一张生成的标题卡,上面写着“Qwen 4 对比 Claude Opus 5.5:十六个指数点,以及它们每次回答的成本”,副标题为“Opus 每个已完成任务多提供 38% 的指数点,但费用高出 207%,而且账单主要来自输入”。三行编号文字分别写着“指数得分 42.9 对 59.1,Artificial Analysis v5.0.1”“每个已完成指数任务的成本 3.27 美元对 10.04 美元”和“缓存读取每百万 token 0.075 美元对 0.20 美元”。页脚写着“得分及每任务成本依据 Artificial Analysis Intelligence Index v5.0.1;价格依据各厂商公布的费率卡。”白色背景上的扁平矢量风格,配以蓝青渐变点缀,右下角合成 OrcaRouter 标志。
Guides & Insights

Qwen 4 对比 Claude Opus 5.5:十六个指数点,以及它们每次回答的成本

作者

Gideon Frost

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

Qwen4-Max 在 Artificial Analysis Intelligence Index 上得分为 42.9,而 Claude Opus 5.5 得分为 59.1——两者在同一套测试、同一版本(v5.0.1)上测得,时间相隔不到两个月,差距为 16.2 分。在同一榜单上,完成一个索引任务在 Qwen4-Max 上花费 $3.27,在 Claude Opus 5.5 上花费 $10.04。因此比例很清晰:Opus 每任务多花 207% 的钱,换来多 38% 的指数得分。这究竟是划算还是浪费,完全取决于你的工作负载是在买分数还是买答案,而这并非同一种购买。本文对两者都进行定价。

这两张卡片,逐维度来看

阿里巴巴于2026年11月16日将Qwen4-Max正式推向全面可用(general availability),按量计费,覆盖六个区域;Anthropic自2026年9月22日起就已开售Claude Opus 5.5。下文所列的每一项,要么是厂商标价,要么是标注了来源的Artificial Analysis读数——两者绝不会混在同一个数字里。

• 每百万 token 价格 — 在新加坡,Qwen4-Max 输入 $1.50 / 输出 $4.50(Global 范围区域为 $1.413 / $4.24);Claude Opus 5.5 输入 $4.00 / 输出 $20.00。以上均为厂商标价。

• 缓存输入 —— Qwen4-Max 的缓存读取价格为每百万 $0.075,而 Claude Opus 5.5 为 $0.20。Qwen 还公布了缓存写入费率:五分钟缓存条目为 $1.875,一小时缓存条目为 $3.00。

• 上下文窗口——两者均公布为 1,000,000 个 token。Artificial Analysis 追踪器将 Qwen4-Max 列为 983,616,这是思考模式的输入上限,而非矛盾:阿里巴巴在不启用思考时将输入上限设为 991,808,启用时设为 983,616,因为推理和答案共享同一个 262,144 token 的输出预算。

• 最大输出 — Qwen4-Max 在非思考模式下为 131,072 个 token;开启思考模式时,262,144 个 token 会在推理与回答之间分配。Claude Opus 5.5 未公布相应的分配方式。

• 指数得分 — Qwen4-Max 在 xhigh 强度下为 42.9;Claude Opus 5.5 在 max 强度下为 59.1。Artificial Analysis,v5.0.1。

• 每项索引任务成本 — 3.27 美元,而对比为 10.04 美元。Artificial Analysis,同一修订版本。

• 权重——两者均非开放。Qwen4-Max 被列为专有模型,且阿里云是其唯一托管方;Claude Opus 5.5 为专有模型,分发于 Anthropic 的 API、Amazon Bedrock、Google Cloud 和 Microsoft Azure。

• 输入模态——两者均接受文本和图像并返回文本。就追踪器的能力标记而言,两者都不支持视频输入。

A generated two-column scoreboard titled 'Qwen4-Max vs Claude Opus 5.5 - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The Claude Opus 5.5 column reads index score 59.1, cost per index task $10.04, cents per index point 17.0, input per million $4.00, output per million $20.00, hallucination rate 50.3%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

这十六个点究竟位于何处

单个指数数字隐藏的信息多于它揭示的信息,而这一对就是一个很好的例子。两个模型表现接近的那些套件,并不是人们争论的那些套件。

• Terminal-Bench 4.0 — Claude Opus 5.5 59.6%,Qwen4-Max 48.5%。相差十一个百分点,而这也是最直接对应“它能否驱动 shell”的一项。

