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.
| Limite | Tokens |
|---|---|
| Contexto | 1,000,000 |
| Entrada máxima, raciocínio desligado | 991,808 |
| Entrada máxima, raciocínio ligado | 983,616 |
| Máximo de raciocínio mais resposta | 262,144 |
| Saída máxima, raciocínio desligado | 131,072 |
| Orçamento padrão de raciocínio | 131,072 |
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.
| API | Campo | Valores |
|---|---|---|
| Chat Completions / DashScope | reasoning_effort | low, 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. |
| Responses | reasoning.effort | Os mesmos três valores e o mesmo mapa. none desliga o raciocínio. Prefira reasoning.effort. enable_thinking no Responses está marcado para sair. |
| Anthropic Messages | output_config.effort | low, high, xhigh. O padrão é high. medium vira high. max vira xhigh. |
Os padrões de amostragem mudam com o modo.
| Parâmetro | Raciocínio | Raciocínio desligado |
|---|---|---|
temperature | 1.0 | 0.7 |
top_p | 0.95 | 0.8 |
presence_penalty | 0.0 | 1.5 |
top_k | 20 | 20 |
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_options | O que a chamada faz |
|---|---|
mode = implicit | Coloca um ponto de corte automático no fim da entrada. Pontos manuais também valem. |
mode = explicit + um ponto de corte manual | Cria ou lê o cache só nos pontos que você marcou. |
mode = explicit, sem ponto | Não há ponto automático. A chamada cai no cache implícito. |
| omitido, null, {}, ou só ttl | O 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.
| API | Interruptor | Resumo | Texto cifrado |
|---|---|---|---|
| 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 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.
| Item | Singapore | Pequim / 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 | $4.24 |
O pagamento por uso em Singapura tem uma franquia de 1 milhão de tokens, separada dos créditos do Token Plan. Depois disso vale esta tabela. Preço de lote não se aplica: inferência em lote não existe em qwen4-max. JSON estruturado é outro campo, response_format com type json_schema e strict true. Veja o que é saída estruturada.
JSON para conferir antes de publicar
- O corpo diz
qwen4-max. Não dizqwen4-max-preview. - O corpo tem
reasoning_effortouthinking_budget, um deles.noneouenable_thinkingfalsesó aparece quando o raciocínio deve estar desligado. - O modo de resumo envia
thinking_displaysummarized, oureasoning.summaryauto, em cada turno.encrypted_contenté guardado inteiro. - O
modedo cache éimplicit, ouexplicitcom um só estilo de ponto de corte.ttlé5mou1h. O prefixo tem pelo menos 1.024 tokens. - A conta usa
cached_tokensuma vez e um campo de gravação. As contagens de 5 minutos e de 1 hora vêm decache_creation, ou dettl_5m_tokensettl_1h_tokens. O Chat não somacache_write_tokensacache_creation_input_tokens.
Confira o JSON localmente com o validador JSON, JSONPath ($.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.