model を qwen4-max にすると、思考はオンになる。 2026年11月16日、アリババは QwenCloud で Qwen4-Max を公開した。id は qwen4-max。思考は reasoning_effort high と thinking_budget 131072 から始まる。再利用する接頭辞には prompt_cache_options。読める思考過程には thinking_display summarized。
このページは 2026年11月17日時点で、11月16日のモデル更新、Qwen4-Max のモデルページ、明示キャッシュのガイド、思考要約のガイド、Chat と Responses のリファレンス、料金ページに基づく。昨日は DeepSeek のウェブツールを書いた。リクエストと請求を変える項目は reasoning_effort、prompt_cache_options、thinking_display。
11月16日に公開されたもの
アリババは疎な Mixture-of-Experts で、総パラメータ 2.4 兆、トークンあたり有効 710 億と説明している。自社の Work360 では High で Qwen3.8-Max よりトークンが約 35% 少なく、タスクあたりの平均コストが約 60% 低く、Code Arena は 6 位だと報告している。数字はアリババ自身のもの。11月11日に開いたプレビュー id qwen4-max-preview は別の Token Plan モデルのまま。このリクエストは qwen4-max。
| 上限 | トークン |
|---|---|
| コンテキスト | 1,000,000 |
| 最大入力、思考オフ | 991,808 |
| 最大入力、思考オン | 983,616 |
| 思考と回答の合計上限 | 262,144 |
| 最大出力、思考オフ | 131,072 |
| 既定の思考バジェット | 131,072 |
シンガポールの例は https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1。キーはリージョンごと。北京とグローバル(フランクフルト、香港、東京、米国バージニア)は同じ料金表。シンガポールは別表。新しい明示キャッシュを受けるのは Chat Completions、Responses、Anthropic Messages。DashScope は受けない。バッチ推論はない。コードインタープリタは思考がオンのときだけ動く。シンガポールの従量課金には Token Plan のクレジットとは別の 100 万トークン枠がある。下は定価。
3つのエンドポイントの reasoning_effort
reasoning_effort と thinking_budget は同時に送らない。thinking_budget は正の整数。0 は拒否される。力度だけならバジェットは 131072 のまま。バジェットだけなら 1–4096 が low、4097–131072 が high、131073–262144 が xhigh で、送ったバジェットは残る。両方なければ high と 131072。max_completion_tokens は思考と回答の合計を止める。思考オンで 262144、オフで 131072。省略するとそのモードの最大。 preserve_thinking の既定は true。前の助手の思考を戻す。その文字は入力として請求される。
| API | 項目 | 値 |
|---|---|---|
| Chat Completions / DashScope | reasoning_effort | low, high, xhigh. 既定は high。minimal と low は low。medium と high は high。xhigh と max は xhigh。none は思考を切る。Chat は enable_thinking false も受ける。 |
| Responses | reasoning.effort | 同じ三値、同じ対応。none は思考を切る。使うのは reasoning.effort。Responses の enable_thinking は廃止予定。 |
| Anthropic Messages | output_config.effort | low, high, xhigh. 既定は high。medium は high。max は xhigh。 |
サンプリングの既定はモードで変わる。
| パラメータ | 思考 | 思考オフ |
|---|---|---|
temperature | 1.0 | 0.7 |
top_p | 0.95 | 0.8 |
presence_penalty | 0.0 | 1.5 |
top_k | 20 | 20 |
HTTP を直接送るときは、これらの項目を model と並べる。Python の OpenAI SDK は標準外の項目を extra_body に入れる。enable_thinking、thinking_budget、preserve_thinking、thinking_display、prompt_cache_options。この Chat 本文は手動ブレークポイント、5 分キャッシュ、要約を残す。
{
"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 は input_text ブロックと reasoning.summary auto。キャッシュする接頭辞はやはり 1,024 トークン以上。
{
"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 とブレークポイント
