一張生成的標題卡寫著「Qwen4-Max vs Qwen4 27B」,副標為「其中一個有價格表,另一個只在發表會上被提及」,下方有三張卡片:Qwen4-Max 具備 1M 上下文、每 1M $1.50 / $4.50,以及 AA 指數 43;Qwen4 27B 沒有權重、沒有模型卡,也沒有價格;Qwen3.8-27B 為每 1M $0.33 / $2.40、256K 上下文,以及 AA 指數 20。頁尾寫著「Qwen4-Max 的數據依據阿里巴巴與 Artificial Analysis;截至 2026 年 11 月 16 日,Qwen4 27B 尚未公布規格。」
Guides & Insights

Qwen4-Max 對比 Qwen4 27B:4.5 倍的價格差距,以及一個你無法下載的模型

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

關於 Qwen4-Max,有趣的問題不是它好不好,而是:當一個 270 億參數的兄弟模型——Qwen4 27B——理應能在你自有的硬體上完成大部分相同工作時,你是否還該為一個以 262,144 個 token 為一口氣來思考的模型,支付每百萬 token 1.50 美元與 4.50 美元的費用。問題在於,Qwen4 27B 目前還不存在任何你可執行的版本。阿里巴巴於 2026 年 9 月 22 日的 Apsara Conference 舞台上,連同 Qwen 4 Max、Qwen 4 Flash 與 Qwen 4 Plus 一起展示了它,但自此之後未公布它的模型卡、權重、上下文長度、價格與基準測試。相較之下,Qwen4-Max 已於 11 月 16 日開始按用量計費,具備 1,000,000 個 token 的視窗,並在 Artificial Analysis Intelligence Index 拿到 43 分。因此,這個比較的有用版本,是把你可呼叫的旗艦模型,拿來對照你還無法執行的小模型,並回答真正決定預算的問題:4.5 倍的 token 價差買到了什麼,而 27B 又得做到什麼,才能掙得一席之地。

兩張價格卡,其中一張上面有數字

從已經寫下的內容開始。本節中的所有內容都是已公布的數字;沒有任何部分是推斷出來的。

• Qwen4-Max,新加坡 — 每百萬個輸入 token 1.50 美元,輸出 4.50 美元,在完整的 1,000,000 token 視窗內均一價。快取讀取每百萬 0.075 美元,五分鐘寫入 1.875 美元,一小時寫入 3.00 美元。

• Qwen4-Max,其他地區——法蘭克福、維吉尼亞、東京、香港與北京為 $1.413 和 $4.24;相同額度下,新加坡價格卡可享 5.8% 折扣。

• Qwen4-Max,獨立 — AA Index 43,每項索引任務的評估器計費成本為 3.27 美元,混合計價為每百萬 0.80 美元,整次執行共使用 1.27 億個輸出 token。

• Qwen4 27B — 沒有價格。不是「尚未公布」;具體來說,任何地方都不存在這一列,因為根本沒有模型可以附上價格。

你今天能跑的最接近小型 Q​wen 的選擇是 Qwen3.8-27B,這是上一代以 Apache-2.0 授權的稠密多模態模型。A​libaba 在其自家 API 上的定價為每百萬輸入/輸出 token 分別 $0.50 與 $3.00;我們自行託管權重,收費為 $0.33 與 $2.40,因為開放權重沒有可轉嫁的每 token 供應商成本。Artificial Analysis 在同一指數上給它 20 分——比 Qwen4-Max 低二十三分,這一個數字就道盡了整個論點。

所以,誠實的比例並不是拿幻影來衡量。當你把 Qwen4-Max 與最後真正實際推出的 27B 相比,輸入是 4.5 倍,輸出是 1.9 倍——而這樣的差距換來二十三點的能力指數。這是否划算,完全取決於你的工作負載把 token 花在什麼地方;這個問題取決於你的追蹤資料,而不是取決於哪一家供應商。

A generated two-column scoreboard titled 'Qwen4-Max vs Qwen3.8-27B — the scoreboard', using the same six row labels on both sides. Qwen4-Max: context 1,000,000 tokens, price per 1M $1.50 / $4.50, inputs text, image and video, open weights no, AA Index 43, cost per task $3.27. Qwen3.8-27B: context 256,000 tokens, price per 1M $0.33 / $2.40, inputs text, image and video, open weights Apache-2.0, AA Index 20, cost per task $3.53. Footer: 'Price and context vendor-reported; Qwen3.8-27B price is OrcaRouter self-hosted, Alibaba lists $0.50 / $3.00. AA Index and cost per task per Artificial Analysis v5.0.1. Qwen4 27B has no published figures.'

