A Together AI colocou o modelo principal da família Qwen, da Alibaba, o Qwen4 Max, no seu serviço de inferência serverless, com o identificador Qwen/Qwen4-Max. A Alibaba lançou o modelo em 16 de novembro de 2026. Segundo a Together, o preço de lançamento fica 30% abaixo da tabela até 22 de novembro de 2026.
O que é o modelo
O Qwen4 Max é um modelo de mistura esparsa de especialistas, com 2,4 trilhões de parâmetros, dos quais 71 bilhões ficam ativos por token. Ele aceita texto e imagem como entrada e devolve texto. A chamada de ferramentas funciona pelo parâmetro padrão tools, e um único turno pode retornar mais de uma chamada. A Alibaba o posiciona para trabalho longo de agentes, incluindo programação em repositórios grandes. No Work360, benchmark da própria empresa, a Alibaba relata resultado geral melhor que o do Qwen3.8 Max, 35% menos tokens com esforço de raciocínio alto e custo por tarefa cerca de 60% menor. São números da Alibaba, e a Together não os verificou.
Preços
| Preço promocional (até 22/11/2026) | Preço de tabela | |
|---|---|---|
| Entrada, por 1M de tokens | US$ 1,05 | US$ 1,50 |
| Entrada em cache, por 1M de tokens | US$ 0,0525 | US$ 0,075 |
| Saída, por 1M de tokens | US$ 3,15 | US$ 4,50 |
O cache de prompt é automático, mas feito no melhor esforço, então nem toda requisição repetida é atendida pelo cache.
O teste da própria Together
A Together enviou ao modelo um relatório de bug e os 344 arquivos do framework web Tornado, em Python, somando 652.519 tokens, em uma única requisição, sem ferramentas e sem seleção de arquivos. O primeiro token chegou após 54 segundos e a resposta completa após 72. O patch passou nos dois testes de regressão que os mantenedores escreveram para o bug, e a suíte completa do Tornado, com 1.673 testes, rodou sem falhas com o patch aplicado. O modelo também apontou código relacionado ao tratamento de erros em um arquivo que o relatório de bug nem mencionava. A requisição custou cerca de 69 centavos no preço promocional.
A Together escolheu um único exemplo, com uma correção que os mantenedores publicaram depois do lançamento do modelo. Ele mostra o que uma chamada pode fazer e não é um benchmark. Uma repetição de uma requisição de aproximadamente 630.000 tokens voltou quase toda do cache. O primeiro token chegou em 8 segundos, e a entrada custou cerca de 3 centavos, contra 66.
Limitações para conhecer antes de chamar
- Só são aceitas requisições com streaming. Uma requisição sem streaming retorna erro 400.
- O thinking vem ligado por padrão. O raciocínio é transmitido primeiro, então há uma pausa antes da resposta, e os tokens de thinking contam como tokens de saída. Dá para desligá-lo em cada requisição.
- O modelo existe apenas em serverless. Não há fine-tuning nem endpoints dedicados. A Alibaba diz que modelos Qwen4 menores, de pesos abertos, virão depois.
O script que a Together publicou envia todos os arquivos de texto rastreados pelo git, então verifique se o repositório contém segredos antes de enviá-lo a qualquer modelo hospedado.