AnmeldenTarif wählen
Blog · Modelltests

Qwen4-Max im Check: Benchmarks, API-Preise und echte Rechnungen

Alibaba bringt sein proprietäres Flaggschiff Qwen4-Max: 2,4 Billionen Parameter bei 71 Milliarden aktiven pro Token, vier Bestwerte in 16 offiziellen Benchmarks und Cache-Hits ab $0.075 (CNY 0.5 in Festlandchina) pro Million Token. Hier sind die offiziellen und unabhängigen Testergebnisse, die API-Preise für China und international, zwei durchgerechnete Agent-Läufe sowie die passenden Reasoning-Stufen pro Aufgabe.

Am 16. November hat Alibaba sein neues Flaggschiff-Modell Qwen4-Max vorgestellt. Es basiert auf der neuen Mixture-of-Experts-Architektur (MoE) der Qwen4-Generation mit 2,4 Billionen Backbone-Parametern, von denen pro Token 71 Milliarden aktiviert werden, ergänzt um 328 Milliarden N-gram-Embedding-Parameter. Das Modell verarbeitet ein Kontextfenster von 1 Million Token sowie native Bildeingaben und wird ausschließlich über Cloud-APIs und Alibabas eigene Anwendungen angeboten.

Eine Woche vor dem Start tauchte bereits eine frühe Vorabversion als anonymes Testmodell in der Programmier-IDE Qoder auf und wurde kurz darauf als Qwen4-Max-Preview enthüllt. Am 16. November folgten die vollständigen Benchmarks, Details zur Architektur und die API-Preisliste. Dieser Artikel fasst die offiziellen Messwerte, unabhängigen Ranglisten, Preise und echten Abrechnungen aus der Community zusammen.

Kurz gesagt: Qwen4-Max punktet bei langlaufenden Agent-Aufgaben, Repository-weiten Code-Reparaturen (DeepSWE 75.7) und sehr günstigen Cache-Hits (CNY 0.5 pro Million Token in Festlandchina, international $0.075 pro Million; die Kosten pro Aufgabe auf Work360 sinken gegenüber dem Vorgänger um 62%). Schwächen zeigt es bei Terminal-Befehlen (Terminal-Bench 4.0 mit 48.5), beim Blackbox-Nachbau von Software (ProgramBench mit 31.5) und beim Tempo auf hoher Reasoning-Stufe (im Schnitt 32.1 Minuten pro Aufgabe bei Artificial Analysis). Damit eignet es sich vor allem für Engineering- und Dokumenten-Workflows mit langem Kontext und vielen Iterationen. Im Alltag reicht die Standardstufe high, für komplexe Full-Stack- und Terminal-Aufgaben solltest du auf xhigh hochschalten.

Spezifikationen und Architektur

Um den Rechenaufwand bei langen Sequenzen zu drücken und pro Schritt weniger Parameter zu aktivieren, baut Qwen4-Max die Sparse-MoE-Architektur an drei Stellen um:

  • GDN + Qwen Sparse Attention (QSA) im Wechsel von 3:1: Auf drei Schichten Gated DeltaNet (die den bisherigen Kontext in einen Zustand fester Größe komprimieren) folgt jeweils eine QSA-Schicht. Ein leichtgewichtiger Indexer wählt dort auf Micro-Block-Ebene nur relevante Kontextabschnitte aus und senkt so den Rechen- und Indexierungsaufwand bei langen Texten.
  • Gated Residual (GR): Vier parallele Residual-Zweige mit dynamischen Lese- und Schreib-Gates ersetzen den klassischen Residual-Strom und stabilisieren sowohl den Informationsfluss über Schichten hinweg als auch das Training.
  • N-gram Embedding: In der zweiten Schicht sitzt eine kontextabhängige Lookup-Schicht mit 328 Milliarden Parametern, die lokale Wortgruppen-Muster bei geringem Zusatzaufwand abbildet.
Architekturdiagramm von Qwen4-Max: unten Vocabulary Embedding und die N-gram Embedding Layer in Schicht 2, darüber gestapelt je 3 GDN-Schichten und 1 QSA-Schicht im Wechsel, intern mit vierzweigigem Expanded Residual und GR-Read/Write-Gates
Schematische Darstellung der Qwen4-Max-Architektur. Quelle: offizieller Qwen-Blog.

Mit diesem Aufbau aktiviert Qwen4-Max pro Token 71 Milliarden Parameter – rund 25% weniger als der Vorgänger Qwen3.8-Max (95B) – und lief im Pretraining über 2,4 Billionen Parameter komplett ohne Loss Spikes durch. In Alibabas internen Basismodell-Tests über Wissen (Knowledge), Code, Frage-Antwort (QA) und MINT (STEM) erreicht Qwen4-Max-Base bei den Bits per Byte (BPB, niedriger ist besser) unter allen fünf geprüften Checkpoints den niedrigsten Wert und liegt rund 5% bis 13% unter Qwen3.8-Max-Base. Eine Fußnote räumt zugleich ein, dass die mitgetesteten Modelle GLM-5.3 und Kimi-K3.1-Pro bereits Post-Training-Checkpoints sind, was den direkten Vergleich mit reinen Base-Modellen beeinflusst.

Der Ablauf in der Woche vor dem Release: Am 6. November postete der offizielle Qwen-Account auf X den Teaser „The becoming begins.“. Am 7. November schaltete die Programmier-IDE Qoder das anonyme Modell Qoduck für Einzelnutzer zeitweise kostenlos frei und spielte vier Tage lang täglich ein neues Build ein. Am 11. November lüftete Qoder das Geheimnis und stellte das Modell auf Qwen4-Max-Preview um (der Post sammelte über 5,4 Millionen Aufrufe). Am 16. November ging die finale Version live.

