Flagship baru Alibaba menghadirkan backbone 2,4 triliun parameter, visi native, dan jendela konteks 1M token seharga $1,50 per juta token input, menekan harga semua flagship Barat.
Tim Qwen dari Alibaba merilis Qwen4-Max pada 16 November 2026, dan garis harga adalah hal pertama yang patut dilirik: $1,50 per 1 juta token input dan $4,50 per 1 juta token output di QwenCloud.
Sebagai perbandingan, rangkuman harga yang beredar di minggu yang sama mencantumkan GPT-6 Astra pada $10 untuk input dan $50 untuk output, serta Claude Fable 5.2 pada $8 dan $40.
Qwen4-Max adalah model pertama yang dibangun di atas arsitektur Qwen4 baru, dengan backbone 2,4 triliun parameter, 71B parameter aktif per token, tambahan 328B parameter embedding N-gram, visi native, dan jendela konteks 1 juta token.
Alibaba memposisikannya sebagai model agen dengan horizon panjang alih-alih model chat, dengan sebagian besar materi peluncuran didedikasikan untuk run otonom berjam-jam di bidang rekayasa, keuangan, hukum, dan penemuan obat.
Dalam artikel ini, saya akan membahas semua hal baru di Qwen4-Max, mulai dari arsitektur, fitur utama, angka tolok ukur (termasuk di mana hasil independen berbeda dari milik Alibaba), mode effort, harga, dan akses.
Qwen4-Max adalah flagship baru Alibaba, dibangun di atas arsitektur Qwen4 yang segar dengan visi native dan jendela konteks 1M token.
Kenaikan performa berada pada pekerjaan agen ber-horizon panjang dan deliverable profesional, di mana ia mengalahkan Claude Opus 5.5 pada beberapa run yang dilaporkan Alibaba.
Kelemahan ada pada coding terminal: tertinggal jauh dari Kimi K3.1, Opus 5.5, dan kedua model GPT-6. Pemahaman chart dan video juga kalah dari tiga model AS.
Harga adalah argumen terkuat. Ia menekan harga semua flagship Barat dalam rangkuman harga saat ini untuk input dan output, meski tarif per token yang lebih rendah tidak menjamin biaya per tugas lebih rendah.
Perlakukan angka dengan hati-hati: grafik peluncuran disusun vendor. Run independen kini ada dan lebih campur, dengan Artificial Analysis menempatkannya peringkat sembilan dan Vals peringkat 11, serta penguji menggambarkannya lambat dan bertele-tele. Run Terminal-Bench milik Vals sesuai dengan angka Alibaba.
Tidak ada bobot terbuka untuk Max. Model Qwen4 yang lebih kecil dijanjikan akan open source nanti.
Apa Itu Qwen4-Max?
Qwen4-Max adalah model berbobot tertutup andalan Alibaba dan rilis pertama dalam seri Qwen4, melanjutkan Qwen3.8-Max.
Ini adalah model mixture-of-experts sparse, artinya hanya sebagian parameternya yang bekerja pada token tertentu. Dari 2,4 triliun parameter backbone, 71B aktif per token, dan ia menambahkan 328B lagi dalam embedding N-gram, yaitu tabel lookup yang memerlukan komputasi kecil. Ia menerima input teks, gambar, dan video serta menghasilkan output teks.
Arsitektur adalah titik perbedaan terbesar Qwen4 dari generasi sebelumnya, dan ini membantu menjelaskan cerita biaya nanti. Tiga komponen berubah:
Atensi hibrida (GDN + QSA): untuk setiap layer atensi sparse, tiga layer Gated DeltaNet mengompresi konteks awal ke dalam memori berukuran tetap. Layer sparse kemudian memilih hanya bagian konteks yang relevan, sehingga jendela 1M token tetap terjangkau.
Gated Residual: setiap layer memiliki empat jalur paralel, dengan gerbang yang mengontrol aliran di antaranya. Alibaba mengkredit ini untuk pelatihan yang stabil.
Embedding N-gram: lookup untuk pola token lokal yang umum, yang menambah kapasitas dengan komputasi ekstra yang kecil.
Alibaba melaporkan bahwa run pelatihan 2,4T tidak mengalami lonjakan loss, yaitu lonjakan tiba-tiba yang menandakan pelatihan tidak stabil.
Model dasarnya, Qwen4-Max-Base, juga mencatat bits per byte terendah dari lima checkpoint yang dievaluasi pada pengetahuan, kode, QA, dan STEM. Bits per byte mengukur seberapa baik model memprediksi teks, dan semakin rendah semakin baik.
Hasilnya 5 hingga 13% di bawah Qwen3.8-Max-Base, sambil mengaktifkan 25% parameter lebih sedikit. Ini adalah pengujian internal, dan catatan cakupan menyebutkan bahwa dua dari checkpoint yang dibandingkan telah menerima pelatihan tambahan, sehingga perbandingan tidak sepenuhnya apple-to-apple.
Angka kapabilitas utama adalah Work360, tolok ukur milik Alibaba yang mencakup 721 bidang profesional, di mana Qwen4-Max meraih 52,69 dibanding 47,74 untuk Qwen3.8-Max.
Fitur Utama Qwen4-Max
Peluncuran ini berfokus pada apa yang dihasilkan model di akhir run panjang alih-alih apa yang diucapkannya dalam satu giliran, jadi fitur-fitur di bawah ini terutama tentang durasi, alat, dan format output.
Jendela konteks 1 juta token dengan visi native
Qwen4-Max menerima teks, gambar, dan video dalam jendela konteks 1M token, dengan input maksimum 991K token, atau 983K jika thinking aktif.
Thinking aktif secara default, dan hingga 262K token penalaran dihitung terhadap anggaran output.
Batas output didokumentasikan secara tidak konsisten.
Halaman model QwenCloud mencantumkan output maksimum 393K pada kedua mode, sementara dokumentasi API memberikan 131.072 token tanpa thinking dan 262.144 untuk thinking ditambah jawaban akhir. Periksa angka mana yang berlaku untuk endpoint Anda sebelum Anda menetapkan max_tokens.
Jalur visi bersifat native, bukan tempelan, yang membuat demo klinis menjadi mungkin: Alibaba menggambarkan model meninjau rekam medis yang berisi puluhan laporan lab, lebih dari 10.000 karakter catatan perkembangan berbahasa Mandarin, dan 1.433 gambar medis asli dalam satu percakapan, menyusunnya ke enam seri pencitraan sebelum mengirim subagen untuk membaca ratusan irisan.
Alibaba mengatakan temuan pencitraan konsisten dengan diagnosis dokter penanggung jawab dan empat rekomendasi tata laksana sesuai dengan instruksi hari itu titik demi titik.
Serahkan pekerjaan jangka panjang dan arahkan di tengah jalan
Live Delivery adalah fitur yang menurut saya paling menarik, karena ia mengatasi hal yang membuat run agen panjang tidak dapat digunakan dalam praktik.
Alih-alih menunggu tugas multi-jam selesai dan baru menyadari agen salah membaca brief pada menit ketiga, agen mengirim versi pertama yang dapat digunakan lebih awal, lalu meningkatkannya melalui rilis berurutan sambil Anda mengarahkannya ulang.
Alibaba telah membuka sumber Qwen-Live-Delivery-Plugin di bawah Apache-2.0 agar Anda dapat memasangnya alih-alih membangunnya ulang, meski saat peluncuran versinya 0.1.0 dan hanya mendukung Codex CLI, di Linux dan macOS dengan Node.js 22+.
Dukungan untuk harness agen lain ada dalam daftar tugasnya.
