Alibaba представи Qwen3.8-Flash-Next с цел „максимална икономическа ефективност“

Екипът на Qwen на Alibaba представя Qwen3.8-Flash-Next — мултимодален модел от смесени експерти, който служи като архитектурен преглед на Qwen4. Целта му е да се сравнява с много по-големи модели на малка част от разходите за обучение.

Моделът разполага с общо 125 милиарда параметъра, но активира само 6 милиарда на токен. Той включва и 51 милиарда параметъра в нов слой за N-грамови вграждания — една от архитектурните иновации, планирани за Qwen4. Този слой съхранява често срещани групи от думи като самостоятелни записи в своеобразен „речник на фразите“ и може да се намира в обикновената системна RAM памет, а не в графичния процесор, при „сравнително ниски допълнителни разходи“.

Моделът поддържа нативно контекстен прозорец от 262 144 токена и може да се мащабира до един милион токена чрез YaRN. Техническият доклад е публикуван в GitHub, а теглата са налични в Hugging Face и ModelScope. Производствената версия се предлага като Qwen3.8-Flash чрез QwenCloud на цена от 0,16 долара за милион входни токени и 0,47 долара за милион изходни токени. Според Qwen API ще заработи скоро.

Една девета от разходите за обучение, по-добри резултати

Qwen3.8-Flash-Next постига по-добри резултати от Qwen3.7-Plus при приблизително една девета от разходите за обучение, според екипа на Qwen, като най-големите подобрения са в програмирането и офис задачите. Qwen3.7-Plus има 397 милиарда параметъра, от които 17 милиарда се активират на токен — почти три пъти повече от активния брой при Flash-Next.

Публикуваните от Alibaba бенчмаркове сравняват модела с DeepSeek-V4-Flash (284 милиарда параметъра, 13 милиарда активирани) и Claude Opus 4.6 (Max) на Anthropic. Въпреки че и двата модела са много по-големи или по-скъпи, Flash-Next води в повечето тествани задачи.

Моделът изглежда оптимизиран за бенчмаркове за агентно програмиране, които изискват от изкуствения интелект самостоятелно да открива и поправя грешки в реални софтуерни проекти. Flash-Next получи 58,7 на DeepSWE и 62,5 на SWE-bench Pro, изпреварвайки както DeepSeek-V4-Flash, така и Claude Opus 4.6.

Разликата при офис задачите и задачите за продуктивност е още по-голяма. Flash-Next постигна 73,9 на CoWorkBench, докато DeepSeek-V4-Flash успя да достигне едва 45,1. На JobBench — тест за професионални работни процеси — Flash-Next получи 55,7, почти двойно повече от Qwen3.7-Plus с 27,6. При научното разсъждение (GPQA Diamond: 91,7) и състезателното програмиране (LiveCodeBench v6: 91,9) моделите са близки по резултати.

Claude Opus 4.6 излиза напред само на Humanity's Last Exam — тест, изграден около изключително трудни мултидисциплинарни задачи, но това е и „по-стар“ модел на Anthropic от февруари 2026 г. Както винаги, резултатите от бенчмаркове и представянето в реалния свят могат да се различават.

Цената продължава да оказва натиск върху конкурентите

Alibaba представи Qwen3.8-Max като своя настоящ водещ модел едва в началото на август, конкурирайки се с модели като Claude Opus 4.8, Gemini 3.1 Pro и GPT5.6 Sol. Flash-Next се представя малко по-слабо от водещия модел, но струва около една дванадесета от неговата цена, с приблизително 12-кратна разлика в цената както на входните, така и на изходните токени.

Този тип ценообразуване продължава да засилва натиска върху OpenAI и Anthropic. Qwen3.8-27B също се радва на популярност напоследък, тъй като може да работи локално и предлага силно представяне на почти никаква цена, ако разполагате с необходимия хардуер. Наскоро OpenAI отговори с големи отстъпки за новата си линия модели GPT-5.6. Това е добре за потребителите, но е лошо за бързия ръст на приходите, от който доставчиците на AI услуги се нуждаят, за да поддържат инвестиционната си история.

AI новини без сензации – подбрани от хора

Абонирайте се за THE DECODER за четене без реклами, седмичен AI бюлетин, нашия ексклузивен шест пъти годишно доклад за водещите модели „AI Radar“, пълен достъп до архива и достъп до секцията за коментари.