Eerst het antwoord: Qwen4 is niet langer slechts een speculatieve naam. Qwen beschrijft Qwen3.8-Flash-Next nu als een multimodaal MoE‑model en een experimentele preview van de architectuur die Qwen4 zal onderbouwen. Dit bevestigt een architectuurrichting met efficiëntie voorop, maar vormt geen productlancering van Qwen4. De definitieve modellijn, parameterschaal, benchmark‑scorecard, API‑identifier, licentie, prijs en releaseschema blijven onbekend.
Wat is Qwen4?
Qwen4 is de volgende grote Qwen‑architectuur die nu door het Qwen‑team wordt erkend, hoewel er geen losstaande Qwen4‑model- of productfamilie is gelanceerd. De officiële Qwen3.8-Flash-Next‑materialen noemen het een experimentele architectuurpreview voor Qwen4. Ze maken de uiteindelijke parameteromvang, productlijn, benchmark‑scorecard, prijs, API‑identifier, licentie of releasedatum niet bekend. Exacte waarden die niet zijn te herleiden tot Qwen of Alibaba Cloud moeten nog steeds als niet‑geverifieerd worden beschouwd.
De nuttigste manier om Qwen4 te bespreken is nog steeds het scheiden van drie bewijsniveaus. Bevestigde informatie omvat nu huidige Qwen‑modellen, gepubliceerde documentatie en de Qwen3.8-Flash-Next‑architectuurpreview. Verwachte richtingen zijn afleidingen die op die signalen zijn gebaseerd. Onbekenden zijn definitieve productdetails die niet verantwoord met schattingen kunnen worden ingevuld. Dit onderscheid is belangrijk omdat de preview architecturale intentie bevestigt zonder de productie‑Qwen4‑familie te definiëren.
| Bewijsniveau | Hoe het moet worden gebruikt | Voorbeelden in dit artikel |
|---|---|---|
| Bevestigd | Als feit vermelden met een directe officiële link | Qwen3.8-Flash-Next architectuurpreview; Qwen3.8-Max schaal en benchmarkbasis |
| Verwacht | Voorzichtig formuleren en de afleiding uitleggen | Hoe de preview‑architectuur kan opschalen naar definitieve Qwen4‑modellen |
| Onbekend | Geen waarde of release‑commitment verzinnen | Definitieve modellijn, parameters, scorecard, prijs, licentie en API‑ID |
Waarom Qwen4 de logische volgende stap is
De Qwen3‑generatie introduceerde een hybride benadering van redeneren. De officiële introductie beschrijft thinking‑ en non‑thinking‑modi waarmee ontwikkelaars reactiesnelheid kunnen afwegen tegen diepere overweging. Dezelfde generatie breidde ook de meertalige ondersteuning uit en versterkte toolgebruik, inclusief MCP‑georiënteerde agent‑workflows.
De roadmap van Qwen wees vervolgens naar opschalen van data, uitbreiden van context, verbreden van modaliteiten en RL met omgevingsfeedback. Die roadmap is belangrijker dan op geruchten gebaseerde releasevoorspellingen: ze kadert de volgende generatie als een overgang van het trainen van modellen naar het trainen van agents die met omgevingen kunnen interageren en werk met een lange horizon kunnen voltooien.
De Qwen3.8‑lijn biedt nu twee verschillende baselines. Qwen3.8-Max blijft de huidige vlaggenschip‑capabilitybaseline, met een gehost MoE‑systeem met 2,4 biljoen parameters voor coderen, kantoortaken, visueel begrip, lange documenten, lange video’s en autonoom plannen. Qwen3.8-Flash-Next speelt een andere rol: Qwen positioneert het expliciet als de architectuurpreview voor Qwen4. Een toekomstig Qwen4 moet de breedte van het vlaggenschip combineren met het op efficiëntie gerichte ontwerp van de preview.
Wat Qwen3.8-Flash-Next onthult over Qwen4
Qwen3.8-Flash-Next is het eerste concrete publieke bewijs over de basis van Qwen4. Qwen noemt het de eerste open-weight release onder de nieuwe architectuur en zegt dat het ontwerp Qwen4 zal onderbouwen. De preview is daarom sterker dan een roadmap‑afleiding, terwijl de schaal en configuratie van het productiemodel open blijven.
