Réponse en premier : Qwen4 n’est plus seulement un nom spéculatif. Qwen décrit Qwen3.8-Flash-Next comme un modèle MoE multimodal et un aperçu expérimental de l’architecture qui sous-tendra Qwen4. Cela confirme une orientation architecturale axée sur l’efficacité, mais ne constitue pas un lancement de produit Qwen4. La gamme finale des modèles, l’échelle de paramètres, la grille de benchmarks, l’identifiant API, la licence, les prix et le calendrier de sortie restent non divulgués.
Qu’est-ce que Qwen4 ?
Qwen4 est la prochaine grande architecture Qwen désormais reconnue par l’équipe Qwen, bien qu’aucun modèle Qwen4 autonome ni famille de produits n’ait été lancé. Les documents officiels sur Qwen3.8-Flash-Next le qualifient d’aperçu expérimental de l’architecture de Qwen4. Ils ne dévoilent pas le nombre final de paramètres, la gamme de produits, la grille de benchmarks, les prix, l’identifiant API, la licence ou la date de sortie. Les valeurs exactes qui ne peuvent être tracées à Qwen ou Alibaba Cloud doivent toujours être considérées comme non vérifiées.
La manière la plus utile de parler de Qwen4 consiste toujours à distinguer trois niveaux de preuves. Les informations confirmées incluent désormais les modèles Qwen actuels, la documentation publiée et l’aperçu architectural Qwen3.8-Flash-Next. Les directions attendues sont des inférences fondées sur ces signaux. Les inconnues sont les détails finaux des produits qui ne peuvent pas être comblés de manière responsable par des estimations. Cette distinction importe parce que l’aperçu confirme l’intention architecturale sans définir la famille Qwen4 de production.
| Niveau de preuve | Comment l’utiliser | Exemples dans cet article |
|---|---|---|
| Confirmé | Énoncer comme un fait avec un lien officiel direct | Aperçu de l’architecture Qwen3.8-Flash-Next ; échelle et baseline de Qwen3.8-Max |
| Attendu | Employer un langage prudent et expliquer l’inférence | Comment l’architecture d’aperçu peut évoluer vers les modèles Qwen4 finaux |
| Inconnu | Ne pas inventer une valeur ni un engagement de sortie | Gamme finale de modèles, paramètres, scorecard, prix, licence et ID d’API |
Pourquoi Qwen4 est l’étape logique suivante
La génération Qwen3 a établi une approche hybride du raisonnement. Son introduction officielle décrit des modes thinking et non-thinking qui permettent aux développeurs d’échanger la vitesse de réponse contre une délibération plus profonde. La même génération a aussi étendu le support multilingue et renforcé l’usage d’outils, y compris des workflows d’agents orientés MCP.
La feuille de route de Qwen pointait ensuite vers l’augmentation des données, l’extension du contexte, l’élargissement des modalités et un RL avec feedback environnemental. Cette feuille de route compte davantage que des prédictions de sortie basées sur des rumeurs : elle présente la prochaine génération comme une transition du training de modèles vers le training d’agents capables d’interagir avec des environnements et d’accomplir des travaux à long horizon.
La ligne Qwen3.8 fournit désormais deux références différentes. Qwen3.8-Max reste l’actuelle référence phare des capacités, avec un système MoE de 2,4 billions de paramètres hébergé pour le code, le travail bureautique, la compréhension visuelle, les longs documents, les longues vidéos et la planification autonome. Qwen3.8-Flash-Next joue un autre rôle : Qwen le positionne explicitement comme l’aperçu de l’architecture de Qwen4. Un futur Qwen4 devra combiner l’amplitude du modèle phare avec le design orienté efficacité de l’aperçu.
Ce que Qwen3.8-Flash-Next révèle sur Qwen4
Qwen3.8-Flash-Next est la première preuve publique concrète de la base de Qwen4. Qwen le qualifie de première sortie à poids ouverts sous la nouvelle architecture et indique que le design sous-tendra Qwen4. L’aperçu est donc plus solide qu’une inférence de feuille de route, tout en laissant ouverts l’échelle et la configuration du modèle de production.