Memang, pengiriman kontinu pekerjaan parsial lebih merupakan pola harness daripada kapabilitas model, itulah sebabnya plugin yang terbuka lebih penting daripada nama pemasaran.
Deliverable yang dapat diaudit, bukan sekadar jawaban
Demo finansial menghasilkan workbook Excel dan dek PowerPoint yang dapat diedit dengan dua mekanisme keterlacakan: hyperlink di dalam sel yang mengarah kembali ke sumber data asli, dan pemetaan satu-ke-satu antara chart PowerPoint dan workbook yang mendasarinya.
Alibaba mengatakan Qwen4 memanggil 90 alat MCP di seluruh setup riset investasi keuangannya, menarik kuotasi pasar, laporan keuangan, suku bunga, dan data dividen di A-shares, saham Hong Kong dan AS, obligasi, reksa dana, dan derivatif, serta silang-periksa dengan pengungkapan publik.
Jumlah alat tersebut menggambarkan setup riset secara umum. Secara terpisah, Alibaba mendemonstrasikan alur kerja pada kasus derivatif CSI 300.
Contoh hukum adalah yang lebih mengesankan.
Diberi 198 working paper yang penamaannya tidak konsisten dan dikirim bertahap, Qwen4-Max mengubah nama dan mengurutkannya berdasarkan konten ke dalam 14 folder, membangun indeks working paper, menyilang-periksa catatan bisnis dan yudisial publik terhadap dokumen, dan menghasilkan laporan 86 halaman yang mencakup 12 area peninjauan dan 14 isu hukum spesifik, dengan setiap kesimpulan dikaitkan kembali ke working paper.
Menjalankan alat profesional secara end-to-end
Qwen4-Max mengoperasikan Blender, Unity, Unreal Engine, dan Godot secara langsung, menangani pemodelan geometri, penyiapan material, pencahayaan, logika gameplay, dan desain HUD, lalu menjalankan hasilnya dan menggunakan umpan balik visual untuk menyesuaikan pelacakan kamera dan respons hit.
Salah satu demo adalah gim balap Android yang dapat dipasang dan dibangun di Unity 6.
Kasus manufaktur adalah yang memiliki angka terlampir, meski ini adalah pajangan perusahaan, bukan pengukuran independen.
Di SANF dan Pacific Union, model membangun model lini produksi 3D dari layout 2D, mensimulasikan waktu siklus, menjalankan commissioning virtual PLC, dan merencanakan toolpath pemesinan, memangkas upaya pemrograman manual untuk satu benda kerja dari sekitar 475 menit menjadi 24 menit.
Riset operasi dan penjadwalan cloud
Alibaba menerapkan Qwen4-Max pada masalah penjadwalan Alibaba Cloud miliknya, membiarkan model menghasilkan algoritma kandidat, memeriksa kelayakan dan nilai objektif dengan MindOpt (solver milik Alibaba), lalu mengiterasikan kodenya.
Hasil yang dilaporkan menunjukkan biaya penjadwalan panggilan model anotasi data turun 10,42% terhadap baseline referensi, alokasi GPU online meningkatkan durasi kapasitas idle satu-mesin sebesar 4,62%, dan penjadwalan ulang CPU offline mencapai objektif optimal lebih cepat lebih dari 14,61 kali.
Itu adalah angka internal yang dilaporkan sendiri pada beban kerja internal, jadi perlakukan sebagai demonstrasi penggunaan alat riset operasi daripada tolok ukur yang dapat ditransfer.
Loop riset otonom yang menghasilkan hasil fisik
Selama run agen kontinu 48 jam di platform Mira milik Deep Principle, Qwen4 membangun ruang kandidat 2,7 juta molekul, menyaringnya, menjalankan perhitungan prinsip pertama dan analisis retrosintesis, lalu mengarahkan lab basah otomatis melalui sintesis, pemurnian, dan pengujian.
Setelah empat iterasi desain, sintesis, dan active learning, ia menghasilkan sampel fisik molekul pendingin baru.
Di platform PharmMaster milik DP Technology, menargetkan inflammasom NLRP3, ia melakukan 454 pemanggilan alat, menjalankan 3.239 evaluasi metrik komputasional, dan merancang 24 molekul kandidat.
Perhitungan free-energy pengikatan relatif menempatkan afinitas nominal kandidat akhir sekitar 3,6 kali referensi berbasis paten, yang oleh pakar DP Technology dinilai layak untuk validasi lab basah.
Plumbing API standar: function calling, penelusuran web, dan output terstruktur
Di QwenCloud, Qwen4-Max mendukung function calling, output JSON terstruktur, pelengkapan awalan melalui Partial Mode, caching konteks implisit dan eksplisit, pemanggilan batch, penelusuran web, dan fine-tuning. Batas laju ditetapkan pada 5.000.000 token per menit.
Bagaimana Performa Qwen4-Max pada Tolok Ukur?
Qwen4-Max paling kuat pada pekerjaan agen ber-horizon panjang dan paling lemah pada coding terminal serta pemahaman visual, dan kesenjangan di antara keduanya cukup besar sehingga seharusnya menentukan apakah Anda mengadopsinya.
Yang menonjol adalah Agents' Last Exam v1.1, di mana Qwen4-Max meraih 46,7 dibanding 43,4 untuk Claude Opus 5.5, 42,6 untuk GPT-6.1 Sol, dan 27,9 untuk pendahulunya sendiri Qwen3.8-Max.
Lompatan 18,8 poin dalam satu generasi pada tolok ukur tugas ber-horizon panjang adalah satu hasil yang akan saya soroti dari rilis ini.
Semua skor di bawah berasal dari grafik peluncuran Alibaba, yang disusun vendor, jadi bacalah sebagai laporan vendor meski beberapa baris mengutip leaderboard pihak ketiga. Hasil terbaik di setiap baris dicetak tebal.
Benchmark
Apa yang diukur
Qwen4-Max
Qwen3.8-Max-0902
Opus 5.5
GPT-6.1 Sol
GPT-6 Astra
Kimi K3.1
Agents' Last Exam v1.1
Tugas bernilai ber-horizon panjang
46.7
27.9
43.4
42.6
43.4
n/a
AA-Briefcase v1.1 (Elo)
Pekerjaan pengetahuan agen
1686
1605
1801
1555
1569
1674
APEX-Agents v1.1
Tugas layanan profesional
72.1
63.3
73.5
60.0
64.7
65.5
AutomationBench-AA
Alur kerja SaaS agen
72.5
56.2
69.5
64.9
68.5
73.3
HLAB-Vals-1.1
Pekerjaan agen hukum
21.3
15.4
9.2
6.3
7.1
11.7
JobBench
Tugas pekerjaan profesional
68.5
65.3
75.4
66.2
66.1
61.2
AgentArena (peningkatan bersih)
Tugas agen dunia nyata
7.5
n/a
18.2
11.8
13.9
3.9
Pola yang muncul tidak merata. Qwen4-Max memimpin tolok ukur agen hukum dengan selisih lebar, hampir dua kali lipat model berikutnya (21,3 dibanding 11,7 milik Kimi K3.1), finis kedua pada AA-Briefcase, APEX-Agents, AutomationBench-AA, dan JobBench, serta berada dekat dasar pada AgentArena, di mana 18,2 milik Opus 5.5 lebih dari dua kali 7,5 miliknya.
Jika agen Anda menangani pekerjaan profesional yang berat dokumen, ini terlihat bagus; jika mereka mengoperasikan alat live di lingkungan terbuka, kurang begitu.
Koding dan tugas terminal
Coding adalah area yang saya sarankan menahan diri. Qwen4-Max mencetak 48,5 pada Terminal-Bench 4.0, di belakang Kimi K3.1 pada 67,2, Opus 5.5 pada 59,6, GPT-6 Astra pada 59,1, dan GPT-6.1 Sol pada 56,1, yang menempatkannya kelima dari enam model yang dicantumkan, meskipun meningkat hampir 10 poin dari 38,9 milik Qwen3.8-Max.
