11月16日にアリババが Qwen4-Max を公開したあと、qwen4-max の JSON で reasoning_effort、prompt_cache_options、thinking_display をどう置き、キャッシュ書き込みを入力と分けて請求するか

モデル id は力度もキャッシュも要約も決めない。決めるのは reasoning_effort、prompt_cache_options、thinking_display。請求の書き込みはキャッシュ項目ひとつ。

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 / DashScopereasoning_effortlow, 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。
Responsesreasoning.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 Messagesoutput_config.effortlow, 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
temperature1.00.7
top_p0.950.8
presence_penalty0.01.5
top_k2020

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
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 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

  1. 本文のモデルは qwen4-max。qwen4-max-preview ではない。
  2. reasoning_effort と thinking_budget は片方。思考を切るときだけ none か enable_thinking false を置く。
  3. 要約モードは毎ターン thinking_display summarized、または reasoning.summary auto。encrypted_content は全体を保存する。
  4. 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。
  5. 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。