Offizielle Ankündigung von Qoder zur Enthüllung des anonymen Modells Qoduck und dem Upgrade auf Qwen4-Max-Preview
Bild: @qoder_ai_ide, 11. November 2026.

Aktuell ist Qwen4-Max (Modell-ID qwen4-max) per Pay-as-you-go-API in Festlandchina über Alibaba Cloud Model Studio sowie international über QwenCloud verfügbar und zusätzlich in das Abo-Modell Token Plan (Region Singapur) eingebunden. Direkt nutzen lässt es sich außerdem in QwenWork, Qoder, der Qwen app und Qwen Studio.

Qwen4-Max selbst erscheint ohne offene Gewichte. Am Ende des Blogbeitrags kündigt das Team lediglich an, dass kleinere und mittlere Modelle der Qwen4-Reihe nach und nach als Open-Weight-Modelle folgen sollen – ohne Angaben zu Parametergrößen oder Terminen. Unter dem Enthüllungspost forderte die Community bereits massenhaft Nachschub mit dem Spruch „Qwen-4 27B > GTA VI“.

Dass viele Entwickler vor allem auf die kleineren Modelle warten, hat einen einfachen Grund: Die offenen Qwen-Gewichte gehören lokal wie auf eigenen Servern zu den meistgenutzten Basismodellen überhaupt. Laut dem Bericht zu offenen Modellen im Sommer 2026 von Hugging Face wurde Qwen zwischen Januar und August 2026 allein auf Hugging Face 2,045 Milliarden Mal heruntergeladen (über alle Plattformen hinweg nennt Alibaba mehr als 3 Milliarden Downloads). Auf Basis von Qwen entstanden 151.448 abgeleitete Modelle – das 2,6-Fache von Meta und mehr als Google (82.506) und Meta zusammen.

Auch in Unternehmen läuft die Modellfamilie im Produktivbetrieb. Airbnb-CEO Brian Chesky erklärte im Oktober 2025 in einem Interview, der KI-Kundendienst von Airbnb stütze sich stark auf Alibabas Qwen-Modell – es sei sehr gut, schnell und günstig.

Diagramm aus dem Hugging-Face-Bericht zu offenen Modellen im Sommer 2026: Anzahl abgeleiteter Modelle nach Organisation, angeführt von Qwen mit rund 151.000 Derivaten vor Google (83.000) und Meta (57.000) zusammen
Abgeleitete Modelle auf Hugging Face nach Organisation (Stand: Sommer 2026). Quelle: Hugging Face.

Dabei schlägt das proprietäre Spitzenmodell nicht automatisch jedes kleinere Open-Weight-Modell aus eigenem Haus. Der Hacker-News-Nutzer chriddyp ließ Qwen4-Max gegen den internen Benchmark seines Teams für kurze Datenanalyse-Aufgaben antreten: Es schnitt ein paar Punkte schlechter ab als das im August veröffentlichte Open-Weight-Modell Qwen3.8 27B, das auf normaler Desktop-Hardware läuft, und war pro Durchlauf obendrein etwas teurer.

Offizielle Benchmarks und unabhängige Ranglisten

Das Qwen-Team hat 16 Benchmarks aus Programmierung, Büroarbeit, Forschung und Multimodalität veröffentlicht und Qwen4-Max dort mit Qwen3.8-Max-0902, Claude Opus 5.5, GPT-6.1 Sol, GPT-6 Astra und Kimi K3.1 verglichen.

Offizielles Balkendiagramm mit 16 Kern-Benchmarks im Vergleich zwischen Qwen4-Max, Qwen3.8-Max-0902, Opus 5.5, GPT-6.1 Sol, GPT-6 Astra und Kimi K3.1
Offizieller Vergleich über 16 Benchmarks. Quelle: offizieller Qwen-Blog.

Die vollständigen Werte aller 16 Disziplinen aus dem Diagramm (Bestwerte je Zeile fett markiert):

Vollständige Ergebnisse der 16 offiziellen Benchmarks zu Qwen4-Max
BenchmarkQwen4-MaxQwen3.8-MaxOpus 5.5GPT-6.1 SolGPT-6 AstraKimi K3.1
DeepSWE v1.175.769.374.275.274.175.5
CodeArena (Elo)175016761816174217631686
Terminal-Bench 4.048.538.959.656.159.167.2
ProgramBench31.528.065.052.555.025.0
AA-Briefcase v1.1 (Elo)168616051801155515691674
Agents’ Last Exam v1.146.727.943.442.6 (GPT, nur ein Wert im Diagramm)—43.4
JobBench68.565.375.466.266.161.2
APEX-Agents v1.172.163.373.560.064.765.5
HLAB-Vals-1.121.315.49.26.37.111.7
AutomationBench-AA72.556.269.564.968.573.3
AgentArena (Net Improvement)7.5—18.211.813.93.9
BioMysteryBench85.084.181.984.478.980.6
HealthBench Professional60.039.659.965.166.057.2
Humanity’s Last Exam51.743.959.854.053.651.1
Chartography54.242.066.367.871.150.0
Video-Index68.163.274.873.876.763.2

Das Qwen-Team bildet Siege und Rückstände in derselben Grafik ab, statt nur die gewonnenen Disziplinen herauszupicken:

  • Platz eins in 4 Disziplinen: Repository-weite Code-Reparaturen auf DeepSWE v1.1 (75.7, knapp 0.2 bis 0.5 Punkte vor Kimi K3.1 mit 75.5 und GPT-6.1 Sol mit 75.2), langlaufende Aufgaben bei Agents’ Last Exam v1.1 (46.7 gegenüber 43.4 bei Opus 5.5), juristische Fallarbeit auf HLAB-Vals-1.1 (21.3 gegenüber 11.7 bei Kimi K3.1 und 9.2 bei Opus 5.5) sowie Bioinformatik auf BioMysteryBench (85.0).
  • Unter den 12 übrigen Benchmarks fällt der Rückstand an mehreren Stellen deutlich aus: Auf Terminal-Bench 4.0 für Kommandozeilen-Programmierung holt Qwen4-Max nur 48.5 Punkte und bildet damit das Schlusslicht der fünf aktuellen Vergleichsmodelle (Kimi K3.1 erreicht 67.2, Opus 5.5 liegt bei 59.6). Beim Blackbox-Software-Nachbau auf ProgramBench kommt es mit 31.5 auf weniger als die Hälfte von Opus 5.5 (65.0). Auch beim klinischen Reasoning auf HealthBench Professional (60.0 vs. 66.0 bei GPT-6 Astra), bei Humanity’s Last Exam (51.7 vs. 59.8 bei Opus 5.5), beim Diagrammverständnis auf Chartography (54.2 vs. 71.1 bei GPT-6 Astra) und beim Videoverständnis auf Video-Index (68.1 vs. 76.7 bei GPT-6 Astra) bleibt eine spürbare Lücke.

Im doppelblinden Frontend-Ranking CodeArena: WebDev (Stand 14. November 2026, 159 Modelle, über 1 Million Stimmen) liegt Qwen4-Max (xHigh) mit 1,750 Elo-Punkten weltweit auf Platz 6 und ist damit das bestplatzierte chinesische Modell (das nächste folgt auf Platz 13 mit Kimi K3.1 Pro bei 1,686 Punkten). Es reiht sich knapp hinter GPT-6 Astra (1,763) und vor Claude Fable 5.1 (1,743), GPT-6.1 Sol (1,742) sowie Claude Sonnet 5.5 auf High (Platz 10, 1,716 Punkte) ein. Zwei Details gehören zur Einordnung dazu: Erstens steht Sonnet 5.5 auf der Stufe xHigh mit 1,772 Punkten auf Platz 3; zweitens basiert der Wert von Qwen4-Max bislang auf 1,814 Stimmen und ist als Preliminary (vorläufig) mit einer Schwankungsbreite von ±15 Punkten (Rank Spread 3–9) gekennzeichnet.

Top 10 der weltweiten CodeArena-WebDev-Blindrangliste: Platz 1 Claude Fable 5.2 (1826), Platz 2 Claude Opus 5.5 (1816), Platz 3 Claude Sonnet 5.5 xHigh (1772), Platz 4 Gemini 4 Carbon (1768), Platz 5 GPT-6 Astra (1763), Platz 6 Qwen4-Max xHigh (1750 ±15, Preliminary)
CodeArena-WebDev-Rangliste vom 14. November 2026.
Top 8 der CodeArena-WebDev-Rangliste und ausgewählte Vergleichsmodelle (14.11.2026)
RangModellElo-WertAnmerkung
1Claude Fable 5.2 (xHigh)1826 ±19—
2Claude Opus 5.5 (Max)1816 ±12—
3Claude Sonnet 5.5 (xHigh)1772 ±10—
4Gemini 4 Carbon (High)1768 ±15Preliminary
5GPT-6 Astra (Max)1763 ±8—
6Qwen4-Max (xHigh)1750 ±15Preliminary; Rank Spread 3–9; 1,814 Stimmen; Cost/Task (P50) $4.18
7Claude Fable 5.1 (Max)1743 ±8—
8GPT-6.1 Sol (Max)1742 ±10—
10Claude Sonnet 5.5 (High)1716 ±8—
13Kimi K3.1 Pro (Max)1686 ±9Nächstes chinesisches Modell
16Qwen3.8-Max (0902)1676 ±6Vorgängergeneration
19DeepSeek-V4.1-Flash-20261017 (Max)1661 ±7Vergleichsmodell beim Token-Verbrauch unten

Die unabhängigen Messungen von Artificial Analysis (Abruf vom 17. November 2026) zeichnen ein nüchternes Gesamtbild: Im Intelligence Index v5.0.1, der 9 Einzeltests bündelt, kommt Qwen4-Max auf 43 Punkte und landet damit auf Platz 38 von 81 Modellen (Median vergleichbarer Modelle: 41). Im selben Testfeld erreicht GPT-6.1 Sol (max) 55 Punkte bei durchschnittlichen Kosten von nur $1.27 pro Aufgabe – 12 Punkte mehr als Qwen4-Max ($3.27) und pro Aufgabe 61% günstiger. Kimi K3.1 Pro liegt bei 46 Punkten und $3.68 pro Aufgabe.

Übersichtskarte von Artificial Analysis zu Qwen4-Max: Intelligence Index 43 Punkte (Platz 38/81), Zeit pro Aufgabe 32.1 Minuten (Platz 74/79), Kosten pro Aufgabe $3.27 (Platz 44/80), insgesamt 127M Output-Token für den Index-Durchlauf (Platz 65/80)
Artificial Analysis, 17. November 2026.
Vergleich von Intelligence Index, Zeit pro Aufgabe und Kosten pro Aufgabe bei Artificial Analysis (17.11.2026)
ModellIntelligence IndexZeit pro Aufgabe (Min.)Kosten pro Aufgabe
Claude Fable 5.2 (max)6540.8$26.54
Gemini 4 Carbon (high)6031.1$5.48
Claude Opus 5.5 (max)5924.6$10.04
GPT-6 Astra (max)5720.4$6.24
GPT-6.1 Sol (max)5523.0$1.27
Kimi K3.1 Pro4638.8$3.68
Qwen4-Max4332.1$3.27
Grok 4.7 (xhigh)3524.6$7.77

Token-Verbrauch

Gegenüber dem Vorgänger Qwen3.8-Max sinkt der Token-Verbrauch laut den offiziellen Zahlen spürbar: Auf Work360 braucht Qwen4-Max auf den Stufen xhigh und high rund 24% bzw. 35% weniger Token pro Aufgabe. Auf Terminal-Bench 4.0 fällt der Schnitt pro Aufgabe auf xhigh von rund 289K auf 151K Token (minus 48%), während die Punktzahl von 38.9 auf 48.5 steigt; auf high geht der Token-Verbrauch um rund 49% zurück.

