После того как Alibaba 16 ноября открыла Qwen4-Max: как в JSON qwen4-max задать reasoning_effort, prompt_cache_options и thinking_display и считать запись кэша отдельно от входа?

Идентификатор модели не выбирает усилие, кэш и сводку. Это делают reasoning_effort, prompt_cache_options и thinking_display. Запись в счёте — одно поле кэша.

model со значением qwen4-max включает рассуждение. 16 ноября 2026 года Alibaba открыла Qwen4-Max в QwenCloud. Идентификатор — qwen4-max. Рассуждение начинается с reasoning_effort high и thinking_budget 131072. Префикс, который нужно переиспользовать, требует prompt_cache_options. Читаемая цепочка мыслей требует thinking_display summarized.

Страница датирована 17 ноября 2026 года по журналу моделей от 16 ноября, странице модели Qwen4-Max, руководству по явному кэшу, руководству по сводке рассуждения, справочникам Chat и Responses и странице цен. Вчера речь шла о веб-инструментах DeepSeek. Поля, которые меняют этот запрос и счёт, — reasoning_effort, prompt_cache_options и thinking_display.

Что открылось 16 ноября

Alibaba описывает разреженную смесь экспертов: 2,4 триллиона параметров всего и 71 миллиард активных на токен. На своём Work360 при усилии High она сообщает примерно на 35% меньше токенов, чем у Qwen3.8-Max, среднюю стоимость задачи примерно на 60% ниже и 6-е место на Code Arena. Это цифры Alibaba. Предпросмотр qwen4-max-preview, открытый 11 ноября, остаётся отдельной моделью Token Plan. Этот запрос использует qwen4-max.

ПределТокены
Контекст1,000,000
Максимум входа, рассуждение выключено991,808
Максимум входа, рассуждение включено983,616
Максимум рассуждения плюс ответ262,144
Максимум выхода, рассуждение выключено131,072
Бюджет рассуждения по умолчанию131,072

Примеры для Сингапура используют https://ap-southeast-1.maas.qwencloudapi.com/compatible-mode/v1. Ключи привязаны к региону. Пекин и глобальные регионы (Франкфурт, Гонконг, Токио и Виргиния в США) делят один прайс. У Сингапура свой. Новый явный кэш принимают Chat Completions, Responses и Anthropic Messages. DashScope не принимает. Пакетного вывода нет. Интерпретатор кода работает только при включённом рассуждении. Оплата по факту в Сингапуре включает 1 миллион токенов отдельно от кредитов Token Plan. Ниже — прейскурант.

reasoning_effort на трёх точках

Отправляйте reasoning_effort или thinking_budget, не оба. thinking_budget — положительное целое. 0 отклоняется. Только усилие оставляет бюджет 131072. Только бюджет сопоставляет 1–4096 с low, 4097–131072 с high и 131073–262144 с xhigh, и присланный бюджет сохраняется. Ни одного поля значит high и 131072. max_completion_tokens ограничивает рассуждение и ответ вместе: 262144 при включённом рассуждении, 131072 при выключенном. Если поле опущено, предел — максимум режима. preserve_thinking по умолчанию true. Верните прежнее рассуждение ассистента. Этот текст тарифицируется как вход.

APIПолеЗначения
Chat Completions / DashScopereasoning_effortlow, high, xhigh. По умолчанию high. minimal и low становятся low. medium и high становятся high. xhigh и max становятся xhigh. none выключает рассуждение. Chat также принимает enable_thinking false.
Responsesreasoning.effortТе же три значения и то же соответствие. none выключает рассуждение. Предпочтительнее reasoning.effort. enable_thinking в Responses помечен к удалению.
Anthropic Messagesoutput_config.effortlow, high, xhigh. По умолчанию high. medium становится high. max становится xhigh.

Значения выборки по умолчанию зависят от режима.

ПараметрРассуждениеРассуждение выключено
temperature1.00.7
top_p0.950.8
presence_penalty0.01.5
top_k2020

Прямое тело HTTP ставит эти поля рядом с model. Python SDK OpenAI кладёт нестандартные в extra_body: enable_thinking, thinking_budget, preserve_thinking, thinking_display и prompt_cache_options. Это тело Chat сохраняет ручную точку, кэш на 5 минут и сводку.

{
  "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 использует блоки input_text и reasoning.summary auto. Кэшируемый префикс по-прежнему не короче 1 024 токенов.

