
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
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0717 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 87 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 133 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百万 tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 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 · 193 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 · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 219 tok/s
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。

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。

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。

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