Het model is een multimodaal causaal taalmodel met een vision‑encoder. Het taalmodel bevat 125B parameters met 6B geactiveerd, plus 51B n‑gram‑embeddings en 4B MTP‑parameters. Het heeft 48 lagen, 512 experts met 10 gerouteerde en één gedeelde expert actief per token, een native context van 262.144 tokens en ondersteuning voor uitbreiding tot 1.000.000 tokens.
| Architectuursignaal | Bevestigd in Qwen3.8-Flash-Next | Wat het suggereert voor Qwen4 |
|---|---|---|
| Ultra‑sparse MoE | 125B hoofdmodel; 6B actief per token; 512 experts | Vermogen per eenheid actieve compute kan een centrale doelstelling zijn |
| Hybride aandacht | Drie Gated DeltaNet‑lagen voor elke Qwen Sparse Attention‑laag | Latentie bij lange context en KV‑cache‑efficiëntie kunnen zwaarder wegen dan raamgrootte |
| Gated Residual | Vier verbrede residual‑takken met datagedreven gates | Qwen test expressiever diep schalen met gecontroleerde overhead |
| N‑gram‑embedding | 51B bigram‑ en trigram‑embeddingparameters | Offloadbare geheugen‑capaciteit kan compute‑zwaar MoE‑schalen aanvullen |
| Native multimodaliteit | Causaal taalmodel met een vision‑encoder | Tekst en visie zijn waarschijnlijk architecturale fundamenten, geen add‑ons |
| Lange context | 262K native; uitbreidbaar tot 1M | Qwen4 zal waarschijnlijk efficiënte langetermijn‑agents benadrukken |
De door de leverancier gerapporteerde benchmarkresultaten van de preview laten ook zien waarom de architectuur ertoe doet. Ondanks slechts 6B parameters per token actief, verbetert het ten opzichte van de dichte Qwen3.8-27B‑baseline over de geselecteerde evaluaties voor coderen, kantoortaken, toolgebruik en multimodale agents hieronder. Deze resultaten zijn geen Qwen4‑scores; ze tonen aan dat de nieuwe architectuur is ontworpen om het vermogen per actieve parameter te verhogen.
| 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 |
Interpretatie: Flash‑Next maakt drie Qwen4‑verwachtingen tot sterkere signalen: ultra‑sparse activatie, hybride lange‑context‑aandacht en native multimodaliteit. Het onthult niet het definitieve aantal parameters, de exacte contextconfiguratie, producttiers of het releasetijdstip van Qwen4.
Verwachte Qwen4‑specificaties
Omdat er geen definitieve Qwen4‑specificatie bestaat, gebruikt de onderstaande tabel Qwen3.8‑Max als de bevestigde productie‑baseline en Qwen3.8-Flash-Next als het bevestigde architectuursignaal. De preview vergroot het vertrouwen in meerdere richtingen, maar elk definitief Qwen4‑veld blijft verwacht of onbekend totdat Qwen het model publiceert.
| Specificatie | Qwen3.8-Max bevestigde baseline | Qwen4 verwachting | Vertrouwen |
|---|---|---|---|
| Status | Gelanceerd | Architectuurpreview bevestigd; model niet gelanceerd | Bevestigd |
| Architectuur | Sparse MoE met hybride aandacht als basis | Verwacht te bouwen op Flash‑Next’s GDN + QSA, gated residual en n‑gram‑embedding | Hoog |
| Totaal aantal parameters | 2.4T | Onbekend; hoeft mogelijk niet boven 2.4T te gaan | Laag |
| Actieve parameters | Ongeveer 95B per stap in het open-weight‑model | Waarschijnlijk ultra‑sparse routing; exacte actieve compute onbekend | Middel‑hoog |
| Contextvenster | 1,000,000 tokens | Geoptimaliseerd voor lange context; uiteindelijke native en standaardlimieten onbekend | Hoog |
| Maximale output | 131,072 tokens | Waarschijnlijk behouden of uitgebreid | Middel |
| Gehoste invoer | Tekst, afbeelding en video | Multimodale richting bevestigd; exacte audio‑ondersteuning onbekend | Hoog |
| Uitvoermodaliteit | Tekst | Tekst waarschijnlijk; native media‑output niet bevestigd | Middel |
| Redeneren | Thinking‑ en snellere inference‑workflows | Thinking‑controls waarschijnlijk; uiteindelijk API‑gedrag onbekend | Middel‑hoog |
| Tool‑ondersteuning | Function calling en gestructureerde output | Sterkere toolselectie, behouden staat en herstel verwacht | Hoog |
| Gewichten en licentie | Open-weight vlaggenschip‑checkpoint bestaat | Preview is open-weight; definitieve Qwen4‑licentie en checkpoints onbekend | Middel |
| API‑model‑ID | qwen3.8-max | Niet beschikbaar | Bevestigd |
Interpretatie: Flash‑Next verhoogt het vertrouwen in ultra‑sparse MoE‑routing, hybride lange‑context‑aandacht, gated residuals, n‑gram‑embedding en native multimodaliteit. Het bewijst niet dat een definitief Qwen4‑model 125B parameters zal gebruiken, 6B per token zal activeren of met dezelfde contextlimieten zal worden geleverd.
