Qwen3 Max — โมเดลแชทเรือธงที่เป็นกรรมสิทธิ์, บริบท 256k, โหมดคิด + การเรียกใช้ฟังก์ชัน
Qwen3 Max เป็นโมเดลภาษาแบบ Mixture-of-Experts (MoE) จากทีม Qwen ของ Alibaba ออกแบบมาสำหรับงานที่ต้องใช้ความจุสูง ซึ่งต้องการบริบทที่ยาวและการให้เหตุผลเชิงลึก โมเดลรับเฉพาะอินพุตที่เป็นข้อความ…
Qwen3 Max มีความโดดเด่นในงานที่ต้องใช้การให้เหตุผลที่แม่นยำจากข้อความปริมาณมาก หน้าต่างบริบทขนาด 262k ของมันช่วยให้สามารถประมวลผลหนังสือทั้งเล่ม งานวิจัย หรือฐานโค้ดได้โดยไม่ต้องแบ่งเป็นส่วนย่อย สถาปัตยกรรม MoE ช่วยให้มันเปิดใช้งานเฉพาะเครือข่ายย่อยผู้เชี่ยวชาญที่เกี่ยวข้องสำหรับแต่ละอินพุต ซึ่งสามารถลดต้นทุนการคำนวณเมื่อเทียบกับโมเดลแบบหนาแน่นที่มีจำนวนพารามิเตอร์รวมใกล้เคียงกัน โมเดลได้คะแนน 84.1 บน MMLU-Pro ซึ่งเป็นเกณฑ์มาตรฐานที่ทดสอบความรู้ระดับบัณฑิตศึกษาใน 57 หัวข้อ ซึ่งบ่งชี้ถึงความสามารถในการจดจำข้อเท็จจริงและให้เหตุผลหลายขั้นตอนที่แข็งแกร่ง Qwen3 Max ยังสามารถทำตามคำแนะนำที่ซับซ้อน สร้างข้อความยาวที่สอดคล้องกัน และทำงานส่งออกที่มีโครงสร้างเช่นการสร้าง JSON มันรองรับ system prompts และสามารถรักษาบุคลิกที่สม่ำเสมอตลอดการสนทนาที่ยาวนาน
แม้ว่า Qwen3 Max จะมีจุดแข็ง แต่ไม่ใช่ทุกงานที่ต้องการความสามารถเต็มรูปแบบ สำหรับคำถามสั้นๆ ทั่วไป เช่น การจำแนกประเภท การดึงข้อมูล หรือการสรุปข้อความขนาดเล็ก โมเดลขนาดเล็กอย่าง Qwen3-8B หรือแม้แต่ GPT-4o-mini ก็อาจให้ผลลัพธ์ที่เทียบเคียงได้ในราคาและเวลาแฝงที่ต่ำกว่า Qwen3 Max มากเกินไปสำหรับงานที่มีบริบทไม่ถึงสองสามพันโทเค็นหรือมีความซับซ้อนในการใช้เหตุผลต่ำ นอกจากนี้ หากแอปพลิเคชันของคุณไวต่อเวลาแฝง และค่าใช้จ่ายเพิ่มเติมของ MoE นั้นสังเกตเห็นได้ โมเดลขนาดเล็กแบบหนาแน่นอาจตอบสนองได้เร็วกว่า OrcaRouter มีโมเดลหลากหลายให้เลือกผสมผสาน การใช้ Qwen3 Max เฉพาะเมื่องานต้องการเท่านั้นสามารถปรับค่าใช้จ่ายและความเร็วให้เหมาะสม การทำ Profiling ปริมาณงานของคุณจากกลุ่มตัวอย่างคำขอสามารถเปิดเผยจุดคุ้มทุนด้านต้นทุนได้