Le modèle est un modèle de langage causal multimodal avec un encodeur de vision. Son modèle de langage contient 125B de paramètres avec 6B activés, plus 51B de paramètres d’embeddings n-grammes et 4B de paramètres MTP. Il comporte 48 couches, 512 experts avec 10 experts routés et un expert partagé actif par token, un contexte natif de 262 144 tokens et un support d’extension jusqu’à 1 000 000 tokens.
| Signal d’architecture | Confirmé dans Qwen3.8-Flash-Next | Ce que cela suggère pour Qwen4 |
|---|---|---|
| MoE ultra clairsemé | Modèle principal 125B ; 6B actifs par token ; 512 experts | La capacité par unité de calcul actif pourrait être un objectif central |
| Attention hybride | Trois couches Gated DeltaNet pour chaque couche Qwen Sparse Attention | La latence en long contexte et l’efficacité du KV-cache pourraient primer sur la taille brute |
| Résiduel à portes | Quatre branches résiduelles élargies avec portes dépendantes des données | Qwen teste une montée en échelle plus expressive avec un surcoût contrôlé |
| Embeddings n-grammes | 51B de paramètres d’embeddings bigrammes et trigrammes | Une capacité déplaçable en mémoire pourrait compléter l’échelle MoE coûteuse en calcul |
| Multimodalité native | Modèle de langage causal avec encodeur de vision | Le texte et la vision sont probablement des fondations architecturales |
| Long contexte | 262K natif ; extensible à 1M | Qwen4 pourrait mettre l’accent sur des agents efficaces à long horizon |
Les résultats de benchmarks rapportés par le fournisseur montrent aussi pourquoi l’architecture importe. Malgré seulement 6B de paramètres activés par token, elle dépasse le baseline dense Qwen3.8-27B sur les évaluations sélectionnées de code, de travail bureautique, d’usage d’outils et d’agents multimodaux ci-dessous. Ces résultats ne sont pas des scores de Qwen4 ; ils indiquent que la nouvelle architecture vise à augmenter la capacité par paramètre actif.
| Benchmark | Qwen3.8-Flash-Next | Qwen3.8-27B |
|---|---|---|
| DeepSWE 1.1 | 58.7 | 42.2 |
| SWE-bench Pro | 62.5 | 61.7 |
| CoWorkBench | 73.9 | 70.7 |
| Toolathlon Verified | 73.5 | 67.1 |
| ClawEval-MM (Pass@3) | 64.4 | 57.4 |
| AndroidWorld | 84.5 | 81.9 |
Interprétation : Flash-Next transforme trois attentes Qwen4 en signaux plus forts : activation ultra clairsemée, attention hybride long contexte et multimodalité native. Il ne révèle pas le nombre final de paramètres de Qwen4, sa configuration de contexte exacte, ses niveaux de produits ni son calendrier de sortie.
Spécifications attendues de Qwen4
Faute de spécification finale de Qwen4, le tableau ci-dessous utilise Qwen3.8-Max comme référence de production confirmée et Qwen3.8-Flash-Next comme signal d’architecture confirmé. L’aperçu augmente la confiance dans plusieurs directions, mais chaque champ final de Qwen4 reste soit attendu, soit inconnu jusqu’à la publication du modèle par Qwen.
| Spécification | Référence confirmée Qwen3.8-Max | Attente pour Qwen4 | Confiance |
|---|---|---|---|
| Statut | Publié | Aperçu d’architecture confirmé ; modèle non lancé | Confirmé |
| Architecture | MoE clairsemé avec base d’attention hybride | Attendu qu’il s’appuie sur GDN + QSA de Flash-Next, résiduel à portes et embeddings n-grammes | Élevée |
| Paramètres totaux | 2.4T | Inconnu ; pourrait ne pas dépasser 2.4T | Faible |
| Paramètres actifs | Environ 95B par pas dans le modèle à poids ouverts | Probable routage ultra clairsemé ; calcul actif exact inconnu | Moyenne-élevée |
| Fenêtre de contexte | 1,000,000 tokens | Optimisée pour long contexte ; limites natives et par défaut finales inconnues | Élevée |
| Sortie maximale | 131,072 tokens | Probablement maintenue ou étendue | Moyenne |
| Entrées prises en charge | Texte, image et vidéo | Direction multimodale confirmée ; support audio exact inconnu | Élevée |
| Modalité de sortie | Texte | Texte probable ; sortie média native non confirmée | Moyenne |
| Raisonnement | Workflows thinking et inférence plus rapide | Contrôles de thinking probables ; comportement API final inconnu | Moyenne-élevée |
| Prise en charge des outils | Appels de fonction et sortie structurée | Sélection d’outils plus robuste, état préservé et reprise attendus | Élevée |
| Poids et licence | Checkpoint phare à poids ouverts existant | L’aperçu est à poids ouverts ; licence et checkpoints finaux de Qwen4 inconnus | Moyenne |
| ID de modèle API | qwen3.8-max | Non disponible | Confirmé |
Interprétation : Flash-Next renforce la confiance dans le routage MoE ultra clairsemé, l’attention hybride long contexte, les résiduels à portes, les embeddings n-grammes et la multimodalité native. Il ne prouve pas qu’un modèle Qwen4 final utilisera 125B de paramètres, activera 6B par token ou conservera les mêmes limites de contexte.
