Qwen 4 Max 和 Claude Opus 5.5 怎么选
Qwen 4 Max 是阿里新一代旗舰模型,2026 年 11 月 11 日起限时预览,11 月 16 日开放按量计费,模型 ID 是 qwen4-max。Claude Opus 5.5 是 Anthropic 现在的 Opus,2026 年 9 月 22 日发布。阿里自己的发布图就是拿 Qwen 4 Max 和 Opus 5.5 逐项对比的,「qwen 4 max vs opus 5.5」也已经出现在搜索联想里,所以大家最先想看的就是这一组。
这一页把四类证据放在一起:第三方跑分、阿里自己公布的数字、其他开发者的上手实测,以及我们自己用同样的提示词在两个模型上跑的七道题。
我们运营 apimodels.app,两个模型都能用同一把 key 调用,没有理由偏向哪一个。下面的跑分不是我们跑的,来自 Artificial Analysis、Vals AI、阿里和各表里写明的评测者,出处链接放在页面末尾。七道同题测试是我们自己做的:2026 年 11 月 17 日通过我们自己的 API 跑,两个模型都用默认的思考设置。
Qwen 4 Max
日常任务打平,花费约三分之一
- ·Artificial Analysis 智能指数 43(Opus 5.5 为 59)
- ·HLAB 法律任务 21.3 对 9.2、Agents’ Last Exam 46.7 对 43.4 领先(阿里发布图)
- ·每百万 token $1.50 / $4.50,1M 上下文内一个价
- ·输入文字、图片、视频;单次最多输出 131K token
Claude Opus 5.5
难题和多步任务更强
- ·Artificial Analysis 智能指数 max 档 59、medium 档 48
- ·Terminal-Bench 4.0 59.6 对 48.5;ProgramBench 65.0 对 31.5(阿里发布图)
- ·在 apimodels.app 每百万 token $2.40 / $12.00(官方 $4 / $20)
- ·输入文字和图片;单次最多输出 128K token
多文件和终端类编码、长时间 agent 任务、答错代价高的事,选 Claude Opus 5.5。范围清楚的大批量任务、法律和文档类 agent 工作、要输入视频,或者每个任务的花费是决定因素,选 Qwen 4 Max。
规格和价格对照
纸面规格很接近:都是一百万 token 的上下文,输出上限差不多,默认开思考,都支持工具调用和结构化输出。真正有影响的差别是价格、视频输入,以及思考怎么控制。
Qwen 4 Max 在整个上下文里一个价,思考可以按请求关掉。Opus 5.5 同样全程一个价,但思考关不掉,只能调低 effort 档位。Qwen 这边有个细节要留意:阿里国际站写的输出上限是 131K(含思考 262K),内地站写的是 393K,以你实际调用的那个区域的页面为准。
| Qwen 4 Max | Claude Opus 5.5 | |
|---|---|---|
| 厂商、发布时间 | 阿里,2026-11-16(11-11 起预览) | Anthropic,2026-09-22 |
| 官方价,每百万 token(输入 / 输出) | $1.50 / $4.50 | $4 / $20 |
| 缓存命中,官方价 | $0.075 | $0.20 |
| apimodels.app 价格 | $1.50 / $4.50 | $2.40 / $12.00 |
| 上下文 | 1M | 1M |
| 最大输出 | 131K(含思考 262K) | 128K |
| 输入类型 | 文字、图片、视频 | 文字、图片 |
| 思考 | 默认开,可以关 | 关不掉;effort 从 low 到 max,默认 medium |
| 开源 | 否 | 否 |
第三方跑分
有两家独立机构在同一套题上测过这两个模型,结论都是 Opus 5.5 领先。Artificial Analysis 的智能指数上 Opus 5.5 是 59、Qwen 4 Max 是 43,Qwen 在 81 个模型里排第 38。Vals AI 测出来的差距小一些:Vals Index 上 70.14% 对 63.20%,Qwen 在 38 个模型里排第 11。
