> ## Documentation Index > Fetch the complete documentation index at: https://docs.apiyi.com/llms.txt > Use this file to discover all available pages before exploring further. # Генерация текста Qwen3.8-Max > Флагманский Qwen3.8-Max от Alibaba Qwen: sparse MoE с 2.4T параметров, контекст 1M, вывод 131K, нативный ввод изображений и видео. Размещен на APIYI по $1.65/$4.95 за 1M tokens — на 17.5% ниже официальной цены. Включает матрицу возможностей и подводные камни, выявленные в 586 живых тестовых вызовах. Qwen3.8-Max (`qwen3.8-max`) — новый флагман Alibaba Qwen, выпущенный 3 августа 2026 года. Это sparse MoE model с 2,4 трлн общих параметров, **контекстным окном 1M**, максимальным output 131K и нативной поддержкой ввода текста, изображений и видео. APIYI добавил его в день релиза и выполнил по нему **586 живых тестовых вызовов** — матрица возможностей, поведение параметров и заметки по тарификации на этой странице основаны именно на этих тестах, а не на пересказе официальной документации. **Qwen3.8-Max доступен на APIYI**: имя модели `qwen3.8-max`. **Thinking включен по умолчанию** (на уровне `xhigh`, а thinking tokens тарифицируются как output), поэтому для повседневного чата явно задавайте `reasoning_effort="none"` — в тестах это снизило output примерно со 158 tokens до 5. Для предыдущего поколения см. [Серия Qwen3.6 (legacy)](/ru/api-capabilities/qwen-3-6/overview). ## Почему эта модель \$1.65 за input, \$4.95 за output на 1M tokens против \$2/\$6 у Alibaba Cloud. [Акции на пополнение](/ru/faq/recharge-promotions) суммируются дополнительно. На корпусах 8K / 32K / 128K с маркерами, размещенными в середине документа и в конце, оба эндпоинта точно воспроизвели **все 6/6**. Вызов на 128K занимает около 80 секунд. Работа с input текстом, изображениями и видео — все подтверждено как работающее; не нужно переключаться между «long-context model» и «vision model». FrontierSWE вырос с 40.7 у предыдущего поколения до **73.5**, DeepSWE — с 21.6 до 56.6. Цепочка вызова tools завершена, подтверждены round-trip в два раунда. ## Поддержка эндпоинтов | Эндпоинт | Статус | Примечания | | ---------------------- | -------------------------------------------- | ----------------------------------------------------------------------------------------------------------------- | | `/v1/chat/completions` | ✅ Полностью работает | **Рекомендуется.** Подтверждены вызов tools, структурированный вывод, мультимодальность и потоковая передача | | `/v1/messages` | ⚠️ Можно использовать для интеграции с кодом | Удаляйте блоки `thinking` перед повторным воспроизведением истории — см. «Использование эндпоинта Anthropic» ниже | | `/v1/responses` | ❌ Пока не поддерживается | Все 30 тестовых вызовов завершились неудачей; сообщено со стороны upstream | ## Тарификация За 1 млн tokens, прейскурантная цена до скидок: | Позиция | APIYI | Alibaba Cloud | Разница | | --------------------- | ------------- | ------------- | ------------- | | Ввод | **\$1.65** | \$2.00 | на 17.5％ ниже | | Вывод (вкл. thinking) | **\$4.95** | \$6.00 | на 17.5％ ниже | | Чтение из кэша | **\$0.20625** | \$0.25 | на 17.5％ ниже | | Запись в кэш | **\$2.0625** | — | — | [Акции на пополнение](/ru/faq/recharge-promotions) суммируются и позволяют снизить фактическую стоимость. ## Specifications | Item | Value | | ------------------------------- | ----------------------------------------------------------------------------- | | Название модели | `qwen3.8-max` | | Архитектура | Sparse MoE, 2.4 триллиона параметров всего | | Контекстное окно | 1M tokens (991K input без рассуждения, 983K с рассуждением) | | Максимальный вывод | 131,072 tokens (запросы вне диапазона возвращают явную границу `[1, 131072]`) | | Максимальный бюджет рассуждения | 262K tokens | | Режим рассуждения | Включен по умолчанию, уровень `xhigh` | | Модальности ввода | Текст, изображение, видео | | Скорость