Después de que Alibaba abriera Qwen4-Max el 16 de noviembre, ¿cómo debe el JSON de qwen4-max fijar reasoning_effort, prompt_cache_options y thinking_display, y cobrar las escrituras de caché aparte de la entrada?

El id del modelo no elige el esfuerzo, la caché ni el resumen. Lo hacen reasoning_effort, prompt_cache_options y thinking_display. La escritura de la factura es un solo campo de caché.

Poner model en qwen4-max enciende el razonamiento. El 16 de noviembre de 2026 Alibaba abrió Qwen4-Max en QwenCloud. El id es qwen4-max. El razonamiento empieza en reasoning_effort high y thinking_budget 131072. Un prefijo que quieras reutilizar necesita prompt_cache_options. Una cadena de pensamiento legible necesita thinking_display summarized.

Esta página está fechada el 17 de noviembre de 2026 a partir del registro de modelos del 16 de noviembre, la página del modelo Qwen4-Max, la guía de caché explícita, la guía del resumen de razonamiento, las referencias de Chat y Responses, y la página de precios. Ayer cubrimos las herramientas web de DeepSeek. Los campos que cambian esta petición y la factura son reasoning_effort, prompt_cache_options y thinking_display.

Qué se abrió el 16 de noviembre

Alibaba lo describe como una mezcla de expertos dispersa: 2,4 billones de parámetros en total y 71.000 millones activos por token. En su Work360, con esfuerzo High, informa de un 35 % menos de tokens que Qwen3.8-Max, un coste medio por tarea un 60 % menor y el puesto 6 en Code Arena. Esas cifras son de Alibaba. El id de vista previa qwen4-max-preview, abierto el 11 de noviembre, sigue siendo un modelo distinto de Token Plan. Esta petición usa qwen4-max.

LímiteTokens
Contexto1,000,000
Entrada máxima, razonamiento apagado991,808
Entrada máxima, razonamiento encendido983,616
Máximo de razonamiento más respuesta262,144
Salida máxima, razonamiento apagado131,072
Presupuesto de razonamiento por defecto131,072

Los ejemplos de Singapur usan https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1. Las claves son de cada región. Pekín y las regiones globales (Fráncfort, Hong Kong, Tokio y Virginia en EE. UU.) comparten una tarifa. Singapur tiene la suya. Chat Completions, Responses y Anthropic Messages aceptan la caché explícita nueva. DashScope no. La inferencia por lotes no está disponible. El intérprete de código solo corre con el razonamiento encendido. El pago por uso en Singapur incluye una franquicia de 1 millón de tokens, aparte de los créditos de Token Plan. Abajo están los precios de lista.

reasoning_effort en tres puntos

Envía reasoning_effort o thinking_budget, no los dos. thinking_budget tiene que ser un entero positivo. 0 se rechaza. Solo el esfuerzo deja el presupuesto en 131072. Solo el presupuesto asigna 1–4096 a low, 4097–131072 a high y 131073–262144 a xhigh, y se conserva el presupuesto enviado. Ninguno de los dos significa high y 131072. max_completion_tokens tapa razonamiento y respuesta juntos: 262144 con el razonamiento encendido, 131072 apagado. Si se omite, el tope es el máximo de ese modo. preserve_thinking vale true por defecto. Reenvía el razonamiento anterior del asistente. Ese texto se cobra como entrada.

APICampoValores
Chat Completions / DashScopereasoning_effortlow, high, xhigh. Por defecto high. minimal y low pasan a low. medium y high pasan a high. xhigh y max pasan a xhigh. none apaga el razonamiento. Chat también acepta enable_thinking false.
Responsesreasoning.effortLos mismos tres valores y la misma correspondencia. none apaga el razonamiento. Usa reasoning.effort. enable_thinking en Responses está marcado para quitarse.
Anthropic Messagesoutput_config.effortlow, high, xhigh. Por defecto high. medium pasa a high. max pasa a xhigh.

Los valores de muestreo cambian con el modo.

ParámetroRazonamientoRazonamiento apagado
temperature1.00.7
top_p0.950.8
presence_penalty0.01.5
top_k2020

Un cuerpo HTTP directo pone estos campos junto a model. El SDK de OpenAI para Python mete los que no son estándar en extra_body: enable_thinking, thinking_budget, preserve_thinking, thinking_display y prompt_cache_options. Este cuerpo de Chat conserva un punto de corte manual, una caché de 5 minutos y un resumen.