Sur quelle architecture Qwen4 devrait-il se baser ?
Le MoE ultra clairsemé est désormais le signal le plus fort
La question architecturale est désormais moins spéculative. La fiche du modèle Qwen3.8-Flash-Next documente 125B de paramètres principaux avec seulement 6B activés par token, plus 51B d’embeddings n-grammes. Ce design ultra clairsemé suggère que Qwen4 pourrait privilégier la capacité totale par unité de calcul actif plutôt que d’augmenter les paramètres actifs proportionnellement à la capacité stockée.
La question importante n’est pas de savoir si Qwen4 comporte plus d’experts, mais si le routage, l’accès mémoire et la spécialisation des experts restent stables sur de longues tâches. Les embeddings n-grammes de Flash-Next montrent aussi que Qwen explore une capacité moins coûteuse en calcul et plus facile à décharger que l’échelle MoE conventionnelle.
L’attention hybride vise l’efficacité sur le long contexte
Flash-Next remplace l’association antérieure Gated DeltaNet + full attention par Gated DeltaNet et Qwen Sparse Attention opérant au niveau micro-bloc. Ses 48 couches répètent trois blocs Gated DeltaNet suivis d’un bloc d’attention clairsemée. C’est le signe le plus clair que Qwen4 pourrait être conçu pour réduire la latence en long contexte et la pression sur le KV-cache plutôt que de compter sur une fenêtre d’attention dense plus large.
Le long contexte devrait devenir la mémoire de l’agent, pas seulement un prompt plus grand
Une fenêtre d’un million de tokens n’est utile que si le modèle peut récupérer les bonnes preuves, préserver les objectifs et éviter d’accumuler un état contradictoire. Qwen4 devrait donc être évalué sur la manière dont il utilise le long contexte à travers les appels d’outils, les modifications de fichiers, les résultats intermédiaires et la reprise après erreur. La longueur brute du contexte est moins informative que la précision de récupération et l’achèvement des tâches sur une trajectoire longue.
Le contrôle du raisonnement pourrait devenir plus fin
Le design hybride de Qwen3 permettait déjà un comportement rapide et délibéré. Flash-Next renforce ce signal en prenant en charge enable_thinking, preserve_thinking et reasoning_effort. Une amélioration significative de Qwen4 pourrait allouer le raisonnement de manière dynamique et ne préserver que l’état qui améliore la cohérence multi-étapes, réduisant ainsi le coût total du workflow plutôt que de produire simplement un raisonnement visible plus long.
La multimodalité pourrait se rapprocher de l’usage informatique
La multimodalité est désormais une attente plus forte parce que le service hébergé Qwen3.8-Max et l’aperçu à poids ouverts Flash-Next prennent tous deux en charge l’entrée visuelle. Qwen4 pourrait combiner cette perception avec une action plus fiable : comprendre une capture d’écran, sélectionner un contrôle d’UI, vérifier le résultat et corriger le plan. L’audio natif, la génération d’images, la sortie vocale et la génération vidéo restent non confirmés.
Fonctionnalités attendues de Qwen4
- Agents plus fiables sur le long horizon. Taux d’échec d’appels d’outils plus bas, meilleure rétention d’objectifs, meilleure reprise et livrables plus cohérents après des centaines d’actions.
- Ingénierie logicielle à l’échelle d’un dépôt. Planification améliorée à travers grands codebases, tests, terminaux, gestion d’issues et environnements de déploiement.
- Travail de connaissance de bout en bout. Un chemin renforcé entre recherche et analyse documentaire vers feuilles de calcul, présentations, rapports et livrables prêts à la décision.
