
Qwen4-Max 对比 GPT-6 Luna:为 15 个指数点付出 22 倍任务成本
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 187 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 414 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 138 tok/s
- orca新Orca: OrcaC2 1.02026-11-0748 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 116 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
把 Qwen4-Max 请求和 GPT-6 Luna 请求送进同一套评测套件,账单回来是 3.27 美元对 0.15 美元。22 倍。把分数并排一看,是 43 对 28——15 分,这正是“能把数小时的智能体任务交给它”的模型,和“只能把一份文档交给它”的模型之间的差距。这两个差距都是真实的,都是在同一个索引版本上测得的,而且它们都不能解决问题,因为 Qwen4-Max 自 2026 年 11 月 16 日起就已全面可用,每百万 token 为 1.50 美元和 4.50 美元,而 GPT-6 Luna 自 9 月 22 日以来一直只有其十分之一。决策不在于哪个模型更好,而在于你实际要用上哪 15 分,而答案在看完这项比较的过程中会变两次。
22× 及其构成
从费率卡开始,因为宣传中的比率并不是你实际支付的比率。
• 输入 — Qwen4-Max 在新加坡为每百万 $1.50,在全球范围区域为 $1.413。GPT-6 Luna 为 $0.10。十五比一。
输出 — Qwen4-Max $4.50,或 Global 版 $4.24。GPT-6 Luna $0.50。九比一。
• 缓存输入 — Qwen4-Max $0.075 新加坡,$0.071 全球,95% 折扣。GPT-6 Luna $0.01,90% 折扣。
• 混合计费 — 按追踪器 7:2:1 的缓存命中/输入/输出权重计算,Qwen4-Max 为每百万 $0.80。GPT-6 Luna 为 $0.077。十比一。
• 每项智能指数任务的成本——Qwen4-Max 3.27 美元,GPT-6 Luna 0.15 美元。二十二比一。
十五、九、十、二十二。这四个数字并不一致,而不一致才是有用的部分:每任务比率是混合价格比率的两倍多,是因为 Qwen4-Max 必须输出更多 token 才能跑完这套测试,而不是因为它的费率比费率卡显示的更差。跟踪器的冗长度面板显示,Qwen4-Max 的输出 token 数为 1.27 亿,而中位数是 9000 万;Luna 为 1.1 亿,中位数同样是 9000 万。两者都偏冗长。Qwen4-Max 还要多出 15%,而这 15% 在 22 倍的差距中确实起了作用——若按 10 倍的费率卡,本会预测出 10 倍。
本节所有数字均来自 Artificial Analysis 在 index v5.0.1 上的测量结果——该指数已重新基准化,因此七月排行榜中的 Luna 分数不能与此处引用的 28 相提并论——并结合各供应商自行公布的价目表。两家供应商均未公布匹配的正面对比,任何基于这些数字构建的比较,都是对两次独立运行结果所做的算术运算,而非基准测试。

努力程度设置是更大的杠杆。
以下就是为什么43对28的表述具有误导性,而且这并非一个小更正。
GPT-6 Luna 提供六档推理设置——无、低、中、高、超高和最高——并默认使用中。Artificial Analysis 对每一档都进行了评分。各档之间的差距并非舍入误差:
• Max — 指数 28,每项任务 $0.15,12.2 分钟,每秒 103 个 token。
• Xhigh — 23,7.4 分钟,每秒 99 个 token。
• 高 — 21,6.0 分钟,每秒 91 个 token。
• Medium — 18,3.5 分钟,每秒 93 个 token。这是默认设置,也几乎是所有生产调用实际使用的设置。
• 低 — 10,0.6 分钟,每秒 87 个 token。
• 非推理 — 9,2.0 分钟,每秒 84 个词元。
