Muse Spark 對決 Qwen 4 Max：這場比較有一半還沒有端點

一篇將Muse Spark與Q​wen 4 Max相比的文章，有個問題與這兩個模型本身的品質無關，而且這個問題該放在第一句，而不是最後一句。Muse Spark 是真實存在且可呼叫的：M​eta Superintelligence Labs 於 2026 年 4 月 8 日推出該系列，而目前的檢查點 Muse Spark 1.3 自 2026 年 9 月 2 日起全面開放使用，價格為每百萬輸入權杖 1.25 美元、每百萬輸出權杖 4.25 美元。Q​wen 4 Max 無法呼叫，而且從來都不能。它於 2026 年 9 月 22 日在杭州雲棲大會（Apsara Conference）的舞台上亮相，此後未再發布任何內容——沒有模型卡、沒有 API 識別碼、沒有上下文視窗、沒有價格、沒有權重、沒有基準測試分數。所以，這場對決唯一誠實的版本是一個分為兩部分的答案：已發表的 Q​wen 4 Max 理應是什麼樣子，以及 Muse Spark 與你今天真正能送出請求的 Q​wen 旗艦模型，也就是Qwen3.8-Max，相比又如何。

Qwen 4 Max 究竟是什麼？

這是一筆名冊上的紀錄。在雲棲大會上，Qwen LLM 負責人劉大亦恆預覽了四個等級——Qwen 4 Max 作為旗艦，以及 Qwen 4 Flash、Qwen 4 Plus 和 Qwen 4 27B——形容這個系列是以新一代架構訓練而成，並表示很快就會推出。這就是公開紀錄的全部內容。沒有任何一個等級附有日期，而在之後的六週裡，也沒有發布任何能讓你據以規劃的資訊。

有一個伴隨這項發表消息一同流傳的數字，其實並不屬於它。與 Qwen 4 消息相關的「5 兆到 10 兆參數」目標，是針對 Qwen 4 之後世代的前瞻性說法——也就是 Qwen 4.5 與 Qwen 5 的時間範圍——而不是 Qwen 4 Max 的規格。阿里巴巴完全沒有為 Qwen 4 Max 附上任何參數量。如果你這個月看到它被描述成數兆參數的模型，那個數字是從另一張投影片挪過來的，值得拒絕轉述。

真正存在的，是該架構的一個部分預覽，只是以不同名稱推出。Qwen3.8-Flash-Next 於 2026 年 8 月下旬開源，其模型卡將其標示為 Qwen 4 架構的預覽：一個稀疏模型，具有 1,250 億個主要參數，外加 510 億個 N-gram 嵌入參數，每一步約啟用 60 億個參數，原生上下文為 262,000 個詞元，據報訓練成本比 Qwen3.7-Plus 低約 90%。這告訴你即將到來之物的輪廓。但它沒有告訴你 Qwen 4 Max 得分多少、成本多少，或接受什麼。

• 可用性 — Q​wen 4 Max：於 2026 年 9 月 22 日宣布，尚無端點、尚無日期；Muse Spark 1.3：自 2026 年 9 月 2 日起正式推出

• 已公布的基準測試分數——Qwen 4 Max 沒有；Meta 為 Muse Spark 1.3 發布了完整的代理能力評分表

• 參數數量 — Qwen 4 Max 未公開；Muse Spark 1.3 也同樣未公開，儘管阿里巴巴已確認其出貨旗艦的總量為 2.4 兆，其中 950 億為活躍參數

• 價格 — Qwen 4 Max 尚未公布；Muse Spark 1.3 為每百萬個 token $1.25 / $4.25，並提供 $0.10 / $0.20 的 Contributor 方案

• 上下文視窗 —— 未公布；Muse Spark 1.3 為 1,048,576 個 token

• 權重——兩者皆非開放。這兩個系列中的開放權重，分別屬於 Qwen3.8-2.4T-A95B，以及 Meta 這邊的 Muse Spark Open 與 Muse Glimmer

