Qwen3 Max preview — bản xem trước chat độc quyền, ngữ cảnh 256k, chế độ suy luận + gọi hàm.
Qwen3-Max-Preview là một mô hình ngôn ngữ lớn chỉ xử lý văn bản thuộc họ Qwen, được phát triển bởi nhóm Qwen của Alibaba Cloud. Hiện tại, mô hình đang ở trạng thái xem trước, nghĩa là cung cấp quyền…
Qwen3-Max-Preview được tối ưu hóa cho các tác vụ yêu cầu xử lý khối lượng lớn văn bản và tạo ra các phản hồi mạch lạc, chi tiết. Nó vượt trội trong các tác vụ như tóm tắt toàn bộ sách hoặc bài nghiên cứu, trích xuất thông tin từ các bản ghi dài, và thực hiện suy luận phức tạp trên nhiều trang ngữ cảnh. Nó có thể tạo mã, viết tài liệu có cấu trúc, và làm theo các hướng dẫn nhiều bước trải dài hàng trăm đoạn văn. Giới hạn đầu ra cao của nó cho phép tạo ra nội dung mở rộng như báo cáo đầy đủ, giải thích chi tiết, hoặc viết sáng tạo dài hạn trong một lần gọi duy nhất.
Cửa sổ ngữ cảnh gồm 262.144 token cho phép mô hình xem xét toàn bộ một tài liệu hoặc cuộc hội thoại rất dài mà không bị cắt bớt. Điều này có lợi cho các tác vụ như xem xét tài liệu pháp lý, nơi mọi điều khoản đều quan trọng, hoặc phân tích toàn bộ kho mã nguồn trong một lần. Nó cũng hỗ trợ xây dựng các ứng dụng duy trì bộ nhớ dài hạn qua nhiều tin nhắn, chẳng hạn như chatbot hỗ trợ khách hàng cần nhớ lại toàn bộ lịch sử tương tác. Ngữ cảnh lớn loại bỏ nhu cầu về các chiến lược phân đoạn phức tạp, đơn giản hóa logic ứng dụng.
Đối với các tác vụ đơn giản như trả lời câu hỏi dạng ngắn, tóm tắt cơ bản các văn bản ngắn hoặc phân loại đơn giản, một mô hình nhỏ hơn và ít tốn kém hơn có thể tiết kiệm chi phí hơn. Qwen3-Max-Preview là mô hình có năng lực cao với các yêu cầu tính toán tương ứng. Nếu trường hợp sử dụng của bạn không yêu cầu cửa sổ ngữ cảnh lớn hoặc độ sâu suy luận cao, hãy cân nhắc sử dụng một mô hình nhỏ hơn như Qwen2.5-7B hoặc một lựa chọn thay thế từ danh mục của OrcaRouter. Điều này có thể giảm chi phí và độ trễ trong khi vẫn đạt được hiệu suất đáp ứng cho các khối lượng công việc đơn giản hơn.
Qwen3-Max-Preview chỉ chấp nhận đầu vào dạng văn bản và chỉ tạo ra đầu ra dạng văn bản. Nó không hỗ trợ đầu vào hình ảnh, âm thanh hay video. Điều này khiến nó trở thành một mô hình ngôn ngữ thuần túy, tập trung hoàn toàn vào khả năng hiểu và sinh ngôn ngữ tự nhiên. Định dạng đầu ra của nó là văn bản thuần, có thể được cấu trúc dưới dạng JSON, markdown hoặc bất kỳ định dạng dựa trên văn bản nào được yêu cầu qua prompt API. Đối với các ứng dụng yêu cầu đầu vào đa phương thức, người dùng sẽ cần kết hợp mô hình này với các mô hình thị giác hoặc âm thanh riêng biệt có sẵn qua API của OrcaRouter.
Chuẩn MMLU-Pro là phiên bản nâng cấp của bài kiểm tra Massive Multitask Language Understanding, bao gồm 57 môn học như khoa học, luật, y học và nhân văn. Điểm số 83,8 có nghĩa là mô hình đã trả lời đúng 83,8% câu hỏi, điều này cho thấy kiến thức tổng quát mạnh và khả năng suy luận trên nhiều lĩnh vực khác nhau. Điều này đưa Qwen3-Max-Preview vào nhóm các mô hình văn bản hiệu suất cao. MMLU-Pro được thiết kế khó hơn MMLU gốc nhờ bao gồm các câu hỏi suy luận nhiều bước và tinh tế hơn, vì vậy điểm số này phản ánh kỹ năng giải quyết vấn đề vững chắc.