所以,诚实的比较不是 43 对 28。对于不发送 effort 参数的调用方,是 43 对 18;而对于把旋钮调到最高、并为此付出六倍延迟的调用方,则是 43 对 28。默认设置下相差二十五分,最高档下相差十五分,来自同一个模型,而价目表上没有任何价格变化。
Qwen4-Max 的档位阶梯共有三档——低、高、极高——且默认使用高档。这里没有中档:Chat Completions 和 DashScope 都会把中档映射为高档,所以请求中间档位的花费与最高档相同。这个旋钮比 Luna 的更差,原因也一样——你调用的档位决定得分,而 Qwen4-Max 让你少买一点性能的途径更少。
追踪器没有为 Qwen4-Max 公布的是它在三个档位中每一档的分数;页面只给出 43 就停止了。Luna 完整的六级阶梯是公开的,这使得 Luna 成为更容易建模、却更难引用单一数字的模型。如果你在做成本预测,完整公布的阶梯比单个更好的数字更有价值,因为你能看出拐点在哪里。

Luna 的 272,000 token 悬崖
两款模型都宣称支持百万 token 上下文,但只有一款在整个上下文范围内按相同费率收费;而这正是买家最容易忽略、代价也最大的问题。
• Qwen4-Max — 在整个 1,000,000 token 窗口内统一为 $1.50 和 $4.50,32K 或 128K 均不设阶梯定价。文档记录的输入上限为:非思考模式 991,808 token,开启思考模式 983,616 token;非思考输出上限为 131,072 token,思考内容加回答共用 262,144 token。
• GPT-6 Luna — 输入 token 不超过 272,000 时,价格为 $0.10 和 $0.50;超过该数量后,输入为 $0.20,输出为 $0.75。重新定价适用于整个请求,而不是只适用于超出部分:一个 300,000 token 的提示词会对全部 300,000 个 token 按双倍价格计费,而不是只对最后 28,000 个计费。根据 OpenAI 的文档,上下文窗口为 1,050,000,在追踪器上为 1M;最大输入为 922,000;输出上限为 128,000。
运行长上下文用例,22× 会向 7.5× 收缩。一份 400,000 token 的文档配 8,000 token 的答案,在 Qwen4-Max 上输入成本为 $0.60、输出成本为 $0.09——按新加坡费率是 $0.69。同样的请求在 Luna 上是输入 $0.08、输出 $0.006,合计 $0.086。是七倍半,而不是二十二倍。Luna 仍然便宜得多,但其便宜幅度只有标题数字所暗示的三分之一。
这种倒挂还有第二面,而且会反向割伤。低于 272,000 个 token 时,这个断崖根本不会触发,而大多数智能体工作负载——代码库上下文、支持对话、工具调用循环——都远低于这一阈值。一个团队如果在两张卡上都看到“1M 上下文”,却为一个 500,000 token 的任务按 $0.10 给 Luna 做预算,那么它在输入上少算了 2 倍、在输出上少算了 1.5 倍,而这个错误只会在账单上暴露出来。
还有一条关于数据驻留的说明,在考虑价格之前值得了解:Luna 上的欧盟数据驻留仅在使用标准处理时可用,这完全排除了 Batch 和 Fast 折扣。如果范围内有数据驻留要求,那么 Luna 的实际费率就是标准费率,你所指望的折扣结构就无法享受。
视频,以及 Luna 无法进入的那一行
模态差异比营销宣传所暗示的要小,却比扫一眼规格表所显现的要大。
• GPT-6 Luna — 输入文本和图像,输出文本。它不是视频或音频模型。图像生成、语音生成、转录和翻译均记录为不支持。
• Qwen4-Max — 输入文本、图像和视频,输出文本,视觉由原生方式处理,而非通过提取器。协议侧支持 OpenAI Chat Completions、OpenAI Responses、Anthropic Messages 和 DashScope,并对接 Luna 的 Responses、Chat Completions 和 Batch。
因此,在两者之中,Qwen4-Max 是唯一一个你可以拿屏幕录制、讲座录像或视频评测来向它提问的模型。这是真实的能力差异,而不是基准测试差异——两张卡片上的任何指标都没有衡量这一点,而且无论对 Luna 进行多少 effort-level 调优,都无法产生这种能力。如果视频属于工作负载的一部分,那么比较到此为止,而 22× 就是入场代价。
