一張生成的主視覺標題卡,標題為「Qwen4-Max 對比 Step-5 Preview」,副標題為「能力高出 48%、價格高出 33%、每個指數點 6%」,並有三個膠囊標籤,分別寫著「43 對 29 指數」、「每項任務 .27 對 .35」和「2026 年 11 月 16 日」。頁尾一行寫著「分數依據 Artificial Analysis Intelligence Index v5.0.1;價格依據各供應商的價目表。」白色背景上採用平面向量風格,帶有藍到青色的漸層渲染,OrcaRouter 標誌合成於右下角。
Guides & Insights

Qwen4-Max 對比 Step-5 Preview:十四個指數點,每點半美分

作者

Elias Hawthorne

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

把每個模型每項任務的成本除以它的得分,這個比較的兩邊結果差距在 6% 以內。Qwen4-Max由阿里巴巴於今天(2026 年 11 月 16 日)發布,在 Artificial Analysis Intelligence Index v5.0.1 上得分 43,實測每項指數任務成本為 3.27 美元——約每指數分 7.6 美分。Step-5 Preview是 StepFun 的 6000 億參數稀疏混合專家模型,於 2026 年 9 月 20 日發布,在同一指數上得分 29,每項任務成本 2.35 美元——約每分 8.1 美分。其中一個模型在兩者唯一共同受測的尺規上聰明 48%。另一個則在計價的兩端都更便宜,輸入端便宜三分之一,輸出端便宜 40%。而按每單位實測能力計算,兩者相差在 7% 以內,全新的旗艦模型略勝一籌。

那不是兩家廠商任何一方在推銷的比較,而這正是真正決定是否遷移的那個比較。它還伴隨著一個沒有任何發布文章提到的非對稱性:這兩個模型中,有一個具有獨立測得的輸出速度,另一個則完全還沒有測得速度,因為它才剛問世幾個小時。接下來會區分哪些是文件所載、哪些是實測,算清楚快取算術——它會把價格差距從 33% 變成完全不同的另一回事——最後落在答案毫無懸念的兩個軸線上:權重與輸出上限。

截至今日,每一個分別是什麼

Qwen4-Max 是 Alibaba 的第四代旗艦模型,建構於 2.4 兆參數的骨幹之上,每個 token 啟用 710 億參數,外加 3,280 億 N-gram 嵌入參數。它接受文字、圖像與影片,並回傳文字。文件所載的上下文視窗為 1,000,000 個 token,非思考模式的輸入上限為 991,808 個 token,思考模式則為 983,616 個 token——差額即為推理預留空間。關閉思考時,最大輸出為 131,072 個 token;開啟思考時,推理與答案共用 262,144 個 token 的預算。思考預設為開啟,預算為 131,072 個 token,預設推理強度為 high,可選 low、high 與 xhigh。上述數字出自 Alibaba 自家文件,而 Qwen4-Max 不公開權重,任何地區皆不支援微調,任何地區也皆不支援模型部署。

Step-5 Preview 是 StepFun 專為代理式工作打造的旗艦模型:總參數量 6000 億、活躍參數 270 億、100 萬 token 的上下文視窗,並支援文字、圖像與影片輸入、文字輸出。推理強度可選擇低、中、高三檔。文件記載的最大輸出為 64,000 個 token,而 max_tokens 預設不設上限,由模型自行決定長度。它支援串流輸出、工具呼叫、JSON Schema 輸出與提示快取,且 API 與 OpenAI 相容。

推出三個月後,名稱中的「Preview」已不再符合其原意。StepFun 至今仍在其模型總覽中將其列為 Preview,而 BF16 與 FP8 檢查點自 10 月 15 日起,便已依 StepFun Model License 1.0 發布於 Hugging Face。請把這個標籤視為命名習慣,而不是端點會在你使用時變動的警告——但也不要把它解讀為 GA 承諾,因為廠商並未做出這樣的承諾。

價差是三分之一;改變它的是快取算術。

以定價而言,這兩者很容易總結:Step-5 Preview 在電錶兩側都更便宜,而且差距遠超過四捨五入的誤差。

• 輸入 — Qwen4-Max 在新加坡為每百萬個 token 1.50 美元,其他五個地區為 1.413 美元,而 Step-5 Preview 則為 1.00 美元