Op welke architectuur wordt verwacht dat Qwen4 voortbouwt?
Ultra‑sparse MoE is nu het sterkste signaal
De architectuurvraag is nu minder speculatief. De modelkaart van Qwen3.8-Flash-Next documenteert 125B hoofdparameters met slechts 6B geactiveerd per token, plus 51B n‑gram‑embeddings. Dit ultra‑sparse ontwerp suggereert dat Qwen4 totale taakcapaciteit per eenheid actieve compute kan prioriteren in plaats van de actieve parameteromvang evenredig met opgeslagen capaciteit te vergroten.
De belangrijke vraag is niet of Qwen4 meer experts bevat, maar of routing, geheugentoegang en expertspecialisatie stabiel blijven tijdens lange taken. De n‑gram‑embeddings van Flash‑Next laten ook zien dat Qwen capaciteit verkent die goedkoper te berekenen en makkelijker te offloaden is dan conventionele MoE‑opschaling.
Hybride aandacht richt zich op efficiëntie bij lange context
Flash‑Next vervangt de eerdere combinatie van Gated DeltaNet en full‑attention door Gated DeltaNet en Qwen Sparse Attention op micro‑blokniveau. De 48 lagen herhalen drie Gated DeltaNet‑blokken gevolgd door één sparse‑attention‑blok. Dit is het duidelijkste teken dat Qwen4 is ontworpen om latentie bij lange context en KV‑cachedruk te verminderen in plaats van te vertrouwen op een groter dense‑attention‑venster.
Lange context moet agent‑geheugen worden, niet alleen een grotere prompt
Een venster van een miljoen tokens is alleen nuttig wanneer het model het juiste bewijs kan ophalen, doelen kan behouden en het ophopen van tegenstrijdige toestand kan vermijden. Qwen4 moet daarom worden geëvalueerd op hoe het lange context gebruikt over toolaanroepen, bestandswijzigingen, tussentijdse resultaten en foutherstel. Ruwe contextlengte is minder informatief dan retrieval‑nauwkeurigheid en taakvoltooiing over een lange traject.
Controle over redeneren kan fijner worden
Het hybride thinking‑ontwerp van Qwen3 maakte al snel en weloverwogen gedrag mogelijk. Flash‑Next versterkt dit signaal door enable_thinking, preserve_thinking en reasoning_effort‑controls te ondersteunen. Een betekenisvolle Qwen4‑upgrade kan redenering dynamisch toewijzen en alleen de staat behouden die meerstaps‑consistentie verbetert, waardoor de totale workflowkosten dalen in plaats van simpelweg langer zichtbare redenering te produceren.
Multimodaliteit kan dichter bij computergebruik komen
Multimodaliteit is nu een sterkere verwachting omdat zowel de gehoste Qwen3.8‑Max‑dienst als de open‑weight Flash‑Next‑preview visuele input ondersteunen. Qwen4 zou die perceptie kunnen combineren met betrouwbaardere actie: een screenshot begrijpen, een UI‑controle selecteren, het resultaat controleren en het plan corrigeren. Native audio, afbeeldingsgeneratie, spraakoutput en videogeneratie zijn nog niet bevestigd.
Verwachte Qwen4‑features
- Betrouwbaardere agents met lange horizon. Lagere faalpercentages bij toolaanroepen, sterker doelbehoud, beter herstel en consistentere opleveringen na honderden acties.
