11월 16일 알리바바가 Qwen4-Max를 연 뒤, qwen4-max JSON에서 reasoning_effort, prompt_cache_options, thinking_display를 어떻게 두고 캐시 쓰기를 입력과 따로 청구할까

모델 id는 강도, 캐시, 요약을 정하지 않는다. 정하는 필드는 reasoning_effort, prompt_cache_options, thinking_display다. 청구서의 쓰기는 캐시 필드 하나다.

model을 qwen4-max로 두면 사고는 켜진다. 2026년 11월 16일 알리바바는 QwenCloud에서 Qwen4-Max를 열었다. id는 qwen4-max다. 사고는 reasoning_effort high와 thinking_budget 131072에서 시작한다. 다시 쓸 접두에는 prompt_cache_options가 필요하다. 읽을 수 있는 사고 과정은 thinking_display summarized다.

이 페이지는 2026년 11월 17일 기준이며, 11월 16일 모델 변경 로그, Qwen4-Max 모델 페이지, 명시적 캐시 가이드, 사고 요약 가이드, Chat과 Responses 레퍼런스, 가격 페이지를 본다. 어제는 DeepSeek 웹 도구를 다뤘다. 요청과 청구를 바꾸는 필드는 reasoning_effort, prompt_cache_options, thinking_display다.

11월 16일에 열린 것

알리바바는 희소 전문가 혼합 모델로, 전체 파라미터 2.4조, 토큰당 활성 710억이라고 설명한다. 자체 Work360에서 High는 Qwen3.8-Max보다 토큰이 약 35% 적고, 작업당 평균 비용이 약 60% 낮으며, Code Arena 6위라고 보고한다. 수치는 알리바바의 것이다. 11월 11일에 열린 프리뷰 id qwen4-max-preview는 별도의 Token Plan 모델로 남는다. 이 요청은 qwen4-max를 쓴다.

한도토큰
컨텍스트1,000,000
최대 입력, 사고 끔991,808
최대 입력, 사고 켬983,616
사고와 답의 합계 한도262,144
최대 출력, 사고 끔131,072
기본 사고 예산131,072

싱가포르 예제의 주소는 https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1다. 키는 리전별로 다르다. 베이징과 글로벌 리전(프랑크푸르트, 홍콩, 도쿄, 미국 버지니아)은 가격표가 같다. 싱가포르는 따로다. 새 명시적 캐시는 Chat Completions, Responses, Anthropic Messages가 받는다. DashScope는 받지 않는다. 배치 추론은 없다. 코드 인터프리터는 사고가 켜져 있을 때만 동작한다. 싱가포르 종량제는 Token Plan 크레딧과 별도의 100만 토큰 허용량이 있다. 아래는 정가다.

세 엔드포인트의 reasoning_effort

reasoning_effort와 thinking_budget는 함께 보내지 않는다. thinking_budget는 양의 정수다. 0은 거부된다. 강도만 보내면 예산은 131072로 남는다. 예산만 보내면 1–4096은 low, 4097–131072는 high, 131073–262144는 xhigh이고, 보낸 예산은 유지된다. 둘 다 없으면 high와 131072다. max_completion_tokens는 사고와 답을 합쳐 막는다. 사고가 켜지면 262144, 꺼지면 131072. 생략하면 그 모드의 최댓값이다. preserve_thinking의 기본은 true다. 이전 어시스턴트 사고를 다시 보낸다. 그 텍스트는 입력으로 청구된다.

API필드값
Chat Completions / DashScopereasoning_effortlow, high, xhigh. 기본은 high. minimal과 low는 low. medium과 high는 high. xhigh와 max는 xhigh. none은 사고를 끈다. Chat은 enable_thinking false도 받는다.
Responsesreasoning.effort같은 세 값, 같은 대응. none은 사고를 끈다. reasoning.effort를 쓴다. Responses의 enable_thinking은 제거 예정이다.
Anthropic Messagesoutput_config.effortlow, high, xhigh. 기본은 high. medium은 high. max는 xhigh.

