Migração para Qwen4-Max: limites de saída, pensamento e configuração de agentes

AIHubMix4 min de leitura
Migração para Qwen4-Max: limites de saída, pensamento e configuração de agentes

A migração de Qwen3.8-Max para Qwen4-Max muda mais do que o ID do modelo. Ambos têm uma janela de contexto de um milhão de tokens, mas um limite de saída antes dimensionado para a resposta agora também precisa comportar o pensamento. O esforço padrão muda, e os agentes precisam preservar corretamente o histórico de raciocínio entre chamadas de ferramenta.

Comece com uma solicitação de Chat Completions e, em seguida, execute uma pequena tarefa em um repositório. Confira a resposta, o motivo do encerramento, o histórico e o diff resultante antes de migrar um fluxo de trabalho existente.

Recalcule o limite de saída

A referência de Chat Completions define max_tokens do Qwen4-Max como equivalente a max_completion_tokens: ambos limitam o pensamento mais a resposta final. O max_tokens do Qwen3.8-Max abrange apenas a resposta.

Portanto, um limite de 300 não reserva 300 tokens para uma resposta visível. O raciocínio pode consumir o orçamento primeiro e, possivelmente, deixar a resposta vazia ou incompleta. Uma resposta que termina com finish_reason: "length" requer atenção, mesmo quando a solicitação HTTP é bem-sucedida. Renomear o parâmetro sem aumentar o valor não muda nada.

Use max_completion_tokens nas novas integrações e reserve espaço para ambas as partes. O Qwen4-Max aceita até 262,144 tokens de saída combinados no modo de pensamento, ou 131,072 no modo sem pensamento. A janela de contexto de 1,000,000 tokens não é uma cota de entrada à qual você pode somar a saída máxima; a entrada e a saída precisam caber juntas na janela de contexto.

Escolha o esforço ou um orçamento de pensamento

O Qwen4-Max usa low, high e xhigh, com high como padrão. Se nenhum dos controles for especificado, o padrão é high e um orçamento de pensamento de 131,072 tokens. Esse é um limite máximo, não uma previsão do número de tokens usados.

Duas configurações herdadas mudam de significado: high agora significa high, em vez de corresponder a xhigh, como acontecia no Qwen3.8-Max; medium corresponde a high. Os demais mapeamentos são minimal para low, max para xhigh e none para pensamento desativado.

Envie ou reasoning_effort ou thinking_budget. A referência oficial proíbe combiná-los, e o orçamento precisa ser um número inteiro positivo: zero não desativa o pensamento. Se você especificar apenas um orçamento, 1–4,096 seleciona low, 4,097–131,072 seleciona high e 131,073–262,144 seleciona xhigh, mantendo o orçamento informado.

Comece com o endpoint indicado

O guia de modelos da AIHubMix lista qwen4-max em POST /v1/chat/completions. Esta é uma solicitação inicial, não um resultado medido:

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."}]
  }'

O limite de saída segue o contrato documentado pela Alibaba. Você pode adicionar, opcionalmente, reasoning_effort: "low" sem um orçamento de pensamento; o encaminhamento dos parâmetros não foi medido aqui. As sinalizações de recursos da AIHubMix não foram verificadas. Confira a resposta e o uso efetivos antes de confiar em uma configuração.

Preserve o histórico de que seu agente precisa

Com o pensamento completo, mantenha o reasoning_content separado do content nas mensagens históricas do assistente, inclusive em turnos que chamam ferramentas. O Qwen4-Max ativa preserve_thinking por padrão; o histórico retornado conta como entrada e é cobrado. Um serializador que mantém apenas o texto visível perde parte desse histórico.

A Alibaba também oferece resumos e criptografia do pensamento. Quando esse recurso estiver ativado com thinking_display: "summarized" em cada solicitação, reasoning_content passa a ser um resumo para exibição, e encrypted_content contém o histórico de raciocínio. Reenvie o texto cifrado sem alterações; o resumo não pode substituí-lo. Clientes de streaming precisam reter o quadro criptografado separado, mesmo quando ele não contém texto visível.

Esse modo de resumo está documentado pela Alibaba. Não foi verificado se ele funciona pela AIHubMix, então primeiro estabeleça a continuidade de uma conversa comum.

