
Qwen 4 对比 Muse Wonder:更便宜的那个模型,是没人测过速度的那一个
- 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
完成一个 Intelligence Index 任务,Muse Wonder 大约会花费你 6.95 美元。Qwen4-Max 则会花费你 3.27 美元。这就是阿里巴巴新旗舰相对于 Meta 旗舰的全部经济论证,但它有一个很大的前提:这 3.27 美元属于一个没有公布输出速度、没有实测每任务耗时,并且在得出该数字的榜单上没有任何计时数据的模型。Muse Wonder 三项俱全——每秒 118 个 token、每个 Intelligence Index 任务 13.5 分钟、首个回答 token 用时 19.64 秒。所以,诚实的说法是:Qwen 4 的旗舰价格大约只有一半,速度则未知;而这两个差异中,今天只有一个能让你据此做规划。Muse Wonder 于 2026 年 10 月 12 日发布;Qwen4-Max 于 2026 年 11 月 16 日发布。这两个日期只是背景信息,不是新闻。
两个剖面并排且未经平滑处理
Muse Wonder 是 Meta 的前沿推理模型,专为智能体工作而构建,具有异常广泛的输入范围:文本、图像、语音和视频输入,文本输出,并处于一百万 token 的上下文窗口内。它是一款专有 API 模型,每百万输入 token 收费 4.00 美元,每百万输出 token 收费 20.00 美元,混合费率为 2.94 美元,并享有 95% 的缓存折扣。Meta 还发布了一个更高投入的变体,得分为 41 而非 44,并且在实际耗时上更快——每个索引任务 9.5 分钟,而另一版本为 13.5 分钟——这有用提醒我们,“最大努力”并不自动是正确设置。
Qwen4-Max 是阿里巴巴的第四代旗舰模型:一个 2.4 万亿参数的稀疏混合专家模型,每个 token 激活 710 亿参数,具备原生视觉能力、视频输入、100 万 token 上下文,以及在思考与回答之间共享的 262,144 token 预算。其定价为每百万 token 输入 1.50 美元、输出 4.50 美元,缓存读取为 0.075 美元。
• 得分 — Qwen4-Max 43(81 个中排名第 38)对 Muse Wonder 44(81 个中排名第 35)
• 输入价格 — Qwen4-Max 每 100 万 $1.50,而 Muse Wonder 每 100 万 $4.00
• 输出价格 — Qwen4-Max $4.50 对比 Muse Wonder $20.00 每 1M
• 每项索引任务成本 — Qwen4-Max 3.27 美元 vs Muse Wonder 6.95 美元
• 输出速度 — Qwen4-Max 未公布 vs Muse Wonder 每秒 118 个 token
• 每个索引任务所需时间——Qwen4-Max 未公布,而 Muse Wonder 为 13.5 分钟
• 输入类型 — Qwen4-Max 文本、图像、视频,对比 Muse Wonder 文本、图像、语音、视频
• 权重——两者均未发布任何权重
每个 token 的价格与每个答案的价格相差两倍。
表面宣传的比例是输出 4.4 倍、输入 2.7 倍。每任务比例是 2.1 倍。这些数字之间的差距,就是每个模型为生成答案所付出的工作量,而且它与标价所暗示的方向相反:Muse Wonder 每个任务花费的 token 更多,而不是更少,这就是为什么 20 美元的输出价格会变成 6.95 美元的账单,而不是 40 美元。
用一个具体的任务来算一遍。审阅一份 50,000 token 的文档、产出一份 5,000 token 的备忘录,不使用缓存:Qwen4-Max 的输入费用是 0.075 美元,输出费用是 0.0225 美元,不到十美分。Muse Wonder 收费 0.20 美元和 0.10 美元,也就是三十美分。三比一,而且两者都是微不足道的数目——这正是关键所在。在小规模用量下,两个价格都无关紧要,而一个指数点的评分差距在速度问题面前也毫不重要。
把它放大来看。每月一万条这样的评审:Qwen4-Max 是 975 美元,而 Muse Wonder 要 3,000 美元。这下价格就有分量了,而那块缺失的秒表分量更重,因为一项成本只有三分之一、耗时却要两倍的活儿,可能根本塞不进一个夜间窗口。
这就是这个决策的格局。这不是一个哪个模型更好的比较,而是一个更便宜的选项拥有一个未被衡量的维度、而这个维度恰好是生产系统最关心的比较。
“未公布速度”实际会让你付出什么代价
一个未经测量的模型并不是慢模型,把它理解成慢模型是错误的。它是这样一种模型:你必须自行确定它的延迟,然后才能把它放在任何带超时的机制之后。这有三个实际后果,按烦人程度从低到高排列。
首先,你无法仅凭文档来确定自动扩缩容的规模。你必须先进行试点,在你自己的提示词长度下测量 p50 和 p95 的首 token 时间,然后再确定规模。Kimi K3.1 Pro 的每秒 30 个 token 和每个任务 39.7 分钟是经过测量并公布的;Qwen4-Max 的数据最终也会公布,但目前还没有。
其次,推理模型在负载下会以每秒 token 数只能部分反映的方式不可预测地退化。Muse Wonder 在最高强度下 19.64 秒的首个回答 token 耗时是一个经过测量、可复现的数值。没有这类数值的模型就没有基线,用来察觉某个周二比某个周一慢一倍。
第三——也是最要命的一点——只有当路由层知道“正常”是什么样时,它才能仅凭延迟进行故障转移。如果你把一个没有时延数据的模型和一个有时延数据的模型放进同一个池子,这个池子的行为就会由那个更慢、未知的成员决定。故障转移能让这种情况变得可承受:一个卡住的请求可以针对第二个模型重试,而客户端毫不知情。但它并不能让这种情况变得可度量,也不能替代了解你自己的数字。
输入界面才是 Muse Wonder 真正的差异化优势所在。
语音输入不是一个勾选项。Muse Wonder 将音频作为一等输入,与文本、图像和视频并列,并返回文本。Qwen4-Max 接受文本、图像和视频。如果你的流水线需要摄入通话录音、会议音频或广播媒体,那么这一差异在讨论价格之前就已决定了模型选择——先转写成文本意味着另一个模型、另一笔账单,以及另一种失败模式,它会丢失韵律和说话人重叠。
视频是双方竞争的另一个维度,细节很重要。双方都接受视频;在我们读到的材料中,双方都没有公布帧率、时长或分辨率限制,这意味着视频工作负载在双方都是试点,而不是规格比较。
Qwen4-Max 在输入侧取胜的地方在于规模化后的成本。一百万 token 的视频衍生上下文,按 1.50 美元计价,在 Qwen4-Max 上成本为 1.50 美元,在 Muse Wonder 上为 4.00 美元。长媒体分析正是 2.7× 输入价差会不断放大的工作负载,也正是 Qwen4-Max 的价格优势最站得住脚的地方。

