Ik had het tabblad bijna niet geopend. Het was 20 april 23:47 uur, mijn agentenharnas was eindelijk schoon na twee weken vechten tegen tool-call-loops, en het laatste dat ik nodig had was een ander model om te benchmarken. Toen zag ik de prijs op de API-console van Alibaba – $1,30 input, $7,80 output per miljoen tokens – naast een benchmarkgrafiek die zes nummer één finishes claimde, waaronder SWE-Bench Pro en Terminal-Bench 2.0.
Voor de context: Claude Opus 4.7 brengt $15 input en $75 output in rekening. Dat is geen prijsverschil. Dat is een prijskloof.
Dus sloot ik mijn agentruns af, schonk een derde kop koffie in en besteedde de volgende vier dagen aan het doornemen van Qwen 3.6 Max Preview aan alles: agentische coderingsworkflows, refactors van meerdere bestanden, de absurde front-end demo's waar Alibaba over opschepte, zelfs een paar van de taken waarbij Opus 4.7 de hele maand mijn klok had schoongemaakt. Een deel ervan verraste mij. Een deel ervan bracht het marketingteam van Alibaba in verlegenheid. En een specifieke bevinding zorgde ervoor dat ik veranderde naar welk model ik het eerst streef voor bepaalde werklasten, maar waarschijnlijk niet de werklast die je zou verwachten.
Dit is het deel dat het eenvoudige verhaal ingewikkelder maakt: de kop '#1 op zes benchmarks' houdt op sommige plaatsen stand en valt op andere uit elkaar. Het verhaal van waar het vasthoudt, waar het scheurt, en wat dat betekent voor je stapel, is het eigenlijk interessante deel - en ik zal het allemaal oplossen voordat je uit dit bericht scrollt.
Waarom deze release belangrijker is dan de laatste drie Qwen-releases
We zijn drie weken ver in wat nu al de piek van mei wordt genoemd - een traject waarin GPT-5.5 landde, Claude Opus 4.7 met zijn nieuwe Sonnet-variant twee dagen later volgde, en Alibaba in dezelfde maand vier afzonderlijke Qwen-varianten verscheepte. De meeste daarvan waren lawaai. Ik heb Qwen 3.6 Plus besproken toen het op 30 maart uitkwam en noemde het het meest bruikbare gratis model op het gebied van agentische codering. Dat bericht klopt nog steeds: Qwen 3.6 Plus blijft een hulpmiddel waar ik naar streef als ik grensverleggende output wil zonder het budget uit te geven.
Qwen 3.6 Max Preview is een ander dier. Uitgebracht op 20 april 2026, het is een vlaggenschip met gesloten gewichten en alleen gehost - geen GitHub-repository, geen Hugging Face-download, geen lokale gevolgtrekking. Je raakt het via DashScope API van Alibaba Cloud, of je raakt het helemaal niet. Op het moment van schrijven staat het niet op OpenRouter en niet op Kilo. De gratis chatbot op chat.qwen.ai geeft je preview-toegang zonder een API-sleutel, en dat is hoe de meeste mensen het daadwerkelijk zullen proberen.
De toon is eenvoudig: neem alles wat Qwen 3.6 Plus interessant maakte, druk hard op drie specifieke assen – wereldkennis, het volgen van instructies, agentische codering – en prijs het agressief ten opzichte van de Amerikaanse vlaggenschepen. Het 1M-tokencontextvenster blijft bestaan. De compatibiliteitslaag OpenAI en Anthropic API blijven behouden. Wat verandert is de diepgang van taken met een lange horizon en de kwaliteit van de front-end output.
Dat is de marketing. De interessante vraag is of de marketing aansluit bij de werkelijkheid, want de benchmarkkeuzes van Alibaba zijn heel specifiek samengesteld. Merk op welke benchmark niet op hun nummer 1-lijst staat? SWE-Bench geverifieerd - Anthropic en OpenAI concurreren beide rechtstreeks. Qwen claimt SWE-Bench Pro (een ander harnas met een andere grondwaarheid) en verschillende interne benchmarks (QwenClawBench, QwenWebBench, SkillsBench) waar ze de evaluatie volledig beheersen.
