Depois que a Alibaba abriu o Qwen4-Max em 16 de novembro, como o JSON do qwen4-max define reasoning_effort, prompt_cache_options e thinking_display, e cobra as gravações de cache à parte da entrada?

O id do modelo não escolhe o esforço, o cache nem o resumo. Quem escolhe é reasoning_effort, prompt_cache_options e thinking_display. A gravação na conta é um único campo de cache.

Definir model como qwen4-max liga o raciocínio. Em 16 de novembro de 2026 a Alibaba abriu o Qwen4-Max no QwenCloud. O id é qwen4-max. O raciocínio começa em reasoning_effort high e thinking_budget 131072. Um prefixo que você quer reutilizar precisa de prompt_cache_options. Uma cadeia de pensamento legível precisa de thinking_display summarized.

Esta página vale em 17 de novembro de 2026, a partir do registro de modelos de 16 de novembro, da página do modelo Qwen4-Max, do guia de cache explícito, do guia de resumo do raciocínio, das referências de Chat e Responses e da página de preços. Ontem o assunto foi as ferramentas web da DeepSeek. Os campos que mudam este pedido e a conta são reasoning_effort, prompt_cache_options e thinking_display.

O que abriu em 16 de novembro

A Alibaba descreve uma mistura de especialistas esparsa: 2,4 trilhões de parâmetros no total e 71 bilhões ativos por token. No Work360 da própria empresa, no esforço High, ela informa cerca de 35% menos tokens que o Qwen3.8-Max, custo médio por tarefa cerca de 60% menor e o 6º lugar na Code Arena. Esses números são da Alibaba. O id de prévia qwen4-max-preview, aberto em 11 de novembro, continua um modelo separado do Token Plan. Este pedido usa qwen4-max.

LimiteTokens
Contexto1,000,000
Entrada máxima, raciocínio desligado991,808
Entrada máxima, raciocínio ligado983,616
Máximo de raciocínio mais resposta262,144
Saída máxima, raciocínio desligado131,072
Orçamento padrão de raciocínio131,072

Os exemplos de Singapura usam https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1. As chaves são de cada região. Pequim e as regiões globais (Frankfurt, Hong Kong, Tóquio e Virgínia nos EUA) compartilham uma tabela. Singapura tem a sua. Chat Completions, Responses e Anthropic Messages aceitam o novo cache explícito. O DashScope não. Inferência em lote não existe. O interpretador de código só roda com o raciocínio ligado. O pagamento por uso em Singapura inclui uma franquia de 1 milhão de tokens, separada dos créditos do Token Plan. Abaixo estão os preços de tabela.

reasoning_effort em três pontos

Envie reasoning_effort ou thinking_budget, não os dois. thinking_budget tem de ser um inteiro positivo. 0 é recusado. Só o esforço mantém o orçamento em 131072. Só o orçamento mapeia 1–4096 para low, 4097–131072 para high e 131073–262144 para xhigh, e o orçamento enviado fica. Nenhum dos dois significa high e 131072. max_completion_tokens limita raciocínio e resposta juntos: 262144 com o raciocínio ligado, 131072 desligado. Omitir usa o máximo daquele modo. preserve_thinking vale true por padrão. Reenvie o raciocínio anterior do assistente. Esse texto é cobrado como entrada.

APICampoValores
Chat Completions / DashScopereasoning_effortlow, high, xhigh. O padrão é high. minimal e low viram low. medium e high viram high. xhigh e max viram xhigh. none desliga o raciocínio. O Chat também aceita enable_thinking false.
Responsesreasoning.effortOs mesmos três valores e o mesmo mapa. none desliga o raciocínio. Prefira reasoning.effort. enable_thinking no Responses está marcado para sair.
Anthropic Messagesoutput_config.effortlow, high, xhigh. O padrão é high. medium vira high. max vira xhigh.

Os padrões de amostragem mudam com o modo.

ParâmetroRaciocínioRaciocínio desligado
temperature1.00.7
top_p0.950.8
presence_penalty0.01.5
top_k2020

Um corpo HTTP direto coloca esses campos ao lado de model. O SDK OpenAI para Python põe os que não são padrão em extra_body: enable_thinking, thinking_budget, preserve_thinking, thinking_display e prompt_cache_options. Este corpo de Chat mantém um ponto de corte manual, um cache de 5 minutos e um resumo.