指数得分的一分,以及它值多少
同一天读取的同一 Artificial Analysis Intelligence Index 上,44 对 43。这并不是能力上的有意义差异;它处在单一综合指数对少数难题作出反应时的噪声范围内。任何想用这一点为 Muse Wonder 构建论据的人,都是在凭空构建。
有意义的是,Muse Wonder 有一个高投入变体得分为 41,这说明投入程度调节会让得分在任一方向上变动约三分。如果 Qwen4-Max 的投入调节表现类似——而且阿里巴巴自己的报告表明,投入程度会大幅改变 token 消耗,Work360 使用量在 xhigh 下下降 24%,在 high 下下降 35%——那么 43 就是来自某个分布的一个样本,而不是固定属性。厂商报告、相对于 Qwen3.8-Max、未经复现:应将方向视为有信息量,将幅度视为一种主张。
两家厂商的发布基准测试都应带着同样的怀疑态度来看待。Meta 的 JobBench 和 Vals 数据是第一方数据。阿里巴巴的 Work360 52.69、其单任务成本从 $4.43 降至 $1.67,以及其在五个基础检查点上按 bits-per-byte 衡量的改进,也都是第一方数据。这两组数据均未经过独立复现,而且两家厂商都没有发布可供你尝试的评估工具。
其中每一个都是显而易见的答案
当音频处理位于流水线中、当你需要一个已公布的延迟数字来制定 SLA,或当工作是智能体式且长周期的,而你宁愿为一个可以计时的任务支付 $6.95,也不愿为一个无法计时的任务支付 $3.27 时,请选择 Muse Wonder。对于处在这一评分水平的模型来说,每秒 118 个 token 的数字确实很快,而速度是客户会注意到的特性。
当用量规模是限制因素、工作负载是长上下文阅读而非长时程推理,或输入是大规模视频且 2.7 倍输入价差就是全部账单时,选择 Qwen4-Max。统一 $1.50/$4.50 的价目卡没有长上下文档位,易于据此预测——在编制季度预算时,这比听起来更重要。
两者都是专有模型,未公开权重,因此都无法自托管或固定版本。如果这是一项硬性要求,那么这次比较就没有胜者,答案就是会发布检查点的模型——在旗舰模型中,Kimi K3.1 Pro 就是如此。
如果你想避免做选择,有用的折中方案是采用资源池,而不是做决定:按输入模态路由(音频交给 Muse Wonder,大规模视频交给 Qwen4-Max),在价格优势真实存在的地方保留它,并让故障转移来覆盖你尚无法预测的延迟。值得明确的是,今天哪些是可路由的——Muse Wonder 和 Qwen4-Max 都不在我们服务的 215 个标识符之中,所以这个资源池是一种设计,而不是产品页面。我们在 Meta 侧确实提供的是 Muse Spark 系列,输入 $1.25、输出 $4.25,在阿里巴巴侧提供的是 qwen/qwen3.8-max,价格为 $2.00/$6.00,按提供商标价,未加任何加价。

下一次发布前该问的问题
每一轮将发布仅数周的模型与发布已一个月的模型进行比较,都有同样的缺陷:证据在不对称性上会偏向先发布的那个模型,因为独立测试有更长时间来考察它。Muse Wonder 的数据更丰富,并不是因为 Meta 更透明,而是因为它多出了五周的测量时间。
真正值得关注的不是又一个基准测试,而是在价格优势被消耗掉之前,Qwen4-Max 的速度和单任务耗时是否会出现在同一张榜单上。一个每任务成本减半但延迟翻倍的模型,与一个成本减半且延迟相当的模型,是两种不同的产品,而目前阿里巴巴之外没有人知道它属于哪一种。

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
