标题卡上写着,Qwen4-Max 将每项任务成本降低了 67%,核心数字为每项 Intelligence Index 任务 3.27 美元,对比 10.02 美元,并注明这一降幅大致一半来自价目表费率,一半来自 token 使用纪律。
Engineering & Research

Qwen4-Max 将每项任务成本降低 67%:节省究竟从何而来

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

一份基准账单是一种奇怪的产物:它是唯一一份公开为模型习惯定价的文件。Artificial Analysis 公布了让 Qwen4-Max 跑完其 Intelligence Index 的成本——每任务 3.27 美元——也公布了它用来得出这个结果的价目表。用其中一个除以另一个,就能还原出实验室从未明确说出的信息:Qwen4-Max 实际花多少 token 来思考。对它所取代的 Qwen3.8-Max 做同样的计算,每任务成本下降 67% 就能干净地拆成两个数字,而大多数关于 11 月 16 日发布的报道却把它们混在一起。大约一半的节省来自降价,另一半来自 Qwen4-Max 说得更少。而如今主导其账单的费用项,并不是宣传价格所暗示的那一项。

厂商自己的总结是准确的,但压缩了有趣的部分。阿里巴巴在其发布页面上表示,Qwen4-Max 在 Xhigh 努力程度下使用的 token 比 Qwen3.8-Max 少约 24%,在 Work360 上的 High 下少 35%,在 Terminal-Bench 4.0 上分别少 48% 和 49%;Work360 上每任务平均成本从 $4.43 降至 $1.67,降幅 62%。这些是公司基准上的公司数据。下面的独立计算在不同基准上通过不同路径得出 67%,这是一种有用的吻合:两种方法,方向相同,量级相近。

独立记分牌实际显示的是什么

在 Artificial Analysis 上,Qwen4-Max 在 Intelligence Index 中得分为 43,而 Qwen3.8-Max 为 34,测得能力提升了 27%。同一页面显示,两款模型的定价分别为每百万输入 token 1.50 美元和每百万输出 token 4.50 美元,而另一款为 2.00 美元和 6.00 美元——输入和输出两个方向均直降 25%。缓存输入才是折扣最显著的地方:每百万 0.075 美元对 0.25 美元,降幅达 70%,缓存命中折扣率也从 87.5% 提高到 95%。

按 Intelligence Index 中全部九项评估加权后,每项 Intelligence Index 任务成本为 3.27 美元,而另一者为 10.02 美元。用成本除以得分,差距会进一步扩大:Qwen4-Max 以不到八美分的成本提供一分可测量的能力,Qwen3.8-Max 则约为三十美分。如果唯一的问题是要把工作负载迁移到哪个模型,这才是值得记住的数字——每美元能力提升了约四分之三,而不是仅凭每任务成本所暗示的 67%。

反转账单以恢复 token 计数

Artificial Analysis 将每项任务的成本拆分为几个组成部分:按全价计费的输入、缓存写入、缓存读取和输出,其中输出又进一步拆分为推理 token 和答案 token。它还公布了各项价格。将每个组成部分除以其价格,就得到对应的 token 数。该方法在一行数据上即可自我验证——输出部分除以 4.50 美元,得出每项任务 104,940 个 token,而页面另行报告 Qwen4-Max 每项任务的输出 token 数为 104,939.8。在一行以两种不同方式计算出的数据上,精确到小数点后完全一致。

其他每一行都继承了这份把握,但有一个被公开说明的假设:缓存写入按完整的输入费率计费,这是对两个模型进行算术推算后得出的结论,而非任何一家供应商明确记录的内容。

根据 Intelligence Index 任务,哪些会被排除:

• 输出 token——Qwen4-Max 为 104,940,Qwen3.8-Max 为 170,794,减少了 39%。

{{1}}推理 token{{/1}}——68,914 对 119,698,下降了 42%。思考预算的缩减幅度远大于答案预算。

• 回答 token——36,025 对 51,096,下降 30%。Qwen4-Max 现在将 66% 的输出用于推理,而前代模型为 70%;它不仅更短,比例结构也不同。

• 缓存读取令牌——约 1490 万对 2270 万,下降了 34%。这些是被重放的上下文令牌,在任何长时间的智能体运行中都占据主导地位。

• 缓存写入 token——约 111 万对 166 万,下降 33%。

有两点很突出。第一,token 的减少并不集中在用户可见、会让人注意到冗长的答案里,而是在推理过程和重放的上下文中——那里没人盯着。第二,按绝对值算,每个任务的 token 量极其庞大——每个任务一千四百万次缓存读取——这说明了 Intelligence Index 实际衡量的是什么:带有大量持久上下文的长周期工作,而不是单轮问答。

Two-column scoreboard comparing Qwen4-Max and Qwen3.8-Max on cost per task of 3.27 dollars against 10.02 dollars, output tokens per task of 104,940 against 170,794, cache-read tokens of 14.9 million against 22.7 million, and Intelligence Index scores of 43 against 34.