- Usage d’outils multimodal. Compréhension visuelle qui informe l’interaction avec l’UI, les opérations sur documents et le raisonnement ancré dans l’environnement.
- Budgets de raisonnement adaptatifs. Escalade automatique de réponses rapides vers un raisonnement plus profond lorsque l’incertitude ou la complexité augmente.
- Capacité plus élevée par paramètre actif. Meilleur routage des experts, capacité n-grammes, attention clairsemée, mise en cache et post-training plutôt que l’échelle pour l’échelle.
- Une famille de modèles plus large. Possibles variantes Max, Plus, Coder, small MoE, VL ou Omni, bien qu’aucun de ces noms ne soit confirmé.
Perspectives de benchmarks Qwen4 : ce que montre la référence Qwen3.8-Max
Il n’y a pas de scores de Qwen4. Flash-Next et Max répondent à des questions différentes : la grille de scores de Flash-Next teste la capacité orientée efficacité de la nouvelle architecture, tandis que la grille officielle de Qwen3.8-Max demeure la référence de production la plus solide pour les agents de codage, la reproduction de recherche, le cowork professionnel, le raisonnement visuel, l’usage mobile et l’usage informatique. Qwen4 devra combiner ces deux directions sous des évaluations harmonisées.
| Benchmark | Score rapporté Qwen3.8-Max | Ce que Qwen4 devrait démontrer |
|---|---|---|
| SWE-Pro | 67.7 | Réduire l’écart sur la résolution d’issues à l’échelle dépôt |
| TerminalBench 2.1 | 86.6 | Améliorer la fiabilité des agents terminal sous le même harnais |
| PaperBench | 93.0 | Maintenir la force en recherche avec réplication indépendante |
| FrontierSWE | 73.5 | Convertir le raisonnement long horizon en travail logiciel complété |
| CoWorkBench | 74.8 | Produire des livrables professionnels plus fiables |
| OSWorld-Verified | 86.1 | Réduire les erreurs d’action visuelle dans les workflows d’usage informatique |
Les deux références pointent vers une exigence double. Flash-Next montre qu’un faible calcul actif peut tout de même fournir de solides résultats agentiques et multimodaux ; Max montre le plafond de capacité plus élevé qu’un nouveau modèle phare doit dépasser. Qwen4 devrait donc être jugé à la fois sur le succès des tâches correspondantes et sur le coût total du workflow, en séparant les scores rapportés par le fournisseur des répliques indépendantes.
Résultats officiels de benchmarks Qwen3.8-Max. Source : publication officielle Qwen3.8-Max**.
Qwen4 vs modèles de pointe actuels : références confirmées et inconnues
La comparaison la plus utile n’est pas simplement Qwen4 face à Qwen3.8-Max. C’est Qwen4 face aux choix de design déjà visibles dans Kimi K3, DeepSeek V4 Pro et GLM-5.3. Le tableau suivant compare des attributs confirmés de modèles actuels avec la colonne Qwen4 encore inconnue.
| Dimension | Qwen4 | Qwen3.8-Max | Kimi K3 | DeepSeek V4 Pro | GLM-5.3 |
|---|---|---|---|---|---|
| Statut | Aperçu d’architecture confirmé ; modèle non publié | Publié | Publié | Publié | Publié |
| Échelle | Inconnue | 2.4T / environ 95B actifs | 2.8T / 16 sur 896 experts | 1.6T / 49B actifs | Non divulgué pour cette version |
| Contexte | Attendu 1M+ | 1M | 1M | 1M | 1M |
| Entrée | Direction multimodale confirmée ; interface finale inconnue | Texte, image, vidéo | Texte et vision native | Orienté texte | Texte uniquement |
| Raisonnement | Inconnu | Workflows thinking et rapides | Low / high / max effort | Thinking / non-thinking | Toujours activé ; low / high / max |
| Écosystème ouvert | Poids et licence finaux non confirmés | Checkpoint phare à poids ouverts | Positionnement open-source | Poids ouverts | Positionnement open-source |
| Focalisation principale | Agent multimodal efficace attendu | Codage, cowork, agents visuels | Codage et travail de connaissance | Raisonnement et codage efficaces | Codage et cybersécurité |
Échelle du modèle et efficacité d’inférence
La documentation de Kimi décrit 2,8T paramètres et 16 experts activés sur 896. DeepSeek V4 Pro emprunte une autre voie avec 1,6T au total et 49B de paramètres actifs. Qwen4 n’a pas besoin d’être le plus grand modèle pour gagner cette comparaison ; il doit convertir le calcul actif en travail accompli plus fiable.
