Mettre model à qwen4-max active la réflexion. Le 16 novembre 2026, Alibaba a ouvert Qwen4-Max sur QwenCloud. L’identifiant est qwen4-max. La réflexion commence à reasoning_effort high et thinking_budget 131072. Un préfixe à réutiliser demande prompt_cache_options. Une chaîne de pensée lisible demande thinking_display summarized.
Cette page est datée du 17 novembre 2026, d’après le journal des modèles du 16 novembre, la page du modèle Qwen4-Max, le guide du cache explicite, le guide du résumé de réflexion, les références Chat et Responses, et la page des prix. La note d’hier portait sur les outils web DeepSeek. Les champs qui changent cette requête et la facture sont reasoning_effort, prompt_cache_options et thinking_display.
Ce qui s’est ouvert le 16 novembre
Alibaba décrit un mélange d’experts creux : 2 400 milliards de paramètres au total, 71 milliards actifs par jeton. Sur son Work360, à l’effort High, il annonce environ 35 % de jetons en moins que Qwen3.8-Max, un coût moyen par tâche inférieur d’environ 60 %, et une 6e place sur Code Arena. Ces chiffres sont ceux d’Alibaba. L’identifiant d’aperçu qwen4-max-preview, ouvert le 11 novembre, reste un modèle Token Plan distinct. Cette requête utilise qwen4-max.
| Plafond | Jetons |
|---|---|
| Contexte | 1,000,000 |
| Entrée max, réflexion coupée | 991,808 |
| Entrée max, réflexion active | 983,616 |
| Maximum réflexion plus réponse | 262,144 |
| Sortie max, réflexion coupée | 131,072 |
| Budget de réflexion par défaut | 131,072 |
Les exemples de Singapour utilisent https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1. Les clés sont propres à la région. Pékin et les régions globales (Francfort, Hong Kong, Tokyo et la Virginie aux États-Unis) partagent une grille. Singapour a la sienne. Chat Completions, Responses et Anthropic Messages acceptent le nouveau cache explicite. DashScope non. L’inférence par lots n’est pas prise en charge. L’interpréteur de code ne tourne que si la réflexion est active. Le paiement à l’usage à Singapour inclut un quota d’un million de jetons, distinct des crédits Token Plan. Les prix ci-dessous sont les tarifs affichés.
reasoning_effort sur trois points d’accès
Envoyer reasoning_effort ou thinking_budget, pas les deux. thinking_budget doit être un entier positif. 0 est refusé. L’effort seul garde le budget à 131072. Le budget seul mappe 1–4096 vers low, 4097–131072 vers high, et 131073–262144 vers xhigh, et le budget envoyé est conservé. Aucun des deux signifie high et 131072. max_completion_tokens plafonne réflexion et réponse ensemble : 262144 si la réflexion est active, 131072 si elle est coupée. L’omettre prend le maximum du mode. preserve_thinking vaut true par défaut. Renvoyer la réflexion précédente de l’assistant. Ce texte est facturé en entrée.
| API | Champ | Valeurs |
|---|---|---|
| Chat Completions / DashScope | reasoning_effort | low, high, xhigh. Défaut high. minimal et low deviennent low. medium et high deviennent high. xhigh et max deviennent xhigh. none coupe la réflexion. Chat accepte aussi enable_thinking false. |
| Responses | reasoning.effort | Les mêmes trois valeurs et la même correspondance. none coupe la réflexion. Préférer reasoning.effort. enable_thinking sur Responses est marqué pour suppression. |
| Anthropic Messages | output_config.effort | low, high, xhigh. Défaut high. medium devient high. max devient xhigh. |
Les défauts d’échantillonnage changent avec le mode.
| Paramètre | Réflexion | Réflexion coupée |
|---|---|---|
temperature | 1.0 | 0.7 |
top_p | 0.95 | 0.8 |
presence_penalty | 0.0 | 1.5 |
top_k | 20 | 20 |
Un corps HTTP direct place ces champs à côté de model. Le SDK OpenAI pour Python met les champs hors norme dans extra_body : enable_thinking, thinking_budget, preserve_thinking, thinking_display et prompt_cache_options. Ce corps Chat garde un point d’arrêt manuel, un cache de 5 minutes et un résumé.
{
"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 utilise des blocs input_text et reasoning.summary auto. Le préfixe mis en cache doit encore faire au moins 1 024 jetons.