ด้วยหน้าต่างบริบทขนาด 262,144 โทเค็น Qwen3 Max สามารถประมวลผลลำดับข้อความที่มีขนาดประมาณเทียบเท่ากับเนื้อหาทั้งหมดของไตรภาค "The Three-Body Problem" หรือรายงานองค์กร 400 หน้าในการส่งผ่านไปข้างหน้าครั้งเดียว สถาปัตยกรรม MoE ไม่ได้จำกัดความยาวบริบทโดยธรรมชาติ โมเดลใช้เทคนิคต่างๆ เช่น Rotary Position Embedding (RoPE) ที่ขยายผ่านการฝึกอบรมเพื่อจัดการกับตำแหน่งที่เกิน 128k ในทางปฏิบัติ โมเดลรักษาความซับซ้อน (perplexity) และความแม่นยำในการดึงข้อมูลที่เสถียรตลอดทั้งหน้าต่าง สำหรับอินพุตที่ยาวมาก โมเดลอาจใช้เวลาในการเติมข้อมูลล่วงหน้า (prefill) นานขึ้น แต่เมื่อเริ่มทำงานแล้ว การสร้างโทเค็นจะดำเนินไปด้วยความเร็วปกติ ผู้ใช้ควรทราบว่าต้นทุนจะปรับตามจำนวนโทเค็นอินพุตแบบเชิงเส้น การประมวลผลอินพุต 200k โทเค็นจะมีราคาแพงกว่าอินพุตสั้นๆ การคิดค่าบริการของ OrcaRouter สะท้อนถึงสิ่งนี้ ดังนั้นให้พิจารณาการแบ่งส่วน (chunking) เฉพาะเมื่องานไม่ต้องการการใช้เหตุผลแบบเต็มบริบท
Qwen3 Max เช่นเดียวกับโมเดลภาษาทั้งหมด มีข้อจำกัด มันอาจเกิดภาพหลอน (hallucination) โดยเฉพาะเมื่อถูกถามเกี่ยวกับหัวข้อที่คลุมเครือหรือมีข้อมูลไม่ดีในชุดข้อมูลฝึกอบรม การให้เหตุผลทางคณิตศาสตร์และตรรกะ แม้จะแข็งแกร่ง แต่ก็ยังอาจเกิดข้อผิดพลาดในการคำนวณหลายขั้นตอนหากไม่มีขั้นตอนกลางที่ถูกต้อง โมเดลไม่สามารถเข้าถึงข้อมูลเรียลไทม์ได้ เว้นแต่จะได้รับในบริบท วันที่ตัดข้อมูลฝึกอบรมไม่ได้ระบุต่อสาธารณะ แต่น่าจะเป็นสองสามเดือนก่อนการเปิดตัว ไม่สามารถจัดการงานการให้เหตุผลแบบมีโครงสร้าง เช่น การเดินกราฟหรือการสอบถามฐานข้อมูลโดยตรงได้หากไม่มีการแจ้งเตือนอย่างชัดเจน นอกจากนี้ หน้าต่างบริบทที่ใหญ่สามารถทำให้คุณภาพต่อโทเค็นลดลงเมื่ออินพุตยาวมาก เนื่องจากความสนใจกระจายอย่างบางเบา สำหรับงานที่ต้องการคำตอบที่เป็นตัวเลขที่แม่นยำหรือการปฏิบัติตามรูปแบบอย่างเคร่งครัด แนะนำให้ตรวจสอบผ่านเครื่องมือภายนอก
MMLU-Pro เป็นชุดย่อยที่คัดสรรจากเกณฑ์มาตรฐาน Massive Multitask Language Understanding (MMLU) ที่เน้นคำถามระดับมืออาชีพที่ท้าทายมากขึ้นใน 57 หัวข้อ — รวมถึงกฎหมาย การแพทย์ ฟิสิกส์ และการเงิน คะแนน 84.1 บ่งชี้ว่า Qwen3 Max ตอบถูกต้องประมาณ 84.1% ของคำถามมากกว่า 12,000 ข้อ นี่เป็นผลลัพธ์ระดับสูงสุดในบรรดาโมเดลที่เปิดเผยต่อสาธารณะ สำหรับบริบท โมเดลหนาแน่นรุ่นก่อนหน้านี้ที่มีขนาดใกล้เคียงกันมักได้คะแนนในช่วง 70–80 บน MMLU-Pro คะแนนนี้ชี้ให้เห็นว่า Qwen3 Max มีความสามารถในการเรียกคืนข้อเท็จจริงและการใช้เหตุผลที่แข็งแกร่งในหลายโดเมน อย่างไรก็ตาม คะแนนเกณฑ์มาตรฐานไม่ได้สะท้อนประสิทธิภาพในโลกจริงเสมอไป คะแนนเหล่านี้วัดความถูกต้องของคำถามแบบปรนัย ไม่ใช่คุณภาพหรือความสม่ำเสมอในการสร้างเนื้อหา ลูกค้าของ OrcaRouter สามารถทดสอบ Qwen3 Max บนชุดข้อมูลของตนเองเพื่อวัดความสอดคล้องกับกรณีการใช้งานของตน