샘플링 기본값은 모드에 따라 바뀐다.

매개변수사고사고 끔
temperature1.00.7
top_p0.950.8
presence_penalty0.01.5
top_k2020

HTTP를 직접 보낼 때는 이 필드를 model과 나란히 둔다. Python OpenAI SDK는 비표준 필드를 extra_body에 넣는다. enable_thinking, thinking_budget, preserve_thinking, thinking_display, prompt_cache_options. 이 Chat 본문은 수동 중단점, 5분 캐시, 요약을 유지한다.

{
  "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" }
}

Responses는 input_text 블록과 reasoning.summary auto를 쓴다. 캐시할 접두는 여전히 1,024토큰 이상이어야 한다.

{
  "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_options와 중단점

명시적 캐시는 결정적이다. 같은 사용자, 같은 접두, TTL 안이면 캐시를 읽는다. 캐시 필드를 하나도 두지 않을 때의 암시적 캐시는 적중을 보장하지 않는다. mode implicit은 그 암시적 캐시가 아니다. 입력 끝에 자동 중단점을 두고, 명시적 캐시의 TTL과 가격을 따른다. 대화가 길어지면 그 점은 앞으로 움직이고, 답을 시작하는 템플릿 접미는 포함하지 않는다. 마지막 동일 블록의 수동 점도 함께 적용된다. 요청 하나가 남기는 점은 끝에서 최대 4개다. 자동 점은 그 자리 중 하나를 쓴다. 각 점에서 거슬러 보는 콘텐츠 블록은 최대 20개다.

prompt_cache_options호출이 하는 일
mode = implicit입력 끝에 자동 중단점을 둔다. 수동 점도 적용된다.
mode = explicit + 수동 중단점표시한 점에서만 캐시를 만들거나 읽는다.
mode = explicit, 중단점 없음자동 점을 두지 않는다. 호출은 암시적 캐시로 돌아간다.
생략, null, {}, 또는 ttl만캐시 가이드는 자동 점을 두지 않는다. 수동 점은 여전히 캐시한다. 그 외에는 암시적 캐시다. Chat 매개변수 설명은 빈 객체를 mode implicit, ttl 5m으로 적는다. mode는 직접 보낸다.

점은 요청 사이에 그대로인 마지막 블록에 둔다. prompt_cache_breakpoint는 {"mode":"explicit"}다. 이전 cache_control {"type":"ephemeral"}은 같은 자리다. 한 요청에서는 둘 중 하나만 쓴다. 점이 있는 content는 배열이다. 점 뒤의 텍스트는 그 캐시에 들어가지 않는다. ttl은 5m 또는 1h이고 기본은 5m다. 적중하면 기한이 연장된다. 접두가 1,024토큰보다 짧으면 캐시가 생기지 않는다. 요청은 성공하고, TTL별 쓰기 필드는 빠진다. Chat에서 ttl만 두면 명시적 캐시가 시작되지 않는다. 점을 더하거나 mode를 implicit으로 둔다.

Chat은 같은 쓰기를 서로 같은 두 이름으로 보고한다. 하나만 저장한다. prompt_tokens는 읽기, 쓰기, 캐시되지 않은 꼬리를 이미 포함한다. 적중해도 prompt_tokens는 줄지 않는다. 공개된 첫 쓰기 예에서 꼬리는 2304 − 0 − 2048 = 256이다. 같은 접두의 다음 호출에서 cached_tokens는 2048, 두 쓰기 필드는 0이다. Responses는 같은 수를 usage.input_tokens_details에 두고 cache_write_tokens_details.ttl_5m_tokens와 ttl_1h_tokens로 나눈다. 그 input_tokens도 읽기와 쓰기를 포함한다. Anthropic은 나뉜다. input_tokens는 캐시되지 않은 부분만, cache_read_input_tokens는 읽기, cache_creation_input_tokens는 쓰기다. Anthropic 입력 합계는 이 셋이다. 세 모양을 섞어 더하지 않는다. Chat 스트림은 stream_options.include_usage를 true로 두고, 사용량은 마지막 청크다. Responses 사용량은 response.completed다.