{
"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 et le point d’arrêt
Le cache explicite est déterministe : le même préfixe, le même utilisateur, dans la durée de vie, et le cache est lu. Le cache implicite, quand aucun champ de cache n’est posé, ne promet pas de succès. mode implicit n’est pas ce cache implicite. Il place un point d’arrêt automatique à la fin de l’entrée et suit la durée et les prix du cache explicite. Ce point avance avec la conversation et n’inclut pas le suffixe de modèle qui lance la réponse. Un point manuel sur le dernier bloc identique s’applique à côté. Une requête garde au plus les 4 derniers points. Le point automatique en occupe un. Depuis chaque point, le service regarde au plus 20 blocs de contenu en arrière.
prompt_cache_options | Ce que fait l’appel |
|---|---|
mode = implicit | Place un point d’arrêt automatique à la fin de l’entrée. Les points manuels s’appliquent aussi. |
mode = explicit + un point d’arrêt manuel | Crée ou lit le cache seulement aux points marqués. |
mode = explicit, aucun point | Pas de point automatique. L’appel retombe sur le cache implicite. |
| omis, null, {}, ou ttl seul | Le guide du cache ne place pas le point automatique. Les points manuels mettent quand même en cache. Sinon, c’est le cache implicite. Le texte du paramètre Chat dit qu’un objet vide signifie mode implicit et ttl 5m. Envoyez mode vous-même. |
Placez le point sur le dernier bloc qui reste identique. prompt_cache_breakpoint vaut {"mode":"explicit"}. L’ancien cache_control {"type":"ephemeral"} marque la même coupe. Une requête n’en utilise qu’un. Un contenu avec point est un tableau. Le texte après le point est hors de cette entrée de cache. ttl vaut 5m ou 1h, et 5m est le défaut. Un succès renouvelle l’entrée. Un préfixe de moins de 1 024 jetons ne crée pas de cache. La requête réussit quand même, et les champs d’écriture par TTL sont omis. Poser seulement ttl sur Chat ne démarre pas le cache explicite. Ajoutez un point, ou mettez mode à implicit.
Chat rapporte l’écriture deux fois, sous deux noms égaux. N’en stockez qu’un. prompt_tokens inclut déjà lectures, écritures et la queue non mise en cache. Un succès ne réduit pas prompt_tokens. Dans l’exemple publié de première écriture, la queue vaut 2304 − 0 − 2048 = 256. À l’appel suivant avec le même préfixe, cached_tokens vaut 2048 et les deux champs d’écriture valent 0. Responses rapporte les mêmes comptes sous usage.input_tokens_details, avec cache_write_tokens_details.ttl_5m_tokens et ttl_1h_tokens. Son input_tokens inclut aussi lectures et écritures. Anthropic les sépare : input_tokens n’est que la partie non mise en cache, cache_read_input_tokens la lecture, cache_creation_input_tokens l’écriture. Le total Anthropic est la somme des trois. Ne mélangez pas les trois formes. Le flux Chat exige stream_options.include_usage à true, et l’usage est sur le dernier bloc. L’usage Responses est sur 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
}
}
}
}
Les champs qui ne s’appliquent pas sont absents, plutôt que renvoyés à 0. La réponse peut renvoyer prompt_cache_options avec mode et ttl.
thinking_display et encrypted_content
La réflexion complète est le texte clair par défaut. thinking_display summarized remplace ce texte clair par un résumé d’affichage plus la réflexion complète chiffrée. Activez-le à chaque tour. Le résumé est pour l’écran. Le texte chiffré restaure le tour suivant. Un résumé ne tient pas lieu de texte chiffré. L’un ou l’autre champ peut manquer s’il n’y a pas eu de réflexion, ou si le chiffrement a échoué. N’inventez pas de texte chiffré à partir du résumé. Gardez les images et documents d’origine. Le chiffrement stocke la réflexion, pas ces entrées.
| API | Interrupteur | Résumé | Texte chiffré |
|---|---|---|---|
| Chat | thinking_display = summarized | message.reasoning_content | message.encrypted_content |
| Responses | reasoning.summary = auto | summary[].text (summary_text) | encrypted_content |
| Anthropic | thinking.display = summarized | thinking | signature |
| DashScope | parameters.thinking_display = summarized | message.reasoning_content | message.encrypted_content |
preserve_thinking est déjà true. Au tour suivant, en mode résumé, renvoyez encrypted_content inchangé. Renvoyez reasoning_content si vous stockez le texte clair complet. Ne pliez aucun des deux champs dans content. Un résumé déjà stocké peut être omis au rejeu. La réflexion passée compte comme jetons d’entrée.
{
"role": "assistant",
"content": "The answer text.",
"encrypted_content": "<ciphertext from this turn, unchanged>"
}
Dans un flux Chat, le texte du résumé arrive dans delta.reasoning_content. Le texte chiffré arrive ensuite en une trame encrypted_content complète, pas en delta. Gardez cette trame même si son texte est vide. N’ajoutez pas le texte chiffré d’un tour à l’autre, et n’ouvrez pas un second message d’assistant pour lui. Responses place des parties summary_text sur l’élément de raisonnement et le texte chiffré sur cet élément à la fin. Anthropic diffuse thinking_delta, puis un signature_delta. La signature peut être vide.