ความหน่วงสำหรับ Qwen3 Max ขึ้นอยู่กับความยาวของอินพุต ความยาวของเอาต์พุต และโหลดพร้อมกันบนโครงสร้างพื้นฐานของ OrcaRouter สถาปัตยกรรม MoE อาจทำให้เกิดค่าใช้จ่ายเพิ่มเติมเล็กน้อยในเฟส prefill เมื่อเปรียบเทียบกับโมเดลแบบ dense แต่ความเร็วในการสร้างต่อ token โดยทั่วไปจะแข่งขันได้กับโมเดลอื่นที่มีจำนวนพารามิเตอร์ทั้งหมดเทียบเท่า สำหรับเอาต์พุตสั้น (เช่น 100–500 token) ความหน่วงแบบ end-to-end อาจอยู่ในระดับไม่กี่วินาที สำหรับเอาต์พุตยาวที่ใกล้เคียงค่าสูงสุด 65,536 token การสร้างจะใช้เวลานานขึ้นตามสัดส่วน OrcaRouter รองรับการสตรีม ซึ่งช่วยให้ token มาถึงขณะที่ถูกสร้างขึ้น ช่วยลดความหน่วงที่ผู้ใช้รับรู้ ไม่มีเกณฑ์ชี้วัดความเร็วที่เผยแพร่สำหรับ Qwen3 Max ดังนั้นผู้ใช้ควรทำการทดสอบความหน่วงของตนเองด้วย payload ที่สมจริง การประมวลผลแบบแบตช์สามารถเพิ่มปริมาณงานได้
เหนือกว่า MMLU-Pro แล้ว Qwen3 Max ยังทำงานได้ดีในการวัดมาตรฐานอื่นๆ เช่น MATH, HumanEval และ GSM8K ถึงแม้จะไม่ได้ระบุคะแนนที่แน่นอนในที่นี้ก็ตาม สถาปัตยกรรม MoE ช่วยให้มันสามารถทำเครือข่ายย่อยเฉพาะทางสำหรับการให้เหตุผลประเภทต่างๆ ซึ่งส่งผลให้มีความแม่นยำสูงข้ามภารกิจที่หลากหลาย จุดอ่อนที่ทราบคือโมเดล MoE บางครั้งอาจมีความทนทานน้อยกว่าในพื้นที่ที่โมดูลผู้เชี่ยวชาญครอบคลุมไม่ดีนัก ส่งผลให้ประสิทธิภาพไม่สม่ำเสมอในแต่ละหัวข้อ นอกจากนี้ ขนาดที่ใหญ่ของโมเดลอาจทำให้มันมีแนวโน้มที่จะสร้างข้อมูลที่ดูน่าเชื่อถือแต่ไม่ถูกต้อง (ภาพหลอน) ในสถานการณ์ที่ข้อมูลการฝึกมีน้อย ผู้ใช้ที่ทำงานในโดเมนเฉพาะทางสูง (เช่น เขตอำนาจศาลทางกฎหมายที่เฉพาะเจาะจงหรือสาขาวิทยาศาสตร์ที่ลึกลับ) ควรตรวจสอบผลลัพธ์กับผู้เชี่ยวชาญในโดเมนนั้น OrcaRouter ไม่มีการปรับแต่งตามภารกิจแต่ละงาน โมเดลจะถูกใช้ตามสภาพ
