Risposta in breve: Qwen4 non è più solo un nome speculativo. Qwen ora descrive Qwen3.8-Flash-Next come modello multimodale MoE e anteprima sperimentale dell’architettura che sosterrà Qwen4. Questo conferma una direzione architetturale incentrata sull’efficienza, ma non costituisce un lancio di prodotto Qwen4. La lineup finale dei modelli, la scala dei parametri, la scheda punteggi dei benchmark, l’identificatore API, la licenza, i prezzi e il piano di rilascio restano non divulgati.
Che cos’è Qwen4?
Qwen4 è la prossima grande architettura Qwen ora riconosciuta dal team Qwen, sebbene non sia stato lanciato alcun modello o famiglia di prodotti Qwen4 autonomi. I materiali ufficiali di Qwen3.8-Flash-Next la definiscono un’anteprima sperimentale dell’architettura per Qwen4. Non rivelano il conteggio finale dei parametri, la lineup di prodotto, la scheda punteggi dei benchmark, i prezzi, l’identificatore API, la licenza o la data di rilascio. I valori esatti non riconducibili a Qwen o Alibaba Cloud vanno ancora trattati come non verificati.
Il modo più utile per parlare di Qwen4 è ancora separare tre livelli di evidenza. Le informazioni confermate includono i modelli Qwen attuali, la documentazione pubblicata e l’anteprima architetturale Qwen3.8-Flash-Next. Le direzioni attese sono inferenze fondate su questi segnali. Gli sconosciuti sono dettagli di prodotto finali che non possono essere riempiti responsabilmente con stime. Questa distinzione è importante perché l’anteprima conferma l’intento architetturale senza definire la famiglia Qwen4 di produzione.
| Livello di evidenza | Come dovrebbe essere usato | Esempi in questo articolo |
|---|---|---|
| Confermato | Affermare come fatto con un link ufficiale diretto | Anteprima architetturale Qwen3.8-Flash-Next; scala e baseline benchmark di Qwen3.8-Max |
| Atteso | Usare un linguaggio cauto e spiegare l’inferenza | Come l’architettura di anteprima potrebbe scalare nei modelli Qwen4 finali |
| Sconosciuto | Non inventare valori o impegni di rilascio | Gamma finale dei modelli, parametri, scheda punteggi, prezzo, licenza e ID API |
Perché Qwen4 è il passo logico successivo
La generazione Qwen3 ha stabilito un approccio ibrido al ragionamento. La sua introduzione ufficiale descrive modalità di “thinking” e “non-thinking” che consentono agli sviluppatori di scambiare velocità di risposta con una deliberazione più profonda. La stessa generazione ha anche ampliato il supporto multilingue e rafforzato l’uso di strumenti, inclusi workflow di agent orientati a MCP.
La roadmap di Qwen ha poi puntato verso scalare i dati, estendere il contesto, ampliare le modalità e RL con feedback dall’ambiente. Quella roadmap conta più delle previsioni di rilascio basate su rumor: inquadra la prossima generazione come una transizione dall’addestrare modelli all’addestrare agenti che possono interagire con ambienti e completare lavoro a lungo orizzonte.
La linea Qwen3.8 fornisce ora due baseline differenti. Qwen3.8-Max resta l’attuale baseline di capacità di punta, con un sistema MoE ospitato da 2.4-trillion-parameter per coding, lavoro d’ufficio, comprensione visiva, documenti lunghi, video lunghi e pianificazione autonoma. Qwen3.8-Flash-Next svolge un ruolo diverso: Qwen lo posiziona esplicitamente come anteprima dell’architettura per Qwen4. Un futuro Qwen4 dovrà combinare l’ampiezza del flagship con il design orientato all’efficienza dell’anteprima.
Cosa rivela Qwen3.8-Flash-Next su Qwen4
Qwen3.8-Flash-Next è la prima evidenza pubblica concreta sulle fondamenta di Qwen4. Qwen lo definisce la prima release a pesi aperti sotto la nuova architettura e afferma che il design sosterrà Qwen4. L’anteprima è quindi più forte di un’inferenza di roadmap, pur lasciando aperta la scala e la configurazione del modello di produzione.