Mặc dù chỉ có điểm MMLU-Pro được cung cấp, chuẩn đánh giá này vốn dĩ kiểm tra khả năng suy luận đa bước qua nhiều chủ đề. Một điểm số cao cho thấy mô hình có thể xử lý suy luận logic, lập luận toán học và hiểu ngữ cảnh. Nếu không có các chuẩn đánh giá bổ sung như GSM8K hay HumanEval, chúng tôi không thể so sánh trực tiếp hiệu suất toán học hoặc lập trình của nó. Tuy nhiên, MMLU-Pro bao gồm các câu hỏi yêu cầu tổng hợp kiến thức, vì vậy một kết quả mạnh thường tương quan với hiệu suất tốt trên các tác vụ suy luận khác. Người dùng nên đánh giá mô hình trên các tập dữ liệu cụ thể của họ để xác nhận cuối cùng.
Dựa trên thực tế được cung cấp, một điểm mạnh chính là sự kết hợp giữa cửa sổ ngữ cảnh rất lớn và điểm MMLU-Pro cao, cho thấy mô hình có thể duy trì sự mạch lạc và độ chính xác trên các đầu vào dài. Giới hạn đầu ra cao cũng là một điểm mạnh để tạo ra các phản hồi dài. Một hạn chế là đây là mô hình xem trước, do đó có thể kém ổn định hơn so với bản phát hành sản xuất; hiệu suất có thể thay đổi hoặc biến đổi theo thời gian. Ngoài ra, chỉ xử lý văn bản đã hạn chế việc sử dụng nó vào các tác vụ ngôn ngữ. Không có thông tin về độ trễ hoặc thông lượng được cung cấp, vì vậy các yếu tố đó nên được kiểm tra trong môi trường của bạn.
Các con số cụ thể về độ trễ và thông lượng cho Qwen3-Max-Preview không có sẵn trong các dữ liệu được cung cấp. Là một mô hình có khả năng cao với ngữ cảnh lớn, suy luận có thể mất nhiều thời gian hơn các mô hình nhỏ hơn, đặc biệt khi xử lý đầu vào dài hoặc tạo ra nhiều token đầu ra. Tốc độ thực tế phụ thuộc vào các yếu tố như cấu hình phần cứng, tải yêu cầu và chi tiết cụ thể của prompt. API của OrcaRouter xử lý cơ sở hạ tầng bên dưới, vì vậy bạn có thể kiểm tra hiệu suất của mô hình với khối lượng công việc của riêng mình để xác định xem nó có đáp ứng yêu cầu về độ trễ của bạn hay không. Cân nhắc sử dụng phát trực tuyến (streaming) cho các ứng dụng thời gian thực.
Thông tin về giá cho qwen/qwen3-max-preview không được cung cấp trong các dữ liệu hiện có. Thông thường, OrcaRouter tính phí theo token cho cả đầu vào và đầu ra, với mức giá có thể thay đổi theo cấp độ mô hình và nhà cung cấp. Vì đây là mô hình xem trước, giá có thể khác so với các bản phát hành ổn định. Để biết giá hiện tại, vui lòng tham khảo trang giá chính thức của OrcaRouter hoặc liên hệ với đội ngũ bán hàng của họ. Giá cũng có thể phụ thuộc vào tổng khối lượng sử dụng hoặc các thỏa thuận chi tiêu cam kết. Luôn kiểm tra mức giá mới nhất trước khi xây dựng ứng dụng sản xuất.
Vì không có mức giá cụ thể nào được cung cấp, các nguyên tắc đánh đổi chung sẽ được áp dụng. Các mô hình lớn hơn với cửa sổ ngữ cảnh cao hơn tiêu thụ nhiều tài nguyên tính toán hơn, do đó chúng có xu hướng đắt hơn trên mỗi token so với các mô hình nhỏ hơn. Cửa sổ ngữ cảnh lớn của Qwen3-Max-Preview có nghĩa là bất kỳ lời nhắc nào sử dụng toàn bộ cửa sổ sẽ phải chịu chi phí token đầu vào đáng kể. Tuy nhiên, điều này có thể làm giảm nhu cầu thực hiện nhiều lệnh gọi API hoặc phân đoạn tùy chỉnh, có khả năng giảm chi phí tổng thể cho các tác vụ được hưởng lợi từ một ngữ cảnh dài duy nhất. Bạn nên ước tính mức sử dụng token điển hình của mình và so sánh với các mô hình đơn giản hơn để tìm ra tùy chọn tiết kiệm chi phí nhất cho khối lượng công việc của mình.