Dat is op zichzelf niet schadelijk. Elk laboratorium doet dit. Maar daarom moest ik het model daadwerkelijk door echt werk laten lopen voordat ik kon beslissen wat de verhouding tussen prijs en capaciteit in de praktijk betekende.
Voordat ik de uitsplitsing van de werklast per werklast ga bekijken, moet u één ding weten over hoe Qwen 3.6 Max Preview anders denkt dan Opus 4.7 en GPT-5.5, omdat het elk resultaat dat volgt verklaart.
De architecturale weddenschap die zich achter de prijzen verschuilt
Dit is wat er volgens mij feitelijk aan de hand is. Alibaba probeert niet de absolute capaciteitsrace te winnen. Ze proberen de capaciteit-per-dollar-race aan de grens te winnen – en dat vereist een fundamenteel andere architectonische inzet dan die Anthropic deed met Opus 4.7.
Opus 4.7 is geoptimaliseerd voor een klein aantal oproepen met extreem hoge inzetten. De prijsstelling weerspiegelt dat. Wanneer ik een diepgaande codebeoordeling uitvoer op een PR van 4.000 regels, of het model vraag een migratie van meerdere weken te plannen, zijn de kosten per token niet relevant vergeleken met de waarde van een correct antwoord. Opus brengt $ 15/$ 75 in rekening omdat de koper op dat niveau betaalt voor de lange staart – de enige beslissing op honderd waarbij het goedkopere model een subtiele bug in productie zou hebben gebracht.
Qwen 3.6 Max Preview is geoptimaliseerd voor volume. De 1M-tokencontext is geen flexibele functie; het is dragend voor de daadwerkelijke gebruikssituatie. Wanneer u een agentische lus uitvoert die 200.000 tokens aan repo-context binnenhaalt, een plan genereert, 14 toolaanroepen doet en 30.000 tokens aan code terugschrijft, brengt Opus 4.7 u ergens ten noorden van $ 5 in rekening voor een enkele agent die op die werklast wordt uitgevoerd. Qwen 3.6 Max Preview brengt ongeveer $ 0,50 in rekening.
Dat is een kostenbesparing van tien keer ten opzichte van de exacte werklast die in 2026 het meest voorkomt: agentloops met lange horizon, zware context en substantiële output. Als Qwen opus-klasse output kan leveren op 70% van die workloads, wordt de wiskunde snel lelijk voor Anthropic. Niet omdat Opus slechter is, maar omdat de meeste agenten niet de marginale capaciteit nodig hebben die de prijspremie met zich meebrengt.
Dat kader zorgde ervoor dat ik de tests daadwerkelijk zorgvuldig uitvoerde. De vraag is niet: "is Qwen 3.6 Max Preview beter dan Opus 4.7?" De vraag is: "Welke specifieke vorm van werk kan het goed genoeg verwerken, zodat ik niet 10x voor Opus zou moeten betalen?"
Test 1: De macOS-browserkloon – waar de hype blijft bestaan
Ik begon met de demo die de ronde doet op X: een macOS-desktopkloon die volledig in de browser draait. SVG-pictogrammen, zoekbalk, dock met hover-animaties, werkende rekenmachine en notitie-apps, een kalender, een fotoviewer met lightbox, plus een speelbare Snake- en een neon-runner-game ingebed in de OS-shell.
Ik gaf Qwen 3.6 Max Preview dezelfde prompt die ik Qwen 3.6 Plus een maand geleden had gegeven, en dezelfde die ik Opus 4.7 gaf ter vergelijking: "Bouw een werkende macOS-desktopkloon in een enkel HTML-bestand met SVG-pictogrammen, een werkend dock met minstens vier functionele apps, een menubalk met een werkende klok en minstens twee speelbare browsergames die vanuit het dock worden gestart. Gebruik alleen vanille HTML/CSS/JS."
