Nachdem Alibaba am 16. November Qwen4-Max geöffnet hat: Wie setzt qwen4-max-JSON reasoning_effort, prompt_cache_options und thinking_display, und wie rechnet man Cache-Schreibvorgänge getrennt vom Input ab?

Die Modell-ID wählt weder Aufwand noch Cache noch Zusammenfassung. Das tun reasoning_effort, prompt_cache_options und thinking_display. Auf der Rechnung steht ein Cache-Schreibfeld.

model auf qwen4-max setzt Denken an. Am 16. November 2026 hat Alibaba Qwen4-Max auf QwenCloud geöffnet. Die ID ist qwen4-max. Denken startet bei reasoning_effort high und thinking_budget 131072. Ein Präfix, das wiederverwendet werden soll, braucht prompt_cache_options. Eine lesbare Gedankenkette braucht thinking_display summarized.

Diese Seite gilt am 17. November 2026 und stützt sich auf das Modell-Changelog vom 16. November, die Qwen4-Max-Modellseite, den Leitfaden zum expliziten Cache, den Leitfaden zur Denkzusammenfassung, die Referenzen für Chat und Responses und die Preisseite. Gestern ging es um DeepSeek-Webwerkzeuge. Die Felder, die diese Anfrage und die Rechnung ändern, sind reasoning_effort, prompt_cache_options und thinking_display.

Was am 16. November offen ging

Alibaba beschreibt ein sparsames Mixture-of-Experts-Modell mit 2,4 Billionen Parametern insgesamt und 71 Milliarden aktiven Parametern pro Token. Auf dem eigenen Work360 meldet es bei High etwa 35 Prozent weniger Tokens als Qwen3.8-Max, etwa 60 Prozent niedrigere durchschnittliche Kosten pro Aufgabe und Platz 6 auf der Code Arena. Das sind Alibabas Zahlen. Die Vorschau-ID qwen4-max-preview vom 11. November bleibt ein eigenes Token-Plan-Modell. Diese Anfrage nutzt qwen4-max.

GrenzeTokens
Kontext1,000,000
Maximaler Input, Denken aus991,808
Maximaler Input, Denken an983,616
Maximum aus Denken plus Antwort262,144
Maximaler Output, Denken aus131,072
Standard-Denkbudget131,072

Die Beispiele für Singapur nutzen https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1. Schlüssel gelten pro Region. Peking und die globalen Regionen (Frankfurt, Hongkong, Tokio und US-Virginia) teilen eine Preiskarte. Singapur hat eine eigene. Chat Completions, Responses und Anthropic Messages nehmen den neuen expliziten Cache an. DashScope nicht. Batch-Inferenz gibt es nicht. Der Code-Interpreter läuft nur bei eingeschaltetem Denken. Pay-as-you-go in Singapur enthält ein Kontingent von 1 Million Tokens, getrennt von Token-Plan-Guthaben. Unten stehen die Listenpreise.

reasoning_effort an drei Endpunkten

reasoning_effort und thinking_budget nicht zusammen senden. thinking_budget muss eine positive Ganzzahl sein. 0 wird abgelehnt. Nur der Aufwand lässt das Budget bei 131072. Nur das Budget mappt 1–4096 auf low, 4097–131072 auf high und 131073–262144 auf xhigh; das gesendete Budget bleibt. Keines von beiden bedeutet high und 131072. max_completion_tokens deckelt Denken und Antwort zusammen: 262144 bei Denken an, 131072 bei Denken aus. Weglassen heißt das Maximum des Modus. preserve_thinking steht standardmäßig auf true. Die frühere Assistenz-Überlegung wieder senden. Dieser Text wird als Input berechnet.

APIFeldWerte
Chat Completions / DashScopereasoning_effortlow, high, xhigh. Standard high. minimal und low werden low. medium und high werden high. xhigh und max werden xhigh. none schaltet Denken aus. Chat akzeptiert auch enable_thinking false.
Responsesreasoning.effortDieselben drei Werte und dieselbe Zuordnung. none schaltet Denken aus. reasoning.effort verwenden. enable_thinking auf Responses ist zur Entfernung markiert.
Anthropic Messagesoutput_config.effortlow, high, xhigh. Standard high. medium wird high. max wird xhigh.

Die Sampling-Standards wechseln mit dem Modus.

