一张生成的 hero 标题卡,文字为“Qwen4-Max vs Step-5 Preview”,副标题为“能力提升 48%,价格提升 33%,每个指数点 6%”,另有三个胶囊徽章,分别显示“43 对 29 指数”“每任务 .27 对 .35”和“2026 年 11 月 16 日”。页脚一行写着“分数依据 Artificial Analysis Intelligence Index v5.0.1;价格依据各供应商的费率卡。”白色背景上的扁平矢量风格,带蓝到青的渐变晕染,OrcaRouter 标志合成在右下角。
Guides & Insights

Qwen4-Max 对比 Step-5 Preview:十四个指数点,每点半美分

作者

Elias Hawthorne

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

将每个模型每项任务的成本除以其得分,比较的两边结果相差在 6% 以内。Qwen4-Max 由 Alibaba 于今天,即 2026 年 11 月 16 日发布,在 Artificial Analysis Intelligence Index v5.0.1 上得分为 43,实测每项指数任务成本为 3.27 美元——约合每个指数点 7.6 美分。Step-5 Preview 是 StepFun 的 6000 亿参数稀疏混合专家模型,于 2026 年 9 月 20 日发布,在同一指数上得分为 29,每项任务成本为 2.35 美元——约合每点 8.1 美分。在两者共同被衡量的唯一标尺上,其中一个模型的智能水平高出 48%。另一个模型在计费的两端都更便宜:输入低三分之一,输出低 40%。而按每单位实测能力计算,两者彼此相差在 7% 以内,其中全新的旗舰模型略占优势。

这不是任何一家厂商在推销的那种比较,而恰恰是真正决定迁移成败的比较。它还带来一个没有任何发布博文提到的不对称之处:这两个模型中的一个已有独立测量的输出速度,另一个则尚未有任何实测速度,因为它才发布几个小时。下文将区分哪些是有文档记录的、哪些是实测的,算清缓存这笔账——它会把 33% 的价格差距变成完全不同的另一个数——最后落到两个答案并不接近的维度上:权重和输出上限。

截至今天,每一个分别是什么

Qwen4-Max 是 Alibaba 的第四代旗舰模型,基于 2.4 万亿参数的骨干构建,每个 token 激活 710 亿参数,另有 3,280 亿个 N-gram 嵌入参数。它接受文本、图像和视频输入,返回文本。文档记载的上下文窗口为 1,000,000 个 token,非思考模式下输入上限为 991,808 个 token,思考模式下为 983,616 个 token——差额就是推理余量。关闭思考时,最大输出为 131,072 个 token;开启思考时,推理内容和答案共享 262,144 个 token 的预算。思考默认开启,预算为 131,072 个 token,默认推理强度为 high,可在 low、high 和 xhigh 之间选择。这些数字均来自 Alibaba 自己的文档,并且 Qwen4-Max 不公开权重,在任何地区都不支持微调,在任何地区也不支持模型部署。

Step-5 Preview 是 StepFun 面向智能体任务的旗舰模型:总参数 6000 亿,激活参数 270 亿,上下文窗口为 100 万 token,支持文本、图像和视频输入并输出文本。推理强度可在低、中、高之间选择。最大输出标注为 64,000 token,max_tokens 默认不设上限,因此由模型自行决定长度。它支持流式传输、工具调用、JSON Schema 输出和提示缓存,API 兼容 OpenAI。

发布三个月后,名称中的“Preview”已经名不副实。StepFun 至今仍在其模型概览中将其列为 Preview,而 BF16 和 FP8 检查点自 10 月 15 日起就已依据 StepFun Model License 1.0 在 Hugging Face 上提供。请将该标签视为一种命名习惯,而非端点会在你使用期间发生迁移的警告——但也不要将其解读为 GA 承诺,因为厂商尚未作出此类承诺。

价格差距占三分之一;真正改变局面的是缓存的计算。

按标价来看,两者很容易概括:Step-5 Preview 在电表两侧都更便宜,而且差价绝非四舍五入的误差。

• 输入——Qwen4-Max 在新加坡为每百万个 token 1.50 美元,在其他五个地区为 1.413 美元,而 Step-5 Preview 为 1.00 美元