27B 能換來什麼,是 2.4 兆參數旗艦模型做不到的

三件事,而其中沒有一件是品質。

前者是固定帳單。託管的旗艦模型是變動成本,會隨流量以及模型當天有多囉嗦而增減;在自己硬體上跑開源的 27B 則是資本支出與折舊攤提。以每百萬 token 0.33 美元與 2.40 美元計算,一個每月在旗艦模型上花 3,000 美元的團隊,在相同 token 用量下大約只花 700 美元在小模型上——而一旦用量翻倍,這兩個數字中有一個會變動,另一個則不會。

第二個是你可控的延遲。單一節點上的 27B 稠密模型,回答的形態是可預測的,因為它背後沒有佇列,也沒有你沒要求過的長程思考預算。Qwen4-Max 預設為 reasoning_effort: high,搭配 131,072 個 token 的思考預算,而一個什麼都沒設定的請求,所保留的輸出餘裕已超過大多數工作會用到的量。這個預設值對旗艦模型是對的,對分類器、路由器,或代理在那些有意思的決策之間所做的上千個小決策而言,卻是錯的。

第三點是授權條款。Apache-2.0 的權重意味著模型可以被量化、微調、嵌入到你出貨的產品中,並可在無法使用該 API 的司法管轄區內運行。Qwen4-Max 則是專有模型,僅從六個區域提供服務,且只回傳文字——沒有權重、不支援微調、也無法地端部署。阿里巴巴的文件指出,該模型在任何地方都不支援微調與模型部署。

27B 買不到的,正是 Qwen4-Max 當初打造來實現的東西。2.4 兆參數的主幹、710 億個活躍參數、3280 億個 N-gram 嵌入參數,以及 Gated DeltaNet 層會為每個 Qwen Sparse Attention 層將歷史壓縮成固定狀態——這些架構沒有一項能下放到 27B 稠密模型,1,000,000 個 token 的視窗也同樣不能。廠商自己對這個系列的定位說法是,較小的模型「針對小型模型最擅長的事進行調校」,這是一種委婉的說法,意思是它們不是同一款產品。

A​libaba 就 Qwen4 27B 所說的唯一一件事,以及這件事有何價值

在11月16日的 Qwen4-Max 發佈文章中,結尾段落寫道:「而 Max 只是 Qwen4 的首次亮相。家族中較小的模型即將開源,它們建立於同一脈絡,並以同一世代的技術訓練,針對小型模型最擅長之處進行調校。」

這是目前關於 27B 層級最新、也最具體的說法,而它的價值恰恰等於它字面上所說的——比它表面上看起來的要少。「即將開源」是對授權的承諾,不是對日期的承諾。「同一血統」說的是架構傳承,不是已發布的檢查點。而那句話根本沒有點名 27B;這個層級名稱來自九月的舞台發表,當時 Q​wen 的 LLM 負責人展示了四款模型,只說這個系列很快就會到來。這兩種說法之間隔了兩個月,期間承諾了四個層級,交付了一個,而開放權重的那個——歷來是最先以可下載權重形式推出的層級——仍然缺席。

會讓這個頁面過時的跡象,可在三個地方查證,而這三處正是每次 Qwen 發布時都會出現訊號的地方。Hugging Face 上 Qwen 組織中一個名為 Qwen4 的儲存庫;該組織目前最新的模型儲存庫全都是 Qwen3.8,最後更新於十一月初。qwen.ai 上一張模型卡,標明該層級的上下文長度與授權條款。或是託管版 27B 的定價資料列,這能在權重正式發布前告訴你阿里巴巴認為這個層級值多少。在上述任一項出現變動之前,你讀到的任何 Qwen4 27B 參數量、上下文視窗或分數,都是從 Qwen3.8-27B 外推而來,應據此標註。

