一张生成的标题卡写着“Qwen4-Max vs Qwen4 27B”,副标题为“其中一个有价格卡,另一个只有舞台提及”,下方有三张卡片:Qwen4-Max,1M 上下文,每 1M $1.50 / $4.50,AA Index 43;Qwen4 27B,没有权重、没有模型卡,也没有价格;Qwen3.8-27B,每 1M $0.33 / $2.40,256K 上下文,AA Index 20。页脚写着“Qwen4-Max 的数据来自阿里巴巴和 Artificial Analysis;截至 2026 年 11 月 16 日,Qwen4 27B 没有已发布规格。”
Guides & Insights

Qwen4-Max 与 Qwen4 27B:4.5 倍的价格差距,以及一个你无法下载的模型

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

关于 Qwen4-Max,真正有趣的问题不在于它好不好,而在于:当一个拥有 270 亿参数的兄弟模型——Qwen4 27B——本应在你自己拥有的硬件上完成大部分相同工作时,你是否还应该为一个以 262,144 个 token 为单次吞吐量进行思考的模型,支付每百万 token 1.50 美元和 4.50 美元的费用。问题在于,Qwen4 27B 目前还不存在任何可运行的版本。阿里巴巴在 2026 年 9 月 22 日的云栖大会上,与 Qwen 4 Max、Qwen 4 Flash 和 Qwen 4 Plus 一同在台上展示了它,但此后一直没有发布任何模型卡、权重、上下文长度、价格或基准测试结果。相比之下,Qwen4-Max 已于 11 月 16 日开始按量计费,提供 1,000,000 token 的窗口,Artificial Analysis 智能指数为 43。因此,这个比较中有用的版本,是把你能够调用的旗舰模型与你无法运行的小模型放在一起对比,并回答真正决定预算的问题:4.5 倍的 token 价格差换来了什么,而 27B 又需要做到什么才能赢得自己的位置。

两张价格卡,其中一张上面有数字

从已经写下来的内容开始。本节中的每一项都是已公布的数据;没有任何内容是推断出来的。

• Qwen4-Max,新加坡 — 每百万输入 token $1.50,输出 $4.50,在整个 1,000,000 token 窗口内统一定价。缓存读取每百万 $0.075,五分钟写入 $1.875,一小时写入 $3.00。

• Qwen4-Max,{{1}}其他地区{{/1}} — {{2}}法兰克福、弗吉尼亚、东京、香港和北京均为 1.413 美元和 4.24 美元{{/2}},{{3}}相同限额下新加坡卡享 5.8% 折扣{{/3}}。

• Qwen4-Max(独立)——AA Index 43,每项指数任务的评估方计费成本为 3.27 美元,综合成本为每百万 0.80 美元,整个运行期间输出 1.27 亿个 token。

• Qwen4 27B — 无价格。不是“尚未公布”;确切地说,任何地方都不存在这一行,因为根本不存在可供其挂靠价格的模型。

如今你能运行的最接近小型 Qwen 的模型是 Qwen3.8-27B,这是上一代采用 Apache-2.0 许可证的稠密多模态模型。阿里巴巴在其自家 API 上标价为每百万 token 0.50 美元和 3.00 美元;我们自行托管权重,收费为 0.33 美元和 2.40 美元,因为开放权重没有可按 token 转嫁的供应商成本。Artificial Analysis 在同一指数上给它打 20 分——比 Qwen4-Max 低二十三点,整个论点就浓缩在这一个数字里。

所以,这个诚实的比值并不是拿一个虚构的参照来衡量的。当你把 Qwen4-Max 与真正交付的上一款 27B 相比时,它在输入上是 4.5 倍,在输出上是 1.9 倍——而这一差异对应着二十三个指数点的能力。这是否划算,完全取决于你的工作负载把 token 花在什么地方;这个问题关乎你的 trace,而不是关乎任何一家厂商。

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-27B — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, price per 1M $1.50 / $4.50, inputs text, image and video, open weights no, AA Index 43, cost per task $3.27. Qwen3.8-27B: context 256,000 tokens, price per 1M $0.33 / $2.40, inputs text, image and video, open weights Apache-2.0, AA Index 20, cost per task $3.53. Footer: 'Price and context vendor-reported; Qwen3.8-27B price is OrcaRouter self-hosted, Alibaba lists $0.50 / $3.00. AA Index and cost per task per Artificial Analysis v5.0.1. Qwen4 27B has no published figures.'