你真正能實際執行的比較

Qwen3.8-Max 是 Q​wen 4 各層級將與之比較的模型，且它今天已在處理正式流量：自 2026 年 8 月 3 日起正式可用，每百萬輸入 token 收費 $2.00、每百萬輸出 token 收費 $6.00，在其上下文視窗內均一價，沒有長提示附加費；它是以 2.4 兆參數的混合專家模型打造，每個 token 啟用 950 億參數，並於 2026 年 8 月 12 日以 Qwen3.8-2.4T-A95B 之名，在自訂 Q​wen 授權下以 BF16 與 FP8 兩種格式開放權重。最後這個細節很重要，而且很容易被忽略：旗艦模型的權重已經釋出，託管 API 只是在此之上的便利途徑，而非唯一管道。

這對模型的獨立比較結果格外清晰，因為 Artificial Analysis 同時收錄了兩者，而兩者相隔十天發布，且採用的是同一個指數修訂版本。以下所有內容皆來自這些收錄資料，而這兩個模型並未在共用的測試框架上重新執行——請將這項比較視為對已公布測量結果的同類對照解讀，而非受控試驗。

• 智慧指數 — Muse Spark 1.3 (Max) 48，在 217 中排名第 24，相較於 Qwen3.8-Max (0902) 45，在 217 中排名第 33

• 輸出速度 — 每秒 121.9 個 token，對比每秒 39.3 個 token，其中 Qwen 模型在 186 個中排名第 181，而 Meta 模型在 186 個中排名第 43

• 每完成一項 Index 任務的成本 — $1.60 對比 $5.41

• 每百萬個 token 的定價 — 輸入 $1.25 / 輸出 $4.25，相較於輸入 $2.00 / 輸出 $6.00

• 上下文視窗 — 1,048,576 詞元 對比 984,000

• Index 上的冗長度 — 1.7 億輸出 token，對比 1.9 億

那組結果有趣的地方在於，Qwen 模型在每個面向都更慢、更貴，分數卻還低三分，而且差距並非微不足道。就每秒 39.3 個 token 對比 121.9 個而言，Muse Spark 1.3 大約快了三倍，而它每完成一項任務的成本約為 Qwen3.8-Max 的三分之一——$1.60 對 $5.41——但每 token 價格只相差約 40%。差別在於速度，不在於價目表：一個產生每個 token 所需時間多三倍的模型，會邊等待邊花錢。任何只依定價清單比較這兩款模型的人，都會對哪一款實際運行起來更便宜得出錯誤結論。

有兩件事會讓這個結論有所緩和，因為若要誠實比較，兩者都必須納入考量。第一是模態。根據 Meta 的文件，Muse Spark 可接受文字、圖像、影片、音訊與 PDF，並回傳文字；Qwen3.8-Max 則接受文字、圖像與影片。在處理掃描文件或音訊的管線中，Qwen 旗艦模型根本無法接收這類內容——除此之外，Meta 警告 Muse Spark 1.3 的音訊理解未完全支援，並建議將音訊工作負載改用 Muse Spark 1.2。第二是差距的大小。三個指數點並不是等級上的改變；這種差距會在不同的測試框架或不同的任務組合下逆轉。速度與成本的差異才是這裡經得起時間考驗的發現，而智慧差異則是應該寬鬆看待的那一項。

在兩個家族真正有所不同之處，而不只是分數上的差異

揭露程度是最鮮明的分界。阿里巴巴公布了 Qwen3.8-Max 的參數量，並釋出其權重；Meta 則未公布任何 Muse Spark 版本的參數量，也未釋出其中任何一版的權重。兩條旗艦產品線在目前形態下都僅提供代管服務——你無法自行架設 Muse Spark 1.3；而儘管 Qwen3.8-2.4T-A95B 的權重確實存在，一個 2.4T 參數的模型是資料中心的產物，而不是你能在工作站上跑的東西。但這個選項只存在於其中一方，另一方則沒有；而存在的選項本身就有其價值，即使你從未行使它。