Facturer l’écriture, puis la lecture
Les prix sont en dollars américains par million de jetons. Réflexion active ou coupée, la grille est la même. Il n’y a pas de palier selon la longueur d’entrée. Les jetons de réflexion sont des jetons de sortie. Les champs de cache sont des comptes bruts. Ils n’incluent pas le coefficient de 5 minutes ou d’une heure. Une écriture de 5 minutes vaut environ 125 % du prix d’entrée, une écriture d’une heure environ 200 %. Utilisez les lignes ci-dessous. Un préfixe qui contient déjà un cache valide facture l’ancienne partie en lecture et la nouvelle en écriture. Une requête de 5 minutes qui touche un cache d’une heure reste une lecture, et l’entrée garde le palier d’une heure. Une requête d’une heure qui touche un cache de 5 minutes réécrit cette portion au prix de création d’une heure.
| Poste | Singapore | Pékin / Global |
|---|---|---|
| Entrée | $1.5 | $1.413 |
| Écriture de cache, 5 min | $1.875 | $1.767 |
| Écriture de cache, 1 h | $3 | $2.827 |
| Lecture de cache explicite ou implicite | $0.075 | $0.071 |
| Sortie, réflexion plus réponse | $4.5 | $4.24 |
Le paiement à l’usage à Singapour a un quota d’un million de jetons, distinct des crédits Token Plan. Ensuite, cette grille s’applique. Le tarif par lots ne s’applique pas : l’inférence par lots n’est pas prise en charge sur qwen4-max. Le JSON structuré est un autre champ, response_format avec type json_schema et strict à true. Voir ce qu’est une sortie structurée.
JSON à vérifier avant la mise en ligne
- Le corps dit
qwen4-max. Il ne dit pasqwen4-max-preview. - Le corps a
reasoning_effortouthinking_budget, un seul.noneouenable_thinkingfalsen’est présent que si la réflexion doit être coupée. - Le mode résumé envoie
thinking_displaysummarized, oureasoning.summaryauto, à chaque tour.encrypted_contentest stocké entier. - Le
modede cache estimplicit, ouexplicitavec une seule écriture de point d’arrêt.ttlvaut5mou1h. Le préfixe fait au moins 1 024 jetons. - La facture utilise
cached_tokensune fois et un champ d’écriture. Les comptes de 5 minutes et d’une heure viennent decache_creation, ou dettl_5m_tokensetttl_1h_tokens. Chat n’ajoute pascache_write_tokensàcache_creation_input_tokens.
Vérifiez le JSON en local avec le validateur JSON, JSONPath ($.usage.prompt_tokens_details.cache_creation.ephemeral_5m_input_tokens) et JSON Diff contre la requête précédente. Rien n’est envoyé.
FAQ
Peut-on mettre reasoning_effort et thinking_budget dans une requête ?
Non. qwen4-max refuse la paire. L’effort seul garde thinking_budget à 131072. Le budget seul mappe 1–4096 vers low, 4097–131072 vers high et 131073–262144 vers xhigh, et garde le budget envoyé. 0 est refusé. Aucun des deux signifie high et 131072.
prompt_cache_options.mode implicit est-il l’ancien cache implicite ?
Non. mode implicit place un point d’arrêt explicite automatique à la fin de l’entrée et utilise les prix de 5 minutes ou d’une heure. Le cache implicite est celui qu’on obtient quand les champs de cache sont omis, ou quand mode est explicit sans point marqué. Ces succès ne sont pas garantis. Le guide et le texte du paramètre Chat divergent sur l’objet vide : envoyez mode vous-même.
Faut-il additionner cache_write_tokens et cache_creation_input_tokens ?
Non. Sur Chat, c’est le même compte. N’en stockez qu’un. Séparez le prix avec cache_creation.ephemeral_5m_input_tokens et ephemeral_1h_input_tokens. Responses utilise input_tokens_details.cache_write_tokens plus ttl_5m_tokens et ttl_1h_tokens. Anthropic utilise cache_creation_input_tokens, et son input_tokens n’est que la partie non mise en cache.
Un préfixe sous 1 024 jetons fait-il échouer la requête ?
Non. La requête réussit, aucun cache n’est créé, et les champs d’écriture par TTL sont omis. Une requête garde au plus les 4 derniers points, et chaque point regarde au plus 20 blocs de contenu en arrière.
Le résumé peut-il remplacer encrypted_content au tour suivant ?
Non. Rejouez le texte chiffré tel quel. Ne le coupez pas, ne le réencodez pas, ne le collez pas dans content. Si le tour n’a pas renvoyé de texte chiffré, le résumé ne restaure pas la réflexion complète. Activez thinking_display summarized, ou reasoning.summary auto, à chaque tour.
DashScope accepte-t-il prompt_cache_options ?
Non. Le nouveau cache explicite de Qwen4 est sur Chat Completions, Responses et Anthropic Messages. DashScope ne l’accepte pas. Un appel DashScope texte seul pour ce modèle utilise quand même le point d’accès multimodal.
Résumé
Le modèle du 16 novembre 2026 change l’effort, la ligne de cache, et ce qu’il faut garder pour le tour suivant. Laissez le défaut à high et 131072, ou posez un seul de reasoning_effort et thinking_budget. Posez prompt_cache_options.mode. Pour un résumé, mettez thinking_display à summarized et rejouez encrypted_content inchangé. Facturez un champ d’écriture au prix de 5 minutes ou d’une heure, et cached_tokens au prix de lecture.