Contexte et multimodalité
Un million de tokens est devenu une référence commune pour les modèles phares ; la longueur de contexte seule ne différenciera donc pas Qwen4. L’opportunité plus forte de Qwen est l’usage multimodal du contexte : trouver la bonne preuve parmi documents, code, captures d’écran et vidéo, puis entreprendre la bonne action. Kimi K3 dispose aussi d’une compréhension visuelle native, tandis que l’interface actuelle de GLM-5.3 est texte uniquement avec un contexte de 1M et une sortie maximale de 128K.
Codage, agents et forces spécialisées
Qwen3.8-Max apporte un profil large de codage, recherche, cowork et agents visuels. Qwen3.8-Flash-Next ajoute une architecture multimodale orientée efficacité avec une capacité plus élevée par paramètre actif. Kimi K3 met l’accent sur le codage à long horizon et le travail de connaissance, DeepSeek V4 Pro sur un raisonnement efficace et le codage agentique, et GLM-5.3 ajoute un focus cybersécurité distinctif. Un lancement Qwen4 crédible devra combiner une fiabilité agentique large avec des performances de niveau spécialiste en ingénierie logicielle et en usage visuel de l’ordinateur.
Les poids ouverts ne résument pas toute la réalité du déploiement
Des poids ouverts peuvent améliorer le contrôle, la personnalisation et le choix de fournisseur, mais la comparaison pratique inclut aussi les termes de licence, les exigences matérielles, la qualité de quantification, le support de fine-tuning et la disponibilité de stacks de serving optimisés. Le mot open ne doit pas se substituer à la vérification de la licence exacte et des conditions de déploiement de chaque sortie.
Résultat de la comparaison : la meilleure position potentielle de Qwen4 est un agent multimodal large qui combine les forces visuelles et de cowork de Qwen3.8-Max avec l’architecture à faible calcul actif de Flash-Next et une meilleure fiabilité en ingénierie logicielle. Il ne peut pas être déclaré vainqueur avant des évaluations harmonisées et un comportement en production disponibles.
Cas d’usage potentiels pour Qwen4
Ingénierie logicielle autonome
Un agent Qwen plus robuste pourrait inspecter un dépôt, reproduire un problème, modifier plusieurs fichiers, exécuter des tests, examiner les échecs et préparer un changement prêt pour une pull request. La métrique importante serait le pourcentage de tâches complétées sans intervention humaine, pas la quantité de code générée.
Travail de connaissance en entreprise
Le long contexte et la compréhension multimodale pourraient soutenir des workflows qui commencent par des contrats, PDF, feuilles de calcul, diagrammes et comptes rendus de réunion et se terminent par une note de décision, une analyse ou un plan d’action structuré. Les entreprises auront toujours besoin de contrôles de retrieval, de journaux d’audit et de vérification des sources autour du modèle.
Agents d’usage informatique multimodal
Qwen4 pourrait être utile là où un agent doit interpréter des captures d’écran, naviguer dans des applications, vérifier l’état de l’UI et se remettre lorsque un clic ou une soumission de formulaire produit un résultat inattendu. C’est une extension naturelle du baseline visuel et de type OSWorld solide de Qwen3.8-Max, mais un support natif de contrôle de l’ordinateur n’a pas été annoncé.
Recherche scientifique et ingénierie
Les workflows de recherche combinent revue de littérature, code, simulation, analyse de données et rédaction de rapports. Un futur modèle Qwen pourrait orchestrer ces étapes et maintenir un historique expérimental plus long. Les performances sur PaperBench rendent cette direction crédible, mais la reproductibilité et la vérification indépendante resteront essentielles.
Ce que nous ne savons pas encore
Bien que Qwen ait reconnu l’architecture via Flash-Next, les détails de production suivants restent indisponibles et doivent rester explicitement non résolus jusqu’à une annonce officielle Qwen4 :
- Les noms exacts des produits et si Qwen4 sera lancé comme un modèle unique ou une famille.
- La date de sortie ou le calendrier d’aperçu.