• 输出 — Qwen4-Max $4.50,对比 Step-5 Preview $2.70

• 缓存读取 — Qwen4-Max 每百万 $0.075,折扣 95%,相较 Step-5 Preview $0.10,折扣 90%

• 缓存写入——Qwen4-Max 五分钟 TTL 为每百万 $1.875,一小时为 $3.00;而 Step-5 Preview 无此项费用,因为 $1.00 的缓存未命中输入已包含前缀写入

• 按 Artificial Analysis 的 7:2:1 缓存命中/输入/输出混合比例计算,Qwen4-Max 为每百万 $0.80,而 Step-5 Preview 为每百万 $0.54

那条缓存写入项正是会被跳过的一项,也正是它能在合适的工作负载下扭转排名。以一份 300,000 token 的文档为例,分四轮审阅,每轮输出 3,000 token,按新加坡费率计费,不启用思考。在 Qwen4-Max 上,第一轮以 $0.5625 写入前缀,并产生 $0.0135 的输出;接下来三轮每轮以 $0.0225 读取该前缀,并合计产生 $0.0405 的输出。总计 $0.684。在 Step-5 Preview 上,第一轮的输入成本为 $0.30,输出为 $0.0081;接下来三轮每轮成本为 $0.03,另加 $0.0243。总计 $0.422。在这项任务上,Step-5 Preview 便宜 38%。

将其压缩为单次通行后,差距反而扩大而不是缩小——$0.576 对 $0.308,Step-5 Preview 便宜 46%——但原因变了。在单次通行中,没有可摊销的读取,所以你是在为一个永远不会复用的前缀支付 Qwen4-Max 的缓存写入溢价。实用规则是:Qwen4-Max 的缓存会奖励被多次读取的前缀,并惩罚只读取一次的前缀。Step-5 Preview 固定的 $0.10 缓存读取价格和包含写入的未命中价格,对于无法预测命中率的工作负载来说是更友好的结构。

A generated two-column scoreboard titled 'Qwen4-Max vs Step-5 Preview — the scoreboard'. The Qwen4-Max column reads Intelligence Index 43, cost per index task .27, cost per index point 7.6 cents, cache write .875 per 1M, weights none published, max output 131,072 tokens. The Step-5 Preview column reads Intelligence Index 29, cost per index task .35, cost per index point 8.1 cents, cache write included in .00 miss price, weights BF16 and FP8 on Hugging Face, max output 64,000 tokens. A footer reads 'Index per Artificial Analysis v5.0.1; prices and limits per Alibaba and StepFun documentation, November 2026.'

十四点,以及一个方向相反的证据缺口

两个模型均已通过 Intelligence Index v5.0.1 运行,该指数包含九项评估:AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 和 Terminal-Bench-Science 0.1。两个模型的页面均未公布按推理强度分别列出的得分,因此这些是单一数值,对应 Artificial Analysis 所使用的任一设置。

• 指数 — Qwen4-Max 为 43,在其类别 81 个中排名第 38;而 Step-5 Preview 为 29,在大型开放权重模型的 29 个中排名第 10。两类的类别中位数不同(分别为 41 和 23),因此尽管分数如此,这些排名彼此不可比

• 每项索引任务成本 — $3.27,对比 $2.35

• 每个指数点的成本——7.6 美分对 8.1 美分,因此每任务成本更高的模型,按单位能力计算反而是更便宜的

• 输出速度 — Step-5 Preview 为每秒 124 个 token,而 Qwen4-Max 未公布相关数据。Artificial Analysis 将其每任务耗时列为未知,其提供商页面也完全没有报告任何提供商基准测试结果

• 首个回答 token 的耗时 — Step-5 Preview 为 23.53 秒,而 Qwen4-Max 未公布任何数据

• 每个索引任务的耗时 — Step-5 Preview 为 15.2 分钟,而同类的中位数为 13.3 分钟;Qwen4-Max 没有数据

• 冗长程度——Qwen4-Max 在整个索引中输出了 1.27 亿个输出 token,而中位数为 7860 万;相比之下,Step-5 Preview 为 1.29 亿,中位数为 1.04 亿。两者都偏冗长;Qwen4-Max 相对于更精简的同类模型群体而言偏冗长