一个 27B 模型能带来什么,而 2.4 万亿参数的旗舰模型却做不到

三件事,没有一件关乎质量。

第一种是固定账单。托管旗舰模型是一种可变成本,会随流量以及模型当天的啰嗦程度而变化;而在自有硬件上运行的开源 27B 模型则是资本成本和折旧计划。按每百万 token 0.33 美元和 2.40 美元计算,一个每月在旗舰模型上花 3,000 美元的团队,在相同 token 量下花在小模型上的费用约为 700 美元——而一旦这个量翻倍,其中一个数字会变,另一个则不会。

第二点是你所能控制的延迟。单节点上的 27B 稠密模型会以你能预测的方式作答,因为它身后没有排队,也没有你未曾要求的长期思考预算。Qwen4-Max 默认使用 reasoning_effort: high,思考预算为 131,072 个 token;而一个不设置任何相关参数的请求,其预留的输出余量已超过大多数任务实际会用到的量。这个默认值对旗舰模型来说是正确的,但对分类器、路由器,或智能体在那些关键决策之间做出的一千个小决策来说,则是错误的。

第三个是许可证。Apache-2.0 权重意味着该模型可以被量化、微调、嵌入到你发布的产品中,并在 API 不可用的司法管辖区运行。Qwen4-Max 是专有的,由六个区域提供服务,并且只返回文本——没有权重,没有微调,也没有本地部署。A​libaba 的文档称,任何地方都不支持对其进行微调和模型部署。

27B 模型无法为你带来的,正是 Qwen4-Max 被打造出来所要实现的东西。2.4 万亿参数的骨干网络、710 亿激活参数、3280 亿 N-gram 嵌入参数,以及为每个 Qwen Sparse Attention 层将历史压缩为固定状态的 Gated DeltaNet 层——这些架构没有一项能下放到 27B 稠密模型,1,000,000 token 的上下文窗口也不能。厂商自己对这个系列的定位是,较小模型“针对小模型最擅长的事进行了调优”,这是一种委婉的说法,意思是它们并不是同一款产品。

阿里巴巴关于 Qwen4 27B 唯一说过的一件事,以及它究竟价值几何

在11月16日的Qwen4-Max发布文章中,结尾段落写道:“而Max只是Qwen4的首次亮相。该系列中更小的模型即将开源,它们基于同一谱系构建,并使用同一代技术训练,针对小模型最擅长之处进行了调优。”

这是关于27B层级现有最新、最具体的表述,其价值恰如字面所言——但比看上去要小。“即将开源”是对许可证的承诺,而非日期。“同一血统”是关于架构传承的说法,而不是关于已发布检查点的说法。而且这句话根本没有点名27B;这个层级名称来自九月的舞台发布活动,当时Qwen的LLM负责人展示了四款模型,只表示该系列很快会到来。两则表述之间相隔两个月,期间承诺了四个层级,交付了一个,而开放权重的那一个——历史上通常是率先以可下载权重形式发布的层级——仍然缺席。

要判断这个页面何时会过时,可以查看三个地方,而这三个地方在每次 Qwen 发布时都曾发出过信号。Hugging Face 上 Qwen 组织中的一个仓库,名称带有 Qwen4;该组织目前最新的模型仓库都是 Qwen3.8,最后更新于 11 月初。qwen.ai 上的模型卡会标明该档位及其上下文长度和许可证。或者,托管 27B 的定价条目会告诉你,在权重发布之前,阿里巴巴认为该档位值多少。在上述任一情况发生变化之前,你读到的关于 Qwen4 27B 的任何参数数量、上下文窗口或分数,都是从 Qwen3.8-27B 外推而来的,并应照此标注。