{
  "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 usa bloques input_text y reasoning.summary auto. El prefijo en caché sigue necesitando al menos 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 y el punto de corte

La caché explícita es determinista: el mismo prefijo, el mismo usuario, dentro del TTL, y se lee la caché. La caché implícita, cuando no pones ningún campo de caché, no promete un acierto. mode implicit no es esa caché implícita. Coloca un punto de corte automático al final de la entrada y sigue el TTL y los precios de la caché explícita. Ese punto avanza con la conversación y no incluye el sufijo de plantilla que arranca la respuesta. Un punto manual en el último bloque idéntico también vale. Cada petición conserva como mucho los últimos 4 puntos. El automático ocupa uno. Desde cada punto el servicio mira hacia atrás como mucho 20 bloques de contenido.

prompt_cache_optionsQué hace la llamada
mode = implicitColoca un punto de corte automático al final de la entrada. Los puntos manuales también valen.
mode = explicit + un punto de corte manualCrea o lee la caché solo en los puntos que marques.
mode = explicit, sin puntoNo hay punto automático. La llamada cae en la caché implícita.
omitido, null, {}, o solo ttlLa guía de caché no coloca el punto automático. Los puntos manuales sí cachean. Si no, es la caché implícita. El texto del parámetro de Chat dice que un objeto vacío significa mode implicit y ttl 5m. Envía mode tú.

Pon el punto en el último bloque que no cambia. prompt_cache_breakpoint es {"mode":"explicit"}. El cache_control anterior {"type":"ephemeral"} marca el mismo corte. En una petición, uno de los dos. El contenido con punto es un array. El texto posterior al punto queda fuera de esa entrada de caché. ttl es 5m o 1h, y 5m es el valor por defecto. Un acierto renueva la entrada. Un prefijo de menos de 1.024 tokens no crea caché. La petición sigue teniendo éxito y se omiten los campos de escritura por TTL. Poner solo ttl en Chat no arranca la caché explícita. Añade un punto o pon mode en implicit.

Chat informa la escritura dos veces, con dos nombres iguales. Guarda uno. prompt_tokens ya incluye lecturas, escrituras y la cola sin caché. Un acierto no reduce prompt_tokens. En la muestra publicada de la primera escritura, la cola es 2304 − 0 − 2048 = 256. En la siguiente llamada con el mismo prefijo, cached_tokens es 2048 y los dos campos de escritura son 0. Responses informa los mismos recuentos en usage.input_tokens_details, con cache_write_tokens_details.ttl_5m_tokens y ttl_1h_tokens. Su input_tokens también incluye lecturas y escrituras. Anthropic los separa: input_tokens es solo la parte sin caché, cache_read_input_tokens la lectura y cache_creation_input_tokens la escritura. El total de Anthropic es la suma de los tres. No mezcles las tres formas. El flujo de Chat necesita stream_options.include_usage en true, y el uso está en el último fragmento. El uso de Responses está en 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
      }
    }
  }
}

Los campos que no aplican se omiten, en lugar de volver como 0. La respuesta puede devolver prompt_cache_options con mode y ttl.

thinking_display y encrypted_content

El razonamiento completo es el texto plano por defecto. thinking_display summarized sustituye ese texto por un resumen para mostrar y el razonamiento completo cifrado. Actívalo en cada turno. El resumen es para la pantalla. El texto cifrado es lo que restaura el turno siguiente. Un resumen no sustituye al texto cifrado. Cualquiera de los dos campos puede faltar si no hubo razonamiento o si falló el cifrado. No inventes texto cifrado a partir del resumen. Conserva las imágenes y los documentos originales. El cifrado guarda el razonamiento, no esas entradas.

APIInterruptorResumenTexto cifrado
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 ya es true. En el turno siguiente, con el modo de resumen, devuelve encrypted_content sin cambios. Devuelve reasoning_content si guardas el texto plano completo. No metas ninguno de los dos campos dentro de content. Un resumen ya guardado se puede omitir al reproducir. El razonamiento anterior cuenta como tokens de entrada.

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

En un flujo de Chat, el texto del resumen llega en delta.reasoning_content. El texto cifrado llega después como un marco completo de encrypted_content, no como un delta. Conserva ese marco aunque su texto esté vacío. No concatentes el texto cifrado entre turnos y no abras un segundo mensaje del asistente para él. Responses pone partes summary_text en el elemento de razonamiento y el texto cifrado en ese elemento al completarse. Anthropic emite thinking_delta y luego un signature_delta. La firma puede estar vacía.

Cobrar la escritura y después la lectura

Los precios son dólares por millón de tokens. Razonar o no usa la misma tabla. No hay tramos por longitud de entrada. Los tokens de razonamiento son tokens de salida. Los campos de caché son recuentos en bruto. No incluyen el multiplicador de 5 minutos ni el de 1 hora. Una escritura de 5 minutos es cerca del 125 % del precio de entrada, y una de 1 hora cerca del 200 %. Usa las filas de abajo. Un prefijo que ya tiene una caché válida cobra la parte vieja como lectura y la nueva como escritura. Una petición de 5 minutos que acierta una caché de 1 hora sigue siendo una lectura, y la entrada conserva el tramo de 1 hora. Una petición de 1 hora que acierta una caché de 5 minutos vuelve a escribir esa porción al precio de creación de 1 hora.