Benchmark
Apa yang diukur
Qwen4-Max
Qwen3.8-Max-0902
Opus 5.5
GPT-6.1 Sol
GPT-6 Astra
Kimi K3.1
DeepSWE v1.1
Agentic coding
75.7
69.3
74.2
75.2
74.1
75.5
CodeArena (Elo)
Pengembangan web
1750
1676
1816
1742
1763
1686
Terminal-Bench 4.0
Agentic terminal coding
48.5
38.9
59.6
56.1
59.1
67.2
ProgramBench
Replikasi perangkat lunak black-box
31.5
28.0
65.0
52.5
55.0
25.0
ProgramBench adalah yang paling buruk: 31,5 dibanding 65,0 milik Opus 5.5, kurang dari setengahnya. Pada DeepSWE, lima model mendarat dalam rentang 1,6 poin satu sama lain, jadi saya anggap baris itu lebih sebagai noise ketimbang kemenangan, meskipun Qwen4-Max secara nominal di posisi pertama.
Satu catatan pada baris Terminal-Bench.
Saat kami membandingkan GPT-6 Astra dan Claude Opus 5.5, angka yang dipublikasikan adalah 66,4% untuk Opus 5.5 dan 57,9% untuk Astra pada Terminal-Bench 4.0, berbeda dari 59,6 dan 59,1 pada grafik Alibaba.
Harness yang berbeda menghasilkan angka berbeda pada tolok ukur yang sama, yang merupakan alasan baik untuk tidak membaca selisih 5 poin sebagai peringkat mutlak. Angka Qwen4-Max sendiri terlihat solid: Vals secara independen mengukur 48,48%.
Penalaran, sains, dan multimodal
Qwen4-Max mencetak 51,7 pada Humanity's Last Exam, di belakang Opus 5.5 pada 59,8 dan GPT-6.1 Sol pada 54,0, serta di depan Kimi K3.1 pada 51,1. Ia memimpin pada BioMysteryBench-1.1 dengan 85,0 dan melonjak besar pada HealthBench Professional, naik dari 39,6 ke 60,0, meski kedua model GPT-6 masih lebih tinggi.
Benchmark
Apa yang diukur
Qwen4-Max
Qwen3.8-Max-0902
Opus 5.5
GPT-6.1 Sol
GPT-6 Astra
Kimi K3.1
Humanity's Last Exam
Penalaran multidisipliner
51.7
43.9
59.8
54.0
53.6
51.1
BioMysteryBench-1.1
Riset bioinformatika
85.0
84.1
81.9
84.4
78.9
80.6
HealthBench Professional
Penalaran klinis
60.0
39.6
59.9
65.1
66.0
57.2
Chartography
Pemahaman chart visual
54.2
42.0
66.3
67.8
71.1
50.0
Video-Index
Pemahaman video
68.1
63.2
74.8
73.8
76.7
63.2
Baris visi adalah bagian yang paling kurang menguntungkan dari grafik.
Pada Chartography, Qwen4-Max mencetak 54,2, naik dari 42,0 milik Qwen3.8-Max, namun tertinggal 12 hingga 17 poin dari Opus 5.5, GPT-6.1 Sol, dan GPT-6 Astra dan hanya mengalahkan Kimi K3.1. Video-Index menyampaikan cerita yang sama, dengan 68,1 dibanding 73,8 hingga 76,7 untuk tiga model AS. Visi native berfungsi, tetapi bukan keunggulan.
Efisiensi token dan biaya per tugas
Ini adalah hasil yang paling memengaruhi anggaran produksi.
Pada Work360, Qwen4-Max menggunakan sekitar 24% lebih sedikit token pada effort Xhigh dan sekitar 35% lebih sedikit pada High dibanding Qwen3.8-Max, dan pada Terminal-Bench 4.0 pengurangannya sekitar 48% dan 49%.
Digabung dengan tarif API yang lebih rendah, Alibaba melaporkan biaya rata-rata per tugas Work360 turun dari $4,43 menjadi $1,67, penurunan 62%.
Skor lebih tinggi sambil menghabiskan sekitar 38% dari biaya per tugas lebih berguna daripada kebanyakan kemenangan tolok ukur tunggal, tetapi ada dua catatan. Work360 adalah tolok ukur milik Alibaba, dan penurunannya lebih besar daripada pemotongan token dan harga saja yang disiratkan: kira-kira 35% lebih sedikit token pada harga 25% lebih rendah menyiratkan sekitar 51%, dan angka yuan Alibaba menghasilkan 58%. Alibaba belum menjelaskan selisihnya.
Biaya per tugas independen kurang jelas terhadap satu pesaing. Pada indeks Artificial Analysis, satu tugas rata-rata $3,27 untuk Qwen4-Max dibanding $10,04 untuk Opus 5.5, tetapi hanya $1,27 untuk GPT-6.1 Sol.
Di Vals, satu pengujian berbiaya $9,33 untuk Qwen4-Max dibanding $24,77 untuk Opus 5.5 dan $3,61 untuk Sol, dan Sol mencetak sedikit lebih tinggi (63,94% dibanding 63,20%).
Kimi K3.1 adalah perbandingan yang lebih dekat bagi sebagian besar pembaca yang mempertimbangkan alternatif ekosistem terbuka. Ia mengalahkan Qwen4-Max pada Terminal-Bench 4.0 (67,2 versus 48,5) dan AutomationBench-AA (73,3 versus 72,5), sementara Qwen4-Max memimpin pada APEX-Agents v1.1 (72,1 versus 65,5), HLAB-Vals-1.1 (21,3 versus 11,7), dan JobBench (68,5 versus 61,2). Pilih Kimi untuk pekerjaan terminal, Qwen4-Max untuk alur kerja dokumen profesional.
Apa yang ditunjukkan pengujian independen
Grafik peluncuran disusun vendor.
Beberapa baris mengutip leaderboard pihak ketiga, termasuk LM Arena untuk CodeArena dan AgentArena, Artificial Analysis untuk AA-Briefcase dan AutomationBench-AA, leaderboard Mercor untuk APEX-Agents v1.1, dan Vals Index untuk HLAB-Vals-1.1, dengan Agents' Last Exam dikutip dari para penulisnya.
Alibaba menjalankan JobBench sendiri. Saya belum menemukan replikasi independen untuk hasil agen, itulah mengapa saya masih menganggap kemenangan tersebut bersifat provisional.
Leaderboard independen kini mulai melengkapi gambaran yang lebih luas, dan hasilnya kurang menguntungkan daripada materi peluncuran.
Artificial Analysis memberi Qwen4-Max skor 43 pada Intelligence Index, peringkat kesembilan secara keseluruhan, di belakang Claude Fable 5.2, Gemini 4 Carbon, Opus 5.5, GPT-6 Astra, GPT-6.1 Sol, dan Kimi K3.1.
Vals menempatkannya peringkat 11 dari 38 pada Index dengan 63,20%, tertinggi di antara model Tiongkok yang diuji, dan run Terminal-Bench independennya sesuai dengan angka Alibaba.
Pada Code Arena WebDev ia berada di posisi keenam, meski masih ditandai sebagai preliminary dengan jumlah suara kecil.
Keuangan adalah performa independen terbaiknya, peringkat kedelapan dari 41 pada indeks keuangan Vals dan benchmark Finance Agent; hukum lebih lemah, peringkat 17 dari 39 pada Vals Legal Index, yang terasa janggal di samping keunggulan HLAB-Vals.
