علیبابا قرار است روز چهارشنبه Qwen 3.8-Flash-Next را منتشر کند، یک مدل ۱۲۵ میلیارد پارامتری که تنها ۶ میلیارد پارامتر را به ازای هر توکن فعال میکند. تیم Qwen این مدل را به عنوان پیشنمایشی از معماری نسل بعدی Qwen 4 معرفی کرده و نه یک پرچمدار کامل.
هیچ اطلاعات رسمی در مورد این مدل در دست نیست، اما بر اساس شایعات، به احتمال زیاد یک سیستم "ترکیب متخصصان" (mixture-of-experts) خواهد بود؛ طراحیای که شبکه را به زیرمدلهای تخصصی متعددی تقسیم میکند و تنها موارد مرتبط را برای هر وظیفه فعال میسازد. بنابراین، یک مدل ۱۲۵ میلیارد پارامتری با هزینهی محاسباتی مدلی با تنها ۶ میلیارد پارامتر اجرا خواهد شد.
پارامترها اساساً تمام اهرمهایی هستند که یک مدل میتواند آنها را تنظیم کند. هرچه تعداد پارامترها بیشتر باشد، مدل توانمندتر و نیازمند قدرت محاسباتی بیشتری خواهد بود. یک سیستم "ترکیب متخصصان" (mixture of experts) این امکان را برای یک مدل بسیار قدرتمند فراهم میکند تا تنها آنچه را که برای ارائه بهترین خروجی نیاز دارد، فعال کند و منابع را هدر ندهد.
Qwen 3.8 Flash Next is releasing Tomorrow. 125B paramters +51B N-gram and 6B active. Its based on the next generation Qwen 4 architecture.
Qwen 4 is coming https://t.co/xduZNdKnKU pic.twitter.com/rAcBZlNwKs
— AiBattle (@AiBattle_) August 25, 2026
تیم Qwen علیبابا این مدل را چندوجهی (multimodal) و بر پایه معماری آتی Qwen 4 توصیف میکند و میگوید که این نسخه اولیه را برای آمادگی توسعهدهندگان برای خانواده کامل این مدل منتشر کرده است.
علیبابا یک تیزر منتشر کرده است، هرچند تیم آن را پیشنمایش مینامد. برنامه این است که بهبودهای معماری اکنون، پیش از عرضه کامل Qwen 4، ارائه شوند. Hugging Face، جایی که وزنهای مدل نیز در آن قرار دارند، آن را "پیشنمایشی از معماری Qwen 4" توصیف میکند.
بنچمارکهای رسمی هنوز منتشر نشدهاند. Qwen نتایج مقایسهای با مدلهای سری Qwen 3 خود یا رقبای غربی را منتشر نکرده است، بنابراین ارقام ۱۲۵ میلیارد و ۶ میلیارد پارامتر تأیید نشدهاند و ما تنها میتوانیم درباره عملکرد آن گمانهزنی کنیم.
سرعت انتشار مدلهای "وزنباز" (open-weight) چین بیامان بوده است. یک مدل رایگان مرموز به نام Ox Alpha اخیراً در برخی بنچمارکهای کدنویسی، Fable شرکت Anthropic را شکست داد، بدون اینکه سازنده مشخصی در پشت آن باشد. علیبابا، DeepSeek و Moonshot همگی وزنهای قدرتمندی را منتشر کردهاند که هر کسی میتواند آنها را دانلود، بهینهسازی (fine-tune) و اجرا کند.
وزنهای باز به توسعهدهندگان اجازه میدهند بدون ارسال داده به یک API بسته، مدل بسازند و هزینه مدلهای میزبانی شده را کاهش میدهند. به همین دلیل است که یک مدل ۱۲۵ میلیارد پارامتری باز با ۶ میلیارد پارامتر فعال اهمیت دارد: این مدل قابلیتهای نزدیک به خط مقدم (near-frontier) را روی سختافزارهای رایج ارائه میدهد.
اما باید منتظر اعداد باشیم. Qwen تا زمان نگارش این مطلب، امتیازات بنچمارک مربوط به این انتشار را منتشر نکرده بود.
