出啰嗦、在高 effort 下每个任务成本高昂——而这三项都可以通过 effort 参数来调节。

如果你两者都想要，按这个顺序来，关键在于先后次序：先在免费通道上证明能力，再在已有价目表的模型上继续构建，等到12月预览版的继任者发布时再重新审视这个问题——届时想必会附带价格和基准测试结果。