SubQ Snap 1.1 对比 Qwen 3.8：每 Token 价格高达四十倍，承担的任务却不同

Qwen3.8-Max每个输入 token 的成本大约是SubQ Snap 1.1的四十倍——约每百万 1.65 美元对 0.04 美元——而这个比例是这场对比中最无趣的一点。这两个模型计费的东西并不相同。Qwen3.8-Max 是阿里巴巴于 2026 年 8 月 3 日发布的 2.4 万亿参数旗舰模型，它按自己思考的内容和写出的内容计费。Snap 1.1 是 Subquadratic 于 2026 年 10 月 22 日发布的决策模型，它只按读入的内容计费，因为答案是标签而非句子。把决策放在你可控的模型上运行，把生成交给真正值回账单的那个模型：Qwen3.8-Max按提供商标价提供服务，零加价，并支持自动故障转移。

把它们放进同一条流水线，价格比就不再像捡便宜或挨宰，而开始像一项设计决策。这两个模型中，有一个应当承担你系统里的每一次路由调用，另一个则几乎不应参与其中——而 Qwen3.8-Max 才是正确答案的那些场景，恰恰是决策模型完全无法处理的场景。

Qwen3.8-Max 究竟是什么

阿里巴巴于2026年7月19日在上海举行的世界人工智能大会（WAIC）上预览了该模型，并于8月3日正式发布。其架构是真正达到前沿规模的稀疏混合专家模型：总参数达2.4万亿，每token约950亿激活参数，上下文窗口为100万token，最大输出为131K token。它原生支持多模态，可接受文本、图像和视频，并支持思考模式、函数调用、内置工具和结构化输出，兼容OpenAI、Anthropic以及OpenAI Responses的接口格式。

这一基准行属于前沿模型，而不属于小模型：GPQA Diamond 92.6、HLE 43.6、OSWorld 86.1、DeepSWE 1.1 为 56.6、MRCR v2 为 0.93，Artificial Analysis 智能指数为 45。这类数字足以支撑 1.65 美元/4.95 美元的标价——大约要花 4,950 美元才能让它处理十亿个输入 token，或者大致相当于 Snap 1.1 处理 1240 亿个 token 的收费。

关于命名的一点说明，因为这对任何选购者都很重要：Qwen3.8-Max 是托管旗舰模型。它以 Qwen3.8-2.4T-A95B 的名称在自定义许可证下开放了权重，另有一个真正开源的兄弟模型——Qwen3.8-27B，Apache 2.0，262K 原生上下文，智能指数 34，每百万输入 token 约 $0.42 至 $0.50。大多数团队应该拿 27B 来与小模型比较。当任务需要可用的最大模型时，你该调用的是 Max。

Snap 1.1 究竟是什么

Snap 1.1 是一个决策模型，这一说法比听起来要更有限定。它最多可接受 384K token 的文本和图像，以及每个问题 2 到 255 个备选答案构成的答案集，并返回一个带有校准概率的选择结果。没有散文式输出。没有需要修复的 JSON。没有思考 token。Subquadratic 的论点是：固定答案的决策与生成是两种不同的计算任务，而其稀疏注意力架构以每个 token 恒定的计算量处理输入，而不是在长文档上付出二次方注意力的代价。

最受关注的结果是，在 Artificial Analysis Decision Index v1.0 上得分为 65，与 d1-ultra 和 Elephant 9B 并列第一，并领先于得分为 57 的 Jev 1.14。其下方那个数字才是真正需要留意的：准确率为 20%，而 d1-ultra 为 32%，Elephant 9B 为 12%；该指数得分是由其报告的在无法回答的问题上 86% 的弃答率支撑起来的。Snap 1.1 是一个经过训练、会拒绝作答的模型，而它的排名衡量的是它拒绝得有多好。

规格对比

• 规模 — Qwen3.8-Max 是一个 2.4T 参数的 MoE，约 95B 激活参数；SubQ Snap 1.1 是一个规模未披露的稀疏注意力决策模型。

• 上下文 — Qwen3.8-Max 为 1M token，最大输出 131K；Snap 1.1 为 384K token，无生成输出。

• 输入 — Qwen3.8-Max 支持文本、图像和视频；Snap 1.1 支持文本和图像。

• 输出 — 面向 Qwen3.8-Max 的自由格式文本、推理轨迹、工具调用与结构化输出；面向 Snap 1.1 的带概率的选项或评分。

• 价格——Qwen3.8-Max 每 100 万输入 token 约为 1.65 至 2.00 美元，每 100 万输出 token 为 4.95 至 6.00 美元，具体取决于提供商，其中 OrcaRouter 标价为 2.00 美元和 6.00 美元；Snap 1.1 每 100 万输入 token 为 0.04 美元，输出不收费。

• 通用智能——Qwen3.8-Max 在 Artificial Analysis Intelligence Index 上得分为 45；Snap 1.1 未在该指数上进行测量。

• 决策质量 — Snap 1.1 在 Artificial Analysis Decision Index v1.0 上得分为 65；Qwen3.8-Max 未在该指数上进行测量。