{
  "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" }
}

O Responses usa blocos input_text e reasoning.summary auto. O prefixo em cache ainda precisa de pelo 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 e o ponto de corte

O cache explícito é determinístico: o mesmo prefixo, o mesmo usuário, dentro do TTL, e o cache é lido. O cache implícito, quando nenhum campo de cache é definido, não promete acerto. mode implicit não é esse cache implícito. Ele coloca um ponto de corte automático no fim da entrada e segue o TTL e os preços do cache explícito. Esse ponto avança com a conversa e não inclui o sufixo de modelo que inicia a resposta. Um ponto manual no último bloco idêntico também vale. Cada pedido guarda no máximo os 4 últimos pontos. O automático ocupa um deles. A partir de cada ponto o serviço olha para trás no máximo 20 blocos de conteúdo.

prompt_cache_optionsO que a chamada faz
mode = implicitColoca um ponto de corte automático no fim da entrada. Pontos manuais também valem.
mode = explicit + um ponto de corte manualCria ou lê o cache só nos pontos que você marcou.
mode = explicit, sem pontoNão há ponto automático. A chamada cai no cache implícito.
omitido, null, {}, ou só ttlO guia de cache não coloca o ponto automático. Pontos manuais ainda gravam cache. Caso contrário, é o cache implícito. O texto do parâmetro do Chat diz que um objeto vazio significa mode implicit e ttl 5m. Envie mode você mesmo.

Ponha o ponto no último bloco que permanece igual. prompt_cache_breakpoint é {"mode":"explicit"}. O cache_control antigo {"type":"ephemeral"} marca o mesmo corte. Num pedido, use um dos dois. Conteúdo com ponto é um array. O texto depois do ponto fica fora dessa entrada de cache. ttl é 5m ou 1h, e 5m é o padrão. Um acerto renova a entrada. Um prefixo com menos de 1.024 tokens não cria cache. O pedido ainda tem sucesso, e os campos de gravação por TTL são omitidos. Definir só ttl no Chat não inicia o cache explícito. Acrescente um ponto ou defina mode como implicit.

O Chat informa a gravação duas vezes, com dois nomes iguais. Guarde um. prompt_tokens já inclui leituras, gravações e a cauda sem cache. Um acerto não reduz prompt_tokens. Na amostra publicada da primeira gravação, a cauda é 2304 − 0 − 2048 = 256. Na chamada seguinte com o mesmo prefixo, cached_tokens é 2048 e os dois campos de gravação são 0. O Responses informa as mesmas contagens em usage.input_tokens_details, com cache_write_tokens_details.ttl_5m_tokens e ttl_1h_tokens. O input_tokens dele também inclui leituras e gravações. O Anthropic separa: input_tokens é só a parte sem cache, cache_read_input_tokens a leitura e cache_creation_input_tokens a gravação. O total do Anthropic é a soma dos três. Não misture as três formas. O fluxo do Chat precisa de stream_options.include_usage true, e o uso está no último bloco. O uso do Responses está em 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
      }
    }
  }
}

Campos que não se aplicam ficam de fora, em vez de voltarem como 0. A resposta pode ecoar prompt_cache_options com mode e ttl.

thinking_display e encrypted_content

O raciocínio completo é o texto puro padrão. thinking_display summarized troca esse texto por um resumo de exibição mais o raciocínio completo cifrado. Ligue isso em cada turno. O resumo é para a tela. O texto cifrado restaura o turno seguinte. Um resumo não substitui o texto cifrado. Qualquer um dos campos pode faltar se não houve raciocínio ou se a cifragem falhou. Não invente texto cifrado a partir do resumo. Guarde as imagens e os documentos originais. A cifragem armazena o raciocínio, não essas entradas.

APIInterruptorResumoTexto 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 já é true. No turno seguinte, no modo de resumo, devolva encrypted_content sem alterações. Devolva reasoning_content se estiver guardando o texto puro completo. Não dobre nenhum dos dois campos em content. Um resumo já guardado pode ser omitido na reprodução. O raciocínio anterior conta como tokens de entrada.

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

Num fluxo de Chat, o texto do resumo chega em delta.reasoning_content. O texto cifrado chega depois como um quadro completo de encrypted_content, não como um delta. Guarde esse quadro mesmo se o texto estiver vazio. Não junte texto cifrado entre turnos e não abra uma segunda mensagem do assistente para ele. O Responses põe partes summary_text no item de raciocínio e o texto cifrado nesse item quando ele termina. O Anthropic envia thinking_delta e depois um signature_delta. A assinatura pode estar vazia.

Cobrar a gravação e depois a leitura

Os preços são dólares por milhão de tokens. Raciocínio ligado ou desligado usa a mesma tabela. Não há faixa por tamanho da entrada. Tokens de raciocínio são tokens de saída. Os campos de cache são contagens brutas. Não incluem o fator de 5 minutos nem o de 1 hora. Uma gravação de 5 minutos fica em cerca de 125% do preço de entrada, e uma de 1 hora em cerca de 200%. Use as linhas abaixo. Um prefixo que já tem cache válido cobra a parte antiga como leitura e a nova como gravação. Um pedido de 5 minutos que acerta um cache de 1 hora continua sendo leitura, e a entrada mantém a faixa de 1 hora. Um pedido de 1 hora que acerta um cache de 5 minutos grava de novo essa parte pelo preço de criação de 1 hora.