PartidaSingaporePekín / Global
Entrada$1.5$1.413
Escritura de caché, 5 min$1.875$1.767
Escritura de caché, 1 h$3$2.827
Lectura de caché explícita o implícita$0.075$0.071
Salida, razonamiento más respuesta$4.5$4.24

El pago por uso en Singapur tiene una franquicia de 1 millón de tokens, aparte de los créditos de Token Plan. Después se aplica esta tabla. El precio por lotes no aplica: la inferencia por lotes no está en qwen4-max. El JSON estructurado es otro campo, response_format con type json_schema y strict en true. Mira qué es la salida estructurada.

JSON que hay que revisar antes de publicar

  1. El cuerpo dice qwen4-max. No dice qwen4-max-preview.
  2. El cuerpo tiene reasoning_effort o thinking_budget, uno de ellos. none o enable_thinking false solo aparece si el razonamiento debe estar apagado.
  3. El modo de resumen envía thinking_display summarized, o reasoning.summary auto, en cada turno. encrypted_content se guarda entero.
  4. El mode de caché es implicit, o explicit con un solo estilo de punto de corte. ttl es 5m o 1h. El prefijo tiene al menos 1.024 tokens.
  5. La factura usa cached_tokens una vez y un campo de escritura. Los recuentos de 5 minutos y de 1 hora salen de cache_creation, o de ttl_5m_tokens y ttl_1h_tokens. Chat no suma cache_write_tokens a cache_creation_input_tokens.

Revisa el JSON en local con el validador JSON, JSONPath ($.usage.prompt_tokens_details.cache_creation.ephemeral_5m_input_tokens) y JSON Diff contra la petición anterior. No se sube nada.

FAQ

¿Pueden ir reasoning_effort y thinking_budget en una petición?

No. qwen4-max rechaza la pareja. Solo el esfuerzo deja thinking_budget en 131072. Solo el presupuesto asigna 1–4096 a low, 4097–131072 a high y 131073–262144 a xhigh, y conserva el presupuesto enviado. 0 se rechaza. Ninguno de los dos significa high y 131072.

¿prompt_cache_options.mode implicit es la caché implícita de antes?

No. mode implicit coloca un punto de corte explícito automático al final de la entrada y usa los precios de 5 minutos o de 1 hora. La caché implícita es la que aparece si omites los campos de caché, o si mode es explicit y no marcaste ningún punto. Esos aciertos no están garantizados. La guía y el texto del parámetro de Chat no coinciden sobre el objeto vacío, así que envía mode tú.

¿Hay que sumar cache_write_tokens y cache_creation_input_tokens?

No. En Chat son el mismo recuento. Guarda uno. Separa el precio con cache_creation.ephemeral_5m_input_tokens y ephemeral_1h_input_tokens. Responses usa input_tokens_details.cache_write_tokens más ttl_5m_tokens y ttl_1h_tokens. Anthropic usa cache_creation_input_tokens, y su input_tokens es solo la parte sin caché.

¿Falla la petición si el prefijo tiene menos de 1.024 tokens?

No. La petición tiene éxito, no se crea caché y se omiten los campos de escritura por TTL. Cada petición conserva como mucho los últimos 4 puntos, y cada punto mira hacia atrás como mucho 20 bloques de contenido.

¿Puede el resumen sustituir a encrypted_content en el turno siguiente?

No. Reproduce el texto cifrado sin cambios. No lo recortes, no lo recodifiques y no lo pegues en content. Si el turno no devolvió texto cifrado, el resumen no restaura el razonamiento completo. Activa thinking_display summarized, o reasoning.summary auto, en cada turno.

¿DashScope acepta prompt_cache_options?

No. La caché explícita nueva de Qwen4 está en Chat Completions, Responses y Anthropic Messages. DashScope no la acepta. Una llamada de solo texto por DashScope para este modelo usa igualmente el punto multimodal.

Resumen

El modelo del 16 de noviembre de 2026 cambia el esfuerzo, la línea de caché y lo que guardas para el turno siguiente. Deja el valor por defecto en high y 131072, o fija uno de reasoning_effort y thinking_budget. Fija prompt_cache_options.mode. Para un resumen, pon thinking_display en summarized y reproduce encrypted_content sin cambios. Cobra un campo de escritura al precio de 5 minutos o de 1 hora, y cached_tokens al precio de lectura.