两边的设置并不对等,这会影响怎么看这个差距。Artificial Analysis 跑 Opus 5.5 用的是 max 档,而 Qwen 4 Max 目前只测了一个档位。Opus 5.5 不特别指定时用的是 medium 档,这一档的分数是 48,比 Qwen 高 5 分,而不是 16 分。
Qwen 4 Max 的思考也比较「话多」。跑完 Artificial Analysis 整个指数它输出了 1.27 亿 token,而被测模型的中位数是 7,860 万,所以每 token 更低的单价不会原样反映到账单上。
| 指标 | 谁跑的 | Qwen 4 Max | Claude Opus 5.5 |
|---|---|---|---|
| 智能指数 v5.0.1 | Artificial Analysis | 43 | 59(max 档);48(medium 档) |
| 每个指数任务的花费,按官方价 | Artificial Analysis | $3.27 | $10.04 |
| Vals Index v2.2 | Vals AI | 63.20%(38 个中第 11) | 70.14% |
| 每个 Vals 测试的花费 | Vals AI | $9.33 | $24.77 |
| 每个 Vals 测试的耗时 | Vals AI | 64 分 39 秒 | 84 分 31 秒 |
| Terminal-Bench 4.0 | Vals AI | 48.48% | 65.15% |
| Code Arena WebDev(Elo,初步) | Arena | 1750 | 1816 |
阿里自己的发布图怎么说
阿里公布了十六项跑分,旁边一列就是 Opus 5.5,而且没有只挑自己赢的:按它自己的数字,Qwen 4 Max 领先六项,Opus 5.5 领先十项。这些是厂商自报的数字,应该当作阿里的说法来看,不是第三方结果。
规律很一致。单个、定义清楚的软件问题上两者持平(DeepSWE 75.7 对 74.2)。一旦任务跨整个仓库或者在终端里连续操作,Opus 就明显拉开:ProgramBench 65.0 对 31.5,Terminal-Bench 4.0 59.6 对 48.5。Qwen 赢得最明显的是法律类 agent 任务,HLAB 上 21.3 对 9.2;Agents’ Last Exam 和 AutomationBench 上小幅领先。虽然 Qwen 能输入视频而 Opus 不能,但在阿里这张图的图表理解和视频理解测试上,分数更高的是 Opus。
| 评测(阿里公布) | Qwen 4 Max | Claude Opus 5.5 |
|---|---|---|
| DeepSWE v1.1 | 75.7 | 74.2 |
| Agents’ Last Exam v1.1 | 46.7 | 43.4 |
| AutomationBench-AA | 72.5 | 69.5 |
| HLAB-Vals-1.1(法律) | 21.3 | 9.2 |
| BioMysteryBench-1.1 | 85.0 | 81.9 |
| HealthBench Professional | 60.0 | 59.9 |
| CodeArena(Elo) | 1750 | 1816 |
| Terminal-Bench 4.0 | 48.5 | 59.6 |
| ProgramBench | 31.5 | 65.0 |
| APEX-Agents v1.1 | 72.1 | 73.5 |
| AA-Briefcase v1.1(Elo) | 1686 | 1801 |
| JobBench | 68.5 | 75.4 |
| Humanity’s Last Exam | 51.7 | 59.8 |
| Chartography(图表) | 54.2 | 66.3 |
| Video-Index(视频) | 68.1 | 74.8 |
别人拿同一件活实测
目前做得最仔细的同题对比来自 Kingy AI 的 Curtis Pyke,他让两个模型把同一批编码任务各跑两遍。SWE-bench Verified 里的 8 个真实 GitHub 问题,Opus 5.5 在 16 次里解决了 11 次,Qwen 4 Max 是 9 次;隐藏测试用例上差距更大,46 个里 37 个对 24 个。活跃时间的中位数上 Opus 也快了约五倍,86 秒对 431 秒。Qwen 的账单低 76%:$4.42 对 $18.65。