實作範例:兩張卡片上相同的代理迴圈

假設有一個客服自動化代理:40,000 個 token 的系統提示與工具結構定義、6,000 個 token 的對話、每張工單八次工具呼叫、每次呼叫 900 個輸出 token、不啟用思考模式、每月 20,000 張工單。快取前綴。這是在已公布定價上做的算術。

• Qwen4-Max,新加坡,未快取 — 每次呼叫 46,000 個輸入 token,以每百萬 $1.50 計算為 $0.069;八次呼叫為每張工單 $0.552。輸出為 900 個 token、每百萬 $4.50,即每次呼叫 $0.00405,每張工單 $0.0324。每張工單 $0.584,每月 $11,690。

• Qwen4-Max 搭配已快取的前綴——40,000 個 token 的前綴會以每百萬 $1.875 寫入一次,並在接下來七次呼叫中以 $0.075 讀取。每張工單的前綴成本為寫入 $0.075 加上七次讀取 $0.021;移動的 6,000 個 token 在八次呼叫中共花費 $0.072。輸入成本落在 $0.168,輸出維持 $0.0324。每張工單 $0.20,每月 $4,010——而快取對帳單的貢獻,比任何模型替換都來得大。

• 以我們自架環境的費率計算,Qwen3.8-27B 每次呼叫 46,000 個輸入 token,每百萬 token $0.33,等於 $0.0152;八次呼叫為 $0.121。輸出為 900 個 token、每百萬 token $2.40,則每次呼叫 $0.00216,每張工單 $0.0173。每張工單 $0.139,每月 $2,780。

有兩件事隨之浮現。在旗艦模型上快取前綴可節省 66%,並使其落在小模型未快取價格的 1.4 倍以內——層級之間的差距,小於使用快取與否的差距。而小模型的優勢雖然真實,但在這個 token 量下並不具變革性:以每月 20,000 張工單計算,大約是每月 $1,200。它真正帶來變革的地方,是在用量達到十倍時,或是在工作簡單到 20-index 模型就足以勝任時——而對工具呼叫路由與分類來說,通常正是如此。

旗艦,並非可有可無的選項

有一類工作,27B 等級並不是更便宜的替代品,而是根本行不通;把這一點說清楚,正是實用比較與推銷頁面之間的差別。

• 超過 256,000 個 token 的長上下文工作 — Qwen3.8-27B 止步於 262,144;Qwen4-Max 可承載 1,000,000,於非思考模式下輸入上限為 991,808 個 token。一份 400,000 個 token 的合約審閱完全塞不進這個小模型。

• 長時程代理執行——阿里巴巴對 Qwen4-Max 的代理式宣稱,包括在濕實驗室平台上進行為期 48 小時的自主材料探索,以及對 198 份工作文件進行法律盡職調查並產出一份 86 頁報告。無論人們如何看待廠商演示,它們所描述的是一類 20-index 模型不會嘗試的任務。

• 長影片輸入——Qwen4-Max 支援影片與 1M 視窗;27B 系列支援 262K 的影片。每秒影片片段影格數的算術毫不留情。

• 安全程式碼撰寫 — A​libaba 回報,Last Secure Code Bench 的函式層級通過率在 Max 等級上跨世代從 22.0% 升至 31.8%,而同時在函式、檔案與儲存庫粒度上都安全的程式碼比例則從 8% 升至 14.7%。這些是廠商數據且未經重現,但這正是安全審查會要求、而小型模型的模型卡不會列出的那類數字。

這個模式是:旗艦模型之所以值回票價,靠的是那些冗長、多模態,或出錯代價高昂的任務,而不是那些數量繁多的任務。大多數生產系統同時包含這兩類任務,這就是為什麼「該用哪一個」的答案通常是「兩個都用,分流處理」。