努力程度控制是第二個分歧點，而 Meta 的做法更為細緻，細緻到足以改變你的帳單。Muse Spark 的推理強度分為 minimal、low、medium、high、xhigh 與 max；max 等級於 9 月 4 日、也就是上線兩天後，在完成額外安全測試後才推出，而 Meta 公布的每一個亮眼數字，背後採用的都是這個配置。Meta 也為 1.3 checkpoint 提供第二種價格：Contributor 方案每百萬個 token 為 $0.10／快取 $0.002／$0.20，大約比 Standard 費率低了一個數量級，交換條件是允許以你的 prompt 與 completion 進行訓練。這個方案沒有 Qwen 的對應版本，而對於高用量、非敏感的工作負載來說，它在成本比較上的影響力遠大於任何一個指數分數。

開放權重這條戰線是第三條。如果你真正想要的是來自這兩個陣營、可直接執行的權重，兩款旗艦機型都給不了你。Meta 的是Muse Spark Open與Muse Glimmer；阿里巴巴的則是 Qwen3.8-27B 以及 Qwen 3.8 開放系列的其他成員。那些是與本文不同的另一回事，而搜尋「Muse Spark vs Qwen 4 Max open weights」所回答的問題，兩家廠商都沒問過。

什麼會改變這個頁面

三件事，其中沒有一件是任何人承諾過的日期。一份模型卡就能用一份文件敲定參數量、上下文視窗、模態欄位與價格。一份基準測試表則能提供第一批可以和 Meta 的數字並列的數據。一個正式釋出的端點會讓本頁變得過時，而這正是值得期盼的結果——到了那個時候，這份比較就會成為讀者來這裡時所預期的那種比較，而誠實的做法是把這點說出來，而不是繞著這份缺席大做文章。

直到那時，有用的訊號是已正式推出的 Qwen 世代。Qwen3.8-Max 是 Qwen 4 Max 必須超越的基準；它已公開權重與價格，而 Qwen3.8-Flash-Next 中的 Qwen 4 架構預覽顯示，這個系列正朝著以一小部分訓練成本達到相當品質的方向打造。最後這點是預測而非事實，但這正是值得追蹤路線圖的原因：訓練成本更低的系列，就是能積極定價的系列，而積極定價正是阿里巴巴兩年來始終穩定做到的一件事。

執行這項比較中存在的部分

這裡兩個可呼叫的模型都收錄在我們的目錄中，這使得這個頁面的實務版本更像是路由問題，而非研究問題。OrcaRouter 收錄了 Qwen 3.8 系列——Qwen3.8-Max、Qwen3.8-Flash 以及開放權重的 Qwen3.8-27B——以及我們所提供服務的兩個 Muse Spark 檢查點，Muse Spark 1.1 與 Muse Spark 1.2，透過單一相容於 OpenAI 的端點，在 200 多個模型之間提供，並以各供應商的標價、0% 加價原樣轉嫁。Muse Spark 1.3 不在我們的目錄中，而 Qwen 4 Max 不在任何目錄中，因為它還不存在；當兩者之一推出且供應商提供時，同一個金鑰就是它會出現的地方。

在這個特定比較中，這麼做能帶給你的，是能夠用自己的流量來解決那三個指數點問題的能力。路由 DSL 能透過配置而非程式碼，將一部分請求從 Qwen3.8-Max 轉移到 Muse Spark 1.2，而自動容錯移轉意味著失敗的長上下文呼叫會降級到另一個模型，而不是降級到錯誤頁面。有鑑於這兩個系列之間的獨立差距很小，那項實驗比任何排行榜名次都更有價值——而且這是唯一能弄清楚 Meta 快上三倍的輸出是否真的對你的工作負載型態有影響的方法。

所以：Muse Spark 在預設情況下贏得了這場比較，而把它當作定論來呈現會是不誠實的。它是那個具備端點、價格、上下文視窗和評分卡的模型。Qwen 4 Max 有的是一場舞台發表、四層級陣容，以及以另一個名稱運作的架構預覽。等模型卡發布後再回來看；屆時有趣的問題將是，阿里巴巴的路線圖經濟效益是否會在 Meta 的下一個檢查點之前觸及價格線。

像這樣的比較，也正是失效模式會顯現的地方：這一類模型背後有紀錄的 AI 事件與代理失敗，都收錄在 OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、可信度等級，以及爭議旗標。