ParameterDenkenDenken aus
temperature1.00.7
top_p0.950.8
presence_penalty0.01.5
top_k2020

Ein direkter HTTP-Körper stellt diese Felder neben model. Das Python-OpenAI-SDK legt die nicht standardisierten in extra_body: enable_thinking, thinking_budget, preserve_thinking, thinking_display und prompt_cache_options. Dieser Chat-Körper behält einen manuellen Haltepunkt, einen 5-Minuten-Cache und eine Zusammenfassung.

{
  "model": "qwen4-max",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "<document of at least 1024 tokens>",
          "prompt_cache_breakpoint": { "mode": "explicit" }
        },
        { "type": "text", "text": "Summarize the document." }
      ]
    }
  ],
  "reasoning_effort": "high",
  "thinking_display": "summarized",
  "prompt_cache_options": { "mode": "explicit", "ttl": "5m" }
}

Responses nutzt input_text-Blöcke und reasoning.summary auto. Das gecachte Präfix braucht weiterhin mindestens 1.024 Tokens.

{
  "model": "qwen4-max",
  "input": [
    {
      "role": "user",
      "content": [
        {
          "type": "input_text",
          "text": "<document of at least 1024 tokens>",
          "prompt_cache_breakpoint": { "mode": "explicit" }
        },
        { "type": "input_text", "text": "Summarize the document." }
      ]
    }
  ],
  "reasoning": { "effort": "high", "summary": "auto" },
  "prompt_cache_options": { "mode": "explicit", "ttl": "5m" }
}

prompt_cache_options und der Haltepunkt

Der explizite Cache ist bestimmt: dasselbe Präfix, derselbe Nutzer, innerhalb der TTL, dann wird der Cache gelesen. Der implizite Cache, wenn keine Cache-Felder gesetzt sind, verspricht keinen Treffer. mode implicit ist nicht dieser implizite Cache. Er setzt einen automatischen Haltepunkt ans Ende des Inputs und folgt TTL und Preisen des expliziten Caches. Der Punkt wandert mit dem Gespräch nach vorn und enthält nicht das Template-Suffix, das die Antwort startet. Ein manueller Punkt auf dem letzten identischen Block gilt daneben. Eine Anfrage behält höchstens die letzten 4 Punkte. Der automatische belegt einen davon. Von jedem Punkt blickt der Dienst höchstens 20 Inhaltsblöcke zurück.

prompt_cache_optionsWas der Aufruf tut
mode = implicitSetzt einen automatischen Haltepunkt ans Ende des Inputs. Manuelle Punkte gelten auch.
mode = explicit + ein manueller HaltepunktLegt den Cache nur an den markierten Punkten an oder liest ihn dort.
mode = explicit, kein HaltepunktKein automatischer Punkt. Der Aufruf fällt auf den impliziten Cache zurück.
weggelassen, null, {} oder nur ttlDer Cache-Leitfaden setzt keinen automatischen Punkt. Manuelle Punkte cachen weiter. Sonst ist es der implizite Cache. Der Chat-Parametertext nennt ein leeres Objekt mode implicit und ttl 5m. mode selbst senden.

Den Punkt auf den letzten Block setzen, der gleich bleibt. prompt_cache_breakpoint ist {"mode":"explicit"}. Das ältere cache_control {"type":"ephemeral"} markiert denselben Schnitt. In einer Anfrage eines von beiden. Inhalt mit Punkt ist ein Array. Text nach dem Punkt liegt außerhalb dieses Cache-Eintrags. ttl ist 5m oder 1h, Standard ist 5m. Ein Treffer verlängert den Eintrag. Ein Präfix unter 1.024 Tokens legt keinen Cache an. Die Anfrage gelingt trotzdem, und die TTL-Schreibfelder fehlen. Nur ttl auf Chat startet den expliziten Cache nicht. Einen Punkt setzen oder mode auf implicit stellen.

Chat meldet die Schreibzeile zweimal, unter zwei gleichen Namen. Einen speichern. prompt_tokens enthält bereits Lesen, Schreiben und das nicht gecachte Ende. Ein Treffer verkleinert prompt_tokens nicht. In der veröffentlichten Erstschreib-Probe ist das Ende 2304 − 0 − 2048 = 256. Beim nächsten Aufruf mit demselben Präfix ist cached_tokens 2048 und beide Schreibfelder sind 0. Responses meldet dieselben Zähler unter usage.input_tokens_details, mit cache_write_tokens_details.ttl_5m_tokens und ttl_1h_tokens. Auch dessen input_tokens enthält Lesen und Schreiben. Anthropic trennt: input_tokens ist nur der nicht gecachte Teil, cache_read_input_tokens das Lesen, cache_creation_input_tokens das Schreiben. Die Anthropic-Summe sind diese drei. Die drei Formen nicht mischen. Streaming-Chat braucht stream_options.include_usage true, die Nutzung steht im letzten Chunk. Responses-Nutzung steht auf response.completed.