Il modello è un modello linguistico causale multimodale con un encoder visivo. Il suo language model contiene 125B parametri con 6B attivati, più 51B di embedding n-gram e 4B parametri MTP. Ha 48 layer, 512 esperti con 10 instradati e un esperto condiviso attivo per token, un contesto nativo da 262,144 token e supporto di estensione fino a 1,000,000 token.
| Segnale architetturale | Confermato in Qwen3.8-Flash-Next | Cosa suggerisce per Qwen4 |
|---|---|---|
| MoE ultra-sparso | Modello principale da 125B; 6B attivi per token; 512 esperti | La capacità per unità di calcolo attivo potrebbe essere un obiettivo centrale |
| Attenzione ibrida | Tre layer Gated DeltaNet per ogni layer Qwen Sparse Attention | Latenza su contesto lungo ed efficienza della KV-cache potrebbero contare più della dimensione della finestra |
| Residuo con gating | Quattro rami residuali allargati con gate dipendenti dai dati | Qwen sta testando uno scaling profondo più espressivo con overhead controllato |
| Embedding n-gram | 51B parametri di embedding bigram e trigram | Capacità offloadabile in memoria potrebbe integrare lo scaling MoE intensivo di calcolo |
| Multimodalità nativa | Modello linguistico causale con encoder visivo | Testo e visione sono probabilmente fondamenta architetturali, non varianti aggiunte a posteriori |
| Contesto lungo | 262K nativi; estensibile a 1M | Qwen4 probabilmente enfatizzerà agenti efficienti su orizzonti lunghi |
I risultati di benchmark riportati dal vendor per l’anteprima mostrano anche perché l’architettura conta. Pur attivando solo 6B parametri per token, migliora sulla baseline densa Qwen3.8-27B nelle valutazioni selezionate di coding, lavoro d’ufficio, uso di strumenti e agenti multimodali qui sotto. Questi risultati non sono punteggi di Qwen4; sono evidenza che la nuova architettura è progettata per aumentare la capacità per parametro attivo.
| 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 |
Interpretazione: Flash-Next trasforma tre aspettative su Qwen4 in segnali più forti: attivazione ultra-sparsa, attenzione ibrida a lungo contesto e multimodalità nativa. Non rivela il conteggio finale dei parametri, la configurazione esatta del contesto, i livelli di prodotto o la tempistica di rilascio di Qwen4.
Specifiche attese di Qwen4
Poiché non esiste una specifica finale di Qwen4, la tabella seguente usa Qwen3.8-Max come baseline di produzione confermata e Qwen3.8-Flash-Next come segnale architetturale confermato. L’anteprima aumenta la fiducia in diverse direzioni, ma ogni campo finale di Qwen4 resta atteso o sconosciuto finché Qwen non pubblica il modello.
| Specifiche | Baseline confermata Qwen3.8-Max | Aspettativa per Qwen4 | Confidenza |
|---|---|---|---|
| Stato | Rilasciato | Anteprima architetturale confermata; modello non lanciato | Confermato |
| Architettura | MoE sparso con base di attenzione ibrida | Atteso basarsi su GDN + QSA, residuo con gating ed embedding n-gram di Flash-Next | Alto |
| Parametri totali | 2.4T | Sconosciuto; potrebbe non dover superare 2.4T | Basso |
| Parametri attivi | Circa 95B per step nel modello a pesi aperti | Instradamento probabilmente ultra-sparso; calcolo attivo esatto sconosciuto | Medio-alto |
| Finestra di contesto | 1,000,000 token | Ottimizzato per contesti lunghi; limiti nativi e predefiniti finali sconosciuti | Alto |
| Output massimo | 131,072 token | Probabilmente mantenuto o ampliato | Medio |
| Input ospitati | Testo, immagine e video | Direzione multimodale confermata; supporto audio esatto sconosciuto | Alto |
| Modalità di output | Testo | Probabile testo; output multimediale nativo non confermato | Medio |
| Ragionamento | Workflow di ragionamento e inferenza più veloce | Controlli del ragionamento probabili; comportamento API finale sconosciuto | Medio-alto |
| Supporto agli strumenti | Function calling e output strutturato | Attesi migliore selezione degli strumenti, stato preservato e recupero | Alto |
| Pesi e licenza | Esiste un checkpoint di punta a pesi aperti | L’anteprima è a pesi aperti; licenza e checkpoint finali di Qwen4 sconosciuti | Medio |
| ID modello API | qwen3.8-max | Non disponibile | Confermato |
Interpretazione: Flash-Next aumenta la fiducia in instradamento MoE ultra-sparso, attenzione ibrida per contesti lunghi, residui con gating, embedding n-gram e multimodalità nativa. Non prova che un modello Qwen4 finale userà 125B parametri, attiverà 6B per token o arriverà con gli stessi limiti di contesto.