вывода | \~19–22 tokens/s (измерено) | | Время до первого token | \~1.85 s при потоковой передаче (измерено, P50) | Официальные бенчмарки: GPQA Diamond 92.6, PaperBench 93.0, OmniDocBench 1.5 92.1, Terminal-Bench 2.1 86.6, OSWorld-Verified 86.1, IFBench 82.8, FrontierSWE 73.5, SWE-bench Pro 67.7. ## Управление рассуждением (самый важный раздел) Qwen3.8-Max **по умолчанию выполняет рассуждение** на уровне `xhigh`. Токены рассуждения тарифицируются как output и часто составляют более 90％ от него. ### Семь значений, четыре реальных уровня Параметр принимает 7 значений, но на практике соответствует только **4 реальным уровням**: | Переданное значение | Фактический уровень | Измеренное рассуждение | | ------------------------ | ---------------------------------------- | ---------------------- | | `none` | Рассуждение выключено | 0 tokens | | `minimal` / `low` | Низкий | \~100 tokens | | `medium` | Средний | \~150 tokens | | `high` / `xhigh` / `max` | Уровень по умолчанию (все три одинаковы) | \~150–175 tokens | Передача `max` не заставляет рассуждать сильнее, чем `xhigh`. Любое другое значение возвращает 400 с перечнем допустимых значений. ### Как выключить рассуждение ```python theme={null} response = client.chat.completions.create( model="qwen3.8-max", messages=[{"role": "user", "content": "Hello"}], reasoning_effort="none", max_tokens=500, ) ``` `enable_thinking: false` в `extra_body` и `chat_template_kwargs: {"enable_thinking": false}` эквивалентны и тоже работают. **`max_tokens` не ограничивает токены рассуждения.** Мы задали `max_tokens=1` и все равно были тарифицированы за **1,054** output tokens, из них 1,045 — за рассуждение. `max_tokens` только обрезает видимый ответ. **Используйте `reasoning_effort`, чтобы управлять стоимостью — не полагайтесь на `max_tokens`.** ### `thinking_budget` не влияет Передача 128 / 512 / 4096 ведет себя точно так же, как уровень `low`; само число игнорируется. **Используйте `reasoning_effort` вместо этого.** ## Примеры кода ### Python (совместимо с OpenAI SDK) ```python theme={null} from openai import OpenAI client = OpenAI( api_key="sk-your-apiyi-key", base_url="https://api.apiyi.com/v1" ) # Everyday chat: thinking off, fast and cheap resp = client.chat.completions.create( model="qwen3.8-max", messages=[{"role": "user", "content": "Explain load balancing in one sentence."}], reasoning_effort="none", max_tokens=500, ) print(resp.choices[0].message.content) # Hard reasoning: keep the default thinking tier resp = client.chat.completions.create( model="qwen3.8-max", messages=[{"role": "user", "content": "Prove that among any 5 integers, some 3 sum to a multiple of 3."}], max_tokens=4000, ) print(resp.choices[0].message.reasoning_content) # thinking trace print(resp.choices[0].message.content) # final answer ``` ### Ввод изображения ```python theme={null} import base64 with open("chart.png", "rb") as f: b64 = base64.b64encode(f.read()).decode() resp = client.chat.completions.create( model="qwen3.8-max", messages=[{"role": "user", "content": [ {"type": "text", "text": "What number is written in this image?"}, {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}, ]}], max_tokens=500, ) ``` Удаленные URL-адреса изображений также работают на этом эндпоинте — просто задайте `url` как адрес `https://...`. ### Ввод видео ```python theme={null} resp = client.chat.completions.create( model="qwen3.8-max", messages=[{"role": "user", "content": [ {"type": "text", "text": "What happens in this video?"}, {"type": "video_url", "video_url": {"url": f"data:video/mp4;base64,{b64_video}"}}, ]}], max_tokens=1000, ) ``` В тестировании понимание видео занимало **144–285 секунд** на каждый вызов. Установите тайм-аут клиента выше 300 секунд и предпочитайте потоковую передачу или асинхронную очередь задач. Также есть форма с последовательностью кадров, `{"type": "video", "video": [frame1, frame2, ...]