在自成一体的小仓库上差距几乎没了,8 次全过对 8 次过 7 次,Qwen 丢的那一次是个细节:文档要求抛 ValueError,它抛了 KeyError。18 个简单任务上两个模型的所有检查都通过。这和我们下面自己测到的情况一致。
同一篇评测里还有一个结论,做路由规则之前值得记住。「先全部交给 Qwen,失败的再升级给 Opus」这套方案,在他的测试里总花费是只用 Opus 的 2.8 倍,因为 Qwen 在最后没做成的任务上耗了很久。每 token 更低的价格,并不等于每解决一个问题花得更少。
测过预览版的中文评测者普遍反映:文档类工作扎实,长任务偏慢。ZPedia 的十二项任务里,Qwen 用 8 分钟读完一份财报,抽查的 6 个数字全对;在 1,600 条工单里做「大海捞针」,5 道题全对;但也在招股书摘要里漏了一笔 12 个月内到期的债务,在 PPT 里漏了一条产品线。Hacker News 上,Simon Willison 的 SVG 测试只有在最高思考档才画对,那一次用了 7 分 23 秒。
| 测试(谁跑的) | Qwen 4 Max | Claude Opus 5.5 |
|---|---|---|
| 8 个 SWE-bench Verified 问题,各跑 2 次(Kingy AI) | 16 次解决 9 次 | 16 次解决 11 次 |
| 同一批问题的隐藏测试用例(Kingy AI) | 46 个过 24 个 | 46 个过 37 个 |
| 每个问题活跃时间的中位数(Kingy AI) | 431 秒 | 86 秒 |
| 整轮测试的花费(Kingy AI) | $4.42 | $18.65 |
| 4 个小仓库,各跑 2 次(Kingy AI) | 8 次过 7 次 | 8 次全过 |
| 18 个简单任务(Kingy AI) | 48 项全过 | 48 项全过 |
我们的七道同题:答案打平,耗时和花费不一样
我们按开发者最常通过我们 API 发的几类请求,写了七道题:写一个函数、修一个有 bug 的类、一个要调工具并遵守退款政策的客服 agent、针对 1,500 行生产日志的提问、把一段中文群聊整理成 JSON、三道计数推理题,以及带硬约束的中文商品文案。每道题都有自动判分,一共 93 项检查;花钱之前我们先用参考答案验证过判分脚本。
两个模型 93 项检查全部答对。那个函数在两边都通过了全部 50 组隐藏用例;缓存类里埋的五处 bug 两边都找全了;退款那道题,两边都只给有故障的键盘退了 $129 整,拒绝了已经过去 46 天、只是「不喜欢」的鼠标,也都没有退运费;日志那道题,两边都数对了 8 次支付超时,也都找到了那个横跨三个服务的请求编号。
差别在过程。多数题上 Opus 5.5 开口更早,一般 8 到 26 秒就开始输出,整套题用了 341 秒,Qwen 4 Max 是 415 秒。Qwen 是先想完再写,第一个字要等 15 到 62 秒。三道推理题两边都想了三分钟左右,Opus 把我们设的 2 万 token 上限全部用完,光这一道题就花了 24 美分,Qwen 是 5 美分。
七道题按 apimodels.app 的价格算,Opus 5.5 一共 $0.64,Qwen 4 Max $0.21,约三分之一。两个模型的输出里都有大量思考 token:Opus 总共输出了 3.77 万 token,Qwen 2.21 万。
有一点判分没算进去:写商品文案时,两边都编了我们没给的参数。Qwen 写了「整机约 250 克」「骨传导拾音」「快充十分钟,再听三小时」;Opus 写了「五种降噪档位」「摘下自动暂停」。如果拿它们写商品页,要把真实参数表给它,并且写明只能用表里的内容。
| 题目(检查项数) | Qwen 4 Max | Claude Opus 5.5 |
|---|---|---|
| 写一个时间线合并函数(50 组隐藏用例) | 50/50 · 51 秒 · $0.012 | 50/50 · 32 秒 · $0.044 |
| 修一个埋了 5 处 bug 的带过期缓存类(10) | 10/10 · 27 秒 · $0.009 | 10/10 · 27 秒 · $0.040 |
| 带工具和政策的退款客服(7) | 7/7 · 16 秒 · $0.006 | 7/7 · 12 秒 · $0.022 |
| 针对 1,500 行日志的五个问题(5) | 5/5 · 63 秒 · $0.120 | 5/5 · 52 秒 · $0.233 |
