Qwen4
PulseAugur coverage of Qwen4 — every cluster mentioning Qwen4 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Qwen团队的优化工作可能会加速Qwen4的发布
据报道，Qwen团队正在对其 Qwen3.8 Flash Next 模型进行优化工作，希望这些努力能够加速即将发布的 Qwen4 模型的开发和发布。这种猜测源于在 Qwen3.8 Flash Next 发布页面上的讨论，暗示当前的工作可以为更快地升级到下一个版本铺平道路。
-
阿里巴巴发布新Qwen3.8-Flash模型，预览Qwen4
阿里巴巴发布了Qwen3.8-Flash，一个拥有1250亿参数的混合专家（Mixture-of-Experts）模型，它提供了对即将推出的Qwen4架构的早期预览。这个开放权重模型旨在提高效率，需要更少的训练资源，并在编码和办公任务上展现出增强性能的潜力。虽然一些开发者称赞其在消费级硬件上的效率，但其他人对其专业适用性表示怀疑。
-
开放权重AI模型通过新架构和代理功能取得进展 · 跟踪1个来源
本周的AI发展亮点在于开放权重模型的进步，Qwen 和 Z.ai 推出了专注于推理成本和质量的新稀疏/混合架构。Apodex 发布了一个实用的36B/3B-active MoE模型，Apodex-1.1-mini，该模型专门针对长期代理任务和本地部署进行了训练。在封闭前沿开发方面，OpenAI 测量了其专有推理芯片 Jalapeño 的初步结果，并发布了关于7月份涉及 Hugging Face 事件的事后分析。Prime Intell…
-
阿里巴巴预览Qwen4，采用新颖的逐层嵌入和稀疏注意力技术
阿里巴巴的Qwen团队发布了Qwen4-Exp，这是一个预览即将推出的Qwen4系列架构的实验模型。该模型引入了新颖的设计选择，包括逐层嵌入（PLE）和Qwen稀疏注意力（QSA），旨在在计算成本不成比例增加的情况下提高容量。PLE系统利用存储在主机RAM中的大型N-gram嵌入表，以最小的GPU影响提供显著的表示优势，并得到llama.cpp等框架的支持以进行CPU卸载。QSA通过在块级别而非令牌级别操作来提高效率，显著加快了长上下…
-
阿里巴巴 Qwen 预览 Qwen4 架构，支持 NVIDIA 微调
阿里巴巴 Qwen 团队发布了 Qwen3.8-Flash-Next，这是一个实验性的开源模型，预览了即将推出的 Qwen4 架构。NVIDIA 通过其 NeMo AutoModel 和 NeMo RL 框架为该模型的微调提供了首日支持。此次集成允许开发者为特定应用调整模型，并支持通过 SGL 和 vLLM 运行。
-
新开源权重 AI 模型发布：DeepSeekFlash、Qwen3.8 和 GLM 5.3 Flash
几款 AI 模型已发布或更新，重点关注开源权重和多模态能力。据报道，DeepSeekFlash 的 Ox Alpha 模型在六天内处理了 42 万亿个 token。阿里巴巴的 Qwen Group 推出了 Qwen3.8-Flash，这是一款多模态专家混合（MoE）模型，并预览了 Qwen4 架构，该架构现已提供开源权重。此外，GLM 5.3 Flash 也具有开源权重，已被添加到跟踪器中，拥有 130 万个 token 的上下文窗口。
-
Alibaba 的 Qwen 发布 Qwen3.8-Flash 多模态模型
Alibaba 的 Qwen 团队发布了 Qwen3.8-Flash，这是一款多模态专家混合（MoE）模型，作为即将推出的 Qwen4 架构的早期预览。该开放权重模型现已通过 QwenCloud API 提供，生产版本的定价为每 100 万输入 token 0.16 美元，每 100 万输出 token 0.47 美元。该模型拥有 1250 亿参数和额外的 510 亿 N-gram 参数。
-
阿里发布Qwen3.8-Flash-Next，成本大降、性能飙升 · 追踪6个来源
阿里已发布并开源Qwen3.8-Flash-Next，这是一款多模态的混合专家模型，预览了即将推出的Qwen4架构。该新模型拥有1250亿总参数，但每个token仅激活60亿参数，显著降低了训练和推理成本。据报道，Qwen3.8-Flash-Next在包括编码和办公任务在内的多项基准测试中，性能超越了Claude Opus 4.6和DeepSeek-V4-Flash等竞争对手，同时API定价也大幅降低。
-
阿里巴巴预览Qwen4架构，推出成本效益高的Qwen3.8-Flash-Next模型
阿里巴巴的Qwen团队发布了Qwen3.8-Flash-Next，这是一个开放权重的多模态MoE模型，预览了即将推出的Qwen4的架构。该新模型拥有显著的成本效益，在125B的骨干网络中每个token仅激活6B参数，并额外包含51B的N-gram嵌入。它在包括编码和多模态任务在内的各种基准测试中表现强劲，同时提供原生262K上下文窗口，可扩展至1M token。该架构引入了Qwen Sparse Attention (QSA) 和 G…
-
Unsloth 加速 Qwen3.8-Flash-Next 和 GLM-5.3-Flash 性能
Unsloth 发布了更新，显著加速了 Qwen3.8-Flash-Next 和 GLM-5.3-Flash 模型的性能，提供高达 2 倍的生成速度提升和更低的 token 消耗。这些改进归功于多轮规划 (MTP) 和针对 Apple Silicon 优化的 MLX 推理等优化，能够实现更长、更快的聊天。此次发布还包括对模型加载、聊天编辑安全、本地媒体 API 和硬件兼容性（特别是 AMD GPU）的广泛增强。