明示キャッシュは確定的だ。同じ利用者、同じ接頭辞、TTL の内側ならキャッシュを読む。キャッシュ項目を何も置かないときの暗黙キャッシュは、ヒットを約束しない。mode implicit はその暗黙キャッシュではない。入力の末尾に自動ブレークポイントを置き、明示キャッシュの TTL と料金に従う。会話が伸びるとその点は前へ動き、回答を始めるテンプレート接尾辞は含まない。最後の同一ブロックにある手動ポイントも同時に効く。1 リクエストが残すポイントは末尾から最大 4 つ。自動ポイントはその枠を一つ使う。各ポイントから遡る内容ブロックは最大 20。
prompt_cache_options | 呼び出しの動作 |
|---|---|
mode = implicit | 入力の末尾に自動ブレークポイントを置く。手動ポイントも効く。 |
mode = explicit + 手動ブレークポイント | 印を付けたポイントだけでキャッシュを作るか読む。 |
mode = explicit, ポイントなし | 自動ポイントは置かない。呼び出しは暗黙キャッシュに戻る。 |
| 省略、null、{}、または ttl だけ | キャッシュのガイドは自動ポイントを置かない。手動ポイントはキャッシュする。それ以外は暗黙キャッシュ。Chat のパラメータ文は空オブジェクトを mode implicit、ttl 5m と書く。mode は自分で送る。 |
ポイントは、リクエスト間で変わらない最後のブロックに置く。prompt_cache_breakpoint は {"mode":"explicit"}。古い cache_control {"type":"ephemeral"} は同じ切れ目。1 リクエストではどちらか一方。ポイントのある content は配列。ポイントの後ろは、そのキャッシュに入らない。ttl は 5m か 1h で、既定は 5m。ヒットすると期限が伸びる。接頭辞が 1,024 トークン未満だとキャッシュは作られない。リクエストは成功し、TTL 別の書き込み項目は省かれる。Chat で ttl だけを置いても明示キャッシュは始まらない。ポイントを足すか、mode を implicit にする。
Chat は同じ書き込みを、等しい二つの名前で返す。保存するのは一方。prompt_tokens は読み取り、書き込み、キャッシュされない末尾をすでに含む。ヒットしても prompt_tokens は減らない。公開されている初回書き込みの例では、末尾は 2304 − 0 − 2048 = 256。同じ接頭辞の次の呼び出しでは cached_tokens が 2048、書き込みは両方 0。Responses は同じ数を usage.input_tokens_details に置き、cache_write_tokens_details.ttl_5m_tokens と ttl_1h_tokens で分ける。その input_tokens も読み取りと書き込みを含む。Anthropic は分かれている。input_tokens はキャッシュされない部分だけ、cache_read_input_tokens が読み取り、cache_creation_input_tokens が書き込み。Anthropic の入力合計はこの三つ。三つの形を混ぜて足さない。Chat のストリームは stream_options.include_usage を true にし、使用量は最後のチャンク。Responses の使用量は 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
}
}
}
}
当てはまらない項目は 0 ではなく欠ける。応答は prompt_cache_options を mode と ttl 付きでエコーすることがある。
thinking_display と encrypted_content
既定では思考全文が平文で返る。thinking_display summarized は、その平文を画面用の要約と、暗号化された全文に置き換える。毎ターンオンにする。要約は画面用。暗号文が次のターンの思考を戻す。要約は暗号文の代わりにならない。思考が無い、または暗号化に失敗すると、どちらの項目も欠け得る。要約から暗号文を作らない。元の画像と文書は自分で残す。暗号化が保存するのは思考で、それらの入力ではない。
| API | スイッチ | 要約 | 暗号文 |
|---|---|---|---|
| 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 はすでに true。要約モードの次のターンでは encrypted_content をそのまま返す。平文を保存しているときは reasoning_content を返す。どちらも content に折り込まない。再生時、保存済みの要約は省いてよい。過去の思考は入力トークンになる。
{
"role": "assistant",
"content": "The answer text.",
"encrypted_content": "<ciphertext from this turn, unchanged>"
}
Chat のストリームでは、要約は delta.reasoning_content。暗号文はその後、差分ではなく encrypted_content の完全な 1 フレームで届く。本文が空でもそのフレームは残す。暗号文をターンをまたいで連結せず、そのための助手メッセージを別に開かない。Responses は summary_text を reasoning 項目に置き、完了時に同じ項目へ暗号文を置く。Anthropic は thinking_delta のあと signature_delta が一つ。signature は空であり得る。
書き込みを先に、読み取りを後に請求
料金は 100 万トークンあたりの米ドル。思考のオンとオフは同じ表。入力長の段階はない。思考トークンは出力トークン。キャッシュ項目は生の個数で、5 分や 1 時間の倍率は入っていない。5 分の書き込みは入力価格の約 125%、1 時間は約 200%。下の行を使う。接頭辞に有効なキャッシュがすでにあるとき、古い部分は読み取り、新しい部分は書き込み。5 分のリクエストが 1 時間キャッシュに当たっても読み取りのままで、項目は 1 時間の階層を保つ。1 時間のリクエストが 5 分キャッシュに当たると、当たった部分は 1 時間の作成価格でもう一度書かれる。