- Software‑engineering op repository‑schaal. Verbeterde planning over grote codebases, tests, terminals, issue‑trackers en deploymentomgevingen.
- End‑to‑end kenniswerk. Een sterkere route van onderzoek en documentanalyse naar spreadsheets, presentaties, rapporten en besluitklare outputs.
- Multimodaal toolgebruik. Visueel begrip dat UI‑interactie, documentbewerkingen en omgevings‑gebaseerde redenering ondersteunt.
- Adaptieve redeneringsbudgetten. Automatische opschaling van snelle antwoorden naar diepere redenering wanneer onzekerheid of taakcomplexiteit toeneemt.
- Hogere capaciteit per actieve parameter. Betere expert‑routing, n‑gram‑capaciteit, sparse attention, caching en post‑training in plaats van schalen om het schalen.
- Een bredere modellijn. Mogelijke Max, Plus, Coder, kleine MoE, VL of Omni‑varianten, hoewel geen van deze namen is bevestigd.
Qwen4 benchmark‑vooruitzicht: wat de Qwen3.8‑Max‑baseline laat zien
Er zijn geen Qwen4‑benchmarkscores. Flash‑Next en Max beantwoorden verschillende vragen: de Flash‑Next‑scorecard test de efficiëntie‑georiënteerde capaciteit van de nieuwe architectuur, terwijl de officiële Qwen3.8‑Max‑scorecard de sterkere productie‑capabilitybaseline blijft voor code‑agents, reproduceren van onderzoek, professioneel samenwerken, visuele redenering, mobiel gebruik en computergebruik. Qwen4 zal beide richtingen moeten combineren onder gematchte evaluaties.
| Benchmark | Qwen3.8-Max gerapporteerde score | Wat Qwen4 moet aantonen |
|---|---|---|
| SWE-Pro | 67.7 | Het gat dichten in professionele issue‑oplossing op repository‑niveau |
| TerminalBench 2.1 | 86.6 | Betrouwbaarheid van terminal‑agents verbeteren onder hetzelfde harnas |
| PaperBench | 93.0 | Onderzoekssterkte behouden met onafhankelijke replicatie |
| FrontierSWE | 73.5 | Lange‑horizon‑redeneren omzetten in meer voltooid engineeringwerk |
| CoWorkBench | 74.8 | Betrouwbaardere professionele opleveringen produceren |
| OSWorld-Verified | 86.1 | Visueel‑actie‑fouten verminderen in computer‑use‑workflows |
De twee baselines wijzen op een dubbele eis. Flash‑Next laat zien dat lage actieve compute nog steeds sterke agentische en multimodale resultaten kan leveren; Max laat het hogere capaciteitsplafond zien dat een nieuw vlaggenschip moet overtreffen. Qwen4 moet daarom worden beoordeeld op zowel succes bij gematchte taken als totale workflowkosten, waarbij door de leverancier gerapporteerde scores gescheiden blijven van onafhankelijke replicatie.
Officiële Qwen3.8‑Max benchmarkresultaten. Bron: Qwen3.8‑Max officiële release**.
Qwen4 vs huidige frontier‑modellen: bevestigde baselines en onbekenden
De nuttigste vergelijking is niet simpelweg Qwen4 tegenover Qwen3.8‑Max. Het is Qwen4 tegenover de ontwerpkeuzes die al zichtbaar zijn in Kimi K3, DeepSeek V4 Pro en GLM‑5.3. De volgende tabel vergelijkt bevestigde attributen van huidige modellen met de nog onbekende Qwen4‑kolom.