{
  "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
      }
    }
  }
}

해당 없는 필드는 0이 아니라 빠진다. 응답은 prompt_cache_options를 mode와 ttl과 함께 돌려줄 수 있다.

thinking_display와 encrypted_content

기본은 사고 전문이 평문으로 돌아온다. thinking_display summarized는 그 평문을 화면용 요약과 암호화된 전문으로 바꾼다. 매 턴 켠다. 요약은 화면용이다. 암호문이 다음 턴의 사고를 복원한다. 요약은 암호문을 대신하지 못한다. 사고가 없거나 암호화가 실패하면 두 필드 모두 빠질 수 있다. 요약으로 암호문을 만들지 않는다. 원본 이미지와 문서는 따로 보관한다. 암호화가 저장하는 것은 사고이지, 그 입력이 아니다.

API스위치요약암호문
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_thinking은 이미 true다. 요약 모드의 다음 턴에는 encrypted_content를 그대로 돌려보낸다. 전문 평문을 저장 중이면 reasoning_content를 돌려보낸다. 둘 다 content에 접어 넣지 않는다. 재생할 때 저장된 요약은 생략해도 된다. 이전 사고는 입력 토큰으로 계산된다.

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

Chat 스트림에서 요약 텍스트는 delta.reasoning_content로 온다. 암호문은 그 뒤, 델타가 아니라 encrypted_content 한 프레임으로 온다. 본문이 비어 있어도 그 프레임은 남긴다. 암호문을 턴에 걸쳐 이어 붙이지 말고, 그것을 위해 어시스턴트 메시지를 새로 열지 않는다. Responses는 summary_text를 reasoning 항목에 두고, 완료될 때 같은 항목에 암호문을 둔다. Anthropic은 thinking_delta 다음에 signature_delta가 하나 온다. signature는 비어 있을 수 있다.

쓰기를 먼저, 읽기를 나중에 청구

가격은 토큰 100만 개당 미국 달러다. 사고의 켜짐과 꺼짐은 같은 표다. 입력 길이 구간은 없다. 사고 토큰은 출력 토큰이다. 캐시 필드는 원수이고, 5분이나 1시간의 배수는 들어 있지 않다. 5분 쓰기는 입력 가격의 약 125%, 1시간 쓰기는 약 200%다. 아래 행을 쓴다. 접두에 유효한 캐시가 이미 있으면 옛 부분은 읽기, 새 부분은 쓰기다. 5분 요청이 1시간 캐시에 맞아도 읽기로 남고, 항목은 1시간 등급을 유지한다. 1시간 요청이 5분 캐시에 맞으면 맞은 부분은 1시간 생성 가격으로 다시 쓰인다.

항목Singapore베이징 / 글로벌
입력$1.5$1.413
캐시 쓰기, 5분$1.875$1.767
캐시 쓰기, 1시간$3$2.827
명시적 또는 암시적 캐시 읽기$0.075$0.071
출력, 사고와 답$4.5$4.24

싱가포르 종량제에는 Token Plan 크레딧과 별도의 100만 토큰 허용량이 있다. 그다음은 이 표다. qwen4-max는 배치 추론을 지원하지 않으므로 배치 할인은 없다. 구조화 JSON은 다른 필드다. response_format의 type을 json_schema로, strict를 true로 둔다. 구조화 출력이란을 본다.

