一张生成的标题卡,上面写着 Qwen 4 对比 Grok 4.7,副标题为“20 万 token 的分界线在哪里改变账单”,一条标在 200,000 token 处的提示长度轴,以及两张价格卡,分别写着输入 $1.50 / 输出 $4.50、Qwen4-Max 的统一费率,以及 Grok 4.7 在 200K 以上为输入 $4 / 输出 $12。
Guides & Insights

Qwen 4 对阵 Grok 4.7:20 万 token 的分界线决定这场对决的胜负

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

Grok 4.7 和 Qwen4-Max 的计费均为每百万 token 输入 2 美元、输出 6 美元——但只有 Grok 4.7 始终保持这一价格。我们自己的 Grok 4.7 目录记录设有两档输入价格:提示词不超过 200,000 token 时为 2.00 美元/6.00 美元,超过后为 4.00 美元/12.00 美元;而 Qwen4-Max 在其完整的 1,000,000 token 窗口内,均为每百万输入 1.50 美元、输出 4.50 美元。这一单一结构性差异,比纸面上拉开两者的八个指数点更有价值,因为长上下文工作正是这两款模型所面向的用途。 先说名称,因为两者经常被混为一谈:Qwen 4 是阿里巴巴使用的代际名称,而 Qwen4-Max 是其中目前唯一可调用的成员——于 2026 年 11 月 16 日发布,更小规格的版本已承诺开源,但未附带日期。Grok 4.7 自 2026 年 9 月 21 日起一直在发售。这是一篇定价与证据比较,而不是对任一模型的发布报道。

简述这两个模型的形态

Qwen4-Max 是阿里巴巴的第四代旗舰模型,采用稀疏混合专家架构,主干参数量达 2.4 万亿,每个 token 激活 710 亿参数,另有 3280 亿参数的 N-gram 嵌入。它接受文本、图像和视频输入,返回文本,并具备 100 万 token 的上下文窗口。思考模式默认开启,模型在推理与最终回答之间共享 262,144 token 的预算——因此,只有当思考内容能放进另一半预算时,才能给出 131,072 token 的回答。

Grok 4.7 是 SpaceXAI 当前的文本旗舰模型。它是一个推理模型,具有 500,000 token 的上下文、最高 450,000 输出 token、文本和图像输入,以及三个可选择的推理级别。SpaceXAI 未公布其参数数量,并将此次发布描述为一个基础模型更大、强化学习训练运行更长的版本,而非新架构。

在决定购买的关键维度上:

• 上下文 — Qwen4-Max 1,000,000 个 token,对比 Grok 4.7 的 500,000 个 token

• 最大输出 — Qwen4-Max 为 262,144(与思考共享),或在抑制思考时为 131,072,而 Grok 4.7 为 450,000

• 输入价格至 200K — Qwen4-Max 每 1M $1.50,对比 Grok 4.7 每 1M $2.00

• 输出价格(200K 以内)——Qwen4-Max 每 100 万 $4.50,Grok 4.7 每 100 万 $6.00

• 输入价格超过 200K 后——Qwen4-Max 仍为 $1.50,而 Grok 4.7 为 $4.00;输出价格 $4.50 对 $12.00

• 缓存读取 — Qwen4-Max $0.075,对比 Grok 4.7:200K 以下为 $0.50,以上为 $1.00

• 模态——Qwen4-Max 支持文本、图像和视频输入,而 Grok 4.7 支持文本和图像输入

• 独立评分——Qwen4-Max 在 Artificial Analysis Intelligence Index 上得分 43,在 81 个中排名第 38,而 Grok 4.7 为 35,在 81 个中排名第 46

• 权重 — 两家厂商均未公布

一次 40 万 token 的请求究竟要花多少钱

采用两个模型都适合的工作负载:读取大型代码库或冗长的证据包,然后编写一份内容充实的补丁或报告。40 万输入 token,2 万输出 token,不复用缓存。

在 Qwen4-Max 上,按国际费率每百万输入 $1.413、输出 $4.24 计算,即输入 $0.565、输出 $0.085,约 $0.65。按新加坡费率 $1.50/$4.50 计算,则为 $0.69。

在 Grok 4.7 上,同样的请求从不会触及低价档,因为 400,000 是边界的两倍。它对输入计费 $1.60、对输出计费 $0.24:合计 $1.84。这个比例是 2.7 比 1,而且它不是舍入造成的假象——它是平直卡片与带阶梯的卡片之间的差异。

把请求降到 150,000 输入和 15,000 输出,情况就变了性质。Qwen4-Max 新加坡:0.225 美元加 0.0675 美元,约 0.29 美元。Grok 4.7 在第一档:0.30 美元加 0.09 美元,约 0.39 美元。25% 的差距,平平无奇,大致就是标价所暗示的水平。这两款卡只有在其中一款切换档位的工作负载上才会急剧拉开差距。

这就是营销页面略过的算术。当厂商宣传一个价格,随后又加上长上下文档位时,诚实的比较应按工作负载,而不是按 token,因为档位边界恰好落在产品本应发挥作用的地方。

