Qwen3.7-Max
Q

Qwen3.7-Max

Masukan:$1.36/M
Keluaran:$8.16/M
Kekuatan inti Qwen3.7-Max terletak pada keluasan dan kedalaman kemampuan agennya. Dalam pemrograman, ia menangani segala hal mulai dari pembuatan prototipe front-end hingga proyek rekayasa multi-berkas yang kompleks. Untuk pekerjaan perkantoran dan produktivitas, ia memungkinkan otomatisasi alur kerja melalui integrasi MCP dan kolaborasi multi-agen. Dalam eksekusi otonom jangka panjang, ia mempertahankan penalaran yang koheren sepanjang eksperimen optimisasi kernel selama 35 jam yang sepenuhnya otonom, melibatkan lebih dari 1,000 pemanggilan alat — secara meyakinkan menunjukkan eksekusinya yang berkelanjutan dan stabil. Selain itu, ia menghadirkan generalisasi lintas kerangka kerja yang kuat secara konsisten, berkinerja andal baik saat diterapkan di Claude Code, OpenClaw, Qwen Code, maupun kerangka kerja lainnya.
Qwen3.6-Plus
Q

Qwen3.6-Plus

Masukan:$0.32/M
Keluaran:$1.92/M
Qwen 3.6-Plus kini tersedia, menghadirkan kemampuan pengembangan kode yang ditingkatkan serta efisiensi yang lebih tinggi dalam pengenalan dan inferensi multimodal, menjadikan pengalaman Vibe Coding semakin baik.
Q

Qwen 3.5 Flash

Q

Qwen 3.5 Flash

Masukan:$0.16/M
Keluaran:$0.96/M
Qwen-3.5 Flash Series adalah keluarga model bahasa besar (LLM) yang berorientasi pada produksi dan dikembangkan oleh Alibaba Group di bawah inisiatif Qwen. Ini merupakan lapisan deployment (hosted/API) dari keluarga model Qwen-3.5 yang lebih luas, yang dioptimalkan untuk kecepatan tinggi, pemrosesan konteks panjang, dan aplikasi berbasis agen. Secara sederhana: Qwen-3.5 Flash = versi model Qwen-3.5 yang cepat, skalabel, berkonteks panjang, dan mampu menggunakan alat, yang dirancang untuk penggunaan produksi di dunia nyata.
qwen3.5-plus
Q

qwen3.5-plus

Masukan:$0.32/M
Keluaran:$1.92/M
Model seri Plus Qwen3.5 visi-bahasa natif dibangun di atas arsitektur hibrida yang mengintegrasikan mekanisme atensi linear dengan model campuran ahli yang jarang, sehingga mencapai efisiensi inferensi yang lebih tinggi.
qwen3.5-397b-a17b
Q

qwen3.5-397b-a17b

Masukan:$0.48/M
Keluaran:$2.88/M
Model visi-bahasa native 397B-A17B dalam seri Qwen3.5 dibangun di atas arsitektur hibrida yang mengintegrasikan mekanisme atensi linear dengan model mixture-of-experts yang jarang, sehingga mencapai efisiensi inferensi yang lebih tinggi.
qwen3 max
Q

qwen3 max

Masukan:$0.8/M
Keluaran:$3.2/M
- qwen3-max: model Qwen3-Max terbaru dari tim Alibaba Tongyi Qianwen, diposisikan sebagai puncak performa seri. - 🧠 Multimodal dan Inferensi yang Kuat: Mendukung konteks ultra-panjang (hingga 128k token) dan input multimodal, unggul dalam inferensi kompleks, generasi kode, penerjemahan, dan konten kreatif. - ⚡️ Peningkatan Terobosan: Dioptimalkan secara signifikan pada berbagai indikator teknis, kecepatan respons lebih tinggi, batas pengetahuan hingga 2025, cocok untuk aplikasi AI presisi tinggi di tingkat perusahaan.
Q