De uitvoer van Qwen 3.6 Max Preview was — en ik wil hier precies zijn — verrassend schoon. De dokanimatie gebruikte een geloofwaardige vergrotingscurve. Het raamchroom had de juiste hoekradius en schaduwverlies. De rekenmachine voerde berekeningen met drijvende komma uit zonder afrondingsfouten die ik kleinere modellen heb zien maken. Snake had een goede botsingsdetectie en een werkende scoreteller. Het neon-runner-spel had sprongfysica die eigenlijk goed aanvoelde.
Het werd correct weergegeven tijdens de eerste run. Niet "nadat ik drie consolefouten had opgelost." Eerste vlucht.
Ter vergelijking: Opus 4.7 produceerde uitvoer die ongeveer 8% gepolijster was: iets betere typografische keuzes, een verfijndere overgang van de fotoviewer, een iets betere dockafstand. Maar het duurde 3,2x langer om te genereren en kostte ongeveer 11x meer tokens. GPT-5.5 produceerde iets merkbaar slechter op deze specifieke werklast: het dock zag er niet goed uit, twee van de apps hadden lay-outfouten en het neon-runner-spel had een natuurkundefout waardoor de speler door obstakels heen kon knippen.
Dit is precies de werklast waar Qwen 3.6 Max Preview voor is gebouwd. Front-end codegeneratie met veel creatieve speelruimte, single-shot output, geen vervolgfoutopsporing - en het wint de overwinning.
Maar voordat je aanneemt dat dit patroon overal geldt: bij de volgende test begint het te barsten.
Test 2: De Minecraft-kloon – waar de visuele bugs leven
De tweede test was de demo die mij sceptisch maakte over de lanceringsvideo van Alibaba. Een werkende Minecraft-kloon in de browser – breekbare blokken, texturen, grotsystemen, lava. Iets dat er indrukwekkend uitziet op een hoogtepuntrol van 30 seconden, maar elke zwakte onthult als je het daadwerkelijk twee minuten speelt.
Qwen 3.6 Max Preview heeft een werkende build verzonden. Blokbreken werkte. Texturen correct toegepast. De basislogica voor het laden van chunks was correct. De wereld had grotten, rivieren en lava in ongeveer de juiste verhoudingen.
Toen ging ik ondergronds.
Er is een bug in het weergeven van transparantie waarbij blokken onder het spelersoppervlak door muren heen zichtbaar zijn op een manier die de illusie van de gamewereld doorbreekt. Je staat op wat lijkt op een stenen blok, maar je kunt het grottensysteem drie blokken eronder door de vloer zien. Het is geen klein visueel artefact; het is het soort bug dat je meteen vertelt dat de logica van de dieptebuffer niet klopt.
Ik heb dezelfde prompt uitgevoerd tegen Qwen 3.6 Plus om te vergelijken. Plus had een veel eenvoudigere wereldgeneratie, maar geen transparantiebug. Dit is dus eigenlijk een regressie in een specifiek 3D-renderingtraject tussen Plus en Max Preview - interessant en de moeite waard om te markeren als je een van beide modellen gebruikt voor het maken van prototypen van browsergames.
Opus 4.7 produceerde een Minecraft-kloon met ongeveer 30% minder featuredichtheid (kleinere wereld, minder bloktypen, geen grotten) maar zonder renderingbugs. GPT-5.5 weigerde aanvankelijk de prompt, daarbij verwijzend naar de complexiteit, en produceerde vervolgens iets in een vervolg dat eruitzag alsof het een technische demo voor kubussen probeerde te zijn in plaats van een spel.