• 輸出 — Qwen4-Max $4.50,相較於 Step-5 Preview $2.70

• 快取讀取 — Qwen4-Max 每百萬 $0.075,享 95% 折扣,相較於 Step-5 Preview 的 $0.10,享 90% 折扣

• 快取寫入 — Qwen4-Max 每百萬 $1.875(五分鐘 TTL)及 $3.00(一小時),而 Step-5 Preview 則為零,因為 $1.00 的快取未命中輸入已包含寫入前綴

• 混合計價,依 Artificial Analysis 的 7:2:1 快取命中/輸入/輸出比例 — Qwen4-Max 每百萬 $0.80,相較於 Step-5 Preview $0.54

那條快取寫入的項目正是會被跳過的一項,而它正是在合適的工作負載上能逆轉排名的一項。取一份 300,000 token 的文件,分四輪審閱,每輪輸出 3,000 token,按新加坡費率計算,不啟用思考。在 Qwen4-Max 上,第一輪以 $0.5625 寫入前綴,並產生 $0.0135 的輸出;接下來三輪分別以 $0.0225 讀取該前綴,合計另有 $0.0405 的輸出。總計 $0.684。在 Step-5 Preview 上,第一輪的輸入費用為 $0.30,輸出費用為 $0.0081;接下來三輪每輪 $0.03,另有 $0.0243。總計 $0.422。在這項工作上,Step-5 Preview 便宜 38%。

將它縮減為單次執行,差距反而擴大而非縮小——$0.576 對上 $0.308,Step-5 Preview 便宜 46%——但原因改變了。單次執行時沒有可攤銷的讀取,因此你是在為一個永遠不會重用的前綴支付 Qwen4-Max 的快取寫入溢價。實用規則是:Qwen4-Max 的快取會回報被讀取多次的前綴,並懲罰只被讀取一次的前綴。Step-5 Preview 固定的 $0.10 快取讀取價,以及已包含寫入的未命中價格,對於無法預測命中率的工作負載而言是更友善的結構。

A generated two-column scoreboard titled 'Qwen4-Max vs Step-5 Preview — the scoreboard'. The Qwen4-Max column reads Intelligence Index 43, cost per index task .27, cost per index point 7.6 cents, cache write .875 per 1M, weights none published, max output 131,072 tokens. The Step-5 Preview column reads Intelligence Index 29, cost per index task .35, cost per index point 8.1 cents, cache write included in .00 miss price, weights BF16 and FP8 on Hugging Face, max output 64,000 tokens. A footer reads 'Index per Artificial Analysis v5.0.1; prices and limits per Alibaba and StepFun documentation, November 2026.'

十四點,以及一個方向相反的證據缺口

兩個模型都已納入 Intelligence Index v5.0.1 進行評測,該指數涵蓋九項評測:AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 以及 Terminal-Bench-Science 0.1。兩個模型的頁面都未分別公布各推理強度設定下的分數,因此這些數字是在 Artificial Analysis 所採用的設定下所得到的單一數值。

• 指數 — Qwen4-Max 為 43,在其類別 81 個中排名第 38;相較之下,Step-5 Preview 為 29,在大型開放權重模型 29 個中排名第 10。各類別的中位數不同(41 和 23),因此即使分數可以相比,這些排名彼此仍不可相比

• 每項索引任務的成本 — $3.27 對比 $2.35

• 每個指數點的成本——7.6 美分對比 8.1 美分,因此就每項任務而言較貴的模型,在每單位能力上反而較便宜

• 輸出速度 — Step-5 Preview 每秒 124 個 token,相較之下 Qwen4-Max 未公布數據。Artificial Analysis 將其每項任務耗時列為未知,而其供應商頁面完全沒有回報任何供應商基準測試。

• 產生首個回答 token 的時間 — Step-5 Preview 為 23.53 秒,而 Qwen4-Max 則未公布任何數據

• 每個索引任務的時間 — Step-5 Preview 為 15.2 分鐘,而同類別的中位數為 13.3 分鐘;Qwen4-Max 則沒有數據

• 冗長程度 — Qwen4-Max 在整個索引中共產生 1.27 億個輸出 token,而中位數為 7,860 萬;相較之下,Step-5 Preview 為 1.29 億,中位數為 1.04 億。兩者都偏冗長;Qwen4-Max 相對於更精簡的同類群體而言顯得冗長。

