
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
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 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 每百萬 tokens · 87 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 133 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 150 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 每百萬 tokens · 119 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 每百萬 tokens · 219 tok/s
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 Qwen 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。Alibaba 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。

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。
Alibaba 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 Qwen 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 — Alibaba 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。

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 Alibaba 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。