在智能体循环中,缓存设计比价格更重要。

长上下文读取器很少只发起一次调用;它们会针对一个稳定的前缀发起十次调用。设想一个 200,000 个 token 的提示,其中 180,000 个可缓存,10,000 个是全新输入,10,000 个是输出,共跨十轮。

Qwen4-Max 每轮计费为:新输入 $0.027,缓存读取 $0.0135(按 $0.075 计),输出 $0.045——合计 $0.0855,因此本次运行共 $0.855。缓存写入本身按每百万 $1.875 对五分钟存储一次性收费,在此规模下小到可以忽略。

Grok 4.7 的费用为:新输入 $0.04、按 $0.50 计费的缓存读取 $0.09、输出 $0.06——每轮 $0.19,整次运行 $1.90。仅缓存读取费率就几乎是 Qwen4-Max 的七倍,这就是为什么尽管这两个模型在这里都不处于其昂贵档位,差距却扩大了一倍多。

如果你通过一个端点而不是两份供应商合同来处理这件事,路由层不会改变这些数字中的任何一个——0% 的加价意味着提供商的标价会原封不动地传递过来,因此供应商降价会在公布当天就反映到你的账单上,而不是等到下一次合同续签时。这就是为什么要把多种模型放在同一个密钥之后,而这也是本文中唯一一个关乎我们的产品而非他们的产品的论点。

Grok 4.7 仍然完胜的地方

两个地方,而且都不小。

首先是输出长度。Grok 4.7 公布了 450,000 token 的输出上限。Qwen4-Max 没有公布单独的输出上限;它有一个 262,144 token 的预算,与其自身的思考共享,而在抑制思考时,上限为 131,072。对于产出长产物而非简短答案的工作——生成的代码库、长篇法律草案、经转录并分析的语料库——差别不在于质量,而在于任务是一次调用完成,还是必须分块处理。

第二项是高端档位的实测证据。Grok 4.7 自九月以来一直出现在 Artificial Analysis Intelligence Index 上,并有三项推理强度读数:xhigh 为 35,high 为 35,low 为 31;首个答案 token 的时间从最高设置下的 52.9 秒缩短到最低设置下的 10.6 秒。Qwen4-Max 公布了一个单一的指数分数 43,且截至撰写时,同一榜单上没有输出速度或每任务耗时数据。43 对 35 是实实在在的领先,但只有分数而没有速度读数,无法说明该模型在你的延迟预算下是否实用。

还有第三个容易忽略的不对称之处:Grok 4.7 的力度控制是一个可以按请求调用的成本杠杆,而其公布的耗时数据则显示了每种设置会让你在等待上付出多少代价。Qwen4-Max 也提供推理力度设置,但阿里巴巴只以相对方式描述节省幅度——在其 Work360 套件上,xhigh 档的 token 用量下降 24%,high 档下降 35%;在 Terminal-Bench 4.0 上分别下降 48% 和 49%。这些数据均以 Qwen3.8-Max 为基准测得,而不是按每个力度档位公布价目表。厂商自报、未经复现,且是相对于另一个模型:作为方向有用,作为预算输入则没用。

Qwen4-Max 明显胜出之处

上下文和仪表的形状。

一百万 token 对五十万 token,并不是规格翻倍;它改变的是哪些任务能装得下。有三个任务正好落在两个数字之间:一个覆盖整个 monorepo 的重构,其中真正相关的那一片是 60 万 token 的依赖图和提交历史;一次针对文档集的探索式分析,这些文档必须整份通读,而不能靠检索;以及一个 7×24 运行的 agent,它在一整个工作日里不断累积状态,不做摘要。Qwen4-Max 三样都装得下。Grok 4.7 单次调用一个也装不下;要把 60 万 token 塞进去,要么走检索,要么上 $4/$12 这一档——而它的定价恰好落在 2.7 倍差距最难自圆其说的那个点上。

统一费率卡还让预测成为可能。预算负责人只需将 token 数量乘以单一费率,就能算对。阶梯式费率卡则意味着财务模型必须猜测提示词长度分布,而在实践中,这意味着估算会朝着成本更高的方向出错。

而那份独立评分——虽说也就那样——还是偏向 Qwen4-Max:在同一张榜单上是 43 比 35。这一保留意见确实成立——一个才问世几天的模型所受的审视要少得多,而单一的指数汇总掩盖了各任务之间巨大的差异——但方向并不含糊。

A generated two-column scoreboard for Qwen4-Max and Grok 4.7: Artificial Analysis Index 43 against 35, input $1.50 against $2.00, output $4.50 against $6.00, context 1M against 500K tokens, maximum output 262K shared against 450K, and speed not published against 69 tokens per second.