Kurven zu Punktzahl und Token-Verbrauch pro Aufgabe von Qwen4-Max und Qwen3.8-Max-0902 auf Work360 und Terminal-Bench 4.0 über die Reasoning-Stufen Low, High und Xhigh
Punktzahl und Token-Verbrauch pro Aufgabe nach Reasoning-Stufe auf Work360 und Terminal-Bench 4.0. Quelle: offizieller Qwen-Blog.

Während der Preview-Phase haben Entwickler außerdem zwei direkte Vergleichstests bei identischen Prompts veröffentlicht:

  • Der Entwickler @loktar00 ließ mit demselben Prompt in einem Durchgang ein verschneites 3D-Weihnachtsdorf generieren. Das damals noch anonyme Qwen-4-Preview-Modell brauchte dafür rund halb so viele Token wie DeepSeek Flash. In den Antworten unter dem Post merkte @loktar00 allerdings an, dass DeepSeek schneller fertig war.
  • Der Entwickler @ItsmeAjayKV ließ Qwen4-Max-Preview und DeepSeek-v4.1-flash-1017 über 103 identische Three.js-Aufgaben laufen: In 87 von 103 Aufgaben verbrauchte die Qwen-Preview weniger Token – im Schnitt rund 77K Token pro Aufgabe gegenüber 115K bei DeepSeek, also etwa 33% weniger.
X · @loktar00Qwen 4 vs Deepseek Flash one shot Christmas VillageAuf X ansehen
Direktvergleich beim Generieren eines verschneiten 3D-Weihnachtsdorfs mit identischem Prompt: Die Qwen-4-Preview kam mit rund der Hälfte der Token von DeepSeek Flash aus. Der Link öffnet X; vor dem Klick lädt die Seite keine externen Inhalte.
Diagramm zum Token-Verbrauch über 103 Three.js-Aufgaben: DeepSeek V4.1 Flash braucht im Schnitt 115,306 Token pro Aufgabe, Qwen 4 Max Preview 77,469 Token und liegt in 87 von 103 Aufgaben niedriger (im Schnitt 33% weniger)
Bild: @ItsmeAjayKV, 11. November 2026.

Beide Community-Tests liefen mit der Preview-Version und traten gegen DeepSeek V4.1 Flash an. Zwar spart Qwen pro Aufgabe ein Drittel bis die Hälfte der Token ein, doch DeepSeek V4.1 Flash kostet per API nur $0.15 / $0.60 pro Million Input- bzw. Output-Token – ein Zehntel des Input-Preises von Qwen4-Max ($1.50 / $4.50) und rund ein Siebtel beim Output. @ItsmeAjayKV hielt im Originalpost entsprechend fest, dass deepseek-v4.1-flash bei Preis und Modellgröße klar vorn liegt.

Im anbieterübergreifenden Vergleich von Artificial Analysis erzeugte Qwen4-Max über den gesamten Intelligence-Index-Durchlauf 127 Millionen Output-Token – deutlich mehr als der Median vergleichbarer Modelle (78.6 Millionen) – und erhielt das Label „very verbose“. Eine Aufgabe dauerte im Schnitt 32.1 Minuten (Median: 13.3 Minuten), die Wartezeit bis zum ersten Antwort-Token (time to first answer token) lag bei 147.63 Sekunden, die Ausgabegeschwindigkeit bei 54 Token/s.

Token-Verbrauch und Laufzeit von Qwen4-Max gegenüber verschiedenen Referenzmodellen
TestszenarioReferenzQwen4-MaxReferenzwertEinordnung
Work360 (xHigh / High)Qwen3.8-Max-0902≈127K / ≈96K≈166K / ≈148KRund 24% / 35% weniger als der Vorgänger
Terminal-Bench 4.0 (xHigh / High)Qwen3.8-Max-0902≈151K / ≈129K≈289K / ≈250KRund 48% / 49% weniger als der Vorgänger
103 Three.js-Aufgaben (Preview)DeepSeek V4.1 Flash77.5K / Aufgabe115.3K / Aufgabe33% weniger Token, aber DeepSeek kostet pro Token eine Größenordnung weniger
AA Intelligence Index (Output gesamt / Dauer pro Aufgabe)Median vergleichbarer Frontier-Modelle127M / 32.1 Min.78.6M / 13.3 Min.AA-Vermerk „very verbose“, Laufzeit rund das 2.4-Fache des Medians

Wir finden: Die Token-Ersparnis von Qwen4-Max gilt im Vergleich zum eigenen Vorgänger Qwen3.8-Max und zu DeepSeek V4.1 Flash. Gemessen am restlichen Feld aktueller Frontier-Modelle bleibt es auf hoher Reasoning-Stufe langsam und wortreich.

Reasoning-Stufen

Laut der Dokumentation von Alibaba Cloud Model Studio bietet der Parameter reasoning_effort bei Qwen4-Max die drei Stufen low, high und xhigh (Standard ist high bei einem maximalen Reasoning-Budget von thinking_budget=131072; wer minimal, medium oder max übergibt, landet automatisch auf low, high bzw. xhigh).