Kelambatan dan verbosity adalah keluhan yang konsisten. Vals mencatat sekitar 1 jam 4 menit per pengujian, lebih lambat dari semua kecuali Opus 5.5 dan Sonnet 5.5 di antara 11 teratas, dan Artificial Analysis mencatat 127 juta token output pada indeksnya dibanding median 78,6 juta.
Laporan hands-on anekdotal beragam dan sering saling bertentangan, dengan penguji menggambarkan overthinking pada tugas sederhana dan waktu penyelesaian panjang pada prompt panjang; satu penguji menilainya di bawah Qwen3.8-Max secara keseluruhan, sementara yang lain melaporkan ia menyelesaikan tugas agen kira-kira 30 menit dibanding sekitar 70 menit untuk MiniMax M3.1 Flash.
Tier Qwen4-Max Mana yang Harus Anda Gunakan?
Qwen4-Max dikirim sebagai satu model dengan sakelar thinking dan level effort bernama, jadi pilihan lebih pada seberapa banyak penalaran yang Anda bayar daripada checkpoint mana yang Anda panggil. Thinking aktif secara default, pada effort tinggi.
"Mode standar" karenanya berarti mengatur enable_thinking ke false. Kapasitas input turun sedikit saat thinking aktif, dari 991K menjadi 983K, dan penalaran (hingga 262K token) mengambil dari anggaran output.
Karena token thinking dihitung dalam anggaran tersebut, max_tokens yang diatur untuk balasan terlihat saja bisa memotong jawaban; pada pratinjau, max_tokens membatasi thinking dan jawaban bersama, jadi anggap sama hingga Anda mengujinya.
Batas output yang didokumentasikan berbeda antara dokumentasi API (131.072 tanpa thinking, 262.144 dengan) dan halaman model (393K di kedua mode), seperti dicatat di atas.
Effort adalah kenop kedua.
Alibaba melaporkan hasil Work360 dan Terminal-Bench 4.0 pada Xhigh dan High, dan penghematan token terhadap Qwen3.8-Max lebih besar pada High di Work360 (35% versus 24%) dan kira-kira setara pada Terminal-Bench. Karena token penalaran ditagih pada tarif output $4,50 per juta, pengaturan effort adalah tuas terbesar pada tagihan Anda.
High juga merupakan default Qwen4-Max, sementara Qwen3.8-Max default ke xhigh, jadi perbandingan pengaturan default antar generasi mencampur perubahan model dengan perubahan effort. Tetapkan effort secara eksplisit saat A/B test.
Use case
Pengaturan
Alasan
Run agen multi-jam dengan pemanggilan alat
Thinking, effort High
Keuntungan efisiensi token terbaik atas generasi sebelumnya pada Work360
Tinjauan dokumen panjang di 100+ file
Thinking, effort Xhigh
Anggaran penalaran 262K plus jendela konteks 1M
Ekstraksi terstruktur ke JSON
Thinking off
Output terstruktur didukung, dan mematikan thinking menghindari overhead penalaran
Klasifikasi batch volume tinggi
Thinking off plus pemanggilan batch
Caching menurunkan input menjadi $0,075 per juta token
Coding terminal yang berat
Pertimbangkan model lain
48,5 pada Terminal-Bench 4.0 tertinggal dari Kimi K3.1, Opus 5.5, dan kedua model GPT-6
Harga dan Ketersediaan Qwen4-Max
QwenCloud mencantumkan Qwen4-Max pada $1,50 per 1 juta token input dan $4,50 per 1 juta token output pada daftar internasional, dengan input cache pada $0,075 per juta. Pembuatan cache eksplisit berbiaya $1,875 per juta untuk jendela 5 menit dan $3,00 per juta untuk jendela 1 jam, dan pembacaan cache eksplisit adalah $0,075 per juta.
Tarif tersebut menekan semua flagship Barat dalam rangkuman harga saat ini: GPT-6 Astra pada $10 input dan $50 output (untuk prompt hingga 272K token), Claude Fable 5.2 pada $8 dan $40, Gemini 4 Carbon pada $2 dan $10 hingga 30 November (naik menjadi $4 dan $20 setelahnya), dan Grok 4.7 pada $2 dan $6 (di bawah konteks 200K).
Namun itu adalah tier berharga tertinggi, dan model yang dibandingkan Alibaba lebih murah: Claude Opus 5.5 pada $4 dan $20, serta GPT-6.1 Sol dan Kimi K3.1 pada $2 dan $10. Dibanding Astra, tarif output Qwen4-Max kira-kira sepersepuluh; dibanding Opus 5.5 sekitar 22%, dan dibanding Sol serta Kimi sekitar 45%.
Ada kuota gratis 1 juta token di QwenCloud, tersedia di wilayah Singapura selama sekitar 90 hari, dan batas laju dipublikasikan pada 5.000.000 token per menit.
Alibaba juga menjual akses melalui Token Plan alih-alih murni pay-as-you-go, dengan laporan pihak ketiga mencantumkan tier personal pada Lite $6/bulan untuk 20.000 kredit, Essential $10/bulan untuk 45.000, Standard $18/bulan untuk 80.000, dan Pro $43/bulan untuk 200.000, plus harga diskon pengguna baru $3 dan $5 pada dua tier termurah, dilaporkan berlaku hingga 30 November.
Paket personal adalah penawaran Singapura, dan selama pratinjau Alibaba membatasinya untuk coding interaktif dan alat agen alih-alih backend produksi, jadi periksa ketentuan terkini sebelum membangun di atasnya.
Catatan tentang lini masa, karena liputan awal bertentangan apakah ada harga per token publik.
Alibaba membuka qwen4-max-preview pada 11 November, hanya pada Token Plan, tanpa harga per token dan tanggal penghentian 25 November. Harga pay-as-you-go hadir bersamaan rilis umum pada 16 November dengan ID model qwen4-max, dan angka $1,50 dan $4,50 di atas adalah harga daftar internasional pada tanggal tersebut.
Bobot terbuka untuk Max belum diumumkan; Alibaba mengatakan model Qwen4 yang lebih kecil akan dibuka sumbernya nanti.
Bagaimana Cara Mendapatkan Akses ke Qwen4-Max?
ID model API adalah qwen4-max, dilayani melalui QwenCloud baik di bawah Token Plan maupun API standar, dengan endpoint yang kompatibel OpenAI dan kompatibel Anthropic. Di luar API, model tersedia di QwenStudio (antarmuka Qwen Chat), QwenWork, dan produk coding Qoder, yang dirancang Alibaba bersamaan dengan model.
Berikut pemanggilan minimal menggunakan klien Python OpenAI terhadap endpoint Chat Completions mode kompatibel. Thinking aktif secara default, jadi flag enable_thinking ditampilkan hanya untuk eksplisit; setel ke False untuk mematikan thinking.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1",)
response = client.chat.completions.create(
model="qwen4-max",
messages=[{"role":"user","content":"Summarize the revenue drivers in this quarterly report."}],
extra_body={"enable_thinking":True},# on by default; False turns thinking off)print(response.choices[0].message.content)Didukung oleh
Jika Anda ingin mencoba Live Delivery, pluginnya ada di GitHub sebagai Qwen-Live-Delivery-Plugin. Karena saat ini menargetkan Codex CLI, menggunakannya di harness lain berarti Anda harus menghubungkan alat dan hook pengiriman MCP miliknya sendiri. Untuk pola umum di balik function calling dan harness agen, tutorial Harness² kami membahas penyambungan model ke OpenCode dan penilaian hasil.
Pikiran Akhir
Qwen4-Max adalah Alibaba mengajukan argumen harga lebih dari argumen kapabilitas.