将67%拆分为价格和行为两部分

成本等于价格乘以用量,因此这一降幅可以被清晰地分解。按 Qwen4-Max 的费率来计费 Qwen3.8-Max 的 token 用量,一个任务的花费是 4.97 美元而非 10.02 美元——仅价格变化一项就带来了 50% 的削减。再把 Qwen4-Max 的行为也应用上去,花费降至 3.27 美元,在剩余部分上又降低了 34%。两者相乘,0.496 乘以 0.658 得到 0.326:这正是观察到的 67% 降幅,完全解释清楚,没有任何剩余。

哪一半更该记功,取决于你按什么顺序来算这笔账;这一点值得说明,而不是挑一个好看的数字。按百分比算,价格大约占 50%,token 用量控制约占 34%。按美元算——每项任务总共节省 $6.76,其中 $5.06 来自费率、$1.70 来自用量——价格占了四分之三。两种口径都正确;它们回答的是不同问题。如果你在预测下季度支出,费率表是更大也更确定的杠杆。如果你问的是这个模型是否真的更经济,那么来自少用 token 的那 34% 才是更持久的,因为降价可以被收回,而架构不能。

供应商自身数据的走向在无人要求的情况下印证了这一分化。阿里巴巴同时将下降归因于这两个因素,而其在 Work360 上的 62% 与在 Intelligence Index 上独立测得的 67% 十分接近——两套评测框架、两组任务、一个结论。

那个悄然成为最大一项的明细项

这就是宣传价格容易误导人的地方。此前,缓存读取占账单的 57%,缓存写入占 33%。之后,缓存写入占 51%,缓存读取占 34%。该模型在每一项成本上都变得更便宜了,但折扣并不均衡——缓存读取降价 70%,缓存写入降价 25%——而且它把两项最大成本的排名颠倒了过来。

缓存写入按输入费率计费,每百万 $1.50,是每百万 $0.075 的缓存读取费率的二十倍。如果一个工作负载重写上下文的频率高于重放上下文的频率,那么它现在就要以价目表上最昂贵的计价方式为这一习惯买单。这是发布报道大多忽略的定价变化的实际后果,也说明了那些不起眼的工作值得去做:稳定的提示前缀、长生命周期的会话、更少的全上下文重建。在 Qwen3.8-Max 上,这些习惯没那么重要,因为重放本身就足够昂贵,无论如何都会主导账单。

这一教训的意义超出了这个模型本身。当供应商把某一类 token 的价格砍得远比其它类别更狠时,最优的提示词架构也会随之改变,而你最终拿到的账单,只是你为上一张卡所构建的架构的滞后指标。

Alibaba Cloud Model Studio documentation page for qwen4-max, showing the model name as the page title, a release date of 11-16, the model invocation ID qwen4-max, and the listed regions including Singapore and US (Virginia).

效率是相对的,而绝对数字并不好看。

输出 token 数减少 39% 听起来像是一个精简模型。但把它放到同类中比较,它只是一个非常话痨的模型的更精简版本。在整个索引运行中,Qwen4-Max 生成了 1.27 亿个输出 token;中位数模型生成 7860 万个。Qwen3.8-Max 生成了 1.5 亿个。两个 Qwen 模型都远远偏向冗长一侧,而 Qwen4-Max 只是从中位数的 1.9 倍降到了 1.6 倍。

这并不是对效率主张的反驳——恰恰是对它的正确解读。该主张是:Qwen4-Max 在花费更少 token 的同时,取得了比前代更好的结果,而这两部分都成立。它并不是在说这个模型很安静;任何基于“高分模型必然是简洁模型”这一假设而建立的预算模型,都会错得离谱。如果你的成本由输出量驱动,那么改用 Qwen4-Max 减少的是数量,而不会改变类别。

厂商的预训练数据在不同层面也指向同一结论。在内部 BPB 评估中,Qwen4-Max-Base 在每个领域都比 Qwen3.8-Max-Base 好 5–13%,同时激活的参数少 25%——该架构在单位算力下完成了更多工作,这与一个只需更少 token 就能得出结论的模型相符。2.4 万亿参数的骨干、710 亿激活参数以及额外 3280 亿 N-gram 嵌入参数是否是原因,这属于厂商的解释,而不是阿里巴巴以外任何人复现过的测量。

成本情况中还缺少什么?