ItemSingaporePequim / Global
Entrada$1.5$1.413
Gravação de cache, 5 min$1.875$1.767
Gravação de cache, 1 h$3$2.827
Leitura de cache explícito ou implícito$0.075$0.071
Saída, raciocínio mais resposta$4.5$4.24

O pagamento por uso em Singapura tem uma franquia de 1 milhão de tokens, separada dos créditos do Token Plan. Depois disso vale esta tabela. Preço de lote não se aplica: inferência em lote não existe em qwen4-max. JSON estruturado é outro campo, response_format com type json_schema e strict true. Veja o que é saída estruturada.

JSON para conferir antes de publicar

  1. O corpo diz qwen4-max. Não diz qwen4-max-preview.
  2. O corpo tem reasoning_effort ou thinking_budget, um deles. none ou enable_thinking false só aparece quando o raciocínio deve estar desligado.
  3. O modo de resumo envia thinking_display summarized, ou reasoning.summary auto, em cada turno. encrypted_content é guardado inteiro.
  4. O mode do cache é implicit, ou explicit com um só estilo de ponto de corte. ttl é 5m ou 1h. O prefixo tem pelo menos 1.024 tokens.
  5. A conta usa cached_tokens uma vez e um campo de gravação. As contagens de 5 minutos e de 1 hora vêm de cache_creation, ou de ttl_5m_tokens e ttl_1h_tokens. O Chat não soma cache_write_tokens a cache_creation_input_tokens.

Confira o JSON localmente com o validador JSON, JSONPath ($.usage.prompt_tokens_details.cache_creation.ephemeral_5m_input_tokens) e JSON Diff contra o pedido anterior. Nada é enviado.

FAQ

reasoning_effort e thinking_budget podem ir no mesmo pedido?

Não. O qwen4-max recusa o par. Só o esforço mantém thinking_budget em 131072. Só o orçamento mapeia 1–4096 para low, 4097–131072 para high e 131073–262144 para xhigh, e mantém o orçamento enviado. 0 é recusado. Nenhum dos dois significa high e 131072.

prompt_cache_options.mode implicit é o cache implícito antigo?

Não. mode implicit coloca um ponto de corte explícito automático no fim da entrada e usa os preços de 5 minutos ou de 1 hora. O cache implícito é o que aparece quando os campos de cache são omitidos, ou quando mode é explicit e nenhum ponto foi marcado. Esses acertos não são garantidos. O guia e o texto do parâmetro do Chat divergem sobre o objeto vazio, então envie mode você mesmo.

A conta deve somar cache_write_tokens e cache_creation_input_tokens?

Não. No Chat eles são a mesma contagem. Guarde um. Separe o preço com cache_creation.ephemeral_5m_input_tokens e ephemeral_1h_input_tokens. O Responses usa input_tokens_details.cache_write_tokens mais ttl_5m_tokens e ttl_1h_tokens. O Anthropic usa cache_creation_input_tokens, e o input_tokens dele é só a parte sem cache.

Um prefixo com menos de 1.024 tokens faz o pedido falhar?

Não. O pedido tem sucesso, nenhum cache é criado e os campos de gravação por TTL são omitidos. Cada pedido guarda no máximo os 4 últimos pontos, e cada ponto olha para trás no máximo 20 blocos de conteúdo.

O resumo pode substituir encrypted_content no turno seguinte?

Não. Reproduza o texto cifrado sem alterações. Não corte, não recodifique e não cole em content. Se o turno não devolveu texto cifrado, o resumo não restaura o raciocínio completo. Ligue thinking_display summarized, ou reasoning.summary auto, em cada turno.

O DashScope aceita prompt_cache_options?

Não. O novo cache explícito do Qwen4 está em Chat Completions, Responses e Anthropic Messages. O DashScope não aceita. Uma chamada só de texto pelo DashScope para este modelo ainda usa o endpoint multimodal.

Resumo

O modelo de 16 de novembro de 2026 muda o esforço, a linha de cache e o que se guarda para o turno seguinte. Deixe o padrão em high e 131072, ou defina um de reasoning_effort e thinking_budget. Defina prompt_cache_options.mode. Para um resumo, ponha thinking_display em summarized e reproduza encrypted_content sem alterações. Cobre um campo de gravação no preço de 5 minutos ou de 1 hora, e cached_tokens no preço de leitura.