23.53 秒的首个 token 延迟,是任何计划对 Step-5 Preview 进行交互式部署的人都该担心的数字。这不是网络造成的假象:这就是一个默认开启思考的 6000 亿参数模型,在答案开始输出之前让你付出的代价。Qwen4-Max 的推理默认设置——开启思考、131,072 token 预算、推理强度设为高——也指向同一个方向,而在有人实际测量之前,没有诚实的办法说清楚哪个更慢。这就是在发布日购买的实务成本:你拿到的是一个分数和一张价目表,却拿不到一个延迟数字。

阿里巴巴自家的评估材料则是另一回事,应视为厂商报告、未经复现。在 Work360 这一覆盖 26 个顶级行业领域的内部基准测试上,厂商报告 Qwen4-Max 为 52.69,而 Qwen3.8-Max 为 47.74。它还报告称,Work360 每项任务的平均成本从 4.43 美元降至 1.67 美元,降幅 62%;在该基准上,xhigh effort 下 token 使用量下降约 24%,high effort 下下降 35%,而在 Terminal-Bench 4.0 上分别下降 48% 和 49%。这些都是关于 Qwen4-Max 相对于其前代产品的说法。它们没有说明 Step-5 Preview 的任何情况,而且其中没有一项经过独立核验。

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026, showing 'Released November 2026', the Alibaba Cloud provider label, an Intelligence Index of 43 ranked 38 of 81, in-benchmark ranks for performance, cost and verbosity, .50 input and .50 output per 1M tokens, a 95% cache discount, .27 cost per task, 127M tokens generated, and a 984k-token context window.

权重:这一项并不接近

Step-5 Preview 今日已可下载。Hugging Face 仓库以 StepFun Model License 1.0 提供 BF16 和 FP8 safetensors——这是一种 Apache-2.0 风格的许可证,带有署名要求和商业使用条件——此外还包括聊天模板、三个量化变体和部署方案:在 vLLM 下,FP8 可运行于四块 B300 或八块 H200;在 SGLang 下,FP8 可运行于相同硬件;BF16 可运行于八块 B300 或十六块 H200。过去一个月约有 1,600 次下载。

Qwen4-Max 没有检查点,也没有获得检查点的途径。阿里巴巴的文档标明,微调在所有区域均不受支持,模型部署在所有区域也均不受支持;这比“权重尚未发布”的说法更为强硬——它意味着,厂商根本不会让你通过其平台自行运行这个模型。如果你的需求是获得一个能够量化、微调、气隙隔离或固定到特定构建的模型,那么比较到此为止,且结论有利于 StepFun。

这也改变了“开放”能为你带来什么。Step-5 Preview 的许可证允许在附带条件的情况下商用,因此法律审查是采用成本的一部分;而它的部署方案假定使用配备 4 到 16 块 GPU 的节点——这不是那种能在工作站上运行的模型。但它的行为不会因为供应商的一次静默更新就在你脚下被改变;对于任何构建受监管系统或长期运行系统的人来说,这一点比 14 个指数点更有价值。

输出上限,以及一个值得了解的文档冲突

这是最不吸引人的差异,也是最可能影响特定工作负载的差异。Qwen4-Max 在关闭思考时提供 131,072 个输出 token,在开启思考时提供共享的 262,144 token 预算。Step-5 Preview 的 API 文档称最大输出为 64,000 个 token。其 Hugging Face 模型卡称输出可达完整的 100 万 token,且输入和输出都计入同一上限。

那两条陈述来自同一供应商,彼此相隔不到一个月,而且两者都没有被标记为弃用。如果你正在规划一个长输出任务——一份完整报告、一个大型补丁、一份生成的文档——请阅读 API 文档,而不是那张卡片,并在围绕它进行架构设计之前先测试上限。64,000 这个数字与每个索引任务 15.2 分钟的时间相符;1M 这个数字则意味着相当不同的事情。