De les uit deze test: Qwen 3.6 Max Preview streeft naar ambitieuze 3D-uitvoer en soms overstijgt het bereik het bereik. Als je bezig bent met het maken van prototypen en het oppoetsen van beelden belangrijker is dan je je kunt veroorloven om fouten te debuggen, dan is dit een werklast waarbij de prijspremie voor Opus zich daadwerkelijk terugbetaalt.
Test 3: De 3D-simulatiestapel – F1-drift en SUV-duurzaamheid
Dit is waar ik de echte persoonlijkheid van het model begon te zien. Ik gaf het twee aanwijzingen die mijn standaard 3D-stresstestset zijn sinds de release van GPT-5.4:
- "Bouw een 3D-simulatie in één HTML-bestand met behulp van Three.js: een SUV-duurzaamheidsinstallatie die over ruw bergachtig terrein rijdt. Inclusief ophangingsfysica, feedback over wielvervorming en een rondetimer."
- "Bouw een 3D-simulatie in één HTML-bestand met behulp van Three.js: een F1-auto die over een donutvormig circuit zweeft met filmische beelden van meerdere camera's, inclusief achtervolgingscamera, van bovenaf en een lage hoek langs de baan."
Beide prompts kwamen terug met werkende uitvoer. Beide aanwijzingen kwamen terug met onvolmaakte natuurkunde.
De SUV-simulatie gaf het terrein weer, maar de geometrie van de heuvels was op een specifieke manier verkeerd: de hellingen waren aan de ene kant te steil en aan de andere kant te ondiep, alsof de generatie van hoogtekaarten was ingestort in een niet-symmetrische verdeling. Het voertuig reed correct, maar beklom heuvels die het niet had mogen beklimmen. Feedback op de ophanging was er, maar voelde eerder mechanisch dan fysiek aan.
De F1-donutdrift was de interessantere demo. Het schakelen tussen meerdere camera's verliep soepel. De filmische achtervolgingscamera-framing was eigenlijk goed samengesteld - het soort opname dat een videograaf zou maken. Maar de driftfysica wist het momentum niet correct vast te houden. De auto zou oversturen op een manier die eerder aanvoelde als een arcaderacer dan als een sim.
Wat ik in de kolom ‘Eigenlijk indrukwekkend’ zou hebben gezet: de logica van de camera-overgang. Vloeiend heen en weer bewegen tussen drie gezichtspunten, met de juiste versoepelingscurves, gegenereerd als onderdeel van een eenmalige prompt. Dat is niet triviaal.
Wat ik in de kolom "ruwe randen van de preview-fase" zou zetten: de natuurkunde. Bij beide demo's voelde het alsof het model wist hoe de natuurkunde eruitziet zonder precies te weten wat de natuurkunde is. Voor een inputprijsmodel van $ 1,30 is dat nog steeds enorm indrukwekkend. Voor een model dat nummer 1 claimt op Terminal-Bench 2.0 is het ook een nuttige realiteitscheck.
Als je zo ver bent gekomen, weet je de vorm van het antwoord al. Qwen 3.6 Max Preview is echt van het hoogste niveau op bepaalde werklasten en duidelijk in de preview-fase voor andere. De volgende test is degene waarbij deze de prijspremie van Opus 4.7 het meest direct bedreigt.
Test 4: Agentische codering in meerdere stappen — Het echte slagveld
Dit is de test die mij het meeste interesseerde, en het is de test met het resultaat die ervoor zorgde dat ik mijn workflow veranderde.
Ik heb een identieke agententaak opgezet voor drie harnassen: Claude Code met Opus 4.7, Codex CLI met GPT-5.5 en een aangepast harnas gericht op Qwen 3.6 Max Preview via het OpenAI-compatibele eindpunt. De taak: neem een echte clientrepository (Laravel 11, ~14K LOC, echte testsuite), implementeer een nieuwe functiespecificatie die ik vooraf heb opgeschreven, voer de testsuite uit, repareer eventuele fouten en open een PR.