Ia menang pada baris yang melibatkan membaca banyak dokumen dan menghasilkan deliverable, kalah pada baris yang melibatkan terminal, chart, atau video, dan melakukan semuanya pada tarif output kira-kira sepersepuluh GPT-6 Astra.
Apakah saya akan beralih? Untuk pipeline agen yang berat dokumen di mana biaya per tugas menjadi kendala, ini layak diuji serius, tetapi bukan migrasi membabi buta.
Penurunan dari $4,43 menjadi $1,67 per tugas Work360 adalah angka milik Alibaba, dan run independen lebih campur: GPT-6.1 Sol lebih murah per tugas dan mencetak sedikit lebih tinggi di Vals, dan Qwen4-Max lambat serta bertele-tele. Untuk pekerjaan coding yang berat, saya akan tetap dengan Opus 5.5 atau Kimi K3.1, dan run Terminal-Bench independen Vals menegaskan kelemahan tersebut.
Jika Anda ingin benar-benar nyaman membangun dengan model seperti ini, mulailah dengan AI Fundamentals skill track kami.
FAQs
Apa bedanya Qwen4-Max dengan Qwen3.8-Max?⌄
Qwen4-Max adalah model pertama pada arsitektur Qwen4 baru, dengan backbone 2,4 triliun parameter, 71B parameter aktif per token, dan visi native. Ia mencetak 52,69 pada tolok ukur Work360 milik Alibaba dibanding 47,74 untuk Qwen3.8-Max, dan melonjak dari 27,9 ke 46,7 pada Agents' Last Exam v1.1. Ia juga menggunakan kira-kira 24% hingga 49% lebih sedikit token pada tugas yang sama, memangkas biaya rata-rata Work360 per tugas dari $4,43 menjadi $1,67.
Berapa biaya Qwen4-Max per juta token?⌄
QwenCloud mencantumkan Qwen4-Max pada $1,50 per 1 juta token input dan $4,50 per 1 juta token output, dengan input cache dan pembacaan cache eksplisit pada $0,075 per juta. Pembuatan cache eksplisit berbiaya $1,875 per juta untuk jendela 5 menit dan $3,00 per juta untuk jendela 1 jam. Ada kuota gratis 1 juta token, dan Alibaba juga menjual langganan Token Plan mulai sekitar $6 per bulan.
Di mana saya bisa mengakses Qwen4-Max?⌄
Qwen4-Max tersedia di QwenCloud melalui Token Plan atau API, menggunakan ID model qwen4-max pada endpoint yang kompatibel dengan OpenAI. Ia juga berjalan di QwenStudio (Qwen Chat), QwenWork, dan produk coding Qoder. Beberapa dokumentasi pihak ketiga merujuk ID pratinjau, qwen4-max-preview.
Apakah Qwen4-Max bersifat open source?⌄
Tidak. Qwen4-Max berbobot tertutup, dan Alibaba belum mengumumkan bobot terbuka atau model card publik untuknya. Alibaba mengatakan model yang lebih kecil dalam keluarga Qwen4 akan dirilis sebagai open source nanti, dibangun pada garis keturunan dan teknik pelatihan yang sama.
Apakah Qwen4-Max bagus untuk coding?⌄
Ia kompetitif pada agentic coding dan lemah pada pekerjaan terminal. Qwen4-Max mencetak 75,7 pada DeepSWE v1.1, kurang lebih setara dengan Claude Opus 5.5 (74,2) dan GPT-6.1 Sol (75,2), tetapi hanya 48,5 pada Terminal-Bench 4.0 dibanding 67,2 untuk Kimi K3.1, dan 31,5 pada ProgramBench dibanding 65,0 untuk Opus 5.5. Untuk tugas terminal dan replikasi perangkat lunak yang berat, model lain tetap lebih kuat.
Apa itu Live Delivery di Qwen4-Max?⌄
Live Delivery adalah pendekatan Qwen4-Max untuk tugas agen jangka panjang: alih-alih mengembalikan hasil hanya saat pekerjaan selesai, agen mengirim versi pertama yang dapat digunakan lebih awal dan meningkatkannya melalui rilis berurutan sambil Anda mengarahkannya di tengah run. Alibaba telah membuka sumber Qwen-Live-Delivery-Plugin di GitHub agar Anda dapat memasangnya alih-alih membangun polanya sendiri.
Kuasai pertanyaan wawancara basis data, dari konsep SQL dasar hingga skenario desain sistem tingkat lanjut. Panduan mendalam ini mencakup semua yang Anda perlukan untuk sukses di wawancara DBMS dan meraih peran berikutnya.
Temukan alasan mengapa Anda sebaiknya (tidak) menggunakan spaghetti plot untuk menyampaikan ketidakpastian jalur prediksi badai serta dampaknya terhadap interpretasi.
Belajar cara mengintegrasikan AI ke dalam aplikasi perangkat lunak menggunakan API dan pustaka sumber terbuka. Mulailah perjalanan Anda untuk menjadi AI Engineer hari ini!
Tim Qwen dari Alibaba merilis Qwen4-Max pada 16 November 2026, dan garis harga adalah hal pertama yang patut dilirik: $1,50 per 1 juta token input dan $4,50 per 1 juta token output di QwenCloud.
Sebagai perbandingan, rangkuman harga yang beredar di minggu yang sama mencantumkan GPT-6 Astra pada $10 untuk input dan $50 untuk output, serta Claude Fable 5.2 pada $8 dan $40.
Qwen4-Max adalah model pertama yang dibangun di atas arsitektur Qwen4 baru, dengan backbone 2,4 triliun parameter, 71B parameter aktif per token, tambahan 328B parameter embedding N-gram, visi native, dan jendela konteks 1 juta token.
Alibaba memposisikannya sebagai model agen dengan horizon panjang alih-alih model chat, dengan sebagian besar materi peluncuran didedikasikan untuk run otonom berjam-jam di bidang rekayasa, keuangan, hukum, dan penemuan obat.
Dalam artikel ini, saya akan membahas semua hal baru di Qwen4-Max, mulai dari arsitektur, fitur utama, angka tolok ukur (termasuk di mana hasil independen berbeda dari milik Alibaba), mode effort, harga, dan akses.
Untuk konteks tentang pesaingnya, lihat perbandingan kami GPT-6 Astra dan Claude Opus 5.5 serta tutorial kami tentang membangun agen yang dapat memperbaiki diri dengan Harness².
Ringkasnya
Apa Itu Qwen4-Max?
Qwen4-Max adalah model berbobot tertutup andalan Alibaba dan rilis pertama dalam seri Qwen4, melanjutkan Qwen3.8-Max.
Ini adalah model mixture-of-experts sparse, artinya hanya sebagian parameternya yang bekerja pada token tertentu. Dari 2,4 triliun parameter backbone, 71B aktif per token, dan ia menambahkan 328B lagi dalam embedding N-gram, yaitu tabel lookup yang memerlukan komputasi kecil. Ia menerima input teks, gambar, dan video serta menghasilkan output teks.
Arsitektur adalah titik perbedaan terbesar Qwen4 dari generasi sebelumnya, dan ini membantu menjelaskan cerita biaya nanti. Tiga komponen berubah:
Alibaba melaporkan bahwa run pelatihan 2,4T tidak mengalami lonjakan loss, yaitu lonjakan tiba-tiba yang menandakan pelatihan tidak stabil.
Model dasarnya, Qwen4-Max-Base, juga mencatat bits per byte terendah dari lima checkpoint yang dievaluasi pada pengetahuan, kode, QA, dan STEM. Bits per byte mengukur seberapa baik model memprediksi teks, dan semakin rendah semakin baik.