23.53 秒的首個 token,是任何規劃以互動方式部署 Step-5 Preview 的人都該擔心的數字。這不是網路造成的假象:這是個 6000 億參數、預設開啟思考的模型,在你開始得到答案之前要你先付出的代價。Qwen4-Max 的推理預設值——思考開啟、131,072 個 token 的預算、effort 設為 high——指向同一個方向,而在有人實際測量之前,沒有誠實的方法能說哪一個比較慢。這就是發布日購買的實際代價:你拿到分數和價目表,卻拿不到延遲數字。

阿里巴巴自家的評估資料是另一回事,應視為廠商自行報告且未經重現。在 Work360 這項涵蓋 26 個頂層產業領域的內部基準測試中,廠商報告 Qwen4-Max 為 52.69,Qwen3.8-Max 為 47.74。它還報告 Work360 每項任務的平均成本從 4.43 美元降至 1.67 美元,降幅 62%;在該基準測試中,xhigh effort 下的 token 用量下降約 24%,high effort 下下降 35%;在 Terminal-Bench 4.0 上則分別下降 48% 和 49%。這些都是關於 Qwen4-Max 相較於前代的說法。它們完全沒有提及 Step-5 Preview,且其中沒有一項經過獨立查核。

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026, showing 'Released November 2026', the Alibaba Cloud provider label, an Intelligence Index of 43 ranked 38 of 81, in-benchmark ranks for performance, cost and verbosity, .50 input and .50 output per 1M tokens, a 95% cache discount, .27 cost per task, 127M tokens generated, and a 984k-token context window.

權重:這次差距很大

Step-5 Preview 今日開放下載。Hugging Face 儲存庫提供 BF16 與 FP8 safetensors,採用 StepFun Model License 1.0——這是一種 Apache-2.0 風格的授權,附有署名要求與商業使用條件——以及聊天範本、三種量化變體與部署方案:在 vLLM 下於四張 B300 或八張 H200 上運行 FP8,在 SGLang 下於相同硬體上運行 FP8,以及在八張 B300 或十六張 H200 上運行 BF16。過去一個月約有 1,600 次下載。

Qwen4-Max 沒有 checkpoint,也沒有取得 checkpoint 的途徑。Alibaba 的文件在每個區域都將微調標示為不支援,且在每個區域都將模型部署標示為不支援;這比「權重尚未釋出」是更強烈的表述——它表示供應商根本不會讓你透過其平台自行執行這個模型。如果你的需求是能夠量化、微調、氣隙部署或固定到特定建置版本的模型,那麼比較到此為止,而且結果對 StepFun 有利。

這也改變了「開放」能帶給你什麼。Step-5 Preview 的授權允許在附帶條件下進行商業使用,因此法律審查是採用成本的一部分;而部署方案假設使用的是四到十六顆 GPU 的節點——這不是那種能在工作站上跑的模型。但它的行為不會因為供應商悄悄更新,就在你腳下被改變;對任何打造受監管或長壽命系統的人來說,這比十四個指數點更有價值。

輸出上限,以及一個值得留意的說明文件衝突

這是最不引人注目的差異,卻也是最可能對特定工作負載造成問題的一點。Qwen4-Max 在關閉思考時提供 131,072 個 token 的輸出,在開啟思考時則提供共用的 262,144 個 token 預算。Step-5 Preview 的 API 文件指出,最大輸出為 64,000 個 token。其 Hugging Face 模型卡則表示,輸出可達完整的 100 萬個 token,且輸入與輸出都計入同一上限。

那兩項陳述來自同一家廠商,彼此相隔不到一個月,而且兩者都未標示為已棄用。如果你正在規劃一項長輸出的任務——一份完整報告、一個大型修補程式、一份生成的檔案——請閱讀 API 文件,而不是那張卡片,並在以此為基礎進行架構設計之前先測試上限。64,000 這個數字與每個索引任務 15.2 分鐘的時間相符;1M 這個數字則意味著相當不同的事。

還有一個值得指出的不對稱之處:兩款模型都接受影片輸入,但只有 StepFun 公布了操作細節。每次請求最多 60 張影像,細節程度可為低或高;影片可以 URL、Base64 或 stepfile:// 參照的形式提供,MP4 須低於 128 MB,並建議片段長度短於五分鐘。阿里巴巴為 Qwen4-Max 記錄了影片輸入,卻未在模型頁面上公布可相比擬的限制。如果影片對你的工作負載而言是核心而非附帶,那麼這種文件品質差異本身即是一項訊號,顯示哪個供應商先前曾被問過這個問題。

這週該由誰來挑哪一個?