Các chính sách về bộ nhớ đệm không được nêu chi tiết trong các thông tin được cung cấp. Nhiều nhà cung cấp API, bao gồm OrcaRouter, có thể cung cấp tính năng lưu đệm (prompt caching) cho các token tiền tố lặp lại, giúp giảm chi phí và độ trễ. Nếu OrcaRouter triển khai bộ nhớ đệm cho mô hình này, các lời nhắc hệ thống được sử dụng thường xuyên hoặc các khối ngữ cảnh tĩnh lớn có thể được lưu vào bộ nhớ đệm và tính phí với mức giá thấp hơn. Tuy nhiên, nếu không có xác nhận, bạn nên giả định rằng mỗi yêu cầu được tính phí cho toàn bộ số token đầu vào được gửi đi. Hãy kiểm tra tài liệu của OrcaRouter để biết các tính năng bộ nhớ đệm mới nhất và cách chúng áp dụng cho qwen/qwen3-max-preview.
Để ước tính chi phí, bạn cần biết giá cho mỗi token (đầu vào và đầu ra). Vì thông tin này chưa được cung cấp, bạn có thể sử dụng mức giá tạm thời từ trang giá của OrcaRouter khi có sẵn. Tính số token đầu vào hàng tháng dự kiến (prompt + ngữ cảnh) và token đầu ra (kết quả sinh). Ví dụ: nếu bạn xử lý các tài liệu trung bình 100.000 token mỗi tài liệu và sinh ra 10.000 token cho mỗi yêu cầu, hãy nhân với tỷ lệ giá trên mỗi token và số lượng yêu cầu hàng tháng dự kiến. Bao gồm chi phí phát sinh tiềm ẩn từ việc thử lại hoặc ngữ cảnh thêm. Dù chưa có tỷ lệ giá thực tế, bạn vẫn có thể lập kế hoạch bằng cách đặt ngân sách và theo dõi mức sử dụng qua bảng điều khiển của OrcaRouter.
Bạn có thể truy cập mô hình qua endpoint API tương thích OpenAI của OrcaRouter tại https://api.orcarouter.ai/v1. Sử dụng mã mô hình 'qwen/qwen3-max-preview' trong yêu cầu của bạn. API hỗ trợ các tham số hoàn thành trò chuyện tiêu chuẩn của OpenAI như 'messages', 'max_tokens', 'temperature', 'top_p', và 'stream'. Xác thực được thực hiện thông qua một khóa API mà bạn lấy từ OrcaRouter. Ví dụ sử dụng curl: curl https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{ "model": "qwen/qwen3-max-preview", "messages": [{"role": "user", "content": "Hello"}], "max_tokens": 100 }'
API hỗ trợ các tham số chuẩn của endpoint chat completions của OpenAI. 'messages' là một mảng các đối tượng tin nhắn với các vai trò như 'system', 'user' và 'assistant'. 'max_tokens' kiểm soát độ dài đầu ra tối đa (lên tới 65.536 cho mô hình này). 'temperature' điều chỉnh độ ngẫu nhiên (mặc định thường là 1.0). 'top_p' dùng cho lấy mẫu nucleus. 'stream' dùng cho phản hồi dạng stream bằng sự kiện do máy chủ gửi. 'stop' là các chuỗi để kết thúc quá trình sinh. Các tham số bổ sung như 'frequency_penalty' và 'presence_penalty' cũng có thể được hỗ trợ. Lưu ý rằng mô hình chỉ chấp nhận nội dung văn bản; không hỗ trợ loại nội dung hình ảnh hoặc âm thanh.
Nếu bạn đang di chuyển từ một API khác sử dụng định dạng tương thích với OpenAI, thì việc chuyển đổi sang OrcaRouter rất đơn giản. Thay đổi base URL của bạn thành https://api.orcarouter.ai/v1 và thay thế tên model bằng 'qwen/qwen3-max-preview'. Cập nhật API key của bạn thành key do OrcaRouter cấp. Tất cả các tham số khác (messages, temperature, v.v.) vẫn giữ nguyên. Bạn có thể cần điều chỉnh cách tính token nếu nhà cung cấp trước đây của bạn có tokenizer hoặc giá khác. Hãy thử nghiệm với một vài yêu cầu mẫu để đảm bảo phản hồi đáp ứng chất lượng mong đợi. Tài liệu của OrcaRouter cung cấp hướng dẫn di chuyển cho các nhà cung cấp phổ biến.
Có, vì OrcaRouter cung cấp API tương thích với OpenAI, bạn có thể sử dụng SDK Python chính thức của OpenAI hoặc bất kỳ thư viện client nào được thiết kế cho OpenAI với những thay đổi tối thiểu. Chỉ cần đặt URL cơ sở thành https://api.orcarouter.ai/v1 và sử dụng khóa API OrcaRouter của bạn. Ví dụ, trong Python: from openai import OpenAI; client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='YOUR_KEY'); response = client.chat.completions.create(model='qwen/qwen3-max-preview', messages=[...]). Khả năng tương thích này mở rộng đến streaming, các cuộc gọi bất đồng bộ và các tính năng SDK khác.