{
  "usage": {
    "prompt_tokens": 2304,
    "completion_tokens": 128,
    "total_tokens": 2432,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "cache_write_tokens": 2048,
      "cache_creation_input_tokens": 2048,
      "cache_type": "ephemeral",
      "cache_creation": {
        "ephemeral_5m_input_tokens": 2048,
        "ephemeral_1h_input_tokens": 0
      }
    }
  }
}

Felder, die nicht gelten, fehlen, statt als 0 zurückzukommen. Die Antwort kann prompt_cache_options mit mode und ttl zurückgeben.

thinking_display und encrypted_content

Volles Denken ist der Klartext-Standard. thinking_display summarized ersetzt diesen Klartext durch eine Anzeige-Zusammenfassung plus das verschlüsselte volle Denken. In jeder Runde einschalten. Die Zusammenfassung ist für den Bildschirm. Der Geheimtext stellt die nächste Runde wieder her. Eine Zusammenfassung steht nicht für den Geheimtext. Beide Felder können fehlen, wenn kein Denken entstand oder die Verschlüsselung scheiterte. Keinen Geheimtext aus der Zusammenfassung erfinden. Originalbilder und Dokumente behalten. Die Verschlüsselung speichert das Denken, nicht diese Inputs.

APISchalterZusammenfassungGeheimtext
Chatthinking_display = summarizedmessage.reasoning_contentmessage.encrypted_content
Responsesreasoning.summary = autosummary[].text (summary_text)encrypted_content
Anthropicthinking.display = summarizedthinkingsignature
DashScopeparameters.thinking_display = summarizedmessage.reasoning_contentmessage.encrypted_content

preserve_thinking ist schon true. In der nächsten Runde im Zusammenfassungsmodus encrypted_content unverändert zurückgeben. reasoning_content zurückgeben, wenn der volle Klartext gespeichert wird. Keines der Felder in content falten. Eine gespeicherte Zusammenfassung darf beim Abspielen fehlen. Früheres Denken zählt als Input-Tokens.

{
  "role": "assistant",
  "content": "The answer text.",
  "encrypted_content": "<ciphertext from this turn, unchanged>"
}

Im Chat-Stream kommt der Zusammenfassungstext als delta.reasoning_content. Der Geheimtext kommt später als ein vollständiger encrypted_content-Frame, nicht als Delta. Den Frame behalten, auch wenn sein Text leer ist. Geheimtext nicht über Runden anhängen und keine zweite Assistenznachricht dafür öffnen. Responses legt summary_text-Teile auf das Reasoning-Element und den Geheimtext auf dasselbe Element, wenn es fertig ist. Anthropic streamt thinking_delta, dann ein signature_delta. Die Signatur kann leer sein.

Erst die Schreibzeile, dann die Lesezeile

Preise sind US-Dollar pro Million Tokens. Denken an und aus nutzen dieselbe Karte. Es gibt keine Staffel nach Input-Länge. Denk-Tokens sind Output-Tokens. Cache-Felder sind Rohzahlen. Sie enthalten nicht den 5-Minuten- oder 1-Stunden-Faktor. Ein 5-Minuten-Schreiben liegt bei etwa 125 Prozent des Input-Preises, ein 1-Stunden-Schreiben bei etwa 200 Prozent. Die Zeilen unten verwenden. Ein Präfix, das schon einen gültigen Cache hält, rechnet den alten Teil als Lesen und den neuen als Schreiben. Eine 5-Minuten-Anfrage, die einen 1-Stunden-Cache trifft, bleibt ein Lesen, und der Eintrag behält die 1-Stunden-Stufe. Eine 1-Stunden-Anfrage, die einen 5-Minuten-Cache trifft, schreibt diesen Teil erneut zum 1-Stunden-Erstellungspreis.

PostenSingaporePeking / Global
Input$1.5$1.413
Cache-Schreiben, 5 Minuten$1.875$1.767
Cache-Schreiben, 1 Stunde$3$2.827
Explizites oder implizites Cache-Lesen$0.075$0.071
Output, Denken plus Antwort$4.5$4.24

Das Pay-as-you-go-Kontingent in Singapur beträgt 1 Million Tokens, getrennt vom Token-Plan-Guthaben. Danach gilt diese Karte. Batch-Preise gelten nicht: Batch-Inferenz wird auf qwen4-max nicht unterstützt. Strukturiertes JSON ist ein anderes Feld, response_format mit type json_schema und strict true. Siehe was strukturierte Ausgabe ist.

