基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
9.0
重磅
AI SCORE
模型发布2026-11-16 12:35

Qwen4-Max 正式开放,支持百万上下文

dev.to · AI#通义千问#多模态#Agent
Editor brief · 编辑速览

据文章介绍,Qwen4-Max 于 11 月 16 日正式开放,支持文本、图像和视频输入,提供百万 token 上下文及最高 131,072 token 的非思考模式输出。接口兼容 OpenAI 与 Anthropic 格式,并支持并行工具调用、结构化输出、缓存和推理强度配置。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

Qwen4-Max 值不值得接进自动化流程,原文给出的答案是:先保留现有模型,再把长文档、多图输入等任务分流过去。它的吸引力在于大上下文、较低的标价,以及对常见 API 格式的兼容。

不过,这是一篇基于文档和平台报价整理的介绍,没有实际工作流的对照测试。读它最有用的部分,是理解价格怎么算、缓存怎么用,以及怎样控制接入新模型的风险。以下发布日期和能力信息均按原文转述,未作独立核验。

1M 上下文适合接哪些任务

原文称,Alibaba 在 2026 年 11 月 16 日正式发布 qwen4-max,距离 11 月 11 日上线 qwen4-max-preview 相隔 5 天。

据原文引用的 Alibaba Cloud Model Studio 文档,Qwen4-Max 接受文本、图片和视频输入,输出文本;上下文窗口为 1,000,000 tokens,非思考模式最多输出 131,072 tokens。后一个限制有明确前提,不能直接套到所有调用模式。

作者建议优先尝试合同审阅、长篇转录、大型 CSV 导出文件,以及成组截图。这些任务往往需要同时读取大量材料,大窗口能减少手工拆分。

但能装下,不等于一定读得准。原文没有提供长文档信息提取准确率,也没有验证多图理解效果,「旗舰级」属于定位描述,不能当作测试结论。

能力方面,文档列出了 function calling、并行工具调用、web search、流式输出,以及 JSON Object 和 JSON Schema 两种结构化输出。对自动化流程而言,JSON Schema 尤其实用:可以约定输出字段,让后续步骤按字段取值,减少解析自由文本的麻烦。

单次价格不高,账单还要看缓存和思考

原文引用 QwenCloud 和 OpenRouter 的标价,单位均为每 100 万 tokens:

计费项目 标价
输入 $1.50
输出 $4.50
缓存输入读取 $0.075

作者用自设数字算了一笔账:一次任务输入 20,000 tokens、输出 2,000 tokens,费用约为 $0.03 + $0.009 = $0.039。

如果其中 15,000 个输入 tokens 是重复的系统提示词,并且命中缓存,输入费用降至约 $0.0086,整次任务约 $0.018。这是价格演算,没有计入具体业务中的命中波动,也不是性能基准。

原文还称,作者查看 OpenRouter 时,其展示的加权平均输入价格低于每 100 万 tokens $0.30。这反映的是当时平台上的使用情况,不能直接拿来预测自己团队的成本。

缓存命中率,比单看输入标价更接近真实账单。

Qwen4-Max 支持显式和隐式缓存。作者建议把固定系统指令放在提示词开头,再接变化的数据,为缓存复用创造条件。

另一个变量是思考配置:默认开启 thinking,reasoning_effort 默认为 high,可选 low、high、xhigh。作者建议给标签分类、摘要等简单任务试用 low,再与 high 比较质量和成本;原文没有给出两者的实测差距。

接入先做分流,接口兼容也要核对

作者提出的路由方案很直接:保留当前模型作为默认选项,把长上下文任务优先交给 Qwen4-Max,逐步验证。

它兼容 OpenAI Chat Completions、OpenAI Responses、Anthropic Messages 格式,也提供 DashScope API。原文认为,多数工具试接 OpenAI Chat Completions 时,通常只需修改 base URL、API key 和模型名 qwen4-max,但应先核对所在区域的 endpoint。

对 n8n、Make、Zapier 这类工具,作者建议使用 JSON Schema 输出,让下游步骤获得明确字段。接口格式兼容可以减少接入工作,但原文没有逐项验证这些工具的兼容程度。

还有三个边界需要保留:

  • 原文查看 OpenRouter 时只有 Alibaba Cloud International 一个托管方,因此建议准备故障回退模型。
  • 截至原文所述日期,Hugging Face 尚无官方 Qwen4 开放权重;提到过较小模型,不等于已经能本地部署。
  • Alibaba 列出的部署区域包括 Singapore、Frankfurt、Virginia,接入前应确认数据实际在哪里处理。

我的判断

我认同「保留默认模型、按任务分流」的做法。它把验证范围缩到具体业务上,也让团队能比较同一批任务的输出质量、费用和失败情况。

但原文对「更便宜」的论证仍有限:有标价和算术,没有同等质量条件下的模型对照,也没有延迟、重试次数或工具调用成功率。相较于继续使用现有模型、拆分文档处理,Qwen4-Max 是否划算,还要用自己的任务判断。

缓存前缀布局和降低思考强度,都是可尝试的工程建议;作者没有提供对照数据,应把它们视为经验建议,而非已经证实的收益。

能拿来做什么

  • 在现有 Node 自动化服务中保留默认模型,仅把长转录、大型 CSV 或多截图任务分流给 qwen4-max,记录质量、延迟和单次费用。
  • 把重复系统指令移到提示词前部,将业务数据放在后面,通过实际缓存命中和账单验证是否省钱。
  • 为标签分类、摘要任务分别运行 reasoning_effort: low 与 high,在结果符合要求的前提下选择配置。
  • 在 n8n、Make 或 Zapier 流程中尝试 JSON Schema 输出,同时核对区域 endpoint,并配置可用的回退模型。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
Codex 日志为何造成大量 SSD 写入
下一篇
将 Agent 的工具意图与执行权限分离

资讯速览

dev.to · AI · 2026-11-16 12:35

AI 评分 9.0 / 10

相关标签

#通义千问#多模态#Agent

继续阅读

  • Edge0 发布可下载的千亿参数编程模型
  • Codex 日志为何造成大量 SSD 写入
  • 将 Agent 的工具意图与执行权限分离
  • Qwen4-Max 发布:编程升级,旗舰闭源
  • 端侧视觉模型部署卡在厂商量化资产