{
  "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 и точка останова

Явный кэш детерминирован: тот же префикс, тот же пользователь, внутри TTL — кэш читается. Неявный кэш, когда поля кэша не заданы, попадание не обещает. mode implicit — не тот неявный кэш. Он ставит автоматическую точку в конце входа и следует TTL и ценам явного кэша. Точка сдвигается вперёд вместе с диалогом и не включает суффикс шаблона, с которого начинается ответ. Ручная точка на последнем неизменном блоке действует рядом. Запрос хранит не больше 4 последних точек. Автоматическая занимает одну из них. От каждой точки служба смотрит назад не больше чем на 20 блоков содержимого.

prompt_cache_optionsЧто делает вызов
mode = implicitСтавит автоматическую точку в конце входа. Ручные точки тоже действуют.
mode = explicit + ручная точкаСоздаёт или читает кэш только в отмеченных точках.
mode = explicit, без точкиАвтоматической точки нет. Вызов переходит к неявному кэшу.
опущено, null, {} или только ttlРуководство по кэшу не ставит автоматическую точку. Ручные точки по-прежнему кэшируют. Иначе это неявный кэш. Текст параметра Chat называет пустой объект mode implicit и ttl 5m. Пришлите mode сами.

Ставьте точку на последний блок, который не меняется. prompt_cache_breakpoint — это {"mode":"explicit"}. Старый cache_control {"type":"ephemeral"} отмечает тот же разрез. В одном запросе — что-то одно. Содержимое с точкой — массив. Текст после точки вне этой записи кэша. ttl — 5m или 1h, по умолчанию 5m. Попадание продлевает запись. Префикс короче 1 024 токенов кэш не создаёт. Запрос всё равно успешен, а поля записи по TTL опускаются. Один только ttl в Chat явный кэш не запускает. Добавьте точку или поставьте mode в implicit.

Chat сообщает запись дважды, под двумя равными именами. Храните одно. prompt_tokens уже включает чтения, записи и некэшированный хвост. Попадание не уменьшает prompt_tokens. В опубликованном примере первой записи хвост равен 2304 − 0 − 2048 = 256. В следующем вызове с тем же префиксом cached_tokens равен 2048, а оба поля записи — 0. Responses сообщает те же числа в usage.input_tokens_details, с cache_write_tokens_details.ttl_5m_tokens и ttl_1h_tokens. Его input_tokens тоже включает чтения и записи. Anthropic разделяет: input_tokens — только некэшированная часть, cache_read_input_tokens — чтение, cache_creation_input_tokens — запись. Сумма Anthropic — эти три числа. Не смешивайте три формы. Поток Chat требует stream_options.include_usage true, использование — в последнем фрагменте. Использование Responses — в 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
      }
    }
  }
}

Неприменимые поля отсутствуют, а не возвращаются как 0. Ответ может вернуть prompt_cache_options с mode и ttl.

thinking_display и encrypted_content

Полное рассуждение по умолчанию приходит открытым текстом. thinking_display summarized заменяет этот текст сводкой для экрана и зашифрованным полным рассуждением. Включайте это на каждом ходе. Сводка — для экрана. Шифртекст восстанавливает следующий ход. Сводка не заменяет шифртекст. Любое из полей может отсутствовать, если рассуждения не было или шифрование не удалось. Не сочиняйте шифртекст из сводки. Храните исходные изображения и документы. Шифрование сохраняет рассуждение, а не эти входы.

APIПереключательСводкаШифртекст
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 уже true. На следующем ходе в режиме сводки верните encrypted_content без изменений. Верните reasoning_content, если храните полный открытый текст. Не складывайте ни одно из полей в content. Сохранённую сводку при повторной отправке можно опустить. Прошлое рассуждение считается входными токенами.

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

В потоке Chat текст сводки приходит в delta.reasoning_content. Шифртекст приходит позже одним целым кадром encrypted_content, а не дельтой. Оставьте этот кадр, даже если текст пуст. Не склеивайте шифртекст между ходами и не открывайте для него второе сообщение ассистента. Responses кладёт части summary_text на элемент рассуждения и шифртекст на тот же элемент по завершении. Anthropic шлёт thinking_delta, затем один signature_delta. Подпись может быть пустой.

Сначала запись, потом чтение

Цены — доллары США за миллион токенов. Рассуждение включено или выключено — одна карточка. Ступеней по длине входа нет. Токены рассуждения — это токены выхода. Поля кэша — сырые количества. В них нет множителя 5 минут или 1 часа. Запись на 5 минут — около 125% цены входа, запись на 1 час — около 200%. Берите строки ниже. Префикс, в котором уже есть годный кэш, считает старую часть чтением, а новую — записью. Запрос на 5 минут, попавший в кэш на 1 час, остаётся чтением, и запись сохраняет уровень 1 часа. Запрос на 1 час, попавший в кэш на 5 минут, записывает эту часть заново по цене создания на 1 час.