Su quale architettura ci si aspetta che si basi Qwen4?
L’MoE ultra-sparso è ora il segnale più forte
La questione architetturale è ora meno speculativa. La scheda del modello Qwen3.8-Flash-Next documenta 125B parametri principali con solo 6B attivati per token, più 51B di embedding n-gram. Questo design ultra-sparso suggerisce che Qwen4 possa dare priorità alla capacità totale di compito per unità di calcolo attivo invece di aumentare i parametri attivi in proporzione alla capacità memorizzata.
La domanda importante non è se Qwen4 conterrà più esperti, ma se instradamento, accesso alla memoria e specializzazione degli esperti restano stabili lungo task estesi. Gli embedding n-gram di Flash-Next mostrano inoltre che Qwen sta esplorando capacità più economiche da calcolare e più facili da offloadare rispetto allo scaling MoE convenzionale.
L’attenzione ibrida punta all’efficienza sul lungo contesto
Flash-Next sostituisce l’accoppiata precedente Gated DeltaNet e full-attention con Gated DeltaNet e Qwen Sparse Attention operante a livello di micro-block. I suoi 48 layer ripetono tre blocchi Gated DeltaNet seguiti da un blocco di attenzione sparsa. Questo è il segnale più chiaro che Qwen4 potrebbe essere progettato per ridurre la latenza su contesti lunghi e la pressione sulla KV-cache, invece di fare affidamento su una finestra d’attenzione densa più ampia.
Il contesto lungo dovrebbe diventare memoria dell’agente, non solo un prompt più grande
Una finestra da un milione di token è utile solo quando il modello sa recuperare la giusta evidenza, preservare obiettivi ed evitare l’accumulo di stato contraddittorio. Qwen4 dovrebbe quindi essere valutato su come usa il contesto lungo tra chiamate a strumenti, modifiche ai file, risultati intermedi e recupero dagli errori. La lunghezza grezza del contesto è meno informativa dell’accuratezza del recupero e del completamento del task su una lunga traiettoria.
Il controllo del ragionamento potrebbe diventare più granulare
Il design ibrido di Qwen3 già permetteva comportamenti rapidi e deliberati. Flash-Next rafforza il segnale supportando i controlli enable_thinking, preserve_thinking e reasoning_effort. Un upgrade significativo di Qwen4 potrebbe allocare il ragionamento in modo dinamico e preservare solo lo stato che migliora la coerenza multi-step, riducendo il costo complessivo del workflow invece di produrre semplicemente un ragionamento visibile più lungo.
La multimodalità potrebbe avvicinarsi di più all’uso del computer
La multimodalità è ora un’aspettativa più forte perché sia il servizio hosted Qwen3.8-Max sia l’anteprima a pesi aperti Flash-Next supportano input visivi. Qwen4 potrebbe combinare quella percezione con un’azione più affidabile: comprendere uno screenshot, selezionare un controllo UI, verificare il risultato e correggere il piano. Audio nativo, generazione di immagini, output vocale e generazione video restano non confermati.
Caratteristiche attese di Qwen4
- Agenti più affidabili su orizzonti lunghi. Tassi di errore più bassi nelle chiamate a strumenti, maggiore mantenimento degli obiettivi, migliore recupero e deliverable più coerenti dopo centinaia di azioni.
- Ingegneria del software a scala di repository. Pianificazione migliorata su grandi codebase, test, terminali, issue tracker e ambienti di deployment.
- Lavoro della conoscenza end-to-end. Un percorso più solido da ricerca e analisi documentale a fogli di calcolo, presentazioni, report e output pronti alla decisione.
- Uso multimodale degli strumenti. Comprensione visiva che informa l’interazione con la UI, le operazioni sui documenti e il ragionamento ancorato all’ambiente.
