Migration vers Qwen4-Max : limites de sortie, réflexion et configuration d’agent

AIHubMix4 min de lecture
Migration vers Qwen4-Max : limites de sortie, réflexion et configuration d’agent

Passer de Qwen3.8-Max à Qwen4-Max ne se limite pas à changer l’ID du modèle. Les deux disposent d’une fenêtre de contexte d’un million de tokens, mais une limite de sortie auparavant prévue pour la réponse couvre désormais aussi la réflexion. L’effort par défaut change, et les agents doivent préserver correctement l’historique de raisonnement lors des appels d’outil.

Commencez par une requête Chat Completions, puis par une petite tâche dans un dépôt. Vérifiez la réponse, le motif d’arrêt, l’historique et le diff obtenu avant de modifier un workflow existant.

Recalculez la limite de sortie

La référence Chat Completions définit max_tokens de Qwen4-Max comme équivalent à max_completion_tokens : tous deux plafonnent la réflexion et la réponse finale. Avec Qwen3.8-Max, max_tokens ne couvre que la réponse.

Une limite de 300 ne réserve donc pas 300 tokens à une réponse visible. Le raisonnement peut d’abord consommer le budget, laissant une réponse vide ou incomplète. Une réponse qui se termine par finish_reason: "length" mérite votre attention, même si la requête HTTP aboutit. Renommer le paramètre sans augmenter sa valeur ne change rien.

Utilisez max_completion_tokens pour les nouvelles intégrations et prévoyez assez de marge pour les deux parties. Qwen4-Max prend en charge jusqu’à 262,144 tokens de sortie combinés en mode de réflexion, ou 131,072 en mode sans réflexion. Sa fenêtre de contexte de 1,000,000 tokens ne constitue pas une capacité d’entrée à laquelle vous pouvez ajouter la sortie maximale : l’entrée et la sortie doivent tenir ensemble dans cette fenêtre.

Choisissez un niveau d’effort ou un budget de réflexion

Qwen4-Max propose low, high et xhigh, avec high comme valeur par défaut. Si les deux paramètres sont omis, le niveau sélectionné est high et le budget de réflexion est de 131,072 tokens. Il s’agit d’un plafond, pas d’une prévision du nombre de tokens utilisés.

Deux paramètres hérités changent de signification : high signifie désormais high, au lieu de correspondre à xhigh comme avec Qwen3.8-Max ; medium correspond à high. Les autres correspondances sont minimal vers low, max vers xhigh, et none pour désactiver la réflexion.

Envoyez soit reasoning_effort , soit thinking_budget. La référence officielle interdit de les combiner, et le budget doit être un entier positif : la valeur zéro ne désactive pas la réflexion. Avec un budget seul, 1–4,096 sélectionne low, 4,097–131,072 sélectionne high, et 131,073–262,144 sélectionne xhigh, tout en conservant le budget fourni.

Commencez par l’endpoint indiqué

Le guide des modèles AIHubMix indique qwen4-max sur POST /v1/chat/completions. Il s’agit d’une requête de départ, et non d’un résultat mesuré :

curl -sS https://aihubmix.com/v1/chat/completions \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen4-max",
    "max_completion_tokens": 16384,
    "messages": [{"role": "user", "content": "Write a Python function that returns unique items in their original order, with two tests."}]
  }'

La limite de sortie respecte le contrat documenté par Alibaba. Vous pouvez ajouter reasoning_effort: "low" en option, sans budget de réflexion ; la transmission du paramètre n’a pas été mesurée ici. Les indicateurs de capacités d’AIHubMix restent à vérifier. Contrôlez la réponse réelle et l’usage avant de vous fier à un paramètre.

Préservez l’historique nécessaire à votre agent

Lorsque la réflexion complète est activée, conservez séparément reasoning_content et content dans les messages d’assistant de l’historique, y compris les tours qui font appel à des outils. Qwen4-Max active preserve_thinking par défaut ; l’historique renvoyé compte comme entrée et est facturé. Un sérialiseur qui ne conserve que le texte visible perd une partie de cet historique.

Alibaba propose également des résumés de réflexion et le chiffrement. Lorsqu’il est activé avec thinking_display: "summarized" à chaque requête, reasoning_content devient un résumé affiché et encrypted_content contient l’historique de raisonnement. Renvoyez le texte chiffré sans le modifier ; le résumé ne peut pas le remplacer. Les clients en streaming doivent conserver la trame chiffrée distincte, même si elle ne contient aucun texte visible.

Ce mode résumé est documenté par Alibaba. Son fonctionnement via AIHubMix n’est pas vérifié ; établissez donc d’abord la continuité d’une conversation ordinaire.