Aus Alibabas Effizienzdiagramm ergeben sich für die drei Stufen auf Work360 und Terminal-Bench 4.0 folgende Punktzahlen und Token-Mengen pro Aufgabe:

Punktzahlen und Token-Verbrauch der drei Reasoning-Stufen von Qwen4-Max auf Work360 und Terminal-Bench 4.0 (Näherungswerte aus dem Diagramm)
BenchmarkLowHigh (Standard)XhighAbstand High zu Xhigh
Work360 (Büro- und Branchenaufgaben)≈46.6 Pkt. (≈91K)≈48.0 Pkt. (≈96K)52.69 Pkt. (≈127K)High liegt ca. 4.7 Punkte tiefer und spart ca. 24% Token
Terminal-Bench 4.0 (Terminal-Coding)≈29.5 Pkt. (≈122K)≈31.5 Pkt. (≈129K)48.5 Pkt. (≈151K)High liegt ca. 17.0 Punkte tiefer und spart nur ca. 15% Token

In der Preview-Phase stand die Standardstufe noch fest auf xhigh, was einfache Aufgaben unnötig in die Länge zog. @SrinivasValekar berichtete von einem Test zur Dorf-Generierung, bei dem beide Modelle auf xhigh liefen: Gemini 4 Hydrogen war nach 12 Minuten für rund $1.7 fertig, Qwen4-Max brauchte 1 Stunde und 15 Minuten für rund $0.9. Ein einzelner Durchlauf ersetzt keine Rangliste, aber der Zeitabstand ist enorm.

Der YouTube-Kanal The Dark Factory testete qwen4-max-preview über das Token-Plan-Abo direkt in Claude Code und ließ dieselbe Budget-App-Aufgabe auf zwei Stufen gegeneinander laufen: Wurde die Reasoning-Stufe vom Standard xhigh auf low gesenkt, fiel die Laufzeit von 24 auf 9 Minuten, die gelesenen Kontext-Token sanken von 4.4M auf 1.1M (minus 75%), der Output ging von 83K auf 31K zurück (minus 63%), und die blinde Bewertung durch Codex (GPT-6.1 Sol) stieg von 8/10 auf 9/10.

Video · The Dark FactoryI Tested Qwen 4 to See What My Mac Gets NextAuf YouTube ansehen
Der Autor testet Qwen4-Max-Preview mit dem Token Plan in Claude Code und vergleicht zwischen 6:23 und 6:55 dieselbe Budget-App auf der Standardstufe xHigh und auf low nach Laufzeit, Token-Verbrauch und Blindbewertung. Der Link öffnet YouTube; vor dem Klick lädt die Seite keine externen Inhalte.
Einzeltest einer Budget-App von The Dark Factory: Vergleich zwischen Standard xHigh und low
Reasoning-StufeOutput-TokenGelesene TokenDauerBlindbewertung (Judge: GPT-6.1 Sol)
Standard (xHigh)83K4.4M24 Min.8 / 10
low31K (-63%)1.1M (-75%)9 Min.9 / 10

Der Test von The Dark Factory umfasst nur einen einzelnen Durchlauf an einer Frontend-Aufgabe mit einem einzigen KI-Judge. Nimmt man die offiziellen Kurven von oben hinzu, finden wir: Die neue Standardstufe high der finalen Version reicht für Büroaufgaben, normales Frontend und Frage-Antwort-Runden völlig aus. Sobald komplexe Full-Stack-Entwicklung oder autonome Kommandozeilen-Aufgaben wie in Terminal-Bench anstehen, klafft zwischen high und xhigh eine Lücke von 17 Punkten – dort lohnt sich das manuelle Umschalten auf xhigh.

Ein minimales Codebeispiel zur Wahl der Reasoning-Stufe über die OpenAI-kompatible Schnittstelle (Responses API) von QwenCloud:

qwen4_max_example.py
from openai import OpenAIimport os client = OpenAI(    api_key=os.getenv("DASHSCOPE_API_KEY"),    base_url="https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1",) resp = client.responses.create(    model="qwen4-max",    input="Schreib Unit-Tests für diese Funktion",    reasoning={"effort": "high"},  # low / high / xhigh, Standard ist high)print(resp.output_text)

API-Preise und echte Rechnungen

Alibaba führt zwei offizielle Preislisten: eine für Festlandchina (Alibaba Cloud Model Studio) und eine internationale (QwenCloud, Region Singapur). In Festlandchina kosten eine Million Standard-Input-Token CNY 10 und eine Million Output-Token CNY 30 – rund 16.7% weniger als beim Vorgänger qwen3.8-max (CNY 12 / 36). Der Preis für Cache-Hits fällt auf CNY 0.5 pro Million Token (international $0.075 pro Million), also 5% des regulären Input-Preises. Zusammen mit dem geringeren Token-Bedarf pro Aufgabe sinken die durchschnittlichen Gesamtkosten einer Work360-Aufgabe laut Alibaba von $4.43 beim Vorgänger auf $1.67 – ein Minus von 62%.

Offizielle API-Preise für Qwen4-Max in Festlandchina (Model Studio) und international (QwenCloud)
PostenFestlandchina (Model Studio)International (QwenCloud, Singapur)
Standard-Input (0 < Token ≤ 1M, mit und ohne Reasoning identisch)CNY 10 / Mio.$1.5 / Mio.
Output (Reasoning-Tokens + Antwort)CNY 30 / Mio.$4.5 / Mio.
Cache-Hit (explizit / implizit)CNY 0.5 / Mio.$0.075 / Mio.
Expliziten Cache anlegen (5 Min. TTL)CNY 12.5 / Mio.$1.875 / Mio.
Expliziten Cache anlegen (1 Std. TTL)CNY 20 / Mio.$3 / Mio.
Freibetrag für Neukunden1 Mio. Token (90 Tage)—

Laut den Abrechnungsregeln von Model Studio gilt für das Caching: Der implizite Cache (Implicit Cache) ist standardmäßig aktiv und erfordert keine Codeänderung, garantiert aber keinen Treffer bei jeder Anfrage. Für den expliziten Cache (Explicit Cache) muss das Präfix mindestens 1,024 Token lang sein; die Gültigkeit (TTL) beträgt wahlweise 5 Minuten (Standard) oder 1 Stunde und verlängert sich bei einem Treffer automatisch. Caches werden ausschließlich zwischen Anfragen desselben Kontos geteilt, und Output-Token (einschließlich Reasoning-Tokens) werden immer zum vollen Satz abgerechnet.