首先是延迟。Intelligence Index 卡片将 Qwen4-Max 的每任务耗时列为不适用;对于 Qwen3.8-Max,该值为 48.1 分钟,而中位数为 13.3 分钟,是测得的最慢结果之一。一个每任务成本低 67%、但每任务实际耗时未知的模型,尚未与任何对象进行充分比较。你需要等待才能获得的廉价 token 是另一种产品。

另一点是供应商覆盖广度。上述每个数字背后的价格都来自阿里云单一的First-party费率,而且该模型目前只出现在一个托管方那里。没有第二个来源可供套利,所以价目表上的费率就是实际费率。并且 Qwen3.8-Max 现已被标记为弃用,由 Qwen4-Max 取代,其基准测试频率也从每六小时一次变为每十八小时一次,这意味着对比基线的刷新速度比用来与它对比的模型还要慢。

OrcaRouter model page for qwen/qwen3.8-max, showing the model id, input and output prices of $2.00 and $6.00 per million tokens, a 1,000,000-token context window, and the capability badges for vision, tools, JSON and reasoning.

把算术变成你能掌控的预算

这种拆解引出了两个杠杆,而且它们彼此独立。第一个是价格:你无法谈判的价目表,仍然是你能够绕开的价目表——只按标价付费、不支付任何高于标价的部分,就是这种情况。OrcaRouter 以 0% 加价将供应商标价透传,因此,像阿里巴巴在 11 月 16 日做出的那种供应商降价,当天就会反映到你的账单上,而不是等到下一次合同续签——而这次降价的幅度,尤其是缓存输入 70% 的降幅,正是透传安排会使其显现、而不是悄悄吸收的那类变化。

第二个杠杆是规模,而这是模型无法替你实现的。路由 DSL 将多个模型组合成一次调用,因此流水线的大部分可以在廉价模型上运行,而困难的长尾任务——那些真正需要 2.4 万亿参数 MoE 的任务——则会被发送给具备该能力的模型。这种拆分方式让你能够获得 34% 的行为红利,而无需为从不需要前沿能力的工作支付前沿价格;对于每个任务一千四百万上下文 token 已成常态的工作负载来说,这也是自然的应对方式。

关于我们提供什么、不提供什么,需要说明准确:截至2026年11月16日,Qwen4-Max 不在我们的目录中。我们今天路由的 Qwen 模型是 qwen/qwen3.8-max,也就是本文用作基线的上一代模型。对于希望先在自己的流量上验证 token 缩减是否成立、再决定是否采用的团队,自动故障转移是低风险的切入方式——路由一小部分流量,保持回退机制在线,并比较真实追踪数据,而不是基准任务。

什么会改变这一解读

Artificial Analysis 会发布每个模型的汇总 token 数量,而本文则从其成本构成推断各任务的用量。如果两次运行之间测试框架发生了变化——任务组合不同、权重不同——那么 39% 的输出量下降中,有一部分可能来自测试框架,而非模型本身。输出项上精确的对账结果不支持这种解释,但也并未排除它;任何拥有自身流量数据的人,都应将推导出的数字视为有待检验的假设,而不是可以据此做规划的既定事实。

供应商的 Work360 数据带有另一项但书,这一点阿里自己也已说明:BPB 对比中的两个检查点是经后训练的,而非基座模型,这削弱了同类对比的框架。Work360 上 62% 的成本降低不受此影响,因为它是在固定任务集上比较已发布的模型,但解读预训练相关说法时应将这一点考虑在内。

在这一切之后依然成立的,是答案的形状,而不是它的精确度。一场被包装成降价的发布,同时也——而且程度大致相当地——是模型为得出答案所付出代价的变化;而后面这一半,才是竞争对手无法通过调整价目表来复制的部分。当更小的 Qwen4 模型发布时,这才是值得关注的数字,因为如果这种 token 纪律是架构层面的,它就会随之延续;如果它只是这一个检查点的特性,那就不会。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新