หน้าต่างบริบทขนาด 262k ช่วยให้ Qwen3 Max ประมวลผลอินพุตที่ยาวมากได้โดยไม่ต้องตัดทอน ในการตั้งค่าแบบ retrieval-augmented generation (RAG) สิ่งนี้สามารถขจัดความจำเป็นในการแบ่งเป็นชิ้นและการจัดอันดับใหม่ ทำให้ไปป์ไลน์ง่ายขึ้น อย่างไรก็ตาม เมื่อความยาวของบริบทเพิ่มขึ้น กลไก attention ของโมเดลต้องพิจารณา token มากขึ้น ซึ่งอาจลดประสิทธิภาพในงานที่ต้องการการสกัดข้อมูลที่แม่นยำจากกลางบริบท (ปรากฏการณ์ 'lost in the middle') การทดสอบแสดงว่าแม้ Qwen3 Max จะจัดการกับบริบทที่ยาวได้ดีกว่าโมเดลรุ่นก่อนๆ หลายรุ่น แต่ความแม่นยำในงานที่เน้นการดึงข้อมูลอาจยังสูงกว่าสำหรับข้อมูลที่อยู่ใกล้จุดเริ่มต้นหรือจุดสิ้นสุดของพรอมต์ สำหรับแอปพลิเคชันที่มีความสำคัญสูง ควรวางเนื้อหาที่สำคัญที่สุดไว้ที่จุดเริ่มต้นของบริบท API ของ OrcaRouter รองรับการจัดโครงสร้างแชทมาตรฐานเพื่อช่วยจัดการลำดับบริบท
ราคาสำหรับ Qwen3 Max ผ่าน OrcaRouter คิดตามการใช้งาน โดยคิดตามจำนวน token ทั้ง input และ output อัตราค่า token จริงมีการแสดงไว้公開บนหน้า pricing ของ OrcaRouter และอาจแตกต่างจากของผู้ให้บริการรายอื่น เนื่องจากมีจำนวนพารามิเตอร์มากและสถาปัตยกรรม MoE ทำให้ Qwen3 Max โดยทั่วไปมีราคาต่อ token แพงกว่าโมเดลขนาดเล็กอย่าง Qwen3-8B หรือ GPT-4o-mini แต่มักจะถูกกว่าต่อหน่วยความสามารถเมื่อเทียบกับ dense models ที่มีประสิทธิภาพใกล้เคียงกัน OrcaRouter ไม่คิดค่าธรรมเนียมเพิ่มเติมสำหรับการสตรีมหรือการเรียกฟังก์ชัน โดยใช้อัตราต่อ token เดียวกัน ไม่มีค่าสมัครรายเดือนคงที่ คุณจ่ายเฉพาะสิ่งที่คุณใช้เท่านั้น ผู้ใช้ควรตรวจสอบการบริโภค token โดยเฉพาะอย่างยิ่งกับหน้าต่างบริบท (context window) ที่ยาว เนื่องจากคำขอเดียวที่มี 200k token อาจกิน token input จำนวนมาก
เพื่อจัดการค่าใช้จ่ายเมื่อใช้ Qwen3 Max ให้พิจารณากลยุทธ์ดังต่อไปนี้ ประการแรก ให้ใช้โมเดลเฉพาะกับงานที่ต้องการความสามารถสูงและบริบทที่ยาวอย่างแท้จริง สำหรับคำถามที่ง่ายกว่า ให้เปลี่ยนไปใช้โมเดลที่ถูกกว่าผ่านการกำหนดเส้นทางของ OrcaRouter ประการที่สอง หากอินพุตของคุณยาวมากแต่มีเพียงบางส่วนที่เกี่ยวข้อง ให้กรองล่วงหน้าหรือสรุปเนื้อหาเพื่อลดจำนวน token ประการที่สาม ตั้งค่า max_tokens ที่เหมาะสมสำหรับเอาต์พุต การสร้าง 65k tokens อาจแพงหากไม่จำเป็น ประการที่สี่ ใช้ตัวเลือก stream เพื่อรับเอาต์พุตแบบเพิ่มทีละน้อย ซึ่งไม่เปลี่ยนต้นทุนรวมแต่อาจช่วยให้ยุติก่อนเวลาหากเอาต์พุตไม่เป็นที่น่าพอใจ OrcaRouter อาจเสนอส่วนลดการแคชสำหรับพรอมptที่ซ้ำกันเหมือนกัน ตรวจสอบเอกสารของแพลตฟอร์มเพื่อดูรายละเอียด สุดท้าย ให้วัดประสิทธิภาพกรณีการใช้งานของคุณ: วัดความแม่นยำเทียบกับต้นทุนในตัวเลือกโมเดลต่างๆ เพื่อหาจุดที่เหมาะสมที่สุด