출시 전에 확인할 JSON

  1. 본문 모델은 qwen4-max다. qwen4-max-preview가 아니다.
  2. reasoning_effort와 thinking_budget는 하나다. 사고를 끌 때만 none 또는 enable_thinking false를 둔다.
  3. 요약 모드는 매 턴 thinking_display summarized 또는 reasoning.summary auto를 보낸다. encrypted_content는 통째로 저장한다.
  4. 캐시 mode는 implicit이거나, explicit에 중단점 표기 하나다. ttl은 5m 또는 1h다. 접두는 1,024토큰 이상이다.
  5. 청구는 cached_tokens 한 번과 쓰기 필드 하나다. 5분과 1시간의 개수는 cache_creation, 또는 ttl_5m_tokens와 ttl_1h_tokens에서 온다. Chat은 cache_write_tokens와 cache_creation_input_tokens를 더하지 않는다.

로컬에서 JSON 검증, JSONPath($.usage.prompt_tokens_details.cache_creation.ephemeral_5m_input_tokens), JSON Diff로 이전 요청과 비교한다. 업로드되지 않는다.

FAQ

reasoning_effort와 thinking_budget를 한 요청에 둘 수 있나

없다. qwen4-max는 그 쌍을 거부한다. 강도만 보내면 thinking_budget는 131072다. 예산만 보내면 1–4096은 low, 4097–131072는 high, 131073–262144는 xhigh이고, 보낸 예산은 유지된다. 0은 거부된다. 둘 다 없으면 high와 131072다.

prompt_cache_options.mode implicit이 예전 암시적 캐시인가

아니다. mode implicit은 입력 끝에 자동 명시 중단점을 두고 5분 또는 1시간 가격을 쓴다. 캐시 필드를 생략하거나, mode가 explicit인데 점이 없을 때가 적중을 보장하지 않는 암시적 캐시다. 빈 객체에 대해 캐시 가이드와 Chat 매개변수 설명이 다르므로 mode는 직접 보낸다.

cache_write_tokens와 cache_creation_input_tokens를 더하나

더하지 않는다. Chat에서는 같은 수다. 하나만 저장한다. 단가 분리는 cache_creation.ephemeral_5m_input_tokens와 ephemeral_1h_input_tokens다. Responses는 input_tokens_details.cache_write_tokens에 ttl_5m_tokens와 ttl_1h_tokens를 쓴다. Anthropic은 cache_creation_input_tokens를 쓰고, 그 input_tokens는 캐시되지 않은 부분만이다.

접두가 1,024토큰 미만이면 요청이 실패하나

실패하지 않는다. 요청은 성공하고, 캐시는 생기지 않으며, TTL별 쓰기 필드는 빠진다. 요청 하나가 남기는 점은 끝에서 최대 4개다. 각 점이 거슬러 보는 콘텐츠 블록은 최대 20개다.

다음 턴에서 요약이 encrypted_content를 대신할 수 있나

없다. 암호문은 그대로 돌려보낸다. 자르거나, 다시 인코딩하거나, content에 붙이지 않는다. 그 턴에 암호문이 없으면 요약은 사고 전문을 복원하지 못한다. 매 턴 thinking_display summarized 또는 reasoning.summary auto를 켠다.

DashScope가 prompt_cache_options를 받나

받지 않는다. Qwen4의 새 명시적 캐시는 Chat Completions, Responses, Anthropic Messages에 있다. DashScope는 받지 않는다. 이 모델은 DashScope로 텍스트만 보내도 멀티모달 엔드포인트를 쓴다.

요약

2026년 11월 16일 모델이 바꾸는 것은 강도, 캐시 행, 다음 턴에 저장할 내용이다. 기본인 high와 131072를 두거나, reasoning_effort와 thinking_budget 중 하나를 둔다. prompt_cache_options.mode를 쓴다. 요약이면 thinking_display를 summarized로 두고 encrypted_content를 그대로 돌려보낸다. 쓰기는 5분 또는 1시간 가격으로 필드 하나, 읽기는 cached_tokens다.