Wie sich das auf echte Multi-Turn-Sitzungen auswirkt, zeigt eine Nachrechnung mit den Nutzungsdaten des Entwicklers @superalesha. Er ließ die Preview auf der Stufe xhigh mit identischem Prompt eine regnerische Nachtszene mit Ramen-Stand in Tokio in Blender bauen – einmal über DeepSeek Harness (DSH) und einmal über Qwen Code. Umgerechnet auf die finalen Listenpreise (Kosten = Input ohne Cache-Hit × Input-Preis + Cache-Hits × Cache-Preis + Output × Output-Preis) sieht die Rechnung so aus:

Nachberechnete Kosten zweier echter Blender-Läufe (Ramen-Stand in Tokio) zu den finalen Listenpreisen
Harness (gleicher Prompt, xHigh)Input gesamt (Cache-Hit / ohne Hit)OutputFestlandchina gesamt (mit Cache)Festlandchina (bei 0 Cache)International gesamt (mit Cache)International (bei 0 Cache)
DeepSeek Harness11.96M (11.59M / 0.37M)130K3.70 + 5.80 + 3.90 = CNY 13.40CNY 123.50$2.01$18.53
Qwen Code3.02M (2.85M / 0.17M)62K1.70 + 1.43 + 1.86 = CNY 4.99CNY 32.06$0.75$4.81

Aus dieser Abrechnung lassen sich drei Dinge ablesen:

  1. CNY 5.80 kostet allein der gecachte Anteil, die Gesamtrechnung liegt bei CNY 13.40. Im Lauf mit DeepSeek Harness entfielen 11.59 Millionen Input-Token (96.9% des gesamten Inputs) auf Cache-Hits zu CNY 0.5 pro Million, was CNY 5.80 ergibt. Zusammen mit 0.37 Millionen ungecachten Input-Token (CNY 3.70) und 130K Output-Token (CNY 3.90) summiert sich der Lauf auf CNY 13.40 bzw. international $2.01 – davon 43% für den Cache und 29% für den Output.
  2. Mit oder ohne Cache-Hits unterscheidet sich die Rechnung fast um den Faktor 10. Ohne einen einzigen Cache-Hit würde derselbe Lauf in DeepSeek Harness nach chinesischer Preisliste CNY 123.50 ($18.53 international) kosten. Da der implizite Cache keine Treffer garantiert, solltest du bei langen Agent-Workflows explizite Cache-Breakpoints setzen – auch wenn das Anlegen mit dem 1.25-Fachen (5 Minuten) bzw. Doppelten (1 Stunde) des Input-Preises berechnet wird.
  3. Der Agent-Harness verändert das Input-Volumen fast um das Vierfache. Dasselbe Modell und derselbe Prompt kamen unter Qwen Code mit insgesamt 3.02 Millionen Input-Token aus; die Rechnung sank auf CNY 4.99 bzw. $0.75. Wir finden: Wie sparsam das Harness den Kontext verwaltet, schlägt auf der Endabrechnung genauso stark durch wie der Token-Preis des Modells.

Offizielle Praxisbeispiele

Rund um das 1-Million-Token-Kontextfenster, die native Bilderkennung und Tool-Aufrufe zeigen der offizielle Blog und die Community mehrere mehrstufige Workflows.

In der 3D- und Spieleentwicklung ließ @superalesha das Modell ausschließlich über Blender MCP per Python-Skript – ohne externe Assets – den erwähnten Ramen-Stand bei Regen in Tokio modellieren. Der Prompt verlangte Stoffvorhänge, Papierlaternen, dampfende Suppenschüsseln, Getränkeautomaten und Pfützen mit Neon-Spiegelungen in Cycles-Rendering; anschließend prüfte das Modell die gerenderten Bilder selbst und besserte fehlerhafte Stellen nach. Das Qwen-Team zeigte parallel, wie Qwen4-Max in Unity, Unreal Engine und Godot aus natürlichsprachlichen Vorgaben direkt Szenen aufbaut, Spiellogik schreibt, externe Assets einbindet und anhand des laufenden Bildes Kameraführung und Trefferfeedback abstimmt – darunter das 3D-Katzenmagier-Abenteuer Meow of Magic in Unreal Engine, das Fantasy-Flugspiel Yun Guan Xing sowie das Android-Rennspiel Flying Racer in Unity 6.

Spielszenen-Screenshot von Meow of Magic, einem von Qwen4-Max in Unreal Engine gebauten 3D-Abenteuerspiel: Eine Katze mit Zauberhut und Holzstab steht in einer Magierwerkstatt, umgeben von einer älteren Katze, Trankregalen, Buntglasfenstern und schwebenden Schriftrollen
Das von Qwen4-Max in Unreal Engine erstellte 3D-Spiel Meow of Magic. Quelle: offizieller Qwen-Blog.