| 項目 | Singapore | 北京 / グローバル |
|---|---|---|
| 入力 | $1.5 | $1.413 |
| キャッシュ書き込み、5 分 | $1.875 | $1.767 |
| キャッシュ書き込み、1 時間 | $3 | $2.827 |
| 明示または暗黙キャッシュの読み取り | $0.075 | $0.071 |
| 出力、思考と回答 | $4.5 | $4.24 |
シンガポールの従量課金には、Token Plan のクレジットとは別の 100 万トークン枠がある。その後はこの表。qwen4-max はバッチ推論に対応しないので、バッチ割引はない。構造化 JSON は別項目で、response_format の type を json_schema、strict を true にする。参照: 構造化出力とは。
公開前に確認する JSON
- 本文のモデルは
qwen4-max。qwen4-max-previewではない。 reasoning_effortとthinking_budgetは片方。思考を切るときだけnoneかenable_thinkingfalseを置く。- 要約モードは毎ターン
thinking_displaysummarized、またはreasoning.summaryauto。encrypted_contentは全体を保存する。 - キャッシュの
modeはimplicit、またはexplicitにブレークポイントの書き方を一つ。ttlは5mか1h。接頭辞は 1,024 トークン以上。 - 請求は
cached_tokensを一度と、書き込み項目を一つ。5 分と 1 時間の個数はcache_creation、またはttl_5m_tokensとttl_1h_tokens。Chat ではcache_write_tokensとcache_creation_input_tokensを足さない。
ローカルで JSON バリデーター、JSONPath($.usage.prompt_tokens_details.cache_creation.ephemeral_5m_input_tokens)、JSON Diff を前のリクエストと突き合わせる。アップロードされない。
FAQ
reasoning_effort と thinking_budget は一つのリクエストに置けるか
置けない。qwen4-max はその組を拒否する。力度だけなら thinking_budget は 131072。バジェットだけなら 1–4096 が low、4097–131072 が high、131073–262144 が xhigh で、送ったバジェットは残る。0 は拒否。両方なければ high と 131072。
prompt_cache_options.mode の implicit は従来の暗黙キャッシュか
違う。mode implicit は入力末尾に自動の明示ブレークポイントを置き、5 分または 1 時間の料金を使う。キャッシュ項目を省いたとき、または mode が explicit でポイントが無いときが、ヒットを約束しない暗黙キャッシュ。空オブジェクトについてキャッシュのガイドと Chat のパラメータ文は食い違うので、mode は自分で送る。
cache_write_tokens と cache_creation_input_tokens は足すか
足さない。Chat では同じ数。一方だけ保存する。単価の分割は cache_creation.ephemeral_5m_input_tokens と ephemeral_1h_input_tokens。Responses は input_tokens_details.cache_write_tokens に ttl_5m_tokens と ttl_1h_tokens。Anthropic は cache_creation_input_tokens で、その input_tokens はキャッシュされない部分だけ。
接頭辞が 1,024 トークン未満だとリクエストは失敗するか
失敗しない。リクエストは成功し、キャッシュは作られず、TTL 別の書き込み項目は省かれる。1 リクエストが残すポイントは末尾から最大 4 つ。各ポイントが遡る内容ブロックは最大 20。
次のターンで要約は encrypted_content の代わりになるか
ならない。暗号文はそのまま返す。切らない。エンコードし直さない。content に貼らない。暗号文が無いターンでは、要約は思考全文を戻せない。毎ターン thinking_display summarized、または reasoning.summary auto をオンにする。
DashScope は prompt_cache_options を受けるか
受けない。Qwen4 の新しい明示キャッシュは Chat Completions、Responses、Anthropic Messages。DashScope は受けない。このモデルは DashScope でテキストだけ送っても、マルチモーダルのエンドポイントを使う。
まとめ
2026年11月16日のモデルが変えるのは、力度、キャッシュの行、次のターンに保存するもの。 既定の high と 131072 を残すか、reasoning_effort と thinking_budget の一方を置く。prompt_cache_options.mode を書く。要約なら thinking_display を summarized にし、encrypted_content をそのまま返す。書き込みは 5 分または 1 時間の価格で項目ひとつ、読み取りは cached_tokens。