如果视频不是重点,这一行就只是装饰,而协议广度才是更有意思的那一半。Qwen4-Max 支持四种传输格式;Luna 支持三种,并将其最丰富的工具面放在 Responses 之后——诸如网页搜索、文件搜索、代码解释器和托管 shell 等内置工具都在那里运行,而 Chat Completions 上的函数调用只有在推理强度设为 none 时才有效。为了省钱而迁移到 Chat Completions、却仍期望工具调用的管线,会在第一次请求时就失败。这是迁移陷阱,不是能力缺口,而且这类事情耗费的是一周时间,而不是几个百分点。
这正是路由层而非模型选择体现自身价值的分界点。OrcaRouter 已经以openai/gpt-6-luna 按 OpenAI 的标价、0% 加价原样透传——因此 Luna 的价格一旦在 OpenAI 的价目表上生效,这里当天就会同步生效——而 Qwen4-Max 并不托管在这里;它可通过阿里巴巴自家的 Model Studio API 以及若干第三方平台访问。 一个 API 覆盖 200 多个模型、一个密钥,以及一个路由 DSL,它会对请求进行分类,并将其发送到该行指明应归属的二者之一:Luna 用于高吞吐抽取层,Qwen 级用于 Luna 在结构上无法承接的视频和长上下文工作。自动故障转移可覆盖便宜层级出现糟糕时段的那一天,而那也正是单供应商流水线发现自己也有同样问题的那一天。

每种模型分别在什么情况下才是正确选择
三种工作负载,三个不同的答案,而第三个正是大多数团队实际所处的位置。
大批量、规格明确、可核查。对语料库进行分类、从文档集中抽取、摘要,以及流水线中的支持工单分诊层级。Luna 每项任务 $0.15,而 Qwen4-Max 为 $3.27,对于那些从来不需要 43 的工作来说,这意味着成本降低 95%。Luna 默认配置下得到的 18 高于其价格区间的中位数,而且输出可核查,这就是全部论点。这并非一个难以抉择的判断。
长周期、无人值守、出错代价高昂。持续数小时的智能体运行、代码库规模的重构、跨越数十次工具调用的研究。十五个指数点,决定了一个模型是能守住计划,还是会丢掉计划;而每项任务 3.27 美元,相比一次重跑要耗费一名工程师一小时,价格并不是制约因素。Qwen4-Max 也是两者中唯一接受视频输入的模型,而对于越来越多的智能体工作——截图、屏幕录制、UI 轨迹——来说,这决定了某项工作负载是存在,还是根本不存在。
对延迟敏感,介于两者之间。这是两张卡都没有给出答案的情形。Luna 在最高档下解码速度为每秒 103 个 token,默认设置下为 93 个;Qwen4-Max 为 59 个。Luna 完成一项索引任务,在最高档下需 12.2 分钟,默认设置下需 3.5 分钟;Qwen4-Max 需 29.8 分钟。如果有人正在等待,每秒 59 个 token 就是决定产品是否让人觉得有生命力的数字,而任何单任务上的节省都无法弥补一个会卡住的界面。如果没有人等待,29.8 分钟就是你可以据此安排日程的实际耗时。
对大多数团队来说,正确的形态不是这两者之一,而是两者兼有——原因在于决策边界是请求级属性,而不是契约级属性。一个在 Luna 上分类、并在分类器不确定时升级到前沿模型的流水线,能在容易的 90% 上获得 95% 的节省,并在其余部分获得那 15 个百分点。这正是 routing DSL 的用途,而且它是本次比较中唯一不需要选出输家的配置。
你可以真正预测的账单
十五个指数点对应二十二倍的任务成本。把两者相除,Qwen4-Max 每指数点成本为 $0.076,而 Luna 为 $0.0054——每点贵十四倍;正是这个数字让 Luna 看起来是显而易见的选择,也正是最没用的数字,因为没人会消费指数点。
人们消费的是一种工作负载,而工作负载有三个属性决定了这一点:上下文会达到多少 token、是否有人在等待,以及错误答案是否容易以低成本发现。Luna 直接赢下前两项,却在第三项上输得很惨,以至于比较结果发生反转。Qwen4-Max 赢下第三项,并为它收取的费用只有在替代方案是重新运行一次时才说得通。
经得起这一切考验的预测是:如果你在这两者之间按价格做选择,那你已经选错了,因为 22× 不该是你在流水线中每个请求上都要支付的溢价——它是你只为需要它的一小部分请求支付的溢价。把这一小部分分流出去。其余部分不过是可以忽略不计的零头,你可以把它花在别处。
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