Hasilnya 5 hingga 13% di bawah Qwen3.8-Max-Base, sambil mengaktifkan 25% parameter lebih sedikit. Ini adalah pengujian internal, dan catatan cakupan menyebutkan bahwa dua dari checkpoint yang dibandingkan telah menerima pelatihan tambahan, sehingga perbandingan tidak sepenuhnya apple-to-apple.
Angka kapabilitas utama adalah Work360, tolok ukur milik Alibaba yang mencakup 721 bidang profesional, di mana Qwen4-Max meraih 52,69 dibanding 47,74 untuk Qwen3.8-Max.
Fitur Utama Qwen4-Max
Peluncuran ini berfokus pada apa yang dihasilkan model di akhir run panjang alih-alih apa yang diucapkannya dalam satu giliran, jadi fitur-fitur di bawah ini terutama tentang durasi, alat, dan format output.
Jendela konteks 1 juta token dengan visi native
Qwen4-Max menerima teks, gambar, dan video dalam jendela konteks 1M token, dengan input maksimum 991K token, atau 983K jika thinking aktif.
Thinking aktif secara default, dan hingga 262K token penalaran dihitung terhadap anggaran output.
Batas output didokumentasikan secara tidak konsisten.
Halaman model QwenCloud mencantumkan output maksimum 393K pada kedua mode, sementara dokumentasi API memberikan 131.072 token tanpa thinking dan 262.144 untuk thinking ditambah jawaban akhir. Periksa angka mana yang berlaku untuk endpoint Anda sebelum Anda menetapkan
max_tokens.Jalur visi bersifat native, bukan tempelan, yang membuat demo klinis menjadi mungkin: Alibaba menggambarkan model meninjau rekam medis yang berisi puluhan laporan lab, lebih dari 10.000 karakter catatan perkembangan berbahasa Mandarin, dan 1.433 gambar medis asli dalam satu percakapan, menyusunnya ke enam seri pencitraan sebelum mengirim subagen untuk membaca ratusan irisan.
Alibaba mengatakan temuan pencitraan konsisten dengan diagnosis dokter penanggung jawab dan empat rekomendasi tata laksana sesuai dengan instruksi hari itu titik demi titik.
Serahkan pekerjaan jangka panjang dan arahkan di tengah jalan
Live Delivery adalah fitur yang menurut saya paling menarik, karena ia mengatasi hal yang membuat run agen panjang tidak dapat digunakan dalam praktik.
Alih-alih menunggu tugas multi-jam selesai dan baru menyadari agen salah membaca brief pada menit ketiga, agen mengirim versi pertama yang dapat digunakan lebih awal, lalu meningkatkannya melalui rilis berurutan sambil Anda mengarahkannya ulang.
Alibaba telah membuka sumber Qwen-Live-Delivery-Plugin di bawah Apache-2.0 agar Anda dapat memasangnya alih-alih membangunnya ulang, meski saat peluncuran versinya 0.1.0 dan hanya mendukung Codex CLI, di Linux dan macOS dengan Node.js 22+.
Dukungan untuk harness agen lain ada dalam daftar tugasnya.
Memang, pengiriman kontinu pekerjaan parsial lebih merupakan pola harness daripada kapabilitas model, itulah sebabnya plugin yang terbuka lebih penting daripada nama pemasaran.
Deliverable yang dapat diaudit, bukan sekadar jawaban
Demo finansial menghasilkan workbook Excel dan dek PowerPoint yang dapat diedit dengan dua mekanisme keterlacakan: hyperlink di dalam sel yang mengarah kembali ke sumber data asli, dan pemetaan satu-ke-satu antara chart PowerPoint dan workbook yang mendasarinya.
Alibaba mengatakan Qwen4 memanggil 90 alat MCP di seluruh setup riset investasi keuangannya, menarik kuotasi pasar, laporan keuangan, suku bunga, dan data dividen di A-shares, saham Hong Kong dan AS, obligasi, reksa dana, dan derivatif, serta silang-periksa dengan pengungkapan publik.
Jumlah alat tersebut menggambarkan setup riset secara umum. Secara terpisah, Alibaba mendemonstrasikan alur kerja pada kasus derivatif CSI 300.
Contoh hukum adalah yang lebih mengesankan.
Diberi 198 working paper yang penamaannya tidak konsisten dan dikirim bertahap, Qwen4-Max mengubah nama dan mengurutkannya berdasarkan konten ke dalam 14 folder, membangun indeks working paper, menyilang-periksa catatan bisnis dan yudisial publik terhadap dokumen, dan menghasilkan laporan 86 halaman yang mencakup 12 area peninjauan dan 14 isu hukum spesifik, dengan setiap kesimpulan dikaitkan kembali ke working paper.
Menjalankan alat profesional secara end-to-end
Qwen4-Max mengoperasikan Blender, Unity, Unreal Engine, dan Godot secara langsung, menangani pemodelan geometri, penyiapan material, pencahayaan, logika gameplay, dan desain HUD, lalu menjalankan hasilnya dan menggunakan umpan balik visual untuk menyesuaikan pelacakan kamera dan respons hit.
Salah satu demo adalah gim balap Android yang dapat dipasang dan dibangun di Unity 6.
Kasus manufaktur adalah yang memiliki angka terlampir, meski ini adalah pajangan perusahaan, bukan pengukuran independen.
Di SANF dan Pacific Union, model membangun model lini produksi 3D dari layout 2D, mensimulasikan waktu siklus, menjalankan commissioning virtual PLC, dan merencanakan toolpath pemesinan, memangkas upaya pemrograman manual untuk satu benda kerja dari sekitar 475 menit menjadi 24 menit.
Riset operasi dan penjadwalan cloud
Alibaba menerapkan Qwen4-Max pada masalah penjadwalan Alibaba Cloud miliknya, membiarkan model menghasilkan algoritma kandidat, memeriksa kelayakan dan nilai objektif dengan MindOpt (solver milik Alibaba), lalu mengiterasikan kodenya.
Hasil yang dilaporkan menunjukkan biaya penjadwalan panggilan model anotasi data turun 10,42% terhadap baseline referensi, alokasi GPU online meningkatkan durasi kapasitas idle satu-mesin sebesar 4,62%, dan penjadwalan ulang CPU offline mencapai objektif optimal lebih cepat lebih dari 14,61 kali.
Itu adalah angka internal yang dilaporkan sendiri pada beban kerja internal, jadi perlakukan sebagai demonstrasi penggunaan alat riset operasi daripada tolok ukur yang dapat ditransfer.
Loop riset otonom yang menghasilkan hasil fisik
Selama run agen kontinu 48 jam di platform Mira milik Deep Principle, Qwen4 membangun ruang kandidat 2,7 juta molekul, menyaringnya, menjalankan perhitungan prinsip pertama dan analisis retrosintesis, lalu mengarahkan lab basah otomatis melalui sintesis, pemurnian, dan pengujian.
Setelah empat iterasi desain, sintesis, dan active learning, ia menghasilkan sampel fisik molekul pendingin baru.
Di platform PharmMaster milik DP Technology, menargetkan inflammasom NLRP3, ia melakukan 454 pemanggilan alat, menjalankan 3.239 evaluasi metrik komputasional, dan merancang 24 molekul kandidat.
Perhitungan free-energy pengikatan relatif menempatkan afinitas nominal kandidat akhir sekitar 3,6 kali referensi berbasis paten, yang oleh pakar DP Technology dinilai layak untuk validasi lab basah.
Plumbing API standar: function calling, penelusuran web, dan output terstruktur
Di QwenCloud, Qwen4-Max mendukung function calling, output JSON terstruktur, pelengkapan awalan melalui Partial Mode, caching konteks implisit dan eksplisit, pemanggilan batch, penelusuran web, dan fine-tuning. Batas laju ditetapkan pada 5.000.000 token per menit.
