Alibaba Melancarkan Qwen3.8-Flash-Next: Era Baharu AI yang Cekap

Pasukan Qwen daripada Alibaba telah melancarkan Qwen3.8-Flash-Next secara rasmi, sebuah model multimodal Mixture-of-Experts (MoE) yang revolusioner, direka untuk memberikan prestasi elit pada sebahagian kecil daripada kos tradisional. Berfungsi sebagai pratonton seni bina untuk Qwen4 yang akan datang, model ini mencabar dominasi LLM yang jauh lebih besar dengan mengoptimumkan cara parameter diaktifkan dan disimpan.

Seni Bina Revolusioner: Inovasi Embedding N-gram

Pencapaian teknikal yang menonjol dalam Qwen3.8-Flash-Next adalah pengendalian uniknya antara skala berbanding kecekapan. Walaupun model ini mempunyai jumlah keseluruhan 125 bilion parameter, ia menggunakan pendekatan MoE jarang (sparse) yang hanya mengaktifkan 6 bilion parameter bagi setiap token. Ini membolehkan inferens berkelajuan tinggi tanpa mengorbankan keluasan pengetahuan yang terdapat dalam model yang lebih padat.

Satu inovasi kritikal yang dijadualkan untuk pelancaran penuh Qwen4 ialah penyertaan lapisan embedding N-gram dengan 51 bilion parameter. Lapisan ini berfungsi sebagai "kamus frasa," yang menyimpan kumpulan perkataan biasa sebagai entri berdiri sendiri. Yang paling penting, lapisan ini direka untuk berada dalam RAM sistem biasa dan bukannya memori GPU yang mahal, sekali gus mengurangkan kos perkakasan yang diperlukan untuk menjalankan model tersebut secara signifikan. Selain itu, model ini menyokong tetingkap konteks 262,144-token yang besar secara asli, dengan keupayaan untuk ditingkatkan sehingga satu juta token melalui YaRN.

Mengatasi Gergasi dalam Pengkodan dan Produktiviti

Walaupun mempunyai jumlah parameter aktif yang lebih kecil, Qwen3.8-Flash-Next memberikan keputusan penanda aras yang sering mengatasi pesaing yang jauh lebih besar seperti DeepSeek-V4-Flash (284B parameter) dan Claude Opus 4.6 (Max) daripada Anthropic. Model ini menunjukkan kekuatan khusus dalam tugas "agentic"—senario di mana AI mesti mengemudi persekitaran perisian yang kompleks secara bebas untuk menyelesaikan masalah.

Dalam penanda aras khusus, Flash-Next mencapai skor 62.5 pada SWE-bench Pro dan 58.7 pada DeepSWE, mengatasi DeepSeek dan Claude. Jurang prestasi adalah lebih ketara dalam aliran kerja profesional; pada CoWorkBench, Flash-Next mencatatkan skor 73.9, hampir dua kali ganda berbanding 45.1 milik DeepSeek-V4-Flash. Pada JobBench, ia mencatatkan skor 55.7, satu lonjakan besar daripada 27.6 yang dicatatkan oleh model Qwen3.7-Plus sebelum ini.

Harga yang Mengganggu Pasaran dan Landskap Persaingan

Alibaba bukan sahaja bersaing dari segi kecerdasan, tetapi juga dari segi kecekapan kos yang ekstrem. Versi pengeluaran, yang dihantar sebagai Qwen3.8-Flash melalui QwenCloud, ditetapkan pada harga yang mengejutkan iaitu $0.16 bagi setiap satu juta token input dan $0.47 bagi setiap satu juta token output. Sebagai perbandingan, model ini berprestasi hampir setanding dengan model utama Qwen3.8-Max tetapi pada kos kira-kira satu per dua belas daripada harga tersebut.

Strategi harga yang agresif ini memberi tekanan hebat kepada peneraju AI Barat seperti OpenAI dan Anthropic. Dengan membuktikan bahawa model yang dilatih pada satu per sembilan kos pendahulunya boleh memberikan hasil yang lebih unggul dalam tugas pengkodan dan pejabat, Alibaba memberi isyarat tentang peralihan dalam industri: masa depan AI mungkin bukan milik model yang paling besar, tetapi milik model yang paling cekap dari segi seni bina.

Ringkasan Utama

  • Pratonton Seni Bina: Qwen3.8-Flash-Next memperkenalkan lapisan embedding N-gram 51B yang menggunakan RAM sistem untuk mengurangkan kebergantungan kepada GPU, sebagai pendahulu kepada seni bina Qwen4.
  • Dominasi Penanda Aras: Model ini mengatasi pesaing yang lebih besar seperti Claude Opus 4.6 dan DeepSeek-V4-Flash dalam pengkodan agentic (SWE-bench Pro) dan produktiviti profesional (CoWorkBench).
  • Kecekapan Kos Ekstrem: Dengan jumlah parameter aktif hanya 6B bagi setiap token, model ini menawarkan kecerdasan tahap tinggi pada sebahagian kecil kos model utama, sekali gus mengganggu landskap harga AI semasa.