Verifique o cache antes de projetar economias

O cache explícito do Qwen4 da Alibaba oferece pontos de interrupção manuais e automáticos, com TTLs de 5 minutos ou 1 hora. Um prefixo armazenado em cache precisa ter pelo menos 1,024 tokens. As gravações no cache custam aproximadamente 125% ou 200% do custo normal de entrada, respectivamente; gravar repetidamente não gera economia sem custo.

Coloque primeiro as instruções estáveis do sistema, as definições de ferramentas e o material do repositório; depois, as perguntas que mudam. Se nenhum parâmetro de cache for definido, o cache implícito comum não garante acertos. Verifique o uso de leitura/gravação do cache e a fatura antes de presumir que seu agente se beneficia dele. Esses controles de cache do provedor não foram medidos pela AIHubMix.

Ferramentas de programação: verifique uma tarefa completa

Siga o guia do Qwen Code da AIHubMix para instalar e autenticar. Defina OPENAI_BASE_URL=https://aihubmix.com/v1 e OPENAI_MODEL=qwen4-max, e forneça a chave por meio de OPENAI_API_KEY. Use /status para confirmar o modelo selecionado; verifique também as configurações de contexto e saída do cliente.

O Claude Code precisa do protocolo Anthropic Messages, enquanto o Codex precisa do Responses. A Alibaba documenta esses protocolos, mas o guia do Qwen4-Max da AIHubMix lista apenas Chat Completions. Não foi confirmado se eles estão disponíveis por meio deste gateway.

Siga esta lista de verificação de migração em um repositório temporário:

  1. Confirme o modelo e o endpoint; verifique o texto da resposta, finish_reason e o uso na solicitação básica.
  2. Remova os limites herdados que cobrem apenas a resposta e os controles de pensamento conflitantes. Se houver truncamento, tente novamente com mais espaço; confira se a resposta está completa.
  3. Corrija um teste com falha em dois arquivos. Para considerar a tarefa bem-sucedida, uma chamada de ferramenta real precisa ser concluída, os testes precisam passar e o diff deve conter apenas a alteração pretendida.
  4. Faça uma pergunta de acompanhamento que dependa do primeiro turno. Inspecione o histórico salvo do assistente e das ferramentas, bem como qualquer compactação; confirme que o contexto necessário foi preservado.
  5. Repita com o esforço escolhido. Compare os patches aceitos, o total de tokens e as novas tentativas. Verifique o uso do cache separadamente antes de estimar o custo recorrente.

Perguntas frequentes

Qual ID de modelo devo usar na AIHubMix?
Use qwen4-max com o endpoint de Chat Completions indicado.

Por que uma solicitação bem-sucedida pode conter uma resposta incompleta?
O pensamento e a resposta compartilham o limite de saída. Verifique se finish_reason indica length e aumente o limite combinado, se necessário.

Mudar para max_completion_tokens corrige o truncamento?
Não por si só. No Qwen4-Max, ele tem o mesmo significado que max_tokens; o valor precisa deixar espaço suficiente.

Posso definir o esforço e um orçamento de pensamento ao mesmo tempo?
Não. Escolha um deles. O orçamento de pensamento precisa ser positivo; use reasoning_effort none para desativar o pensamento.

Devo reenviar um resumo do pensamento como histórico de raciocínio?
Não. No modo de resumo, mantenha e reenvie encrypted_content sem alterações. O resumo exibido não pode substituí-lo.

Posso presumir que o Claude Code ou o Codex funciona pela AIHubMix?
Os protocolos exigidos por eles não foram verificados para este modelo. Primeiro, confirme o endpoint relevante e um fluxo de trabalho completo com ferramentas.

Continue lendo: a série Qwen4-Max

Fontes

  1. Alibaba Cloud: especificações do modelo Qwen4-Max e Qwen3.8-Max.
  2. Alibaba Cloud: parâmetros de Chat Completions.
  3. Alibaba Cloud: resumo e criptografia do pensamento.
  4. Alibaba Cloud: cache explícito para Qwen4.
  5. AIHubMix: guia do modelo Qwen4-Max e configuração do Qwen Code.

Fontes verificadas em 17 de novembro de 2026. Nenhum teste de inferência paga foi realizado para este artigo.

Um só gateway para vários provedores de IA. Feito para produção.

Acessar AIHubMix