Weil langlaufende Agent-Aufgaben oft mitten im Lauf in eine falsche Richtung abbiegen und sich am Ende kaum noch korrigieren lassen, führt Alibaba mit Qwen4-Max den Mechanismus Live Delivery samt dem quelloffenen Plugin Qwen-Live-Delivery-Plugin ein: Bei komplexen Aufträgen liefert das Modell zuerst rasch eine lauffähige erste Version und baut sie anschließend anhand von Ausführungs-Feedback und Nutzereingaben Schritt für Schritt aus, sodass Entwickler jederzeit gegensteuern können.

Aus Industrie, Finanzwesen, Recht, Medizin und Forschung nennt Alibaba sechs Partnerprojekte:

Sechs offiziell vorgestellte Praxisprojekte mit Qwen4-Max aus Industrie und Forschung
BereichAufgabeGenannte Kennzahlen
Automobilfertigung (SANF, Pacific Union)3D-Fertigungslinien aus 2D-Layouts und Prozessparametern aufbauen und virtuell per SPS (PLC) in Betrieb nehmen; Türbaugruppen und Reibräder auf Bauteilebene konstruieren, CNC-Werkzeugwege berechnen und vorab auf Über- oder Unterschnitt simulierenManueller Programmieraufwand pro Werkstück sinkt von rund 475 auf 24 Minuten (minus ca. 95%)
Juristische IPO-Due-DiligenceUngeordnet angelieferte Arbeitspapiere (Working Papers) sichten, nach Inhalt umbenennen, in Ordner sortieren und indizieren; Handelsregister-, IP-, Gerichts- und Bonitätsdaten abgleichen sowie Risiken durch Wiederauflebensklauseln (Reinstatement Clauses) in Wertanpassungsvereinbarungen (VAM) markieren198 Arbeitspapiere in 14 Ordner sortiert, 86-seitigen Bericht (über 60,000 chinesische Zeichen) über 12 Prüffelder und 14 Rechtsfragen mit Belegverweisen erstellt
Finanzanalyse (CSI-300-Index-Futures)Marktdaten zu A-Aktien, Hongkong- und US-Aktien, Anleihen, Fonds und Derivaten abrufen, anhand von Finanzierungskosten, Dividendenrenditen und Laufzeiten die theoretische Futures-Basis und Volatilitäts-Spreads berechnen und doppelt rückverfolgbare Excel- und editierbare PowerPoint-Dateien ausgebenZugriff auf 90 MCP-Tools; Klick auf eine Excel-Zelle führt direkt zur Originalquelle, PowerPoint-Diagramme und Tabellenblätter sind exakt abgeglichen
Klinische IntensivmedizinIn einer Sitzung Dutzende Laborbefunde, umfangreiche Verlaufsdokumentationen und ärztliche Anordnungen auswerten, Rohbilder in 6 Sequenzen aufteilen und mehrere Sub-Agents parallel Hunderte Thorax-CT-Schichten prüfen lassenVerlaufsnotizen von über 10,000 Zeichen und 1,433 Aufnahmen verarbeitet, bilaterale abhängige Konsolidierung erkannt (deckt sich mit der fachärztlichen Diagnose), 4 Therapieempfehlungen stimmen mit den Tagesanordnungen überein
Closed-Loop-Laborforschung (Deep Principle Mira)Für die Kühlung von Hochleistungs-Chips in Rechenzentren eigenständig Struktur-Screening, MPA-Eigenschaftsprognosen, Ab-initio-Rechnungen und Retrosynthese durchführen und einen Laborroboter für Synthese, Aufreinigung und Messung ansteuern48 Stunden Dauerbetrieb, 2.7 Mio. Molekülkandidaten gefiltert und nach 4 geschlossenen Iterationen eine im Labor verifizierte Kühlmittelprobe hergestellt
Cloud-Ressourcenplanung (Alibaba Cloud + MindOpt)Für das Multi-Modell-Routing bei der Datenannotation, die Online-Zuteilung von GPUs und das Offline-Rescheduling von CPUs eigene Kandidaten-Algorithmen entwerfen und gemeinsam mit Alibabas Solver MindOpt iterativ verifizierenRouting-Kosten bei der Datenannotation sinken im Schnitt um 10.42%, zusammenhängende Leerlaufzeit freier GPU-Nodes steigt um 4.62%, optimale Lösung beim Offline-CPU-Rescheduling wird über 14.61-mal schneller gefunden

Alle sechs Beispiele stammen aus Referenzprojekten von Alibaba und seinen Partnern und wurden bislang nicht unabhängig reproduziert. Die genannten Zeiteinsparungen und Beschleunigungsfaktoren solltest du daher als Bestwerte in speziell darauf zugeschnittenen Pipelines verstehen.

Einsatz im Frontend

Wer mit einem einzigen Satz eine komplette statische Webseite generieren lässt, bekommt bei Qwen4-Max nach Einschätzung vieler Tester optisch schlichtere Ergebnisse als bei der westlichen Spitze: In einem Community-Vergleich zu chinesischen Tierkreiszeichen gegen GPT-6 Astra und DeepSeek V4.1 Flash stimmte bei der Preview zwar das Grundgerüst, Lichtstimmung und Detailtiefe wirkten jedoch flach.

Wenn du Qwen4-Max für Frontend- und UI-Aufgaben einsetzt, solltest du die Qualitätskriterien direkt im Prompt festschreiben und nach dem ersten Entwurf gezielt Farben oder Animationen in weiteren Runden nachschärfen. Diese Checkliste am Ende des Prompts hilft dabei:

frontend-checklist.txt
Prüfe vor der Auslieferung der Frontend-Seite jeden Punkt:1. Visuelle Hierarchie: Klare Abstände, Schriftgrößenkontraste und Farbabstufungen; keine ungestylten Standard-Formularelemente ausgeben.2. Interaktion und Zustände: Alle Buttons, Filter, Modals und Formulare müssen funktionieren; ergänze Hover-Feedback, Ladezustände (Loading States) und Leerzustände (Empty States).3. Schwachstellen nachbessern: Prüfe vor der Abgabe den Gesamteindruck, greif den optisch oder interaktiv schwächsten Bereich heraus und überarbeite ihn in einer eigenen Runde.4. Rendering-Check: Stelle sicher, dass die Seite vollständig rendert – ohne ungeschlossene Tags, Layout-Überläufe oder Fehler in der Browser-Konsole.