• FrontierCode 2.0 — 46.4% 对 26.5%。这是该组中差距最大的,也是商业影响最明确的一项,因为它是代码库规模的代码工作,而非单函数生成。

• HLE Diamond — 67.9% 对 44.9%。高难度科学问题,相差 23 个百分点。

• CritPt Agentic Hard — 68.0% 对 43.0%。在物理级推理上相差 25 个百分点。

• GDPval——1,866.27 对 1,808.69。在一项任务价值基准上相差 3.1%。在具有经济依据的专业工作上,这两个模型不相上下;但在高难度技术工作上,二者并非如此。

• 全知性 — Claude Opus 5.5 为 48.1,而 Qwen4-Max 为 27.7,这听起来像是又一场一边倒的碾压,直到你看到下一节中的幻觉一栏。

• 能力分项——Anthropic 的模型在该追踪器公布的全部六项子评分中均领先,其中金融和会计领域的差距最小(59.4 对 54.1),工程领域的差距最大(65.3 对 50.1)。

实用解读:如果你的工作是摘要、信息抽取或基于文档的分析,那么 16 个百分点的标题数字夸大了差异。如果你的工作是智能体编程,那它就低估了差异。

A headless-browser screenshot of the Artificial Analysis page for Claude Opus 5.5, captured 17 November 2026 in English, showing Anthropic's mark, the label Proprietary model, Released September 2026, Intelligence #5 of 81, Performance #65 of 79, Cost #75 of 80, the price block reading In $4.00 and Out $20.00, a $10.04 per-task figure, an index reading of 59, and the summary paragraph describing the model as leading in intelligence but expensive for its price band and notably slow per task.

两个模型都会编造内容。其中一个明显更少。

Artificial Analysis 在准确率得分之外还报告了全知幻觉率,而这是 Qwen4-Max 唯一 outright 胜出的列:其错误或不可验证的回答中有 28.4% 是幻觉,而 Claude Opus 5.5 为 50.3%。换句话说,Opus 正确的频率要高得多,但当它出错时,它自信出错的可能性是仅仅保持沉默的两倍以上。

这对任何带有人工审核环节的流程都很重要。一个模型如果在出错时有50%的时间说“我不知道”,你只需多付一次后续查询的成本。一个模型如果在出错时有50%的时间编造内容,你就得对每一条输出都做一遍事实核查,而这是另一项且大得多的成本项。

账单是输入,不是输出

两款模型都以标称输出费率为卖点,而在这两款模型上,真正花钱的地方都不在输出费率上。拆解 Artificial Analysis 自己给出的每任务成本数据:在 Qwen4-Max 上,3.27 美元中有 2.80 美元用于输入 token,0.47 美元用于输出。在 Claude Opus 5.5 上,10.04 美元中有 6.57 美元用于输入,3.47 美元用于输出。这分别占 86% 和 65%,而且在两种情况下,输入项的大部分都是缓存流量——Qwen4-Max 的输入成本中有 1.12 美元是缓存读取,1.67 美元是缓存写入;Opus 的对应数字是 4.74 美元和 1.80 美元。

这就是为什么这两个模型之间按 token 进行的比较是页面上最没用的数字。Qwen4-Max 的输出价格比 Opus 便宜 4.4 倍,然而其每次回答的成本优势仅为 3.1 倍,因为它把更大比例的成本花在必须读取的上下文上,并且在五分钟缓存写入每百万 token 收费 $1.875 的情况下,花在必须写入的上下文上。

一个四十轮的智能体,两次定价

假设一个编码代理每轮增加 8,000 个 token 的工具输出,运行四十轮,并且每轮输出 1,500 个 token 的答案。不使用缓存,按标价计算:

• Qwen4-Max — 累计输入 token 为 656 万,按 $1.50 计,加上按 $4.50 计的 6 万输出 token:$9.84 + $0.27 = $10.11。

• Claude Opus 5.5 — 656 万输入 token,每百万 $4.00,加上 6 万输出 token,每百万 $20.00:$26.24 + $1.20 = $27.44。

现在进行同样的运行,在累积前缀上达到 90% 的缓存命中率,而这正是构建良好的智能体循环实际能达到的水平:

• Qwen4-Max — 5.904M 缓存命中,按 $0.075 计($0.44)+ 656K 新增,按 $1.50 计($0.98)+ $0.27 输出 = $1.69。

• Claude Opus 5.5 — {{1}}5.904M 缓存{{/1}}单价 $0.20($1.18)+ {{2}}656K 新增{{/2}}单价 $4.00($2.62)+ {{3}}$1.20 输出{{/3}} = $5.01。

可以得出两点结论。缓存使两项账单都降低 80% 以上,因此不使用提示缓存的智能体要支付其所需费用的五到六倍。而这一比值几乎不变——未缓存时为 2.7×,缓存后为 3.0×——因为 Qwen4-Max 的优势集中在缓存写入费率上,而缓存场景会在前期就用到这一项。这些是按公布费率计算的标价算术结果,并非实测账单;你的轮次数量、前缀增长和缓存命中率会大幅改变绝对数值。

这也正是路由层体现其价值、而不只是图方便的地方。我们以 0% 加价率透传提供商的目录价格,所以上面的差价是提供商的差价,不是我们的——而且如果 Anthropic 更改 Opus 价格卡,这一变更当天就会在同一个密钥上生效。两个模型都可通过一个端点调用,并具备自动故障转移,这一点在这里尤其重要,因为两者的发布日期相差两个月:Qwen4-Max 特有的回归问题会表现为请求失败,而不是你一周后才注意到的糟糕回答。

所谓“切断蒸馏”实际上在主张什么

围绕这场对比流传的说法——即 Qwen4-Max 在厂商基准上看起来有竞争力,却在独立指数上崩掉,而阿里巴巴被切断蒸馏渠道解释了这次下滑——其实是两个说法披着一件外衣,且只有第一个是可衡量的。

第一点是真实的,也并不神秘。阿里巴巴的发布材料报告称,Work360 为 52.69,而上一代为 47.74;在同一基准上,token 减少了 24% 和 35%;在 Terminal-Bench 4.0 上为 48% 和 49%;每任务成本从 4.43 美元降至 1.67 美元。所有这些均由厂商报告,且未经复现。对照一个包含 FrontierCode 2.0 和 CritPt Agentic Hard 的九套件独立指数——阿里巴巴并未公布这些套件的数字——该模型得分为 42.9。厂商基准套件与衡量不同内容的独立套件会得出不一致的结果;这是正常情况,说明不了任何问题。

关于蒸馏的第二项主张,并不是买家能够验证或据以采取行动的内容,也不是你可以调用的模型属性。可验证且有价值的是这种能力缺口的形态:集中在仓库级代码和硬科学领域,在专业任务价值方面则较为薄弱。这是一个关于该模型应在何处部署的陈述,而且无论其训练方式的真相最终如何,这一陈述都依然成立。

A headless-browser screenshot of the OrcaRouter model page for Claude Opus 5.5, captured 17 November 2026 in English, showing the identifier anthropic/claude-opus-5.5, the FLAGSHIP badge, by Anthropic dated 2026-09-22, a context window of 1M tokens, max output 128K, input listed as text, image and file, and output as text.

获得任意一个

Claude Opus 5.5 已列入我们的目录,标识为 anthropic/claude-opus-5.5按 Anthropic 的标价,每百万 tokens 输入 $4.00、输出 $20.00。Qwen4-Max 不在我们的目录中——如今用 qwen4 标识符查询会返回 not-found——而要使用它,需通过阿里巴巴自家的 Model Studio API 以及若干第三方平台。我们不会假装不是这样,而我们这边诚实的替代选择是 qwen/qwen3.8-max,即上一代旗舰,价格为 $2.00 和 $6.00。

因此,决策规则比记分牌所暗示的更窄。如果你的工作负载是仓库级编码、高难度技术推理,或者任何“错误答案代价高昂、慢答案则不然”的场景,那么这16分是实打实的,而每项任务10.04美元就是为它们付出的价格。如果你的工作负载是大批量、有据可依的文档工作,而GDPval称这两个模型差距在3%以内,那么你就是在为一种不会在你的评估集中显现出来的差异支付Opus的费率——而Qwen4-Max只需3.27美元,是更划算的选择,还附带更低的幻觉率。在做决定之前要计算的数字不是指数差距,而是你的输入中有多大比例被缓存。

本文中的对比2

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