| 中文群聊整理成 JSON(13) | 13/13 · 19 秒 · $0.004 | 13/13 · 10 秒 · $0.017 |
| 三道计数推理题(3) | 3/3 · 196 秒 · $0.049 | 3/3 · 179 秒 · $0.242 |
| 带五条硬约束的中文商品文案(5) | 5/5 · 43 秒 · $0.010 | 5/5 · 29 秒 · $0.039 |
| 七道合计 | 93/93 · 415 秒 · $0.21 | 93/93 · 341 秒 · $0.64 |
一个任务花多少钱
按每 token 算,Qwen 4 Max 的价格远不到 Opus 5.5 的一半:官方价输入 $1.50 对 $4,输出 $4.50 对 $20。按每个任务算差距会缩小,因为 Qwen 写的思考 token 更多,但仍然很大。Artificial Analysis 按官方价测得每个指数任务 Qwen 是 $3.27、Opus 是 $10.04;Vals 测得 $9.33 对 $24.77。
在 apimodels.app 上 Opus 5.5 是 $2.40 / $12.00,换算下来一个 Artificial Analysis 任务约 $6.02;Qwen 4 Max 是阿里的官方价,约 $3.27。也就是说按我们的价格,难任务上 Qwen 的花费是 Opus 的一半多一点,我们自己那套较轻的题上约三分之一。
实际使用中有两件事会改变这些数字。一是提示词缓存,它对 Opus 影响更大:命中缓存的 token 按输入价的二十分之一计费,反复重发同一段上下文的长 agent 会话,大部分输入都是这个价。二是上面 Kingy AI 的路由结果,它提醒的是另一个方向:难任务上 Qwen 可能耗掉时间和 token 之后仍然失败,所以要在自己的任务上按「每个做成的任务花多少钱」来算,而不是按每 token 多少钱。
速度
一旦开始输出,Opus 5.5 更快。Artificial Analysis 测得 Opus 5.5 每秒输出 116 个 token,Qwen 4 Max 的速度它还没有公布;OpenRouter 的实时数据显示 Qwen 约每秒 30 个 token,测过预览版的评测者量到的是 33 到 53。
在我们自己的平台上,近 30 天 Opus 5.5 首字的中位等待约 5 秒,输出速度约每秒 170 个 token(生产调用,样本量不公开)。Qwen 4 Max 11 月 16 日才在我们这里上架,还没有可比的生产数据;在我们的测试里(不算推理题),它是想完才写,第一个字要等 15 到 62 秒。
如果有人在等回复,两个模型都可以把思考调低:Qwen 4 Max 可以按请求关掉思考,Opus 5.5 可以把 effort 降到 low。
怎么选
多文件重构、终端 agent、长时间编码会话:选 Claude Opus 5.5。ProgramBench 和 Terminal-Bench 4.0 上它大幅领先,Kingy AI 的实测里它解决的问题更多,用时只有五分之一。
单个函数、修 bug、结构化提取、规则明确的工具调用 agent:两个都行。我们的七道题和 Kingy AI 的 18 个简单任务上两边都是全对;Qwen 4 Max 的花费约三分之一。
法律和合同类 agent 工作:先试 Qwen 4 Max。它在 HLAB 上 21.3 对 9.2 的领先,是所有对它有利的差距里最大的一项,Vals 独立测出来也是 21.25%。
要输入视频:选 Qwen 4 Max,Opus 5.5 只接受文字和图片。
难的研究和知识类问题、图表理解:选 Claude Opus 5.5,Humanity’s Last Exam(59.8 对 51.7)和 Chartography(66.3 对 54.2)都是它领先。
中文类工作:我们没有找到任何人做过的同题对比数据;我们自己的两道中文题两边都是满分。请用你自己的材料测。
在 apimodels.app 上,两者之间切换只是同一把 key 下改一个模型名,所以实际的做法是拿自己的一批任务在两边各跑一遍,比较每个做成的任务花多少钱。
要注意的地方
写这篇的时候,Qwen 4 Max 正式开放才一天。上面好几份实测用的是预览版;Artificial Analysis 还没有测它的速度,也只跑了一个思考档;有些榜单(SWE-bench 官方榜、Aider、LiveBench)还没有收录它。这些数字之后会变。