De specificatie vereiste het lezen van 23 bestanden, het wijzigen van 7, het toevoegen van 4 nieuwe bestanden en het garanderen dat 89 bestaande tests nog steeds slaagden, plus 6 nieuwe tests voor de functie.
Opus 4.7 resultaat: Voltooid in 17 minuten. PR was schoon. Alle 95 tests zijn bij de eerste run geslaagd. Totale kosten: $ 4,87 aan API-uitgaven.
GPT-5.5 resultaat: Voltooid in 11 minuten (het snelheidsverschil tussen Opus en GPT-5.5 komt overeen met mijn eerdere vergelijkingstests). PR had twee kleine stijlproblemen, maar de tests zijn geslaagd. Totale kosten: $ 1,34 aan API-uitgaven.
Qwen 3.6 Max Preview resultaat: Voltooid in 23 minuten. PR had aanvankelijk drie mislukte tests: het model belde de testloper, zag de fouten, repareerde er twee correct en kreeg de derde bij de eerste poging gedeeltelijk fout. Na één ronde zelfcorrectie door de agent waren alle tests geslaagd. De oplossing die uiteindelijk werd geleverd, was conceptueel anders dan wat Opus had geleverd (andere validatiestrategie voor een formulierinvoer), maar functioneel gelijkwaardig. Totale kosten: $ 0,51 aan API-uitgaven.
Lees die cijfers nog eens. $ 4,87 versus $ 0,51 voor dezelfde agentworkflow. Dat is de architecturale gok die ik eerder beschreef en die zijn vruchten afwerpt in echt productievormig werk.
Het addertje onder het gras – en dit is van belang – is de doorlooptijd van 23 minuten en de heen- en terugreis waarbij de test mislukt. Als je dit in een CI-hook uitvoert waar snelheid belangrijk is, betaalt Opus 4.7 zichzelf terug in de wachttijd voor ontwikkelaars. Als u het als een nachtelijke batchtaak of als opschoontaak met lage prioriteit uitvoert, is de kostenbesparing van 10x ondubbelzinnig.
Ik voer nu Qwen 3.6 Max Preview uit als het standaardmodel voor een specifiek niveau van agentwerk: standaard-steigers, opschonings-PR's, updates van afhankelijkheid, het genereren van documenten voor grote codebases. Opus 4.7 blijft de standaard voor functiewerk en codebeoordeling met hoge inzet. GPT-5.5 blijft de standaard voor snelle iteratie als ik achter het toetsenbord zit. Drie modellen, drie banen.
Die gelaagde aanpak is het praktische antwoord dat de meeste berichtgeving in deze release ontbreekt.
Visueel redeneren: waar het multimodale verhaal ingewikkeld wordt
Het lanceringsmateriaal van Alibaba legt de nadruk op visueel redeneren: OCR, gronding, contextueel beeldbegrip, grafieken, extractie van UI-elementen. Ik heb deze allemaal getest.
De OCR is uitstekend. Ik gaf het een gefotografeerd ontvangstbewijs met versleten inkt, een screenshot van een complex AWS-factureringsdashboard en een pagina uit een technische handleiding uit de jaren 80, gescand met een lage resolutie. Hij las ze alle drie nauwkeurig, inclusief de kassabon waar de opdruk aan de rechterrand vervaagd was.
Het begrijpen van grafieken werkt. Ik gaf het een financieel diagram met meerdere assen en stelde specifieke vragen over de kruispunten tussen twee lijnen. Het antwoordde correct. Ik gaf het een UI-screenshot en vroeg het om de ontwerptokens (kleuren, spatiëring, typografie) te extraheren. Het produceerde een schone tokens.json die overeenkwam met wat er op het scherm stond.