СтатьяSingaporeПекин / Global
Вход$1.5$1.413
Запись кэша, 5 минут$1.875$1.767
Запись кэша, 1 час$3$2.827
Чтение явного или неявного кэша$0.075$0.071
Выход, рассуждение плюс ответ$4.5$4.24

Оплата по факту в Сингапуре включает 1 миллион токенов отдельно от кредитов Token Plan. Дальше действует эта карточка. Пакетная цена не применяется: пакетного вывода у qwen4-max нет. Структурный JSON — другое поле, response_format с type json_schema и strict true. См. что такое структурный вывод.

JSON, который стоит проверить до запуска

  1. В теле стоит qwen4-max. Не qwen4-max-preview.
  2. В теле есть reasoning_effort или thinking_budget, одно из двух. none или enable_thinking false есть только когда рассуждение должно быть выключено.
  3. Режим сводки на каждом ходе шлёт thinking_display summarized или reasoning.summary auto. encrypted_content хранится целиком.
  4. mode кэша — implicit, либо explicit с одним способом точки. ttl — 5m или 1h. Префикс не короче 1 024 токенов.
  5. Счёт использует cached_tokens один раз и одно поле записи. Количества на 5 минут и на 1 час берутся из cache_creation либо из ttl_5m_tokens и ttl_1h_tokens. Chat не складывает cache_write_tokens с cache_creation_input_tokens.

Проверьте JSON локально валидатором JSON, JSONPath ($.usage.prompt_tokens_details.cache_creation.ephemeral_5m_input_tokens) и JSON Diff с предыдущим запросом. Ничего не загружается.

FAQ

Можно ли отправить reasoning_effort и thinking_budget в одном запросе?

Нет. qwen4-max отклоняет пару. Только усилие оставляет thinking_budget равным 131072. Только бюджет сопоставляет 1–4096 с low, 4097–131072 с high и 131073–262144 с xhigh и сохраняет присланный бюджет. 0 отклоняется. Ни одного поля значит high и 131072.

prompt_cache_options.mode implicit — это прежний неявный кэш?

Нет. mode implicit ставит автоматическую явную точку в конце входа и использует цены 5 минут или 1 часа. Неявный кэш — это когда поля кэша опущены или mode равен explicit, а точка не отмечена. Такие попадания не гарантированы. Руководство и текст параметра Chat расходятся насчёт пустого объекта, поэтому пришлите mode сами.

Нужно ли складывать cache_write_tokens и cache_creation_input_tokens?

Нет. В Chat это одно и то же число. Храните одно. Цену делите через cache_creation.ephemeral_5m_input_tokens и ephemeral_1h_input_tokens. Responses использует input_tokens_details.cache_write_tokens плюс ttl_5m_tokens и ttl_1h_tokens. Anthropic использует cache_creation_input_tokens, а его input_tokens — только некэшированная часть.

Запрос падает, если префикс короче 1 024 токенов?

Нет. Запрос успешен, кэш не создаётся, поля записи по TTL опускаются. Запрос хранит не больше 4 последних точек, и каждая смотрит назад не больше чем на 20 блоков содержимого.

Может ли сводка заменить encrypted_content на следующем ходе?

Нет. Верните шифртекст без изменений. Не обрезайте, не перекодируйте и не вставляйте в content. Если ход не вернул шифртекст, сводка не восстановит полное рассуждение. Включайте thinking_display summarized или reasoning.summary auto на каждом ходе.

Принимает ли DashScope prompt_cache_options?

Нет. Новый явный кэш Qwen4 есть в Chat Completions, Responses и Anthropic Messages. DashScope его не принимает. Текстовый вызов DashScope для этой модели всё равно идёт в мультимодальную точку.

Кратко

Модель от 16 ноября 2026 года меняет усилие, строку кэша и то, что нужно сохранить для следующего хода. Оставьте значение по умолчанию high и 131072 или задайте одно из reasoning_effort и thinking_budget. Задайте prompt_cache_options.mode. Для сводки поставьте thinking_display в summarized и верните encrypted_content без изменений. Считайте одно поле записи по цене 5 минут или 1 часа и cached_tokens по цене чтения.