如果上限比帳單更重要,就選 Qwen4-Max:硬推理、長程代理式工作,或任何在九項評估指標上 43 對 29 足以決定任務能否完成的情況。但得接受兩個風險作為交換。第一,你是在第一天就買單,既沒有獨立延遲數據,也沒有第三方重現廠商的 Work360 主張。第二是快取寫入溢價,它對單遍長上下文工作每寫入百萬個 token 悄悄課徵 1.875 美元。

如果你需要擁有該模型、需要實測每秒 124 個 token,以及可據此規劃的 23.53 秒首個 token 延遲,或你的工作負載快取密集到無法預測,就選擇 Step-5 Preview。要接受你買的是 29 個指數點、首個 token 來得慢,以及供應商以兩種不同方式記載輸出上限。

第三個選項對本週大多數團隊來說才是誠實的選擇:兩者皆不選,別無其他。這兩個模型在每單位實測能力上的差距為 6%,遠落在單一指標版本的誤差範圍內,而且兩者都只由同一套評測工具評估過一次。若團隊憑藉發布當天的分數就押注其中一個模型,等於是在對一個尚未被重現的數字表態。

在沒有第二份合約的情況下同時執行兩者

目前 OrcaRouter 目錄中這兩個模型都不存在——215 個模型識別碼,今天早上查過,其中沒有 Qwen4 項目,也沒有 StepFun 的文字模型。兩者都可透過各自供應商的 API 存取:Qwen4-Max 可透過 Alibaba 的六個區域,Step-5 Preview 則可透過 StepFun 位於 api.stepfun.ai/v1 的 OpenAI 相容端點。若說不是這樣,就會是那種不到一週便會站不住腳的說法。

我們路由的對象,正是 Qwen4-Max 所取代的模型。 Qwen3.8-Max 已收錄在我們的目錄中,識別碼為 qwen/qwen3.8-max,採用阿里巴巴自家的定價,每百萬個 token 輸入 $2.00、輸出 $6.00,不加價原樣轉出,並與另外 214 個識別碼並列於同一個 OpenAI 相容的基礎 URL 上。在這次比較中,這點之所以重要,正好只有一個原因:把正式生產路徑押在剛發佈的模型上,是最糟糕的選擇;而穩健的做法,是在路由中保留已驗證的世代,同時用你自己的流量來衡量新模型。路由 DSL 把這件事表達為策略,而非程式碼變更——把困難、推理密集的呼叫送到新模型,把高流量工作留在更便宜且已驗證的模型上,並讓 自動容錯移轉接住全新端點在你未能預測的負載下效能劣化的情況。

直通式定價也意味著本文中的計算始終誠實。當 Alibaba 降價——就像今天所做的那樣,將 Qwen4-Max 從 Qwen3.8-Max 的 $2.00 與 $6.00 調降至 $1.50 與 $4.50——一份直接反映供應商牌價的價目表,會在同一天反映此變動,而不是等到下一次合約續約。這並不是主張我們勝過任一供應商自家的 API。這是在主張:不要簽下任何會鎖定你尚未見過維持一個月的價格的協議。

A screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026, showing the model identifier, text, image and video input with text output, a 1M-token context window, a list date of 2026-08-03, .00 input and .00 output per 1M tokens, measured latency figures, and an OpenAI-compatible Python sample pointing at https://api.orcarouter.ai/v1.

讀者兩週後真正想看的比較,不是這則標題裡的那個。而是 Qwen4-Max 的延遲與 Step-5 Preview 的穩定版發布,兩者都由非廠商的一方、針對人們實際運行的工作負載來測量。在那之前,站得住腳的立場既狹窄又不光鮮:48% 的能力差距、33% 的價格差距、每單位能力 6% 的差距,以及一連串決定——權重、輸出上限、快取結構——這些都不是任何指數分數能捕捉的,且會比這個發布週更長壽。