Bagaimana Performa Qwen4-Max pada Tolok Ukur?
Qwen4-Max paling kuat pada pekerjaan agen ber-horizon panjang dan paling lemah pada coding terminal serta pemahaman visual, dan kesenjangan di antara keduanya cukup besar sehingga seharusnya menentukan apakah Anda mengadopsinya.
Alibaba membandingkannya dengan Qwen3.8-Max-0902, Claude Opus 5.5, GPT-6.1 Sol, GPT-6 Astra, dan Kimi K3.1 (Moonshot's Kimi-K3.1-Pro).
Pekerjaan ber-horizon panjang dan agen
Yang menonjol adalah Agents' Last Exam v1.1, di mana Qwen4-Max meraih 46,7 dibanding 43,4 untuk Claude Opus 5.5, 42,6 untuk GPT-6.1 Sol, dan 27,9 untuk pendahulunya sendiri Qwen3.8-Max.
Lompatan 18,8 poin dalam satu generasi pada tolok ukur tugas ber-horizon panjang adalah satu hasil yang akan saya soroti dari rilis ini.
Semua skor di bawah berasal dari grafik peluncuran Alibaba, yang disusun vendor, jadi bacalah sebagai laporan vendor meski beberapa baris mengutip leaderboard pihak ketiga. Hasil terbaik di setiap baris dicetak tebal.
Pola yang muncul tidak merata. Qwen4-Max memimpin tolok ukur agen hukum dengan selisih lebar, hampir dua kali lipat model berikutnya (21,3 dibanding 11,7 milik Kimi K3.1), finis kedua pada AA-Briefcase, APEX-Agents, AutomationBench-AA, dan JobBench, serta berada dekat dasar pada AgentArena, di mana 18,2 milik Opus 5.5 lebih dari dua kali 7,5 miliknya.
Jika agen Anda menangani pekerjaan profesional yang berat dokumen, ini terlihat bagus; jika mereka mengoperasikan alat live di lingkungan terbuka, kurang begitu.
Koding dan tugas terminal
Coding adalah area yang saya sarankan menahan diri. Qwen4-Max mencetak 48,5 pada Terminal-Bench 4.0, di belakang Kimi K3.1 pada 67,2, Opus 5.5 pada 59,6, GPT-6 Astra pada 59,1, dan GPT-6.1 Sol pada 56,1, yang menempatkannya kelima dari enam model yang dicantumkan, meskipun meningkat hampir 10 poin dari 38,9 milik Qwen3.8-Max.
ProgramBench adalah yang paling buruk: 31,5 dibanding 65,0 milik Opus 5.5, kurang dari setengahnya. Pada DeepSWE, lima model mendarat dalam rentang 1,6 poin satu sama lain, jadi saya anggap baris itu lebih sebagai noise ketimbang kemenangan, meskipun Qwen4-Max secara nominal di posisi pertama.
Satu catatan pada baris Terminal-Bench.
Saat kami membandingkan GPT-6 Astra dan Claude Opus 5.5, angka yang dipublikasikan adalah 66,4% untuk Opus 5.5 dan 57,9% untuk Astra pada Terminal-Bench 4.0, berbeda dari 59,6 dan 59,1 pada grafik Alibaba.
Harness yang berbeda menghasilkan angka berbeda pada tolok ukur yang sama, yang merupakan alasan baik untuk tidak membaca selisih 5 poin sebagai peringkat mutlak. Angka Qwen4-Max sendiri terlihat solid: Vals secara independen mengukur 48,48%.
Penalaran, sains, dan multimodal
Qwen4-Max mencetak 51,7 pada Humanity's Last Exam, di belakang Opus 5.5 pada 59,8 dan GPT-6.1 Sol pada 54,0, serta di depan Kimi K3.1 pada 51,1. Ia memimpin pada BioMysteryBench-1.1 dengan 85,0 dan melonjak besar pada HealthBench Professional, naik dari 39,6 ke 60,0, meski kedua model GPT-6 masih lebih tinggi.
Baris visi adalah bagian yang paling kurang menguntungkan dari grafik.
Pada Chartography, Qwen4-Max mencetak 54,2, naik dari 42,0 milik Qwen3.8-Max, namun tertinggal 12 hingga 17 poin dari Opus 5.5, GPT-6.1 Sol, dan GPT-6 Astra dan hanya mengalahkan Kimi K3.1. Video-Index menyampaikan cerita yang sama, dengan 68,1 dibanding 73,8 hingga 76,7 untuk tiga model AS. Visi native berfungsi, tetapi bukan keunggulan.
Efisiensi token dan biaya per tugas
Ini adalah hasil yang paling memengaruhi anggaran produksi.
Pada Work360, Qwen4-Max menggunakan sekitar 24% lebih sedikit token pada effort Xhigh dan sekitar 35% lebih sedikit pada High dibanding Qwen3.8-Max, dan pada Terminal-Bench 4.0 pengurangannya sekitar 48% dan 49%.
Digabung dengan tarif API yang lebih rendah, Alibaba melaporkan biaya rata-rata per tugas Work360 turun dari $4,43 menjadi $1,67, penurunan 62%.
Skor lebih tinggi sambil menghabiskan sekitar 38% dari biaya per tugas lebih berguna daripada kebanyakan kemenangan tolok ukur tunggal, tetapi ada dua catatan. Work360 adalah tolok ukur milik Alibaba, dan penurunannya lebih besar daripada pemotongan token dan harga saja yang disiratkan: kira-kira 35% lebih sedikit token pada harga 25% lebih rendah menyiratkan sekitar 51%, dan angka yuan Alibaba menghasilkan 58%. Alibaba belum menjelaskan selisihnya.
Biaya per tugas independen kurang jelas terhadap satu pesaing. Pada indeks Artificial Analysis, satu tugas rata-rata $3,27 untuk Qwen4-Max dibanding $10,04 untuk Opus 5.5, tetapi hanya $1,27 untuk GPT-6.1 Sol.
Di Vals, satu pengujian berbiaya $9,33 untuk Qwen4-Max dibanding $24,77 untuk Opus 5.5 dan $3,61 untuk Sol, dan Sol mencetak sedikit lebih tinggi (63,94% dibanding 63,20%).
Kimi K3.1 adalah perbandingan yang lebih dekat bagi sebagian besar pembaca yang mempertimbangkan alternatif ekosistem terbuka. Ia mengalahkan Qwen4-Max pada Terminal-Bench 4.0 (67,2 versus 48,5) dan AutomationBench-AA (73,3 versus 72,5), sementara Qwen4-Max memimpin pada APEX-Agents v1.1 (72,1 versus 65,5), HLAB-Vals-1.1 (21,3 versus 11,7), dan JobBench (68,5 versus 61,2). Pilih Kimi untuk pekerjaan terminal, Qwen4-Max untuk alur kerja dokumen profesional.
Apa yang ditunjukkan pengujian independen
Grafik peluncuran disusun vendor.
Beberapa baris mengutip leaderboard pihak ketiga, termasuk LM Arena untuk CodeArena dan AgentArena, Artificial Analysis untuk AA-Briefcase dan AutomationBench-AA, leaderboard Mercor untuk APEX-Agents v1.1, dan Vals Index untuk HLAB-Vals-1.1, dengan Agents' Last Exam dikutip dari para penulisnya.
Alibaba menjalankan JobBench sendiri. Saya belum menemukan replikasi independen untuk hasil agen, itulah mengapa saya masih menganggap kemenangan tersebut bersifat provisional.
Leaderboard independen kini mulai melengkapi gambaran yang lebih luas, dan hasilnya kurang menguntungkan daripada materi peluncuran.
