
Qwen 4 對決 Claude Opus 5.5:十六個指數點,以及每則回答的代價
- 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 · 126 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 · 44 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 · 147 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 · 123 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
Qwen4-Max 在 Artificial Analysis Intelligence Index 上拿下 42.9 分,而Claude Opus 5.5 則拿下 59.1 分——兩者相差 16.2 分,且是在同一套測試、同一個版本(v5.0.1)上測得,時間相隔不到兩個月。在同一個榜單上,Qwen4-Max 完成一項索引任務要價 $3.27,Claude Opus 5.5 則要 $10.04。所以比例很乾淨:Opus 多交付 38% 的索引分數,代價是每項任務多付 207% 的錢。這究竟是划算還是浪費,完全取決於你的工作負載買的是分數還是答案,而這兩者並不是同一種購買。本文為兩者都標上價格。
這兩張卡片,逐一維度來看
Alibaba 於 2026 年 11 月 16 日將 Qwen4-Max 正式全面推出,按用量計費,涵蓋六個地區;Anthropic 則自 2026 年 9 月 22 日起就已開賣 Claude Opus 5.5。以下所有內容不是廠商定價,就是標示為 Artificial Analysis 的讀值——這兩者絕不會混在同一個數字裡。
• 每百萬個 token 的價格 — Qwen4-Max 在新加坡為輸入 $1.50 / 輸出 $4.50(全球範圍地區為 $1.413 / $4.24);Claude Opus 5.5 為輸入 $4.00 / 輸出 $20.00。兩者皆為廠商定價。
• 快取輸入——Qwen4-Max 的快取讀取每百萬為 $0.075,相較於 Claude Opus 5.5 的 $0.20。Qwen 也公布快取寫入費率:五分鐘項目為 $1.875,一小時為 $3.00。
• 上下文視窗 — 兩者皆公布為 1,000,000 個 token。Artificial Analysis 追蹤器將 Qwen4-Max 列為 983,616,這是思考模式的輸入上限,而非矛盾:阿里巴巴在不啟用思考時將輸入上限設為 991,808,啟用時設為 983,616,因為推理與答案共用同一個 262,144 token 的輸出預算。
• 最大輸出 — Qwen4-Max 在非思考模式下可達 131,072 個 token;若開啟思考模式,則可在推理與回答之間分配 262,144 個 token。Claude Opus 5.5 並未公布對應的分配方式。
• 指數分數——Qwen4-Max 在高強度推理下為 42.9;Claude Opus 5.5 在最高強度推理下為 59.1。Artificial Analysis,v5.0.1。
• 每項索引任務成本 — 3.27 美元對比 10.04 美元。Artificial Analysis,相同修訂版。
• 權重——兩者皆非開放。Qwen4-Max 被列為專有模型,且唯一託管商為 Alibaba Cloud;Claude Opus 5.5 亦為專有模型,透過 Anthropic 的 API、Amazon Bedrock、Google Cloud 與 Microsoft Azure 發佈。
• 輸入模態 — 兩者皆接受文字與圖像並回傳文字。就追蹤器的能力旗標而言,兩者皆不接受影片。

十六點究竟實際存在於何處
單一索引數字所隱藏的多於所揭示的,而這兩個模型就是很好的例子。兩個模型表現接近的測試套件,並不是人們爭論不休的那些測試套件。
• Terminal-Bench 4.0 — Claude Opus 5.5 59.6%,Qwen4-Max 48.5%。差距十一分,而這是最直接對應到「它能不能操作 shell」的一項。
• FrontierCode 2.0 — 46.4% 對 26.5%。這是整組中差距最大的一項,也是商業後果最明確的一項,因為它屬於儲存庫規模的程式碼工作,而非單一函式生成。
• HLE Diamond — 67.9% 對 44.9%。艱深科學問題,差距 23 個百分點。
• CritPt Agentic Hard — 68.0% 對 43.0%。在物理等級推理上相差 25 個百分點。
• GDPval — 1,866.27 對 1,808.69。在任務價值基準上相差 3.1%。在具經濟基礎的專業工作上,這兩個模型彼此接近;在艱深技術工作上則不然。
• 全知性 — Claude Opus 5.5 為 48.1,對上 Qwen4-Max 的 27.7,聽起來又像是一場一面倒的碾壓,直到你看到下一節的幻覺欄。
• 能力分項比較——Anthropic 的模型在該追蹤器公布的六項子分數中全面領先,其中金融與會計領域的差距最小(59.4 對 54.1),工程領域的差距最大(65.3 對 50.1)。
實務解讀:若你的工作屬於摘要、擷取或基於來源的文件分析,16 個百分點的頭條說法會誇大差異;若屬於代理式程式設計,則會低估差異。