}`, которая требует **4–8000 кадров** — если кадров меньше 4, возвращается 400. ### cURL ```bash theme={null} curl https://api.apiyi.com/v1/chat/completions \ -H "Authorization: Bearer sk-your-apiyi-key" \ -H "Content-Type: application/json" \ -d '{ "model": "qwen3.8-max", "messages": [{"role": "user", "content": "Hello"}], "reasoning_effort": "none" }' ``` ## Вызов инструментов Вызов инструментов на эндпоинте Chat Completions полностью работает: один инструмент, параллельные инструменты, двухраундовый round-trip, выбор 1 из 20 инструментов, дельты при потоковой передаче и `parallel_tool_calls: false` — все подтверждено. **Принудительные вызовы инструментов требуют отключенного thinking.** Когда `tool_choice` имеет значение `"required"` или указывает на конкретную функцию, вам также нужно задать `reasoning_effort="none"` — иначе вы получите 400 (`tool_choice does not support being set to required or object in thinking mode`) или вызов будет пропущен без ошибки. `tool_choice`, установленный на `"auto"` / `"none"`, не затрагивается. То же относится к `n > 1`. ```python theme={null} resp = client.chat.completions.create( model="qwen3.8-max", messages=[{"role": "user", "content": "What's the weather in Beijing?"}], tools=tools, tool_choice={"type": "function", "function": {"name": "get_weather"}}, reasoning_effort="none", # required ) ``` ## Структурированный вывод `response_format` с `json_schema`, строго соблюдаемым в тестировании: вложенные объекты, enums, arrays и `additionalProperties: false` все сработали, без дополнительных полей и без Markdown-fences. **Отключите рассуждение для структурированного вывода.** Та же схема, измерено бок о бок: | Конфигурация | Output tokens | Из них рассуждение | Задержка | | ----------------------------------------- | ------------- | ------------------ | -------- | | `json_schema` + рассуждение по умолчанию | 4,066 | 3,971 | 100 s | | `json_schema` + `reasoning_effort="none"` | 154 | 0 | 4.7 s | Соответствие было идентичным; стоимость и задержка отличаются на порядок. ## Кэширование контекста * **Порог попадания около 1,024 tokens**: префикс из 818 tokens не попал в кэш; 1,070 tokens и выше попадали * **Реальные многотуровые беседы действительно дают попадания**: при добавлении сообщений по раундам попадание было в каждом раунде * **Длинные документы выигрывают больше всего**: 98.6％ закэшированного ввода при 128K, 99.3％ при 32K Попадания в кэш были **нестабильны** при тестировании — один и тот же префикс в одних раундах попадал в кэш, а в других нет, и TTL нельзя надежно вывести из ответа API. Рассматривайте кэширование как бонус, когда оно срабатывает; **не стройте на нем прогнозы затрат.** ## Использование эндпоинта Anthropic `/v1/messages` подходит для интеграции с кодом, но вы **должны удалить блоки `thinking` перед повторным воспроизведением истории**, иначе получите 400 (`if content is list. item must be dict and key[type] should in dict`). ```python theme={null} def strip_thinking(blocks): return [b for b in blocks if b.get("type") != "thinking"] messages.append({"role": "assistant", "content": strip_thinking(resp["content"])}) ``` С этим фильтром мы проверили память между ходами на 3 сообщения, двухраундовый обмен с tool и сохранение результатов tool в последующих ходах. **Готовые клиенты, такие как Claude Code, пока не подходят для использования** — по умолчанию они дословно воспроизводят контент-блоки из истории, и их поведение нельзя изменить, поэтому на втором ходе возвращается 400. Используйте `/v1/chat/completions` вместо этого. Другие отличия этого эндпоинта: `response_format` игнорируется без предупреждения (для структурированного вывода принудительно вызывайте tool), `tool_choice` принимает только формат OpenAI, изображения должны быть в base64 (внешние URL возвращают 400), а `reasoning_effort` не имеет эффекта (используйте `thinking: {"type": "disabled"}`, чтобы отключить thinking). ## Совместимость параметров | Параметр | Статус | Примечания | | -------------------------------------------------- | ------ | ------------------------------------------------------------------------------------------------------ | | `temperature` | ✅ | Допустимый диапазон `[0.0, 2.0)`; при передаче 2 возвращается 400 | | `top_p` | ✅ | Допустимый диапазон `(0.0, 1.0]` | | `top_k` / `presence_penalty` / `frequency_penalty` | ✅ | | | `stop` / `stop_sequences` | ✅ | Работает на обоих эндпоинтах | | `logprobs` / `top_logprobs` | ✅ | | | `stream` + `stream_options` | ✅ | Потоковая передача всегда возвращает usage; длинные потоки завершаются корректно без зависания в конце | | `partial: true` | ✅ | Продолжение по префиксу; во время продолжения рассуждение не выполняется | | `n > 1` | ⚠️ | Требует `reasoning_effort="none"` | | `seed` | ❌ | При одном и том же seed получался разный вывод — детерминизм не гарантируется | | `prefix: true` | ❌ | Не влияет; используйте `partial: true` | | `thinking_budget` | ❌ | Числовое значение игнорируется | | Встроенный веб-поиск | ❌ | И `enable_search`, и `tools: [{"type": "web_search"}]` незаметно отбрасываются | ## Лучшие практики Явно задайте `reasoning_effort="none"`. Измеренная задержка снизилась примерно с \~5 с до 2 с, а число выходных tokens — примерно до 1/30. В тестировании 128K recall был точным, а показатели попадания в кэш для длинных документов высоки. Поместите большой документ в начало списка сообщений, а вопрос — в конец. Ограничьте с помощью `json_schema` и отключите thinking. Соответствие не ухудшается. Используйте `/v1/chat/completions`. Не забудьте отключить thinking при принудительном вызове инструмента. ## Частые вопросы `max_tokens` ограничивает только видимый ответ, а не часть рассуждения. Мы измерили 1,054 выходных tokens, начисленных по `max_tokens=1`. Используйте `reasoning_effort="none"`, чтобы контролировать затраты. Принудительный выбор инструмента не поддерживается, когда включено рассуждение. Передайте `reasoning_effort="none"` вместе с ним. Этот эндпоинт пока не подключен к модели — все 30 тестовых вызовов завершились неудачей, а код ошибки чередовался между 404 и 400. Это было передано upstream, и мы объявим об этом в [Оперативные обновления](/en/live), как только он станет доступен. Используйте `/v1/chat/completions` вместо него. Пока нет. Эндпоинт `/v1/messages` отклоняет сообщения истории, содержащие блоки `thinking`, а Claude Code воспроизводит их дословно. При вызове из своего кода удалите эти блоки, и эндпоинт будет работать нормально. Модель обслуживается более чем по одному upstream-маршруту, и один из них не сообщает `reasoning_tokens` или `cached_tokens` — это наблюдается примерно в трети chat-запросов. Это было передано upstream для согласования. Имейте это в виду, если вам нужен точный учет затрат на рассуждение. Анализ video занимал 144–285 секунд на вызов; это собственное время обработки модели. Установите timeout выше 300 секунд и рассмотрите асинхронную очередь. ## Связанные материалы * [Песочница Qwen3.8-Max](/ru/api-capabilities/qwen-3-8/chat-completions) — отправляйте запросы напрямую * [Серия Qwen3.6 (устаревшая)](/ru/api-capabilities/qwen-3-6/overview) — предыдущие пять моделей * [Заметки о запуске Qwen3.8-Max](/en/news/qwen-3-8-max-launch) — бенчмарки и полный разбор * [Тарификация моделей](/en/models) — тарифы по каждой модели, тарификация кэша и доступные эндпоинты * [Акции на пополнение](/ru/faq/recharge-promotions) — суммируемые скидки Измерения на этой странице получены на основе 586 live-запросов, выполненных 2026-08-03 (12:50–14:35 UTC+8). Выводы, связанные с тарификацией, основаны на полях usage, возвращаемых API, и не были построчно сверены со счетами. Поведение модели и шлюза может меняться по мере настройки каналов — считайте live-запросы источником истины.