OrcaRouter ประมวลผลข้อมูลผู้ใช้เพื่อตอบสนองคำขอ API เท่านั้น พวกเขาไม่ใช้ข้อมูลของลูกค้าเพื่อการฝึกอบรมหรือปรับปรุงโมเดล อินพุตและเอาต์พุตจะถูกส่งผ่าน HTTPS และจัดเก็บชั่วคราวเพื่อวัตถุประสงค์ในการเรียกเก็บเงินและการบันทึกข้อมูล นโยบายการเก็บรักษาข้อมูลมีอยู่ในเอกสารความเป็นส่วนตัวของ OrcaRouter เนื่องจากโมเดลทำงานบนโครงสร้างพื้นฐานของ OrcaRouter ข้อมูลจึงไม่ออกจากสภาพแวดล้อมที่ถูกควบคุมของพวกเขา ผู้ใช้ที่มีข้อกำหนดการปฏิบัติตามอย่างเข้มงวดควรตรวจสอบข้อตกลงการประมวลผลข้อมูลของ OrcaRouter Qwen3 Max เองในฐานะโมเดลที่ให้บริการผ่าน OrcaRouter จะไม่ถูกปรับแต่งบนข้อมูลผู้ใช้ เว้นแต่จะมีการทำสัญญาอย่างชัดเจน ซึ่งหมายความว่าพรอมต์และผลลัพธ์ที่สมบูรณ์จะไม่ถูกรวมเข้าในชุดฝึกของโมเดล สำหรับความเป็นส่วนตัวเพิ่มเติม ให้พิจารณาใช้การปรับใช้ภายในองค์กร แม้ว่าจะไม่มีให้บริการผ่าน OrcaRouter
ในการใช้ Qwen3 Max ให้ตั้งค่า API client ของคุณให้ชี้ไปที่ base URL ของ OrcaRouter: https://api.orcarouter.ai/v1 ใช้ model ID "qwen/qwen3-max" API นี้เข้ากันได้อย่างสมบูรณ์กับรูปแบบ chat completions ของ OpenAI ตัวอย่างเช่น ในภาษา Python ที่ใช้ openai library คุณจะตั้งค่า `client = OpenAI(base_url="https://api.orcarouter.ai/v1", api_key="your-key")` แล้วเรียก `client.chat.completions.create(model="qwen/qwen3-max", messages=[...])` พารามิเตอร์มาตรฐานทั้งหมดรองรับ: temperature, top_p, max_tokens, stream, stop, presence_penalty, frequency_penalty และ functions/tools รูปแบบการตอบสนองเป็นไปตาม schema ของ OpenAI รวมถึงสถิติการใช้งาน (prompt_tokens, completion_tokens) OrcaRouter ต้องใช้ API key ซึ่งคุณสามารถรับได้จาก dashboard ของคุณ