兩個模型都會捏造內容。其中一個明顯較少這麼做。
Artificial Analysis 會在準確率分數旁報告全知幻覺率,而這是 Qwen4-Max 完全勝出的唯一一欄:在其不正確或無法驗證的答案中,有 28.4% 是幻覺,而 Claude Opus 5.5 則為 50.3%。換句話說,Opus 正確的頻率高得多,但當它出錯時,它自信地答錯而非僅僅沉默的機率是兩倍以上。
這對任何需要人工審核步驟的流程都很重要。一個在出錯時有 50% 機率說「我不知道」的模型,代價是你要再多問一次;一個在出錯時有 50% 機率憑空編造的模型,代價則是你必須對每一份輸出都做一次事實查核,而這是截然不同、且龐大得多的成本項目。
帳單是輸入,不是輸出。
兩款模型都以宣傳上的輸出費率作為賣點,但兩者的輸出費率都不是成本主要來源。拆解 Artificial Analysis 自家的逐任務成本數據:在 Qwen4-Max 上,$3.27 中有 $2.80 用於輸入 token,$0.47 用於輸出。在 Claude Opus 5.5 上,$10.04 中有 $6.57 用於輸入,$3.47 用於輸出。兩者分別佔 86% 與 65%;而且在兩種情況下,輸入項的大部分都是快取流量——Qwen4-Max 的輸入成本中有 $1.12 是快取讀取、$1.67 是快取寫入;Opus 的對應數字則是 $4.74 與 $1.80。
這就是為什麼這兩個模型之間的每 token 比較,是頁面上最沒用的數字。Qwen4-Max 的輸出費率比 Opus 便宜 4.4 倍,但它的每次回答成本優勢卻只有 3.1 倍,因為它把更大比例的預算花在必須讀取的上下文上,也花在必須寫入的上下文上——而在五分鐘快取寫入上,後者的價格是每百萬 1.875 美元。
一個四十輪的 agent,被定價兩次
設想一個程式編寫代理,每回合增加 8,000 個 token 的工具輸出,執行四十回合,且每回合產生 1,500 個 token 的答案。不使用快取,採用牌價:
• Qwen4-Max — 累計輸入 token 656 萬個,每百萬 token $1.50,加上 60,000 個輸出 token,每百萬 token $4.50:$9.84 + $0.27 = $10.11。
Claude Opus 5.5 — 656 萬輸入量,以每百萬 $4.00 計,加上 6 萬輸出量,以每百萬 $20.00 計:$26.24 + $1.20 = $27.44。
現在,同樣的執行在累積前綴上達到 90% 的快取命中率,而這正是建構良好的代理迴圈實際上能達到的:
• Qwen4-Max — 5.904M 快取,按 $0.075 計($0.44)+ 656K 新增,按 $1.50 計($0.98)+ $0.27 輸出 = $1.69。
• Claude Opus 5.5 — 5.904M 快取,$0.20($1.18)+ 656K 全新,$4.00($2.62)+ $1.20 輸出 = $5.01。
由此可以得出兩個結論。快取讓兩份帳單都減少超過 80%,因此沒有啟用提示快取的代理,等於付了它所需費用的五到六倍。而兩者的倍數差距幾乎不變——未快取時為 2.7 倍,快取後為 3.0 倍——因為 Qwen4-Max 的優勢集中在快取寫入費率上,而快取情境會預先消耗這部分的用量。以上是依據公開費率所做的牌價推算,並非實測帳單;你的回合數、前綴成長幅度與快取命中率,都會大幅改變絕對數字。
這也是路由層真正發揮價值、而不只是圖個方便的地方。我們以 0% 加價原樣傳遞供應商牌價,因此上方的差距是供應商的差距,不是我們的——而如果 Anthropic 更改 Opus 的定價卡,該變更當天就會在同一把金鑰上生效。兩個模型都可透過同一個端點呼叫,並具備自動容錯移轉,這在這裡特別重要,因為兩者的發布日期相差兩個月:Qwen4-Max 專屬的迴歸問題會以請求失敗的形式出現,而不是一週後才注意到的糟糕答案。
「與蒸餾斷絕」實際上是在主張什麼
圍繞這場對決流傳的說法是:Qwen4-Max 在廠商基準測試上看起來具競爭力,卻在獨立指數上崩盤;而阿里巴巴被切斷蒸餾管道,則解釋了這次跌落。這個說法其實是兩個主張披著同一件外衣,且只有第一個是可衡量的。
第一點是真的,且並不神祕。阿里巴巴的發布資料顯示,Work360 為 52.69,上一代為 47.74;同一基準上的 token 減少 24% 與 35%;在 Terminal-Bench 4.0 上為 48% 與 49%;每項任務成本從 4.43 美元降至 1.67 美元。這些全都是廠商自行報告且未經重現。相較於一個包含 FrontierCode 2.0 與 CritPt Agentic Hard 的九套件獨立指數——阿里巴巴並未公布這些套件的數字——該模型落在 42.9。廠商基準套件與衡量不同事物的獨立套件會出現分歧;這是正常情況,不能證明什麼。
第二項說法(關於蒸餾)並非買家能夠驗證或據以行動的事,也不是你能呼叫的模型屬性。真正可驗證且有用的是這種能力缺口的形狀:集中在儲存庫規模的程式碼與硬科學,而在專業任務價值上偏薄。這是一項關於該把模型部署到哪裡的陳述,而且無論事後證明它的訓練方式為何,這項陳述都成立。

取得任一個
Claude Opus 5.5 已在我們的目錄中,型號為 anthropic/claude-opus-5.5 ,採用 Anthropic 的定價,每百萬 token 輸入 $4.00、輸出 $20.00。Qwen4-Max 則不在我們的目錄中——目前以 qwen4 這個識別碼查詢會回傳找不到——要使用它,得透過阿里巴巴自家的 Model Studio API 以及數個第三方平台。我們不會假裝不是如此,而我們這邊最誠實的替代方案是 qwen/qwen3.8-max,也就是前一代旗艦,價格為 $2.00 與 $6.00。
所以,這條決策規則比計分板所暗示的範圍更窄。如果你的工作負載是儲存庫規模的程式撰寫、艱難的技術推理,或任何錯誤答案代價高昂、慢答案卻無妨的情況,那麼這 16 分就是真實存在的,而每項任務 $10.04 就是換取它們的代價。如果你的工作負載是大量有根據的文件工作,而 GDPval 指出這兩個模型相差在 3% 以內,那麼你付的是 Opus 的費率,換來的差異卻不會出現在你的評估集裡——而 $3.27 的 Qwen4-Max 是更划算的選擇,還附帶較低的幻覺率作為額外好處。在你做決定之前該計算的數字,不是指數差距,而是你的輸入有多大比例被快取。
本文中的比較2
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