示例:两张卡片上的同一个智能体循环

以一个支持自动化智能体为例:40,000 token 的系统提示和工具 schema,6,000 token 的对话,每张工单八次工具调用,每次调用 900 个输出 token,无思考模式,每月 20,000 张工单。缓存前缀。这是基于公开标价的算术。

• Qwen4-Max,新加坡,未缓存——每次调用 46,000 个输入 token,按每百万 $1.50 计算为 $0.069;八次调用为每张工单 $0.552。输出为 900 个 token,按每百万 $4.50 计算,每次调用为 $0.00405,每张工单为 $0.0324。每张工单 $0.584,每月 $11,690。

• 使用前缀缓存的 Qwen4-Max —— 40,000-token 前缀写入一次的费用为每百万 $1.875,并在接下来的七次调用中按 $0.075 读取。每张工单的前缀成本为写入 $0.075 加七次读取 $0.021;动态的 6,000 个 token 在八次调用中花费 $0.072。输入成本为 $0.168,输出保持 $0.0324。每张工单 $0.20,每月 $4,010——而缓存对账单的帮助超过了任何模型替换。

• 按我们的自托管费率,Qwen3.8-27B 每次调用 46,000 个输入 token,以每百万 $0.33 计算为 $0.0152;八次调用为 $0.121。输出为 900 个 token,以每百万 $2.40 计算,每次调用为 $0.00216,每张工单为 $0.0173。每张工单 $0.139,每月 $2,780。

由此可以得出两点。在旗舰模型上缓存前缀可节省 66%,并使其价格落在小型模型未启用缓存时价格的 1.4 倍以内——两个档位之间的差距,反而比用与不用缓存之间的差距更小。而小型模型的优势虽然确实存在,但在这一 token 体量下还称不上变革性:每月 20,000 张工单的规模下,大约只有每月 1,200 美元。真正具有变革性的是体量达到其十倍时,或者任务足够简单、20-index 模型就足以胜任时——而对于工具调用路由和分类来说,通常就是这种情况。

旗舰不可或缺之处

有一类工作,27B 层级并不是更便宜的替代品,而是根本不可行;把这一点说清楚,才能区分有用的比较和推销页面。

• 超过 256,000 个 token 的长上下文任务——Qwen3.8-27B 止步于 262,144;Qwen4-Max 可承载 1,000,000,在非思考模式下输入上限为 991,808 个 token。一份 400,000 个 token 的合同审查完全无法放入小模型。

• 长时程智能体运行——Alibaba 对 Qwen4-Max 的智能体能力宣称包括:在湿实验室平台上开展为期 48 小时的自主材料发现运行,以及对 198 篇工作论文进行法律尽职调查并产出一份 86 页报告。无论人们如何看待厂商演示,它们描述的都是一类 20-index 模型不会尝试的任务。

• 长视频输入——Qwen4-Max 支持视频,并提供 1M 窗口;27B 系列以 262K 支持视频。就素材每秒帧数而言,这笔账算起来毫不宽松。

• 安全编码——Alibaba 报告称,在 Max 层级上,Last Secure Code Bench 的函数级通过率在代际之间从 22.0% 升至 31.8%,同时在函数、文件和仓库三个粒度上都安全的代码占比从 8% 升至 14.7%。这些是厂商数据,尚未复现,但它们是安全审查会要求的那类数字,而小模型的模型卡并不会附带。

规律是:旗舰款在那些耗时长、多模态或出错代价高昂的任务上值回票价,而不是在数量众多的任务上。大多数生产系统同时包含这两类任务,这就是为什么对“选哪一个”的回答通常是“两个都要,并做路由”。