- Budget di ragionamento adattivi. Escalation automatica da risposte rapide a ragionamenti più profondi quando aumentano incertezza o complessità del compito.
- Maggiore capacità per parametro attivo. Miglior instradamento degli esperti, capacità n-gram, attenzione sparsa, caching e post-training invece della scala fine a sé stessa.
- Una famiglia di modelli più ampia. Possibili varianti Max, Plus, Coder, small MoE, VL o Omni, sebbene nessuno di questi nomi sia confermato.
Prospettive benchmark di Qwen4: cosa mostra la baseline Qwen3.8-Max
Non ci sono punteggi di benchmark di Qwen4. Flash-Next e Max rispondono a domande diverse: la scheda punteggi di Flash-Next testa la capacità orientata all’efficienza della nuova architettura, mentre la scheda punteggi ufficiale di Qwen3.8-Max resta la baseline di produzione più forte su agenti di coding, riproduzione della ricerca, cowork professionale, ragionamento visivo, uso mobile e uso del computer. Qwen4 dovrà combinare entrambe le direzioni con valutazioni a parità di condizioni.
| Benchmark | Punteggio riportato Qwen3.8-Max | Cosa Qwen4 dovrebbe dimostrare |
|---|---|---|
| SWE-Pro | 67.7 | Colmare il gap nella risoluzione professionale di issue a livello di repository |
| TerminalBench 2.1 | 86.6 | Migliorare l’affidabilità dell’agente da terminale sotto lo stesso harness |
| PaperBench | 93.0 | Mantenere la forza nella ricerca con replicazione indipendente |
| FrontierSWE | 73.5 | Convertire il ragionamento a lungo orizzonte in più lavori di ingegneria completati |
| CoWorkBench | 74.8 | Produrre deliverable professionali più affidabili |
| OSWorld-Verified | 86.1 | Ridurre gli errori di azione visiva nei workflow di uso del computer |
Le due baseline indicano un requisito doppio. Flash-Next mostra che un calcolo attivo basso può comunque offrire risultati agentici e multimodali solidi; Max mostra il tetto di capacità più alto che un nuovo flagship deve superare. Qwen4 dovrebbe quindi essere giudicato sia sul successo dei compiti a parità di condizioni sia sul costo complessivo del workflow, mantenendo separati i punteggi riportati dal vendor dalla replicazione indipendente.
Risultati benchmark ufficiali di Qwen3.8-Max. Fonte: Qwen3.8-Max official release**.
Qwen4 vs modelli frontier attuali: baseline confermate e sconosciuti
Il confronto più utile non è semplicemente Qwen4 contro Qwen3.8-Max. È Qwen4 contro le scelte di design già visibili in Kimi K3, DeepSeek V4 Pro e GLM-5.3. La seguente tabella confronta attributi confermati di modelli attuali con la colonna, ancora sconosciuta, di Qwen4.
| Dimensione | Qwen4 | Qwen3.8-Max | Kimi K3 | DeepSeek V4 Pro | GLM-5.3 |
|---|---|---|---|---|---|
| Stato | Anteprima architetturale confermata; modello non rilasciato | Rilasciato | Rilasciato | Rilasciato | Rilasciato |
| Scala | Sconosciuta | 2.4T / circa 95B attivi | 2.8T / 16 di 896 esperti | 1.6T / 49B attivi | Non divulgata per questa release |
| Contesto | Attesi 1M+ | 1M | 1M | 1M | 1M |
| Input | Direzione multimodale confermata; interfaccia finale sconosciuta | Testo, immagine, video | Testo e visione nativa | Orientato al testo | Solo testo |
| Ragionamento | Sconosciuto | Workflow di ragionamento e veloci | Basso / alto / massimo | Thinking / non-thinking | Sempre attivo; basso / alto / massimo |
| Ecosistema open | Pesi e licenza finali non confermati | Esiste un flagship a pesi aperti | Posizionamento open-source | Pesi aperti | Posizionamento open-source |
| Focus principale | Agente multimodale efficiente atteso | Coding, cowork, agenti visivi | Coding e knowledge work | Ragionamento e programmazione efficienti | Programmazione e cybersecurity |
Scala del modello ed efficienza di inferenza
La documentazione di Kimi descrive 2.8T parametri e 16 esperti attivati su 896. DeepSeek V4 Pro segue una rotta diversa con 1.6T totali e 49B parametri attivi. Qwen4 non deve essere il modello più grande per vincere questo confronto; deve convertire il calcolo attivo in lavoro completato in modo più affidabile.