Kelambatan dan verbosity adalah keluhan yang konsisten. Vals mencatat sekitar 1 jam 4 menit per pengujian, lebih lambat dari semua kecuali Opus 5.5 dan Sonnet 5.5 di antara 11 teratas, dan Artificial Analysis mencatat 127 juta token output pada indeksnya dibanding median 78,6 juta.
Laporan hands-on anekdotal beragam dan sering saling bertentangan, dengan penguji menggambarkan overthinking pada tugas sederhana dan waktu penyelesaian panjang pada prompt panjang; satu penguji menilainya di bawah Qwen3.8-Max secara keseluruhan, sementara yang lain melaporkan ia menyelesaikan tugas agen kira-kira 30 menit dibanding sekitar 70 menit untuk MiniMax M3.1 Flash.
Tier Qwen4-Max Mana yang Harus Anda Gunakan?
Qwen4-Max dikirim sebagai satu model dengan sakelar thinking dan level effort bernama, jadi pilihan lebih pada seberapa banyak penalaran yang Anda bayar daripada checkpoint mana yang Anda panggil. Thinking aktif secara default, pada effort tinggi.
"Mode standar" karenanya berarti mengatur
enable_thinkingke false. Kapasitas input turun sedikit saat thinking aktif, dari 991K menjadi 983K, dan penalaran (hingga 262K token) mengambil dari anggaran output.Karena token thinking dihitung dalam anggaran tersebut,
max_tokensyang diatur untuk balasan terlihat saja bisa memotong jawaban; pada pratinjau,max_tokensmembatasi thinking dan jawaban bersama, jadi anggap sama hingga Anda mengujinya.Batas output yang didokumentasikan berbeda antara dokumentasi API (131.072 tanpa thinking, 262.144 dengan) dan halaman model (393K di kedua mode), seperti dicatat di atas.
Effort adalah kenop kedua.
Alibaba melaporkan hasil Work360 dan Terminal-Bench 4.0 pada Xhigh dan High, dan penghematan token terhadap Qwen3.8-Max lebih besar pada High di Work360 (35% versus 24%) dan kira-kira setara pada Terminal-Bench. Karena token penalaran ditagih pada tarif output $4,50 per juta, pengaturan effort adalah tuas terbesar pada tagihan Anda.
High juga merupakan default Qwen4-Max, sementara Qwen3.8-Max default ke xhigh, jadi perbandingan pengaturan default antar generasi mencampur perubahan model dengan perubahan effort. Tetapkan effort secara eksplisit saat A/B test.
Harga dan Ketersediaan Qwen4-Max
QwenCloud mencantumkan Qwen4-Max pada $1,50 per 1 juta token input dan $4,50 per 1 juta token output pada daftar internasional, dengan input cache pada $0,075 per juta. Pembuatan cache eksplisit berbiaya $1,875 per juta untuk jendela 5 menit dan $3,00 per juta untuk jendela 1 jam, dan pembacaan cache eksplisit adalah $0,075 per juta.
Tarif tersebut menekan semua flagship Barat dalam rangkuman harga saat ini: GPT-6 Astra pada $10 input dan $50 output (untuk prompt hingga 272K token), Claude Fable 5.2 pada $8 dan $40, Gemini 4 Carbon pada $2 dan $10 hingga 30 November (naik menjadi $4 dan $20 setelahnya), dan Grok 4.7 pada $2 dan $6 (di bawah konteks 200K).
Namun itu adalah tier berharga tertinggi, dan model yang dibandingkan Alibaba lebih murah: Claude Opus 5.5 pada $4 dan $20, serta GPT-6.1 Sol dan Kimi K3.1 pada $2 dan $10. Dibanding Astra, tarif output Qwen4-Max kira-kira sepersepuluh; dibanding Opus 5.5 sekitar 22%, dan dibanding Sol serta Kimi sekitar 45%.
Ada kuota gratis 1 juta token di QwenCloud, tersedia di wilayah Singapura selama sekitar 90 hari, dan batas laju dipublikasikan pada 5.000.000 token per menit.
Alibaba juga menjual akses melalui Token Plan alih-alih murni pay-as-you-go, dengan laporan pihak ketiga mencantumkan tier personal pada Lite $6/bulan untuk 20.000 kredit, Essential $10/bulan untuk 45.000, Standard $18/bulan untuk 80.000, dan Pro $43/bulan untuk 200.000, plus harga diskon pengguna baru $3 dan $5 pada dua tier termurah, dilaporkan berlaku hingga 30 November.
Paket personal adalah penawaran Singapura, dan selama pratinjau Alibaba membatasinya untuk coding interaktif dan alat agen alih-alih backend produksi, jadi periksa ketentuan terkini sebelum membangun di atasnya.
Catatan tentang lini masa, karena liputan awal bertentangan apakah ada harga per token publik.
Alibaba membuka
qwen4-max-previewpada 11 November, hanya pada Token Plan, tanpa harga per token dan tanggal penghentian 25 November. Harga pay-as-you-go hadir bersamaan rilis umum pada 16 November dengan ID modelqwen4-max, dan angka $1,50 dan $4,50 di atas adalah harga daftar internasional pada tanggal tersebut.Bobot terbuka untuk Max belum diumumkan; Alibaba mengatakan model Qwen4 yang lebih kecil akan dibuka sumbernya nanti.
Bagaimana Cara Mendapatkan Akses ke Qwen4-Max?
ID model API adalah
qwen4-max, dilayani melalui QwenCloud baik di bawah Token Plan maupun API standar, dengan endpoint yang kompatibel OpenAI dan kompatibel Anthropic. Di luar API, model tersedia di QwenStudio (antarmuka Qwen Chat), QwenWork, dan produk coding Qoder, yang dirancang Alibaba bersamaan dengan model.Berikut pemanggilan minimal menggunakan klien Python OpenAI terhadap endpoint Chat Completions mode kompatibel. Thinking aktif secara default, jadi flag
enable_thinkingditampilkan hanya untuk eksplisit; setel keFalseuntuk mematikan thinking.Jika Anda ingin mencoba Live Delivery, pluginnya ada di GitHub sebagai Qwen-Live-Delivery-Plugin. Karena saat ini menargetkan Codex CLI, menggunakannya di harness lain berarti Anda harus menghubungkan alat dan hook pengiriman MCP miliknya sendiri. Untuk pola umum di balik function calling dan harness agen, tutorial Harness² kami membahas penyambungan model ke OpenCode dan penilaian hasil.
Pikiran Akhir
Qwen4-Max adalah Alibaba mengajukan argumen harga lebih dari argumen kapabilitas.
Ia menang pada baris yang melibatkan membaca banyak dokumen dan menghasilkan deliverable, kalah pada baris yang melibatkan terminal, chart, atau video, dan melakukan semuanya pada tarif output kira-kira sepersepuluh GPT-6 Astra.
Apakah saya akan beralih? Untuk pipeline agen yang berat dokumen di mana biaya per tugas menjadi kendala, ini layak diuji serius, tetapi bukan migrasi membabi buta.
Penurunan dari $4,43 menjadi $1,67 per tugas Work360 adalah angka milik Alibaba, dan run independen lebih campur: GPT-6.1 Sol lebih murah per tugas dan mencetak sedikit lebih tinggi di Vals, dan Qwen4-Max lambat serta bertele-tele. Untuk pekerjaan coding yang berat, saya akan tetap dengan Opus 5.5 atau Kimi K3.1, dan run Terminal-Bench independen Vals menegaskan kelemahan tersebut.
Jika Anda ingin benar-benar nyaman membangun dengan model seperti ini, mulailah dengan AI Fundamentals skill track kami.