Qwen3 Max รองรับพารามิเตอร์การแชททั่วไป `temperature` (ค่าเริ่มต้นโดยทั่วไปคือ 0.7) ควบคุมความสุ่ม; ค่าที่ต่ำลงจะให้ผลลัพธ์ที่แน่นอนมากขึ้น `top_p` (ค่าเริ่มต้น 1.0) ควบคุมการสุ่มแบบนิวเคลียส `max_tokens` จำกัดความยาวของผลลัพธ์สูงสุดที่ 65,536 `stop` อนุญาตให้ระบุลำดับการหยุด `frequency_penalty` และ `presence_penalty` สามารถลดการซ้ำซ้อน `stream` (บูลีน) เปิดใช้งานการสตรีมแบบทีละโทเค็น `seed` สามารถตั้งค่าเพื่อให้สามารถทำซ้ำได้ แม้ว่าพฤติกรรมที่แน่นอนจะขึ้นอยู่กับภายในของโมเดล `functions` และ `tools` อนุญาตให้กำหนดฟังก์ชันที่เรียกได้ซึ่งโมเดลอาจขอให้เรียกใช้ โดยทั่วไป Qwen3 Max จัดการกับผลลัพธ์ที่มีโครงสร้างได้ดี สำหรับบริบทที่ยาว ตรวจสอบให้แน่ใจว่าอาร์เรย์ `messages` ของคุณมีข้อความ `system` หากจำเป็น ค่าเริ่มต้นของพารามิเตอร์ถูกกำหนดโดย OrcaRouter; คุณสามารถแทนที่ได้ตามคำขอ พารามิเตอร์ที่ไม่รองรับจะถูกละเว้นหรือทำให้เกิดข้อผิดพลาด
การย้ายระบบนั้นตรงไปตรงมา ในโค้ดใดๆ ที่ใช้ OpenAI Python library, Node.js SDK หรือการเรียก HTTP โดยตรง ให้เปลี่ยน base URL เป็น https://api.orcarouter.ai/v1 และเปลี่ยนชื่อโมเดลเป็น "qwen/qwen3-max" ไม่จำเป็นต้องเปลี่ยนแปลงอื่นใดสำหรับ basic chat completions หากคุณใช้ function calling ตรวจสอบให้แน่ใจว่า function definitions ของคุณเข้ากันได้; Qwen3 Max รองรับรูปแบบการเรียกฟังก์ชันของ OpenAI คุณอาจต้องปรับ `max_tokens` หากโมเดลก่อนหน้ามีขีดจำกัดที่เล็กกว่า ทดสอบด้วย sample requests สองสามรายการเพื่อเปรียบเทียบคุณภาพผลลัพธ์และ latency สำหรับการผลิต ให้อัปเดต environment variables ของคุณ: `OPENAI_BASE_URL` และ `OPENAI_API_KEY` เนื่องจาก API ของ OrcaRouter สะท้อน API ของ OpenAI เครื่องมือ monitoring และ logging ที่มีอยู่มักจะทำงานได้โดยไม่ต้องแก้ไข หากพบความแตกต่าง ให้อ้างอิงเอกสารของ OrcaRouter หรือการสนับสนุนจากชุมชน
Qwen3 Max แข่งขันกับโมเดล MoE ขนาดใหญ่อื่นๆ เช่น Mixtral 8x22B, DeepSeek-V2 และ GPT-4 (ตัวแปร MoE) หน้าต่างบริบท 262k ของมันใหญ่กว่าของ Mixtral ที่ 32k อย่างเห็นได้ชัด และเทียบได้กับของ DeepSeek-V2 ที่ 128k (และปัจจุบันถูกแทนที่โดยโมเดลที่ลึกกว่า) บน MMLU-Pro คะแนน 84.1 ถือว่าแข่งขันได้; Mixtral 8x22B ได้คะแนนประมาณ 73 บน MMLU (ไม่ใช่ Pro) ในขณะที่ GPT-4 ได้คะแนนประมาณ 86 บน MMLU แต่ MMLU-Pro ของเวอร์ชัน MoE ของมันไม่เป็นที่รู้จักต่อสาธารณะ ขีดจำกัดเอาต์พุต 65,536 โทเคนของ Qwen3 Max ใหญ่กว่าคู่แข่งหลายราย (เช่น ค่าเริ่มต้น 8k ของ Mixtral) ราคาผ่าน OrcaRouter อาจแตกต่างกัน; ผู้ใช้ควรเปรียบเทียบต้นทุนต่อโทเคนเทียบกับประสิทธิภาพ ในการใช้งานจริง Qwen3 Max มีความแข็งแกร่งในงานให้เหตุผลและงานบริบทระยะยาว แต่อาจได้รับการปรับแต่งสำหรับการสร้างโค้ดน้อยกว่าโมเดลโค้ดเฉพาะทางเช่น CodeQwen