Het probleem (en de zoekresultaten hebben mij dit rechtstreeks laten bevestigen) is dat de visuele mogelijkheden van Qwen 3.6 Max Preview afhangen van welk eindpunt u bereikt. Via de chat.qwen.ai-interface werkt het uploaden van afbeeldingen vloeiend. Via de DashScope API heeft u een iets andere verzoekstructuur nodig dan de OpenAI-compatibele modus netjes ondersteunt. Als u het integreert in een bestaande gereedschapsketen die een OpenAI vision API-vorm verwacht, verwacht dan een kleine adapterlaag te schrijven.
Ter vergelijking: Opus 4.7 vision is out-of-the-box meer gepolijst en kan betrouwbaarder omgaan met randgevallen (sterk scheve afbeeldingen, foto's bij weinig licht, documenten in verschillende talen). Maar voor de standaard OCR- en diagramleestaken die in 80% van de echte toepassingen voorkomen, is Qwen voldoende.
De Real Talk-sectie: waar ik het zou gebruiken en waar ik het niet zou gebruiken
Tijd voor het deel dat ik je verschuldigd ben: de afwegingen die de lanceringspost van Alibaba niet vermeldt.
Wat Qwen 3.6 Max Preview goed doet:
- Front-endcodegeneratie met bijna-Opus-kwaliteit voor ongeveer 11x minder kosten
- Agentische lussen met lange context waarbij het 1M-contextvenster dragend is
- Multi-tool agentische uitvoering (slide decks, financiële analyses, meerstapsonderzoek) met een kwaliteit die daadwerkelijk concurreert met de Amerikaanse vlaggenschepen
- Real-time scherminteractiesnelheid - het is merkbaar sneller dan Qwen 3.6 Plus bij streaming-workloads
- OCR en grafieklezen voor standaardproductiegebruiksscenario's
Wat er fout gaat:
- Randgevallen voor 3D-rendering — visuele bugs in complexe scènes die Opus 4.7 niet produceert
- Natuurkundig simulatierealisme: de F1- en SUV-demo's zien er goed uit, maar gedragen zich verkeerd
- Snelheid van agentloops met test-fix-retest-cycli: de looptijd van 23 minuten versus de 17 minuten van Opus telt op over een dag
- Multimodale verwerking in randgevallen: scheve foto's, opnamen bij weinig licht en documenten in verschillende talen zijn zwakker dan Opus
- Tooling-ecosysteem - op het moment van schrijven niet op OpenRouter of Kilo, wat de integratiepaden beperkt
- Betrouwbaarheid in de previewfase: Alibaba behoudt zich het recht voor om prijzen en mogelijkheden bij GA te wijzigen
Eén waarschuwing die ik in geen enkele andere berichtgeving heb gezien: het OpenAI-compatibele eindpunt en het Anthropic-compatibele eindpunt produceren subtiel verschillende uitvoer voor dezelfde prompt. Ik bevestigde dit via 15 testprompts. Het Anthropic-compatibele eindpunt produceert uitvoer die stilistisch dichter bij Claude ligt (meer gestructureerd, meer geneigd om te plannen en vervolgens uit te voeren). Het OpenAI-compatibele eindpunt produceert uitvoer die stilistisch dichter bij GPT ligt (meer inline redenering, meer geneigd om eerst code te schrijven en daarna uit te leggen). Als u het vergelijkt met Opus 4.7, gebruikt u het Anthropic-eindpunt. Als u het omwisselt naar een stapel die eerder GPT gebruikte, gebruikt u het OpenAI-eindpunt. Als u ze door elkaar haalt, krijgt u misleidende vergelijkingsresultaten.
Ik ben eerder verbrand door precies dit soort eindpuntvormverschillen, en het is iets dat je een dag van debuggen kost als niemand je waarschuwt.
Wat dit betekent voor uw stapel in mei 2026
Hier is de praktische afhaalmaaltijd. We bevinden ons nu op een markt waar je drie grensverleggende modellen hebt van drie verschillende laboratoria tegen drie verschillende prijsniveaus, elk met een scherpe specialiteit:
- Claude Opus 4.7 ($15/$75): werk met de hoogste inzet, codebeoordeling, planning, alles waarbij de kosten van een verkeerd antwoord kleiner zijn dan de kosten van een token.