Vérifiez la mise en cache avant d’estimer les économies

Le cache explicite Qwen4 d’Alibaba prend en charge les points de rupture manuels et automatiques, avec des TTL de 5 minutes ou 1 heure. Un préfixe mis en cache doit contenir au moins 1,024 tokens. Les écritures dans le cache coûtent environ 125% ou 200% du prix d’une entrée ordinaire, respectivement ; les écritures répétées ne génèrent pas d’économies gratuites.

Placez d’abord les instructions système stables, les définitions d’outils et le contenu du dépôt, puis les questions qui changent. En l’absence de paramètres de cache, la mise en cache implicite ordinaire ne garantit pas de hits. Vérifiez l’usage en lecture et en écriture du cache, ainsi que la facture, avant de supposer que votre agent en bénéficie. Ces contrôles de cache du fournisseur n’ont pas été mesurés via AIHubMix.

Outils de codage : vérifiez une tâche complète

Suivez le guide Qwen Code d’AIHubMix pour l’installation et l’authentification. Définissez OPENAI_BASE_URL=https://aihubmix.com/v1, OPENAI_MODEL=qwen4-max, et fournissez la clé via OPENAI_API_KEY. Utilisez /status pour confirmer le modèle sélectionné ; vérifiez aussi les paramètres de contexte et de sortie du client.

Claude Code nécessite Anthropic Messages, tandis que Codex nécessite Responses. Alibaba documente ces protocoles, mais le guide Qwen4-Max d’AIHubMix ne mentionne que Chat Completions. Leur disponibilité via cette passerelle n’est pas établie ici.

Parcourez cette liste de vérification de migration dans un dépôt de test :

  1. Confirmez le modèle et l’endpoint ; vérifiez le texte de la réponse, finish_reason et l’usage pour la requête de base.
  2. Supprimez les limites héritées qui ne couvrent que la réponse ainsi que les paramètres de réflexion incompatibles. En cas de troncature, réessayez en prévoyant plus de marge ; vérifiez que la réponse est complète.
  3. Corrigez un test défaillant dans deux fichiers. La tâche est réussie si un véritable appel d’outil aboutit, que les tests passent et que le diff ne contient que la modification prévue.
  4. Posez une question de suivi qui dépend du premier tour. Examinez l’historique enregistré de l’assistant et des outils, ainsi que toute compaction ; confirmez que le contexte nécessaire est préservé.
  5. Répétez l’opération avec le niveau d’effort choisi. Comparez les correctifs acceptés, le nombre total de tokens et les nouvelles tentatives. Vérifiez séparément l’usage du cache avant d’estimer les coûts récurrents.

FAQ

Quel ID de modèle dois-je utiliser sur AIHubMix ?
Utilisez qwen4-max avec l’endpoint Chat Completions indiqué.

Pourquoi une requête réussie peut-elle contenir une réponse incomplète ?
La réflexion et la réponse partagent la limite de sortie. Vérifiez si finish_reason indique length et augmentez l’allocation combinée si nécessaire.

Passer à max_completion_tokens résout-il la troncature ?
Pas à lui seul. Avec Qwen4-Max, ce paramètre a la même signification que max_tokens ; sa valeur doit laisser suffisamment de marge.

Puis-je définir à la fois un niveau d’effort et un budget de réflexion ?
Non. Choisissez l’un ou l’autre. Le budget de réflexion doit être positif ; utilisez reasoning_effort none pour désactiver la réflexion.

Dois-je renvoyer un résumé de réflexion comme historique de raisonnement ?
Non. En mode résumé, conservez et renvoyez encrypted_content sans le modifier. Le résumé affiché ne peut pas le remplacer.

Puis-je supposer que Claude Code ou Codex fonctionne via AIHubMix ?
La prise en charge des protocoles dont ils ont besoin pour ce modèle n’est pas vérifiée ici. Commencez par établir l’endpoint concerné et vérifier un workflow complet avec des outils.

Poursuivre la lecture : la série Qwen4-Max

Sources

  1. Alibaba Cloud : spécifications du modèle Qwen4-Max et Qwen3.8-Max.
  2. Alibaba Cloud : paramètres Chat Completions.
  3. Alibaba Cloud : résumé de réflexion et chiffrement.
  4. Alibaba Cloud : cache explicite pour Qwen4.
  5. AIHubMix : guide du modèle Qwen4-Max et configuration de Qwen Code.

Sources consultées le 17 novembre 2026. Aucun test d’inférence payant n’a été effectué pour cet article.

Une seule passerelle vers plusieurs fournisseurs d’IA. Conçue pour la production.

Découvrir AIHubMix