Qwen3-8B เป็นโมเดลแบบ dense ขนาด 8 พันล้านพารามิเตอร์ในตระกูล Qwen3 เดียวกัน ซึ่งออกแบบมาเพื่อประสิทธิภาพและต้นทุนที่ต่ำกว่า มีหน้าต่างบริบทที่เล็กกว่ามาก (32,768 โทเคน) และคะแนนมาตรฐานที่ต่ำกว่า ในการทดสอบ MMLU นั้น Qwen3-8B ได้คะแนนประมาณ 75 (ไม่ใช่ Pro) ในขณะที่ Qwen3 Max ได้ 84.1 ในการทดสอบ MMLU-Pro ที่ยากกว่า สำหรับงานที่มีบริบทจำกัดและความต้องการด้านการใช้เหตุผลในระดับปานกลาง Qwen3-8B นำเสนออัตราส่วนต้นทุนต่อประสิทธิภาพที่ดีกว่า Qwen3 Max เป็นที่ต้องการมากกว่าเมื่อคุณต้องการความยาวบริบทที่มากเป็นพิเศษ การใช้เหตุผลแบบหลายขั้นตอนเชิงลึก หรือความแม่นยำตามข้อเท็จจริงสูงในหลายโดเมน OrcaRouter ช่วยให้คุณใช้ทั้งสองโมเดลในแอปพลิเคชันเดียวกัน โดยสลับตามความยาวหรือความยากของพรอมต์ ตัวอย่างเช่น ส่งคำถามสั้นๆ ของลูกค้าไปยัง Qwen3-8B และสงวน Qwen3 Max สำหรับการวิเคราะห์ที่ซับซ้อน แนวทางแบบผสมผสานนี้ช่วยลดต้นทุนในขณะที่รักษาคุณภาพ
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="qwen/qwen3-max",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)enable_searchenable_thinkinginclude_reasoninglogprobsmax_tokensnparallel_tool_callspresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstreamstream_optionstemperaturethinking_budgettool_choicetoolstop_ktop_logprobstop_p| ระดับ | อินพุต / 1M โทเค็น | เอาต์พุต / 1M โทเค็น |
|---|---|---|
| ≤ 32K | $0.359 | $1.434 |
| ≤ 128K | $0.574 | $2.294 |
| ≤ 256K | $1.004 | $4.014 |
| เลือกระดับชั้นตามจำนวนโทเค็นอินพุตของแต่ละคำขอ | ||
ประมาณการจากราคาตั้ง
ราคาแบบขั้นบันได — การประเมินนี้ใช้อัตราขั้นพื้นฐาน
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/qwen/qwen3-maxเปิด @misc{orcarouter_qwen3_max,
title = {Qwen3 Max API},
author = {Qwen},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3-max}
}Qwen. (2025). Qwen3 Max API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3-max