Qwen Image

Q

Qwen Image

Per Permintaan:$0.028
Qwen-Image adalah model dasar pembuatan gambar yang revolusioner, dirilis oleh tim Tongyi Qianwen dari Alibaba pada 2025. Dengan skala parameter sebesar 20 miliar, model ini berbasis arsitektur MMDiT (Multimodal Diffusion Transformer). Model ini telah mencapai terobosan signifikan dalam perenderan teks yang kompleks dan pengeditan gambar presisi, menunjukkan kinerja yang luar biasa, khususnya dalam perenderan teks berbahasa Mandarin. Diterjemahkan dengan DeepL.com (versi gratis)
Q

qwen3-vl-32b

Q

qwen3-vl-32b

Masukan:$0.24/M
Keluaran:$0.96/M
Qwen3-VL-32B adalah varian dense dengan 32 miliar parameter dalam keluarga model visi-bahasa Qwen3 dari Alibaba. Ini adalah transformer multimodal (visi + bahasa + video) yang dirancang untuk persepsi terpadu, penalaran berkonteks panjang, OCR yang tangguh dan grounding visual, serta alur kerja berbasis agen/diperkuat alat.
Q

qwen3-vl-235b-a22b

Q

qwen3-vl-235b-a22b

Konteks:2M
Masukan:$0.24/M
Keluaran:$0.96/M
qwen3-vl-235b-a22b adalah model multimodal yang menggabungkan kemampuan generasi teks yang kuat dengan pemahaman visual untuk gambar dan video. Varian Instruct-nya mengoptimalkan kemampuan mengikuti instruksi untuk tugas multimodal umum. Model ini unggul dalam persepsi terhadap kategori dunia nyata/sintetis, grounding spasial 2D/3D, dan pemahaman visual long-form, serta mencapai hasil benchmark multimodal yang kompetitif.
Q

qwen3-coder-plus-2025-07-22

Q

qwen3-coder-plus-2025-07-22

Masukan:$0.52/M
Keluaran:$2.6/M
Versi stabil Qwen3 Coder Plus, yang dirilis pada 22 Juli 2025, menyediakan stabilitas yang lebih tinggi, cocok untuk penerapan di lingkungan produksi.
Q

qwen3-coder-plus

Q

qwen3-coder-plus

Masukan:$0.52/M
Keluaran:$2.6/M
Q

qwen3-coder-480b-a35b-instruct

Q

qwen3-coder-480b-a35b-instruct

Masukan:$0.24/M
Keluaran:$0.96/M
Q

qwen3-coder

Q

qwen3-coder

Masukan:$0.24/M
Keluaran:$0.96/M
Q

qwen3-8b

Q

qwen3-8b

Masukan:$0.04/M
Keluaran:$0.16/M
Q

qwen3-32b

Q

qwen3-32b

Masukan:$1.6/M
Keluaran:$6.4/M
Q

qwen3-30b-a3b

Q

qwen3-30b-a3b

Masukan:$0.12/M
Keluaran:$0.48/M
Memiliki 3 miliar parameter, menyeimbangkan kinerja dan kebutuhan sumber daya, cocok untuk aplikasi tingkat perusahaan. - Model ini mungkin menggunakan MoE atau arsitektur lain yang dioptimalkan, cocok untuk skenario yang memerlukan pemrosesan efisien tugas-tugas kompleks, seperti layanan pelanggan cerdas dan pembuatan konten.
Q

qwen3-235b-a22b

Q

qwen3-235b-a22b

Masukan:$0.336/M
Keluaran:$1.344/M
Qwen3-235B-A22B is the flagship model of the Qwen3 series, with 23.5 billion parameters, using a Mixture of Experts (MoE) architecture. - Particularly suitable for complex tasks requiring high-performance Inference, such as coding, mathematics, and Multimodal applications.
Q

qwen3-14b

Q

qwen3-14b

Masukan:$0.8/M
Keluaran:$3.2/M
Q

qwen-image-2

Q

qwen-image-2

Segera hadir
Masukan:$60/M
Keluaran:$240/M
qwen-image-2 segera hadir
Q

Qwen3.6-Max-Preview

Q

Qwen3.6-Max-Preview

Segera hadir
Masukan:$1.664/M
Keluaran:$9.984/M
Qwen3.6-Max-Preview Compared with Qwen3.6-Plus, this preview version brings stronger world knowledge and instruction compliance capabilities, as well as significantly improved agent programming performance on multiple benchmarks