• 部署 — Qwen3.8-Max 提供托管 API，并以自定义许可证开放权重；Snap 1.1 仅提供托管 API，不开放权重。

最后两行正说明了为什么这种比较总是做得很糟。每个模型都是在一个对方从未运行过的指标上接受评估，因此任何声称一个模型“胜过”另一个的说法都只是推断，而不是结果。还没有人发表过正面对比。

反模式：把旗舰机型当路由器用

这种情况很常见，而且它的代价高昂之处要到账单到来时才会显现。一个团队构建了一个智能体，需要它在五个工具之间做出选择，于是选用了可用的最强模型，因为这个决定很重要。这个决定确实重要。只是这个模型被要求去做它并未针对其优化的事情，而支付的价格却是为另一件事打造的。

算一笔账：一百万次路由决策，每次 6,000 个 token 的上下文——总共六十亿输入 token。Qwen3.8-Max 按标价中最低的 $1.65 计：输入为 $9,900，再加上每次决策约二十个输出 token，即 2,000 万个输出 token，按每百万 $4.95 计，又是 $99。就算它 $10,000。按 OrcaRouter 的 $2.00 和 $6.00 标价，同样的量是 $12,120。Snap 1.1 处理同样的量：$240，而且完全没有输出这一项。这个差距不是折扣，而是四十到五十倍。

延迟从另一侧讲述了同样的故事。一个拥有 2.4 万亿参数的模型即使只生成简短答案，也会产生首个 token 延迟和解码成本，而决策模型根本没有这些开销——Snap 的宣传是亚秒级决策层，除此之外，Subquadratic 并未公布 1.1 的延迟数据。在一个每项任务要做出二十次决策的智能体循环中，这种差异会累积成每项任务数秒的差距，而这正是感觉即时的智能体与感觉已经坏掉的智能体之间的差别。

Qwen3.8-Max 能做而 Snap 做不到的事

所有涉及产出内容的事情。它撰写升级说明、起草客户回复、总结一份 900 页的合同、生成代码、使用有效的参数模式调用工具，并对一个答案不在你事先提供的列表中的问题进行推理。Snap 1.1 做不到其中任何一件，不是因为它更差，而是因为它没有实现这些功能的机制。

100 万 token 窗口也是真实能力，而不是规格表上的炫技。阿里巴巴报告 MRCR v2 为 0.93，这是检索分数，而非名义上下文长度，而这个数字决定百万 token 窗口是否可用。一个具备强大有效检索能力的 384K 窗口可以胜过检索能力弱的 1M 窗口，但 Qwen 的检索分数表明它并非依赖名义数字。

而开放权重之所以重要，还有另一个原因：Qwen3.8-2.4T-A95B 可以在自定义许可证下自行托管，这意味着该系列中最大的模型并非纯粹依赖 API。Snap 1.1 则没有这样的选择。

它们在哪里相互契合

站得住脚的架构不是在两者之间做选择，而是分工。Snap 1.1 处理高频、答案固定的决策，在这类场景中，经过校准的概率和拒绝选项比流畅表达更有价值：选择哪个队列、使用哪个工具、是否升级、这份文档是否根本相关。Qwen3.8-Max 处理一小部分情况：这些决策需要基于不在选项列表中的材料进行推理；并处理决策下游所有需要写作的环节。

这个比例就是整个经济论证的核心。如果 Snap 在 14% 的情况下弃权，而这些情况会被路由到旗舰模型，那么你只需为 14% 的流量支付旗舰价格，而不是 100%，并且你会得到一个经过校准的信号，告诉你具体是哪 14%——这比在通用模型的 softmax 上设置固定阈值是更好的分配机制。

Qwen3.8-Max 是可通过单个 OrcaRouter 密钥访问的 200 多个模型之一，按提供商目录价提供服务，零加价，并支持跨提供商自动故障转移。Snap 1.1 并非我们提供；它通过 Subquadratic 自己的 API 运行。在设计流水线之前，值得了解这种划分，因为这意味着生成层可以整合到一份合同和一条计费线路上，而决策层则仍是一个独立的单一供应商依赖项。如果这第二个依赖不可接受，替代方案是在你自己托管的 Qwen3.8-27B 实例上运行决策——它在拒绝作答方面表现更差，在解释自身方面好得多，并且完全由你掌控。

诚实的默认

如果你要为智能体选择一个模型来做决策，而这些决策有固定的答案集，那就选决策模型。40 比 1 的价格比确实存在，但它只是论据中较小的一半；更大的一半在于，一个被训练来说“我不知道”的模型能给你旗舰模型给不了的东西，也就是一个把人类纳入循环的环节。

如果你要选一个模型包办一切——做决策、推理、写作、调用工具、读取上百万 token——那就选 Qwen3.8-Max，并接受你是在为路由调用支付旗舰级费率，而这些调用本可由一个 0.04 美元的模型处理得更好。大多数团队会在上线约三个月后、账单到来时发现，自己正是这么做的，而且没人能解释为什么路由器的成本比产品还高。