JSON vor dem Start prüfen

  1. Der Körper sagt qwen4-max. Er sagt nicht qwen4-max-preview.
  2. Der Körper hat reasoning_effort oder thinking_budget, eines davon. none oder enable_thinking false steht nur da, wenn Denken aus sein soll.
  3. Der Zusammenfassungsmodus sendet in jeder Runde thinking_display summarized oder reasoning.summary auto. encrypted_content wird ganz gespeichert.
  4. Cache-mode ist implicit, oder explicit mit einer Haltepunkt-Schreibweise. ttl ist 5m oder 1h. Das Präfix hat mindestens 1.024 Tokens.
  5. Die Rechnung nutzt cached_tokens einmal und ein Schreibfeld. Die 5-Minuten- und 1-Stunden-Zähler kommen aus cache_creation oder aus ttl_5m_tokens und ttl_1h_tokens. Chat addiert cache_write_tokens nicht zu cache_creation_input_tokens.

Das JSON lokal mit dem JSON-Validator, JSONPath ($.usage.prompt_tokens_details.cache_creation.ephemeral_5m_input_tokens) und JSON Diff gegen die vorige Anfrage prüfen. Nichts wird hochgeladen.

FAQ

Dürfen reasoning_effort und thinking_budget in einer Anfrage stehen?

Nein. qwen4-max lehnt das Paar ab. Nur Aufwand lässt thinking_budget bei 131072. Nur Budget mappt 1–4096 auf low, 4097–131072 auf high und 131073–262144 auf xhigh und behält das gesendete Budget. 0 wird abgelehnt. Keines von beiden bedeutet high und 131072.

Ist prompt_cache_options.mode implicit der alte implizite Cache?

Nein. mode implicit setzt einen automatischen expliziten Haltepunkt ans Ende des Inputs und nutzt die 5-Minuten- oder 1-Stunden-Preise. Der implizite Cache gilt, wenn Cache-Felder fehlen oder mode explicit ist und kein Punkt markiert wurde. Diese Treffer sind nicht garantiert. Leitfaden und Chat-Parametertext widersprechen sich beim leeren Objekt, also mode selbst senden.

Soll die Rechnung cache_write_tokens und cache_creation_input_tokens addieren?

Nein. Auf Chat sind sie dieselbe Zahl. Eine speichern. Den Preis mit cache_creation.ephemeral_5m_input_tokens und ephemeral_1h_input_tokens teilen. Responses nutzt input_tokens_details.cache_write_tokens plus ttl_5m_tokens und ttl_1h_tokens. Anthropic nutzt cache_creation_input_tokens, und sein input_tokens ist nur der nicht gecachte Teil.

Scheitert eine Anfrage bei einem Präfix unter 1.024 Tokens?

Nein. Die Anfrage gelingt, es entsteht kein Cache, und die TTL-Schreibfelder fehlen. Eine Anfrage behält höchstens die letzten 4 Punkte, und jeder Punkt blickt höchstens 20 Inhaltsblöcke zurück.

Kann die Zusammenfassung in der nächsten Runde encrypted_content ersetzen?

Nein. Den Geheimtext unverändert zurückspielen. Nicht kürzen, nicht neu kodieren, nicht in content kleben. Kam kein Geheimtext zurück, stellt die Zusammenfassung das volle Denken nicht wieder her. thinking_display summarized oder reasoning.summary auto in jeder Runde einschalten.

Nimmt DashScope prompt_cache_options an?

Nein. Der neue explizite Qwen4-Cache liegt auf Chat Completions, Responses und Anthropic Messages. DashScope nimmt ihn nicht an. Ein reiner Textaufruf über DashScope für dieses Modell nutzt trotzdem den multimodalen Endpunkt.

Kurz

Das Modell vom 16. November 2026 ändert den Aufwand, die Cache-Zeile und das, was für die nächste Runde gespeichert wird. Den Standard high und 131072 lassen oder eines von reasoning_effort und thinking_budget setzen. prompt_cache_options.mode setzen. Für eine Zusammenfassung thinking_display auf summarized stellen und encrypted_content unverändert zurückspielen. Ein Schreibfeld zum 5-Minuten- oder 1-Stunden-Preis abrechnen und cached_tokens zum Lesepreis.