- Si les modèles finaux conservent le ratio exact GDN/QSA, le design de résiduel à portes, l’échelle des embeddings n-grammes et le routage des experts de Flash-Next.
- Les paramètres totaux, les paramètres actifs, le nombre d’experts et l’échelle des données d’entraînement pour chaque modèle Qwen4.
- La longueur de contexte native, le contexte par défaut, la sortie maximale et les modalités prises en charge pour chaque variante.
- Les capacités natives d’audio, de génération d’images, de parole ou de génération vidéo.
- Les résultats officiels de benchmarks et le harnais d’évaluation utilisé pour chaque score.
- La disponibilité à poids ouverts, les termes de licence et les conditions d’usage commercial.
- Les prix API, la disponibilité régionale, les limites de débit et l’ID de modèle final.
Règle de vérification : traiter toute spécification exacte de Qwen4, tout graphique de benchmarks, tableau de prix ou identifiant d’API comme non vérifié sauf s’il peut être tracé directement à Qwen, Alibaba Cloud ou un dépôt officiel de modèles.
Quand Qwen4 sera-t-il publié ?
Il n’y a pas de date de sortie publique défendable. Qwen3.8-Flash-Next confirme que Qwen teste l’architecture qui sous-tendra Qwen4, mais les documents publics ne fournissent aucun calendrier pour un modèle Qwen4 de production. L’achèvement de l’entraînement, l’efficacité de serving, l’évaluation de sécurité, la licence des poids et l’intégration produit pourraient tous affecter le timing et la forme de la sortie.
L’approche de publication la plus sûre est d’éviter une prédiction de mois ou de trimestre. Les lecteurs devraient surveiller le site officiel de Qwen, la documentation Alibaba Cloud Model Studio, les dépôts de modèles vérifiés et le catalogue de modèles CometAPI. Une page de modèle Qwen4 ne devrait être ajoutée qu’après sa mise en ligne effective.
Comment les développeurs peuvent se préparer à Qwen4
- Établir deux références. Utiliser Qwen3.8-Flash-Next pour mesurer l’efficacité architecturale et Qwen3.8-Max pour mesurer la capacité phare actuelle.
- Séparer les IDs de modèle de la logique métier. Garder le routage et la configuration en dehors du code applicatif pour pouvoir remplacer les modèles en toute sécurité.
- Construire des évaluations au niveau des tâches. Mesurer les corrections logicielles complétées, les sorties de recherche exactes, les chaînes d’outils réussies et les livrables utilisables.
- Journaliser le coût total du workflow. Suivre la latence, les tokens d’entrée et de sortie, l’usage du cache, les retries, les actions échouées et la reprise humaine.
- Préserver des routes de secours. Utiliser le routage de modèles et des fallback de fournisseurs au lieu de faire d’un modèle non publié un point de défaillance unique.
- Ne pas inventer un ID de modèle. Attendre l’identifiant officiel avant d’ajouter qwen4 ou qwen4-max à la configuration de production.
Essayez Qwen3.8-Flash-Next et Qwen3.8-Max via CometAPI
Les développeurs peuvent tester Qwen3.8-Flash-Next via CometAPI et conserver Qwen3.8-Max comme comparaison phare. Créez une clé API, conservez-la dans une variable d’environnement, et appelez le modèle existant via un client compatible OpenAI. L’exemple utilise intentionnellement qwen3.8-flash-next ; il ne suppose pas un futur identifiant Qwen4.
Conclusion
Qwen4 est désormais plus qu’une rumeur : Qwen a explicitement identifié Qwen3.8-Flash-Next comme un aperçu expérimental de l’architecture qui le sous-tendra. L’aperçu confirme une direction MoE multimodale ultra clairsemée, articulée autour de Gated DeltaNet, Qwen Sparse Attention, de résiduels à portes et d’embeddings n-grammes. Qwen3.8-Max reste la référence actuelle la plus solide.
Le véritable test pour Qwen4 ne sera pas son nombre de paramètres. Ce sera sa capacité à combiner l’efficacité de Flash-Next avec un niveau de capacité de type Max, à mener des travaux plus longs avec moins d’échecs et à utiliser des preuves multimodales plus fiablement. La direction architecturale est désormais publique, mais les spécifications finales, les benchmarks, la licence, le prix, l’ID d’API et la date de sortie restent inconnus.