在單一鍵上執行混合態

OrcaRouter 在一個 OpenAI 相容端點上提供 Qwen3.8 系列——Qwen3.8-Max、Qwen3.8-Flash 與 Qwen3.8-27B,價格為供應商定價,零加成,其中 27B 是我們以 Apache-2.0 權重在自己的基礎設施上執行的版本,因此價格為 $0.33 與 $2.40,而非阿里巴巴的 $0.50 與 $3.00。它並未收錄 Qwen4-Max:該模型可透過阿里巴巴自家的 Model Studio API 及多個第三方平台存取,截至 11 月 16 日尚未列入目錄中。

這在今天之所以可行,靠的是這項比較所主張的路由模式,而不必等待 27B。一個 API 支援超過 200 個模型,意味著層級決策不再是採購決策:適合 256K 且看似例行的請求會送往qwen/qwen3.8-27b;而冗長、多模態或被標記為高風險的請求,則會在同一把金鑰上送往前沿模型;路由 DSL會把這種分流表達為規則,而不是應用程式碼中的分支。自動容錯移轉意味著便宜層級可以承擔流量,而不會在它狀況不佳的下午成為單點故障;而且任何供應商的降價都會在同一天反映到你的金鑰上,因為牌價是直接透傳而非加價。

模型融合是那套工具組裡的第三個選項,也是最不契合這組特定組合的做法——一組模型共同作答的成本,比單獨使用其中任何一個都高,而採用它的理由是為了應付難題時的分歧,不是為了處理量。知道它存在是好事;但在客服工單分流器上,並不值得動用它。

A screenshot of the OrcaRouter model page for Qwen3.8-27B at the identifier qwen/qwen3.8-27b, showing the $0.33 input and $2.40 output prices, the Vision, Tools, JSON and Reasoning capability tags, the attribution to Qwen dated 2026-08-13, and the description of it as Alibaba's open-weight 27B dense multimodal model released under Apache-2.0 and self-hosted on OrcaRouter's own infrastructure, accepting text, images and video with a 256K-token context window.

權重到位前該做什麼

如果你之所以等 Qwen4 27B,是因為想要一個能自己跑的小型開源模型,那這段等待對你來說代價不大:Qwen3.8-27B 採用 Apache-2.0 授權,具備 256K 視窗,能讀取文字、圖像與影片,而且在 Qwen 自家的規格表上,LiveCodeBench v6 拿下 90.3、GPQA Diamond 拿下 89.2——這些是廠商公布的數字,以這樣的規模來說相當亮眼。就從這裡開始,實測一個 20-index 模型對你的任務成功率造成什麼影響,那麼在 Qwen4 檢查點推出之前,你就會知道這個層級到底適不適合你的工作負載。

如果你的理由是成本,先快取前綴。上述實例顯示,只靠一個請求參數,就能在旗艦模型上節省 66%,這比同樣在未快取基準下,旗艦模型與小模型之間的差距還大。團隊常會尋找更便宜的模型,而當帳單中昂貴的部分,是他們正以全價反覆讀取的前綴時,更是如此。

若你的理由是能力,沒有哪個 27B 能替代。Qwen3.8-27B 與 Qwen4-Max 之間那二十三點指數差距,正是「能妥善處理例行工作」與「會嘗試長時間、多模態、高風險任務」的模型之間的差別;而 A​libaba 自家路線圖的說法也指出,小模型正針對小模型最擅長的事進行調校,這承諾的是效率,而非對等。現在就依現有層級建立路由分流;等到 Qwen4 27B 登上 Hugging Face 的那天,那會是目錄新增一筆、規則改一下,而不是一次遷移。

A screenshot of Alibaba Cloud Model Studio's documentation page for qwen4-max (Latest Model), dated 11-16, showing the model description as the next-generation flagship multimodal model in the Qwen family covering text generation, image and video understanding and deep reasoning, its support for web search, tool calling and structured outputs, its OpenAI and Anthropic API compatibility, and its deployment regions including China (Beijing), Singapore and Germany (Frankfurt).