Einsatzgebiete und Modellwahl

Aus den Benchmark-Werten, Laufzeiten und Abrechnungen von oben ergibt sich folgende Einordnung nach Aufgabe:

Einsatzgebiete und Empfehlungen zur Modellwahl für Qwen4-Max
Workload / SzenarioEmpfehlungGründe und Kompromisse
Mehrstufige Agent-Läufe mit langem Kontext / Dokumenten- und Due-Diligence-ArbeitGut geeignet1M Kontextfenster; Platz 1 bei ALE (46.7) und HLAB-Vals (21.3); Cache-Hits kosten nur $0.075 (CNY 0.5) pro Mio. Token, Kosten pro Aufgabe auf Work360 sinken um 62% ($1.67). Produktiv am besten mit explizitem Cache nutzen
Code-Reparaturen in echten Repositories und normale Full-Stack-ArbeitGeeignet, Stufe nach Aufgabe wählen75.7 Punkte auf DeepSWE v1.1; im Alltag reicht die Standardstufe high, für schwierige Full-Stack- oder Terminal-Aufgaben auf xhigh wechseln (auf Terminal-Bench liegen 17 Punkte dazwischen)
Intensive Terminal-Ausführung / Blackbox-Software-NachbauLieber Claude oder Kimi wählenAuf Terminal-Bench 4.0 nur 48.5 Punkte (Kimi K3.1: 67.2, Opus 5.5: 59.6); auf ProgramBench nur 31.5 (Opus 5.5: 65.0)
Hoher Intelligence Index bei niedrigen Kosten pro AufgabeLieber GPT-6.1 Sol ansehenBei Artificial Analysis erreicht GPT-6.1 Sol (max) 55 Punkte für $1.27 pro Aufgabe; Qwen4-Max liegt bei 43 Punkten und $3.27 pro Aufgabe
Frontend-Seiten per Ein-Satz-Prompt generierenNur mit detaillierter ChecklistePlatz 6 auf CodeArena WebDev (1,750 ±15), aber Ein-Satz-Prompts wirken in Community-Tests oft flach; visuelle Hierarchie und Empty States explizit vorgeben und iterieren
Strenge Anforderungen an Latenz und Gesamtdauer / lokales HostingUngeeignetAA misst 147.63 s bis zum ersten Antwort-Token und 32.1 Min. pro Aufgabe; das Max-Modell gibt es nur per Cloud-API, zu kleineren Open-Weight-Modellen fehlen noch Größen und Termine

Häufige Fragen

Lässt sich Qwen4-Max in Claude Code nutzen?

Ja. Der Token Plan von QwenCloud unterstützt sowohl das OpenAI-Protokoll als auch das Anthropic-Messages-Protokoll; auf der offiziellen Kompatibilitätsliste stehen Claude Code, Cursor, Qwen Code, Codex, Qoder und OpenClaw (auch der oben gezeigte Test von The Dark Factory lief in Claude Code). Über die Anthropic-Messages-Schnittstelle übergibst du die Reasoning-Stufe per output_config.effort, wobei medium auf high und max auf xhigh abgebildet wird. Wichtig: Der Token Plan nutzt den eigenen Endpunkt token-plan.maas.qwencloudapi.com sowie spezielle Keys mit dem Präfix sk-sp-, die sich nicht mit regulären Pay-as-you-go-Keys mischen lassen.

Wie stark unterscheiden sich die Preise in China und international?

In Festlandchina (Alibaba Cloud Model Studio) kosten eine Million Standard-Input-Token CNY 10, Output-Token CNY 30 und Cache-Hits CNY 0.5; dazu gibt es für Neukunden ein Freikontingent von 1 Million Token (90 Tage gültig). International (QwenCloud, Singapur) liegen die Preise bei $1.5 pro Million Input-Token, $4.5 für Output und $0.075 für Cache-Hits (für das internationale Deployment in Model Studio gilt daneben ein Tarif von CNY 10.938 / CNY 32.813). Umgerechnet zum Wechselkurs liegen beide Preislisten nah beieinander; das Abo-Modell Token Plan lässt sich derzeit allerdings nur in der Region Singapur buchen und nutzen.

Erscheint Qwen4-Max als Open-Weight-Modell?

Nein, Qwen4-Max selbst bleibt proprietär und ist ausschließlich über die Cloud-API und Alibabas offizielle Anwendungen zugänglich. Im Ankündigungs-Blog schreibt das Qwen-Team lediglich, dass kleinere und mittlere Modelle der Qwen4-Familie auf Basis derselben Architektur und Trainingsmethodik später als Open-Weight-Modelle veröffentlicht werden sollen – konkrete Parametergrößen oder ein Datum wurden bisher nicht genannt.

Abfahrt

Führende Frontier-Modelle in einem Pass.

CodingPass bündelt Claude, GPT, Gemini sowie Qwen3.8 Flash und weitere Modelle, abgerechnet zu offiziellen API-Preisen. Keine Überraschungskosten, jederzeit kündbar.

  • Request-ID in jeder Antwort
  • Volle Erstattung bei höchstens 5 % Nutzung
  • Keine Überraschungskosten
Go wählenAlle Modelle ansehen

$10/Monat bis zur Kündigung.