Contesto e multimodalità
Un milione di token è diventato una baseline comune per i flagship, quindi la sola lunghezza del contesto non differenzierà Qwen4. L’opportunità più forte per Qwen è l’uso multimodale del contesto: trovare l’evidenza corretta tra documenti, codice, screenshot e video, quindi intraprendere l’azione giusta. Kimi K3 ha anche comprensione visiva nativa, mentre l’interfaccia attuale di GLM-5.3 è solo testo con contesto 1M e output massimo 128K.
Coding, agenti e punti di forza specializzati
Qwen3.8-Max porta un profilo ampio su coding, ricerca, cowork e agenti visivi. Qwen3.8-Flash-Next aggiunge un’architettura multimodale orientata all’efficienza con maggiore capacità per parametro attivo. Kimi K3 enfatizza coding a lungo orizzonte e knowledge work, DeepSeek V4 Pro enfatizza ragionamento efficiente e coding agentico, e GLM-5.3 aggiunge un focus distintivo sulla cybersecurity. Un lancio credibile di Qwen4 dovrebbe combinare un’ampia affidabilità agentica con prestazioni di ingegneria del software specialistiche e di uso visivo del computer.
I pesi aperti non sono tutta la storia del deployment
I pesi aperti possono migliorare controllo, personalizzazione e scelta del provider, ma il confronto pratico include anche termini di licenza, requisiti hardware, qualità della quantizzazione, supporto per fine-tuning e disponibilità di stack di serving ottimizzati. La parola open non dovrebbe sostituire la verifica di licenza e condizioni di deployment di ciascuna release.
Risultato del confronto: La posizione potenzialmente più forte di Qwen4 è un agente multimodale ampio che combina i punti di forza visivi e di cowork di Qwen3.8-Max con l’architettura a basso calcolo attivo di Flash-Next e una maggiore affidabilità nell’ingegneria del software. Non può essere dichiarato vincente finché non saranno disponibili valutazioni a parità di condizioni e comportamenti di produzione.
Casi d’uso potenziali per Qwen4
Ingegneria del software autonoma
Un agente Qwen più forte potrebbe ispezionare un repository, riprodurre un problema, modificare più file, eseguire test, rivedere i fallimenti e preparare una modifica pronta per la pull request. La metrica importante sarebbe la percentuale di task completati senza intervento umano, non la quantità di codice generata.
Knowledge work aziendale
Contesto lungo e comprensione multimodale potrebbero supportare workflow che iniziano con contratti, PDF, fogli di calcolo, diagrammi e verbali di riunioni e finiscono con un memo decisionale, un’analisi o un piano d’azione strutturato. Le aziende avrebbero comunque bisogno di controlli di retrieval, log di audit e verifica delle fonti intorno al modello.
Agenti di uso del computer multimodali
Qwen4 potrebbe essere utile dove un agente deve interpretare screenshot, navigare nelle applicazioni, verificare lo stato della UI e recuperare quando un clic o l’invio di un form produce un risultato inatteso. Questa è un’estensione naturale della solida baseline visiva e in stile OSWorld di Qwen3.8-Max, ma non è stato annunciato un supporto nativo al controllo del computer.
Ricerca scientifica e ingegneristica
I workflow di ricerca combinano revisione della letteratura, codice, simulazione, analisi dei dati e stesura di report. Un futuro modello Qwen potrebbe orchestrare questi passaggi e mantenere una storia sperimentale più lunga. Le prestazioni su PaperBench rendono questa una direzione credibile, ma riproducibilità e verifica indipendente resterebbero essenziali.
Cosa non sappiamo ancora
Sebbene Qwen abbia riconosciuto l’architettura tramite Flash-Next, i seguenti dettagli di produzione restano non disponibili e dovrebbero restare esplicitamente irrisolti finché non ci sarà un annuncio ufficiale su Qwen4:
- I nomi di prodotto esatti e se Qwen4 verrà lanciato come un modello o una famiglia.