Qwen3-Max-Preview là bản xem trước của mô hình lớn thế hệ tiếp theo thuộc dòng Qwen, có khả năng cải thiện so với các phiên bản trước như Qwen2.5-72B. Cửa sổ ngữ cảnh lớn (262K token) là một nâng cấp đáng kể so với các mô hình Qwen trước đây vốn thường có 128K hoặc ít hơn. Điểm MMLU-Pro 83,8 có tính cạnh tranh, nhưng không thể so sánh chính xác nếu không có điểm số của các mô hình trước đó trong cùng một bài kiểm tra. Là một bản xem trước, nó có thể có cấu trúc chi phí khác và có thể thiếu tính ổn định của các mô hình Qwen2.5 đã sẵn sàng sản xuất. Người dùng nên đánh giá cả hai phiên bản trên các tác vụ cụ thể của họ.
Không có sẵn các so sánh benchmark trực tiếp, nhưng GPT-4o là mô hình đa phương thức với khả năng xử lý văn bản, hình ảnh và âm thanh, trong khi Qwen3-Max-Preview chỉ hỗ trợ văn bản. GPT-4o thường đạt điểm MMLU cao (khoảng 88-90 trên MMLU tiêu chuẩn), nhưng điểm MMLU-Pro (phiên bản khó hơn) có thể khác biệt. Cửa sổ ngữ cảnh của GPT-4o là 128K token, bằng một nửa so với 262K của Qwen3-Max-Preview. Đối với các tác vụ thuần văn bản yêu cầu ngữ cảnh rất dài, Qwen3-Max-Preview có thể là lợi thế. Tuy nhiên, tính đa phương thức và hệ sinh thái hỗ trợ rộng hơn của GPT-4o có thể phù hợp hơn cho các ứng dụng liên quan đến hình ảnh hoặc âm thanh. Giá cả và độ trễ cần được so sánh trong các trường hợp sử dụng cụ thể.
Claude 3.5 Sonnet có cửa sổ ngữ cảnh 200K token, nhỏ hơn mức 262K của Qwen3-Max-Preview. Cả hai đều là mô hình văn bản mạnh, nhưng Claude được biết đến với tính an toàn và suy luận tinh tế. Điểm MMLU-Pro 83,8 của Qwen3-Max-Preview cung cấp một dữ liệu tham khảo; Claude thường đạt điểm cao trên MMLU. Các mô hình Claude hỗ trợ đầu vào hình ảnh, trong khi Qwen3-Max-Preview chỉ xử lý văn bản. Claude cũng có khả năng xử lý system prompt riêng và các tính năng hiến pháp AI. Đối với xử lý văn bản thuần túy với ngữ cảnh cực dài, Qwen3-Max-Preview có thể có lợi thế về độ dài ngữ cảnh, nhưng bạn nên thử nghiệm cả hai trên các tác vụ cụ thể của mình để xác định mô hình nào mang lại độ chính xác và hiệu quả chi phí tốt hơn.
Llama 3.1 405B là một mô hình mở lớn với cửa sổ ngữ cảnh 128K token, nhỏ hơn đáng kể so với 262K của Qwen3-Max-Preview. Điểm MMLU của Llama 3.1 405B là khoảng 88.4 trên MMLU tiêu chuẩn, nhưng điểm MMLU-Pro vẫn chưa được biết. Điểm 83.8 của Qwen3-Max-Preview trên MMLU-Pro cho thấy khả năng suy luận cạnh tranh. Llama 3.1 có sẵn dưới dạng trọng số mở, cho phép tự lưu trữ, trong khi Qwen3-Max-Preview được truy cập qua API của OrcaRouter. Đối với triển khai tại chỗ, Llama có thể được ưa chuộng hơn; để dễ sử dụng và ngữ cảnh lớn, Qwen3-Max-Preview qua API đơn giản hơn. So sánh chi phí phụ thuộc vào chi phí tự lưu trữ so với giá API, nhưng chưa được cung cấp.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
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-preview",
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| Bậc | Đầu vào / 1M tokens | Đầu ra / 1M tokens |
|---|---|---|
| ≤ 32K | $0.861 | $3.441 |
| ≤ 128K | $1.434 | $5.735 |
| ≤ 256K | $2.151 | $8.602 |
| Bậc được chọn theo số token đầu vào của mỗi yêu cầu | ||
Ước tính theo giá niêm yết
Giá theo bậc — ước tính này dùng mức giá bậc cơ bản.
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
GET /api/public/models/qwen/qwen3-max-previewMở @misc{orcarouter_qwen3_max_preview,
title = {qwen/qwen3-max-preview API},
author = {qwen},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3-max-preview}
}qwen. (n.d.). qwen/qwen3-max-preview API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3-max-preview