- GPT-5.5 ($2,50/$15): Snelle iteratie op het toetsenbord, IDE-geïntegreerde workflows, situaties waarin u de uitvoer onmiddellijk gaat evalueren.
- Qwen 3.6 Max Preview ($1,30/$7,80): Volume-zware agentische lussen, werk in lange context, batchverwerking, elke werklast waarbij de 10x kostenbesparing belangrijker is dan de marginale mogelijkheden.
Dat is een stapel die de moeite waard is om rond te bouwen – en ik stuur nu specifieke werklasten naar specifieke modellen op basis van welke as het belangrijkst is voor die taak. De vraag voor elk team in 2026 is niet "welk model is het beste?" De vraag is: "welk model is het beste voor dit specifieke gesprek?"
Als u geen routeringsbeslissingen neemt op het niveau van de werklast, betaalt u te veel voor basiswerk of geeft u te weinig uit aan de gesprekken die er toe doen.
Veelgestelde vragen
Is Qwen 3.6 Max Preview beschikbaar op OpenRouter of Kilo?
Niet vanaf 28 april 2026. De toegang is momenteel beperkt tot de DashScope- en Bailian-platforms van Alibaba Cloud via API, plus de gratis chatbot op chat.qwen.ai. De OpenAI-compatibele en Anthropic-compatibele eindpunten maken integratie eenvoudig, maar je gaat hoe dan ook door de infrastructuur van Alibaba.
Hoeveel kost Qwen 3.6 Max Preview vergeleken met Claude Opus 4.7?
Qwen 3.6 Max Preview kost $1,30 per miljoen invoertokens en $7,80 per miljoen uitvoertokens. Claude Opus 4.7 kost $15 per miljoen input en $75 per miljoen output. Dat is grofweg een kostenreductie van 11,5x op de input en een reductie van 9,6x op de output. Omdat agenten veel waarde hechten aan context en output, is het kostenverschil het voornaamste kenmerk.
Accepteert Qwen 3.6 Max Preview beeldinvoer?
Ja, maar met kanttekeningen. Beeldinvoer werkt soepel via chat.qwen.ai en via DashScope's eigen API. Via het OpenAI-compatibele eindpunt hebt u mogelijk een kleine adapterlaag nodig die past bij de verzoekstructuur. Randgevallen zoals sterk scheve foto's en afbeeldingen bij weinig licht zijn zwakker dan de visie van Claude Opus 4.7.
Wat is het contextvenster op Qwen 3.6 Max Preview?
Het model ondersteunt een token-contextvenster van 1 miljoen, hoewel sommige bronnen 260 kB noemen, afhankelijk van welk eindpunt je bereikt. Voor standaard front-end- en agentische codeertaken is 1M de operationele limiet. Zie de Test 4 agentic coding section hierboven voor hoe de lange context in de praktijk presteert op echte repo's.
Moet ik overstappen van Claude Opus 4.7 naar Qwen 3.6 Max Preview?
Schakel niet over - niveau. Gebruik Qwen 3.6 Max Preview voor agentische lussen met hoog volume, batchverwerking en front-endgeneratie waarbij de 10x kostenbesparing groter is dan de marginale kwaliteitsverschillen. Bewaar Opus 4.7 voor codereviews, planning en functiewerk waarbij veel op het spel staat, waarbij een verkeerd antwoord kostbaar is. Het juiste antwoord in 2026 is routering per werklast, en niet een verplichting op basis van één model.
Laten we samenwerken
Wilt u AI-systemen bouwen, workflows automatiseren of uw technische infrastructuur schalen? Ik help je graag.
- Fiverr (aangepaste builds en integraties): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (ondernemingsoplossingen): ramlit.com
- ColorPark (ontwerp en branding): colorpark.io
- xCyberSecurity (beveiligingsdiensten): xcybersecurity.io
