Qwen3.8-Max-0902 возглавила Code Arena WebDev: что значат эти 4 балла и сколько

Alibaba выложила обновлённый снимок своей старшей модели, Qwen3.8-Max-0902. Второго сентября он встал на первое место в таблице Code Arena WebDev с результатом 1691 балл, опередив Claude Opus 5 Max на четыре балла.

Цифры в новости верные, я их сверил по самой таблице. Но четыре балла в этом рейтинге означают не то, что кажется, и разобраться с этим полезнее, чем запомнить строчку. Заодно посчитаем, во что модель обходится, потому что в опубликованном прайсе есть пункт, который обычно пропускают.

Что именно вышло

Qwen3.8-Max-0902, это обновлённый снимок базовой Qwen3.8-Max, и цифры в названии, это дата версии: 2 сентября.

Базовую модель Alibaba показала 19 июля и выпустила 3 августа. Заявлено 2,4 триллиона параметров всего и 95 миллиардов активных, архитектура со смесью экспертов, мультимодальность заложена изначально. На самой странице модели в QwenCloud ни количество параметров, ни лицензия не указаны, эти числа идут из анонса базовой версии, так что относиться к ним стоит как к заявлению разработчика.

Что указано на странице модели точно:

1) контекст 1 миллион токенов, из них до 991 тысячи на вход и до 131 тысячи на выход. В режиме размышления вход чуть меньше, 983 тысячи
2) режим размышления, вызов функций, кэширование контекста, структурированный вывод, пакетная обработка, веб-поиск и инструменты для кода
3) мультимодальность: текст, изображения, видео

Из улучшений в этом снимке заявлены сложные проекты в программировании, оркестровка нескольких инструментов в агентных сценариях и разбор графиков и документов.

Таблица и что в ней на самом деле

Вот первая пятёрка WebDev на 2 сентября, вместе с интервалом и числом голосов. Именно эти два столбца в новостях обычно теряются.

Арифметика из поста сходится: четыре балла над Opus 5 Max, семнадцать над Kimi K3 Max, двадцать два над прошлой версией Qwen3.8-Max. А теперь посмотрите на третий столбец.

У Qwen3.8-Max-0902 интервал плюс-минус 19 баллов, то есть настоящий результат лежит где-то между 1672 и 1710. У Opus 5 Max интервал плюс-минус 8, диапазон от 1679 до 1695. Эти диапазоны перекрываются почти целиком. Разница в четыре балла тонет в погрешности обоих измерений.

Это как замер на секундомере, который врёт на две десятых, при разнице между бегунами в четыре сотых. Победитель по табло есть, разницы в результате нет.

Причина широкого интервала видна в последнем столбце: 1390 голосов против 10 517 у Opus 5 Max. Запись у новой модели помечена как предварительная, и по мере набора голосов балл поедет, вверх или вниз, заранее не скажет никто.

Поэтому честная формулировка звучит так: Qwen3.8-Max-0902 вошла в группу лидеров WebDev наравне с Claude Opus 5 Max, а не обогнала его.

И ещё одно, о чём стоит помнить при чтении любой арены. Она собирает человеческие голоса за понравившийся ответ на задачах веб-разработки. Это измеряет предпочтение, а не корректность кода в вашем проекте, не то, как модель ведёт себя на десятитысячной строке, и не то, сколько раз она сломает сборку.

Сколько это стоит

Цены QwenCloud за миллион токенов:

1) вход, 2 доллара
2) выход, 6 долларов
3) неявное попадание в кэш, 0,25
4) чтение явного кэша, 0,17
5) создание явного кэша, 2,5

Пятый пункт в исходном поводе пропущен, а он меняет расчёт. Запись явного кэша стоит дороже обычного входа: 2,5 против 2. То есть явный кэш, это вложение, которое окупается только повторными чтениями.

Посчитаем разницу. Против отправки без кэша каждое чтение экономит 1,83 доллара на миллион, это много. А вот против неявного кэша, который работает сам и записи не требует, выигрыш составляет всего 8 центов на миллион (0,25 против 0,17), при переплате в 50 центов на записи. Окупится это примерно после шести чтений одного и того же контекста.

Практический вывод: если ваш контекст повторяется постоянно и предсказуемо, явный кэш выгоден. Если обращения редкие и рваные, оставайтесь на неявном, а на явном потеряете.

Средняя цена в 5 долларов за миллион, с которой модель встала на границу Парето, это смешанная величина из входа и выхода. У вас она будет своя: чем длиннее ответы, тем ближе счёт к шести долларам, чем больше входного контекста, тем ближе к двум.

Для сравнения, у Claude Opus 5 цена 5 долларов за миллион входных и 25 за миллион выходных. По входу разница в 2,5 раза, по выходу больше чем в четыре. Если вы генерируете много кода, это уже не про десятые доли процента в счёте.

Что с этим делать

1) не переезжать по одной строчке таблицы. Возьмите 20-30 своих типовых задач, прогоните на обеих моделях и сравните результат руками. Арена меряет чужие предпочтения на чужих задачах
2) считать по своему соотношению входа и выхода, а не по средней цене в 5 долларов. Соотношение у всех разное, и вилка тут от 2 до 6
3) если контекст повторяется, сначала посчитать кэш и только потом выбирать его тип. Шесть чтений, это порог, ниже которого явный кэш проигрывает неявному
4) вернуться к таблице через пару недель. У предварительной записи с 1390 голосами балл ещё устаканится, и сегодняшнее первое место, это снимок, а не итог
5) для корпоративного использования отдельно посмотреть, где физически обрабатываются ваши данные и под какую юрисдикцию это попадает. К качеству модели вопрос отношения не имеет, но к внутренним правилам компании имеет прямое

Вывод

Главное в этом релизе не строчка рейтинга, а то, что модель такого уровня отдают по 2 доллара за вход и 6 за выход. Разрыв в цене между верхушкой таблицы и вторым эшелоном сжимается, и выбор всё чаще упирается не в качество, а в счёт и в юрисдикцию.

А из таблицы стоит забрать привычку, которая пригодится на любом следующем рейтинге: смотреть на интервал и на число голосов раньше, чем на место. Отрыв меньше погрешности, это не отрыв.