还有一个值得指出的不对称之处:两个模型都接受视频输入,但只有 StepFun 公布了操作层面的细节。每次请求最多可包含 60 张图像,支持低或高细节;视频可作为 URL、Base64 或 stepfile:// 引用;MP4 文件需小于 128 MB,建议片段时长低于五分钟。Alibaba 为 Qwen4-Max 记录了视频输入,但未在模型页面上公布可比限制。如果视频是你的工作负载的核心需求,而非偶发需求,那么这种文档质量上的差异本身就是一个信号,说明哪家供应商此前被问过这个问题。

本周谁应该选哪个

如果上限比账单更重要——高难度推理、长周期智能体工作,或在九项评估指数上 43 对 29 是任务能否完成的分水岭——那就选 Qwen4-Max。作为交换,你需要接受两个风险。第一个是你在首日购买时,既没有独立延迟数据,也没有第三方复现供应商的 Work360 声明。第二个是缓存写入溢价,它按每百万写入 token 1.875 美元,悄然对单次长上下文工作征税。

如果你需要拥有该模型,如果你需要可实测的每秒 124 个 token 以及可据此规划的 23.53 秒首 token 延迟,或者如果你的工作负载以你无法预测的方式高度依赖缓存,那就选择 Step-5 Preview。接受这一点:你买到的是 29 个索引点,首 token 到达缓慢,而且供应商对输出上限给出了两种不同的说明。

对本周的大多数团队来说,诚实的做法是第三个选项:两者都不选,且唯此一途。这两个模型在单位实测能力上的差距为 6%,完全落在单一指数版本的误差条之内,而且两者都只被同一个评测框架评估过一次。一个团队若仅凭发布当天的分数就押注其中之一,等于是在对一个尚未被复现的数字站队。

同时运行两者,无需第二份合同

这两款模型目前都不在 OrcaRouter 的目录中——215 个模型标识符,今早刚核查过,其中既没有 Qwen4 条目,也没有 StepFun 的文本模型。两者都可经由各自厂商的 API 访问:Qwen4-Max 通过阿里云的六个区域,Step-5 Preview 通过 StepFun 位于 api.stepfun.ai/v1 的 OpenAI 兼容端点。若说不是这样,那种说法不出一个星期就会站不住脚。

我们路由的,正是 Qwen4-Max 所取代的那个模型。Qwen3.8-Max 以 qwen/qwen3.8-max 的名称收录在我们的目录中,按 Alibaba 自己的目录价,每百万 token 输入 $2.00、输出 $6.00,按原价透传,无任何加价,并与另外 214 个标识符一起放在同一个 OpenAI 兼容的基础 URL 上。在这一对比中,这一点之所以重要,原因只有一个:发布首日的模型,是最不适合用来押注生产路径的东西;明智的做法是让久经考验的模型继续留在路由上,同时用你自己的流量来衡量新模型。路由 DSL 把这表达为策略,而不是代码改动——把困难、推理密集的调用发给新模型,把高吞吐量的工作留给更便宜且久经考验的模型,并让自动故障转移兜住全新端点在你未预料到的负载下性能下降的情况。

直通定价也意味着本文中的算术始终诚实。当阿里巴巴下调费率——就像今天所做的那样,将 Qwen4-Max 从 Qwen3.8-Max 的 2.00 美元和 6.00 美元下调至 1.50 美元和 4.50 美元——一个将提供商目录价透传出去的价目表会在当天反映这一变化,而不是等到下一次合同续约。这并不是说我们优于任何一家厂商自己的 API,而是说不要签署任何会锁定一个你还没见过其稳定维持一个月的价格的东西。

A screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026, showing the model identifier, text, image and video input with text output, a 1M-token context window, a list date of 2026-08-03, .00 input and .00 output per 1M tokens, measured latency figures, and an OpenAI-compatible Python sample pointing at https://api.orcarouter.ai/v1.

读者两周后真正想要的那份比较,并不是这个标题里的这一份,而是 Qwen4-Max 的延迟与 Step-5 Preview 的稳定版发布——两者都由非厂商的第三方,在人们实际运行的工作负载上测量。在那之前,站得住脚的立场既狭窄又不起眼:48% 的能力差距、33% 的价格差距、6% 的单位能力差距,以及一组决策——权重、输出上限、缓存结构——这些决策没有任何指数评分能体现,而且会比这个发布周持续得更久。