我们的七道题是日常难度的工作,每个模型在默认设置下各跑一次。它们说明两个模型在这个难度上都靠得住,但测不出高难度那一端,而上面的跑分正是在那一端拉开差距的。另外有一个 Opus 5.5 的数字各家说法不一:Terminal-Bench 4.0 上阿里的图写 59.6,Vals 写 65.15%。
出处
规格和官方价来自阿里 QwenCloud 的模型页和 Anthropic 的定价页(2026 年 11 月 17 日查阅);第三方跑分、任务成本和速度来自 Artificial Analysis 和 Vals AI(同日查阅);阿里的十六项对比图取自 DataCamp 的转载;实测报告来自 Kingy AI(已打开核对)、腾讯新闻上的 ZPedia,以及 Hacker News 的讨论。七道同题测试是我们自己在 2026 年 11 月 17 日跑的。
调用示例
cURL
curl https://api.apimodels.app/v1/chat/completions \
-H "Authorization: Bearer $APIMODELS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen4-max",
"messages": [{"role": "user", "content": "Find the bugs in this class: ..."}]
}'
# same key, same endpoint: change "model" to "claude-opus-5-5" to run Opus 5.5常见问题
Qwen 4 Max 比 Claude Opus 5.5 强吗?
整体上不是。Artificial Analysis 智能指数上 Claude Opus 5.5 是 59,Qwen 4 Max 是 43;终端和仓库级编码、难的知识题、图表理解都是 Opus 领先。Qwen 4 Max 在法律类 agent 任务和少数自动化测试上领先,单个问题修复和日常任务上与 Opus 持平:我们的七道同题测试里两边都是 93 分满分。
Qwen 4 Max 和 Opus 5.5 各多少钱?
Qwen 4 Max 官方价是输入每百万 token $1.50、输出 $4.50,缓存命中 $0.075。Claude Opus 5.5 官方价是 $4 和 $20,缓存命中 $0.20;在 apimodels.app 是 $2.40 和 $12.00。按任务算差距比按 token 算小,因为 Qwen 写的思考 token 更多:Artificial Analysis 按官方价测得每个任务 Qwen $3.27、Opus $10.04。
Qwen 4 Max 写代码怎么样?
范围清楚的编码任务它很强,大而多步的任务偏弱。单个问题的修复上它和 Opus 5.5 持平(DeepSWE 75.7 对 74.2);我们的测试里,它写的函数通过了全部 50 组隐藏用例,一个类里埋的五处 bug 也全找到了。仓库级和终端类工作上它落后:按阿里自己的图,ProgramBench 31.5 对 65.0,Terminal-Bench 4.0 48.5 对 59.6。
Qwen 4 Max 和 Opus 5.5 哪个快?
Claude Opus 5.5 更快。Artificial Analysis 测得 Opus 5.5 每秒输出 116 个 token,Qwen 4 Max 的公开数据在每秒 30 到 53 个之间。我们的七道题里 Opus 用了 341 秒,Qwen 415 秒;多数题上 Opus 开口也更早,因为 Qwen 要先想完才开始输出。
Qwen 4 Max 的上下文有多大?
Qwen 4 Max 的上下文是一百万 token,整个窗口内一个价,和 Claude Opus 5.5 一样大。阿里国际站写的最大输出是 131K token(含思考 262K),输入支持文字、图片和视频。
能用一把 key 同时调 Qwen 4 Max 和 Claude Opus 5.5 吗?
可以。两个模型用同一把 apimodels.app key。调用 POST https://api.apimodels.app/v1/chat/completions,model 填 qwen4-max 或 claude-opus-5-5;Opus 5.5 也可以走 Anthropic 格式的 /v1/messages 接口。
