Qwen4-Max obtuvo 43 puntos en el índice de Artificial Analysis, nueve más que su antecesor, Qwen3.8-Max. La firma calculó un costo promedio de 3.27 dólares por tarea para el nuevo modelo de Alibaba, frente a 10.02 dólares para la versión anterior. El resultado lo acerca a Kimi K3.1 Pro, aunque una segunda evaluación muestra que la ventaja de costo depende de las tareas medidas.
Artificial Analysis asignó a Kimi K3.1 Pro 46 puntos y un costo promedio de 3.68 dólares por tarea en su índice. Bajo esa medición, Qwen4-Max quedó tres puntos por detrás y costó alrededor de 11 % menos. Frente a Qwen3.8-Max, la reducción fue de aproximadamente 67 %; la comparación usa la versión 0902 del modelo anterior.
La evaluación independiente añade una referencia a las cifras de Alibaba. En el anuncio de Qwen4-Max, la empresa ya había informado una reducción del costo en su propia prueba Work360. Los resultados de Artificial Analysis corresponden a otra batería y no deben confundirse con los del fabricante.
Qué mide el costo por tarea
El Intelligence Index de Artificial Analysis combina nueve evaluaciones que abarcan tareas de conocimiento, programación y trabajo con agentes. La puntuación resume el desempeño en esa selección de pruebas y no describe por sí sola cómo responderá el modelo en cada aplicación.
El costo publicado tampoco es un precio fijo por pregunta. La firma calcula un promedio ponderado para las tareas del índice e incorpora los precios de los tokens de entrada, salida, razonamiento y uso de caché. El volumen de texto procesado y la configuración de cada solicitud influyen en la factura.
En Alibaba Cloud, Artificial Analysis muestra para Qwen4-Max tarifas de 1.50 dólares por millón de tokens de entrada y 4.50 dólares por millón de salida. Para Qwen3.8-Max 0902 muestra 2 y 6 dólares, respectivamente. Son precios por unidad de procesamiento; el promedio por tarea también depende de cuántas unidades consuma cada modelo.
Vals cambia la comparación con Kimi
Otra firma de evaluación, Vals AI, ordena de otra manera a los dos modelos. En la versión 2.2 de su índice, actualizada el 15 de noviembre, Qwen4-Max obtuvo 63.20 % y Kimi K3.1 Pro, 62.52 %. La diferencia es de 0.68 puntos porcentuales en una batería distinta de la de Artificial Analysis.
La tabla de Vals atribuye a Qwen4-Max un costo de 9.33 dólares por prueba, frente a 6.44 dólares para Kimi. También muestra 8.73 dólares para Qwen3.8-Max 0902. En esa evaluación, por tanto, el nuevo Qwen obtuvo una puntuación mayor que ambos, pero su costo registrado por prueba también fue mayor.
Las cifras de Vals no se pueden trasladar directamente al promedio por tarea de Artificial Analysis: las baterías, los procedimientos y las tareas no son los mismos. Vals reúne pruebas de finanzas, programación y trabajo legal y fiscal, ponderadas según el peso de esos sectores en la economía estadounidense. Los niveles de razonamiento y los proveedores utilizados también pueden influir en una comparación.
La ventaja de Qwen4-Max sobre Kimi en Vals es estrecha y no determina cuál resolverá mejor todos los encargos. Del mismo modo, los 43 puntos de Artificial Analysis sitúan al nuevo modelo por encima de su antecesor en esa batería, pero no garantizan una reducción equivalente del gasto en un proyecto concreto.
Para comparar opciones en una aplicación, las dos mediciones dejan una distinción práctica: conviene observar la calidad del resultado junto con el costo, el tiempo y los intentos necesarios sobre las tareas que se desean automatizar. Una tarifa menor por token puede ayudar, pero no determina por sí sola el costo del trabajo terminado.