- La data di rilascio o il calendario della preview.
- Se i modelli finali manterranno l’esatto rapporto GDN/QSA, il design dei residui con gating, la scala degli embedding n-gram e l’instradamento degli esperti di Flash-Next.
- Parametri totali, parametri attivi, conteggio degli esperti e scala dei dati di addestramento per ciascun modello Qwen4.
- Lunghezza del contesto nativa, contesto predefinito, output massimo e modalità supportate per ciascun percorso.
- Capacità native di audio, generazione di immagini, sintesi vocale o generazione video.
- Risultati di benchmark ufficiali e l’harness di valutazione usato per ciascun punteggio.
- Disponibilità dei pesi aperti, termini di licenza e condizioni per uso commerciale.
- Prezzi API, disponibilità regionale, rate limit e ID del modello finale.
Regola di verifica: Trattare qualsiasi specifica esatta di Qwen4, grafici di benchmark, tabelle di prezzi o identificatori API come non verificati a meno che non siano riconducibili direttamente a Qwen, Alibaba Cloud o a un repository ufficiale del modello.
Quando verrà rilasciato Qwen4?
Non esiste una data di rilascio pubblica difendibile. Qwen3.8-Flash-Next conferma che Qwen sta testando l’architettura che sosterrà Qwen4, ma i materiali pubblici non forniscono alcuna pianificazione per un modello Qwen4 di produzione. Completamento dell’addestramento, efficienza del serving, valutazione di sicurezza, licenza dei pesi e integrazione di prodotto potrebbero tutti influenzare il timing e la forma del rilascio.
L’approccio più sicuro è evitare una previsione per mese o trimestre. I lettori dovrebbero monitorare il sito ufficiale Qwen, la documentazione di Alibaba Cloud Model Studio, i repository di modelli verificati e il catalogo modelli CometAPI. Una pagina modello Qwen4 dovrebbe essere aggiunta solo dopo che il modello è effettivamente elencato.
Come possono prepararsi gli sviluppatori a Qwen4
- Stabilire due baseline. Usare Qwen3.8-Flash-Next per misurare l’efficienza dell’architettura e Qwen3.8-Max per misurare la capacità flagship attuale.
- Separare gli ID di modello dalla logica di business. Tenere routing e configurazione fuori dal codice applicativo per poter cambiare modello in sicurezza.
- Costruire valutazioni a livello di task. Misurare fix software completati, output di ricerca accurati, catene di strumenti riuscite e deliverable utilizzabili.
- Registrare il costo totale del workflow. Tracciare latenza, token in input e output, uso della cache, retry, azioni fallite e rework umano.
- Preservare percorsi di fallback. Usare routing di modelli e fallback di provider invece di rendere un modello non rilasciato un single point of failure.
- Non inventare un ID di modello. Attendere l’identificatore ufficiale prima di aggiungere qwen4 o qwen4-max alla configurazione di produzione.
Prova Qwen3.8-Flash-Next e Qwen3.8-Max tramite CometAPI
Gli sviluppatori possono testare ora Qwen3.8-Flash-Next tramite CometAPI e mantenere Qwen3.8-Max come confronto di punta. Crea una API key, conservala in una variabile d’ambiente e chiama il modello esistente tramite un client compatibile con OpenAI. L’esempio usa intenzionalmente qwen3.8-flash-next; non presume un futuro identificatore Qwen4.
Conclusione
Qwen4 è ora più di un rumor: Qwen ha identificato esplicitamente Qwen3.8-Flash-Next come anteprima sperimentale dell’architettura che lo sosterrà. L’anteprima conferma una direzione MoE ultra-sparsa e multimodale costruita attorno a Gated DeltaNet, Qwen Sparse Attention, residui con gating ed embedding n-gram. Qwen3.8-Max resta la baseline di capacità attuale più forte.
Il vero test per Qwen4 non sarà se il suo conteggio di parametri è più grande. Sarà se il modello finale potrà combinare l’efficienza di Flash-Next con la capacità di livello Max, completare lavori più lunghi con meno fallimenti e usare l’evidenza multimodale in modo più affidabile. La direzione architetturale è ora pubblica, ma le specifiche finali, i benchmark, la licenza, il prezzo, l’ID API e la data di rilascio restano sconosciuti.