两个模型都不会告诉你的事

两家厂商都不发布权重,因此两者都无法自托管、无法审计,也无法锁定到你掌控的版本。SpaceXAI 完全没有公布 Grok 4.7 的参数量。阿里巴巴为 Qwen4-Max 发布了一份架构描述——门控 DeltaNet 层与稀疏注意力机制交错排列,四个带有动态门控的并行残差分支,一张 N-gram 嵌入表——但没有权重。

两家厂商的基准测试数据都没有像该指数那样经过独立审计。阿里巴巴的 Work360 得分为 52.69,而 Qwen3.8-Max 为 47.74;其声称每项任务的平均成本从 4.43 美元降至 1.67 美元,并且在五个基础检查点上每字节比特数低 5% 至 13%——这些都是第一方数据,且未经复现。Grok 4.7 的优势同样在该指数之外缺乏记录:SpaceXAI 没有公布每项任务成本,只有 token 价格。

唯一存在的独立成本数字,反而对更便宜的那张牌不利。Artificial Analysis 给出的 Qwen4-Max 成本是每个 Intelligence Index 任务 3.27 美元,而其 Grok 4.7 资料中根本没有列出可比的数字。仔细读这一点:这里看起来最便宜的模型,恰恰是那个有明确记录的单任务账单的模型,而另一个根本没有被测量。这并不能证明 Qwen4-Max 昂贵。这只能证明,这两者中只有一个被任何人做过端到端的成本核算。

如何选择

如果你的提示词经常超过 200,000 个 token,那么 Qwen4-Max 是更便宜的模型,而且其价格优势会随长度增加而扩大;Grok 4.7 的分级计价意味着通常那种“直接发送更多上下文”的本能会很快变得昂贵。把长上下文任务交给 Qwen4-Max。

如果你的任务是在单次调用中输出一份极长的产物,那么 Grok 4.7 的 450,000 token 输出上限就是决定性数字,而 Qwen4-Max 共享的 262,144 预算则是淘汰因素。把一次生成分块并不是中立的变通办法;它会让你在拼接处损失连贯性。

如果你需要在做出承诺之前拿到一个延迟数字,Grok 4.7 已经公布了三个努力等级下的数据,而 Qwen4-Max 则没有。随着独立测试逐步跟上,这种不对称将会消失,但在今天,这正是先进行试点、而非统一标准化的一个理由。

如果你已经在运行 Grok 4.7,而问题是要不要加入 Qwen4-Max,那么诚实的答案是选择性地加入:用于长上下文读取、视频输入和对成本敏感的批处理工作,而把长文本生成留给那个有明确文档说明输出上限的模型。一个密钥后面接两个模型,代价只是一条路由规则,而不是一次迁移,这也意味着任一供应商表现不佳的一周会变成故障转移,而不是服务中断。

Artificial Analysis page for Grok 4.7, captured 17 November 2026 in English, showing Intelligence #46 of 81, Output speed 69 tokens per second, $2.00 input and $6.00 output per 1M tokens, a 75 per cent cache discount, and SpaceXAI as the developer.

记分牌,并附上其来源信息

最能清晰区分这些模型的单一数字并不是指数得分——而是 400,000 个 token 的价格。Qwen4-Max 为 $0.69,Grok 4.7 为 $1.84,均按各厂商公布的国际费率计算。这项比较中的其余内容,都是关于证据和余量的判断。

关于指数得分,需要说明一句,因为它们会被断章取义地引用。43 和 35 来自同一个 Artificial Analysis 榜单,读取时间为 2026 年 11 月 17 日。二者彼此可比。但它们不能与 Kimi K3.1 Pro 在较早评分标准下所得的 55 相比;任何把这两个数字放进同一句话的文章,都是在比较两项不同的测试。厂商数据——Work360、token 缩减量、每字节比特数差值——都是阿里巴巴自己的,完全没有任何第三方核查。

在围绕 43 这个分数做费用规划之前,还有一点值得了解:该分数只对应单一努力程度设置。Alibaba 默认开启思考,token 预算为 131,072,努力程度设为高;而独立测试尚未公布该模型在低努力程度下的得分,也未公布那能节省多少。在公布之前,请把 43 视为该模型默认配置的代价,而不是一个可以调低来换取更低成本的旋钮。

两张卡,同一条路线

值得说明一下“查看两份价目表”和“运行两个模型”之间的运营差异,因为它比价格差距所暗示的要小。grok/grok-4.7 是我们提供的 215 个标识符之一,按供应商的标价提供、不加任何加价,因此它的档位边界和缓存费率就是 SpaceXAI 当天公布的内容。Qwen4-Max 不在其中;它通过阿里巴巴自己的 Model Studio API 路由。实际后果是,上文主张的混合策略——在 Qwen4-Max 上做长上下文读取、在 Grok 4.7 上做长篇生成——需要两边各建立一家供应商关系,而路由规则的效果最终取决于其底下的两个端点。

OrcaRouter model page for Grok 4.7, captured 17 November 2026 in English, showing the identifier grok/grok-4.7, text, image and file input, a 500K-token context, 450K maximum output, a pricing panel and a p50 time-to-first-token of 10.00 seconds.

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