在单个密钥上运行混合状态

OrcaRouter 在一个兼容 OpenAI 的端点上提供 Qwen3.8 系列——Qwen3.8-Max、Qwen3.8-Flash 和 Qwen3.8-27B——按供应商标价、0% 加价,其中 27B 是我们基于 Apache-2.0 权重在自有基础设施上运行的型号,因此定价为 $0.33 和 $2.40,而不是 A​libaba 的 $0.50 和 $3.00。它不提供 Qwen4-Max:该模型可通过 A​libaba 自己的 Model Studio API 和多个第三方平台访问,截至 11 月 16 日尚未列入产品目录。

如今这使之成为可能的,正是本次比较所主张的路由模式,而无需等待 27B。一个 API 覆盖 200 多个模型意味着层级决策不再是采购决策:适合 256K 且看似常规的请求会交给qwen/qwen3.8-27b;长上下文、多模态或被标记为高风险的请求,则通过同一密钥交给前沿模型;路由 DSL将这种分流表达为一条规则,而不是应用代码中的一个分支。自动故障转移意味着,廉价层级可以承载流量,而不会在它状态不佳时成为单点故障;任何供应商的降价都会当天落到你的密钥上,因为刊例价是透传的,而不是加价后的价格。

模型融合是该工具箱里的第三个选项,也是最不适合这一特定组合的选项——让一组模型共同作答,成本高于其中任何一个单独作答,而采用它的理由是在难题上出现分歧,而不是处理量。知道它存在是有价值的;但在支持工单路由器上不值得采用它。

A screenshot of the OrcaRouter model page for Qwen3.8-27B at the identifier qwen/qwen3.8-27b, showing the $0.33 input and $2.40 output prices, the Vision, Tools, JSON and Reasoning capability tags, the attribution to Qwen dated 2026-08-13, and the description of it as Alibaba's open-weight 27B dense multimodal model released under Apache-2.0 and self-hosted on OrcaRouter's own infrastructure, accepting text, images and video with a 256K-token context window.

在权重落地之前该做什么

如果你等待 Qwen4 27B 的原因是想要一个可以自行运行的小型开放模型,那么这段等待并不会让你损失太多:Qwen3.8-27B 采用 Apache-2.0 许可,支持 256K 上下文窗口,可读取文本、图像和视频,并且在 Qwen 自家模型卡上,于 LiveCodeBench v6 得分 90.3、于 GPQA Diamond 得分 89.2——这些是厂商数据,而且对这一规模来说相当亮眼。不妨从它开始,实测一个 20 索引模型会对你的任务成功率产生什么影响;这样在 Qwen4 checkpoint 到来之前,你就能知道这一档模型究竟是否适合你的工作负载。

如果您的理由是成本,请先缓存前缀。上面的示例表明,仅通过一个请求参数就能在旗舰模型上节省 66%,这比同一未缓存基准下旗舰模型与小模型之间的差距还要大。团队常常会在账单中最昂贵的部分是他们正以全价重复读取的前缀时,去寻找更便宜的模型。

如果你的理由是能力,那么没有任何 27B 能替代。Qwen3.8-27B 与 Qwen4-Max 之间那 23 个指标点,正是这样两种模型之间的差距:一种能很好地处理日常工作,另一种则会尝试长时间、多模态、高风险的任務——而 A​libaba 自己的路线图表述也说,小模型正针对小模型最擅长的事情进行调优,这承诺的是效率,而不是对等能力。现在就按现有层级建立路由分流;等到 Qwen4 27B 登陆 Hugging Face 的那一天,它只会是目录中的一条记录和一次规则变更,而不是一次迁移。

A screenshot of Alibaba Cloud Model Studio's documentation page for qwen4-max (Latest Model), dated 11-16, showing the model description as the next-generation flagship multimodal model in the Qwen family covering text generation, image and video understanding and deep reasoning, its support for web search, tool calling and structured outputs, its OpenAI and Anthropic API compatibility, and its deployment regions including China (Beijing), Singapore and Germany (Frankfurt).