Alibaba prezentuje Qwen3.8-Flash-Next: model multimodalny z naciskiem na efektywność kosztową

Zespół Qwen z Alibaby zaprezentował Qwen3.8-Flash-Next, multimodalny model typu mixture-of-experts, który stanowi zapowiedź architektury Qwen4. Jego głównym celem jest dorównanie znacznie większym modelom pod względem wydajności, przy jednoczesnym znacznym obniżeniu kosztów szkolenia.

Innowacyjna architektura i parametry

Model Qwen3.8-Flash-Next charakteryzuje się 125 miliardami parametrów, z czego aktywowanych jest jedynie 6 miliardów na token. Kluczową innowacją jest nowa warstwa osadzania N-gramów, zawierająca 51 miliardów parametrów, która ma znaleźć się również w Qwen4. Warstwa ta przechowuje często występujące grupy słów jako niezależne wpisy w swoistym „słowniku fraz” i może być przechowywana w zwykłej pamięci RAM systemu, a nie na GPU, co generuje „stosunkowo niskie dodatkowe koszty”.

Model natywnie obsługuje okno kontekstowe o rozmiarze 262 144 tokenów, z możliwością skalowania do miliona tokenów dzięki technologii YaRN. Raport techniczny jest dostępny na GitHubie, a wagi modelu można znaleźć na platformach Hugging Face i ModelScope. Wersja produkcyjna, Qwen3.8-Flash, będzie dostępna za pośrednictwem QwenCloud w cenie 0,16 USD za milion tokenów wejściowych i 0,47 USD za milion tokenów wyjściowych. Zgodnie z zapowiedziami zespołu Qwen, API ma zostać uruchomione wkrótce.

Wydajność i oszczędności

Według zespołu Qwen, Qwen3.8-Flash-Next osiąga lepsze wyniki niż Qwen3.7-Plus, przy jednocześnie około dziewięciokrotnie niższych kosztach szkolenia. Największe usprawnienia zaobserwowano w zadaniach związanych z kodowaniem i pracą biurową. Dla porównania, Qwen3.7-Plus dysponuje 397 miliardami parametrów, z czego 17 miliardów jest aktywowanych na token, co jest niemal trzykrotnie większą liczbą niż w przypadku Flash-Next.

Alibaba opublikowała również wyniki benchmarków, w których Qwen3.8-Flash-Next został porównany z DeepSeek-V4-Flash (284 miliardy parametrów, 13 miliardów aktywowanych) oraz Claude Opus 4.6 (Max) firmy Anthropic. Pomimo że oba konkurencyjne modele są znacznie większe lub droższe, Flash-Next przewyższa je w większości testowanych zadań.

Model wydaje się być zoptymalizowany pod kątem benchmarków kodowania agentowego, które wymagają od sztucznej inteligencji samodzielnego znajdowania i naprawiania błędów w rzeczywistych projektach oprogramowania. Flash-Next uzyskał wynik 58,7 w teście DeepSWE i 62,5 w SWE-bench Pro, pokonując zarówno DeepSeek-V4-Flash, jak i Claude Opus 4.6.

Przewaga w zadaniach biurowych i produktywności

Przewaga Qwen3.8-Flash-Next jest jeszcze wyraźniejsza w zadaniach biurowych i związanych z produktywnością. Model osiągnął 73,9 punktu w CoWorkBench, podczas gdy DeepSeek-V4-Flash uzyskał zaledwie 45,1. W JobBench, teście profesjonalnych przepływów pracy, Flash-Next zdobył 55,7 punktu, co stanowi niemal dwukrotność wyniku Qwen3.7-Plus (27,6). W dziedzinach takich jak rozumowanie naukowe (GPQA Diamond: 91,7) i programowanie konkurencyjne (LiveCodeBench v6: 91,9) modele są ze sobą bardzo zbliżone.

Jedynie Claude Opus 4.6 wyprzedza Flash-Next w teście Humanity's Last Exam, który obejmuje niezwykle trudne problemy multidyscyplinarne. Warto jednak zaznaczyć, że jest to „starszy” model Anthropic, pochodzący z lutego 2026 roku. Jak zawsze, wyniki benchmarków mogą różnić się od rzeczywistej wydajności w praktyce.

Konkurencja na rynku i presja cenowa

Alibaba wprowadziła Qwen3.8-Max jako swój flagowy model na początku sierpnia, konkurujący z takimi rozwiązaniami jak Claude Opus 4.8, Gemini 3.1 Pro i GPT5.6 Sol. Flash-Next plasuje się tuż poniżej flagowca, ale kosztuje około dwunastokrotnie mniej, z podobną różnicą cenową dla tokenów wejściowych i wyjściowych. Taka polityka cenowa wywiera coraz większą presję na firmy takie jak OpenAI i Anthropic. Model Qwen3.8-27B również zyskał ostatnio popularność, ponieważ może działać lokalnie i oferuje wysoką wydajność przy niemal zerowych kosztach, zakładając posiadanie odpowiedniego sprzętu. OpenAI niedawno zareagowało znacznymi obniżkami cen swojej nowej linii modeli GPT-5.6. Jest to korzystne dla użytkowników, ale może negatywnie wpłynąć na szybki wzrost przychodów, którego dostawcy AI potrzebują do utrzymania zainteresowania inwestorów.

Wprowadzenie Qwen3.8-Flash-Next przez Alibabę wyraźnie wskazuje na rosnący trend w branży AI, gdzie efektywność kosztowa staje się równie ważna, jak sama wydajność. Strategia ta, polegająca na oferowaniu zaawansowanych możliwości przy znacznie niższych cenach, może zintensyfikować konkurencję i przyspieszyć demokratyzację dostępu do potężnych narzędzi sztucznej inteligencji, zmuszając innych graczy rynkowych do rewizji swoich modeli biznesowych i strategii cenowych.

Źródło: the-decoder.com