| Dimensie | Qwen4 | Qwen3.8-Max | Kimi K3 | DeepSeek V4 Pro | GLM-5.3 |
|---|---|---|---|---|---|
| Status | Architectuurpreview bevestigd; model niet uitgebracht | Gelanceerd | Gelanceerd | Gelanceerd | Gelanceerd |
| Schaal | Onbekend | 2.4T / ongeveer 95B actief | 2.8T / 16 van 896 experts | 1.6T / 49B actief | Niet bekendgemaakt voor deze release |
| Context | Verwacht 1M+ | 1M | 1M | 1M | 1M |
| Invoer | Multimodale richting bevestigd; definitieve interface onbekend | Tekst, afbeelding, video | Tekst en native visie | Tekst‑georiënteerd | Alleen tekst |
| Redeneren | Onbekend | Thinking‑ en snelle workflows | Lage / hoge / maximale inspanning | Thinking / non‑thinking | Altijd aan; laag / hoog / max |
| Open ecosysteem | Definitieve gewichten en licentie niet bevestigd | Open-weight vlaggenschip bestaat | Open‑source positionering | Open gewichten | Open‑source positionering |
| Kernfocus | Verwacht efficiënte multimodale agent | Coderen, samenwerken, visuele agents | Coderen en kenniswerk | Efficiënt redeneren en coderen | Coderen en cybersecurity |
Modelomvang en inference‑efficiëntie
De documentatie van Kimi beschrijft 2.8T parameters en 16 geactiveerde experts van 896. DeepSeek V4 Pro kiest een andere route met 1.6T totaal en 49B actieve parameters. Qwen4 hoeft niet het grootste model te zijn om deze vergelijking te winnen; het moet actieve compute omzetten in betrouwbaarder voltooid werk.
Context en multimodaliteit
Een miljoen tokens is een gangbare vlaggenschip‑baseline geworden, dus contextlengte alleen zal Qwen4 niet differentiëren. Qwens sterkere kans is multimodaal contextgebruik: het juiste bewijs vinden in documenten, code, screenshots en video en vervolgens de juiste actie ondernemen. Kimi K3 heeft ook native visueel begrip, terwijl de huidige interface van GLM‑5.3 alleen tekst met 1M context en 128K maximale output is.
Coderen, agents en gespecialiseerde sterktes
Qwen3.8‑Max brengt een brede profiel van coderen, onderzoek, samenwerken en visuele agents. Qwen3.8-Flash-Next voegt een efficiëntie‑georiënteerde multimodale architectuur toe met sterkere capaciteit per actieve parameter. Kimi K3 benadrukt langetermijn‑coderen en kenniswerk, DeepSeek V4 Pro benadrukt efficiënt redeneren en agentisch coderen, en GLM‑5.3 voegt een onderscheidende cybersecurity‑focus toe. Een geloofwaardige Qwen4‑lancering zou brede agent‑betrouwbaarheid moeten combineren met specialistisch niveau in software‑engineering en visueel computergebruik.
Open gewichten zijn niet het hele deployment‑verhaal
Open gewichten kunnen controle, maatwerk en keuze van provider verbeteren, maar de praktische vergelijking omvat ook licentievoorwaarden, hardwarevereisten, quantisatiekwaliteit, fine‑tuningondersteuning en de beschikbaarheid van geoptimaliseerde serving‑stacks. Het woord open mag niet worden gebruikt als vervanging voor het controleren van de exacte licentie en deploymentvoorwaarden van elke release.
Vergelijkingsresultaat: Qwen4’s sterkste potentiële positie is een brede multimodale agent die de visuele en cowork‑sterktes van Qwen3.8‑Max combineert met Flash‑Next’s architectuur met lage actieve compute en betere betrouwbaarheid in software‑engineering. Het kan niet tot winnaar worden uitgeroepen totdat gematchte evaluaties en productiegedrag beschikbaar zijn.
Potentiële use‑cases voor Qwen4
Autonome software‑engineering
Een sterkere Qwen‑agent kan een repository inspecteren, een issue reproduceren, meerdere bestanden bewerken, tests uitvoeren, fouten beoordelen en een wijziging voorbereiden die klaar is voor een pull request. De belangrijke metriek is het percentage taken dat zonder menselijke redding wordt voltooid, niet de hoeveelheid gegenereerde code.
Enterprise‑kenniswerk
Lange context en multimodaal begrip kunnen workflows ondersteunen die beginnen met contracten, PDF’s, spreadsheets, diagrammen en vergaderverslagen en eindigen met een beslissingsmemo, analyse of gestructureerd actieplan. Enterprises hebben nog steeds retrieval‑controles, auditlogs en bronverificatie rond het model nodig.
Multimodale computer‑use‑agents
Qwen4 kan nuttig zijn waar een agent screenshots moet interpreteren, applicaties moet navigeren, UI‑toestand moet verifiëren en moet herstellen wanneer een klik of formulierindiening een onverwacht resultaat oplevert. Dit is een natuurlijke uitbreiding van Qwen3.8‑Max’ sterke visuele en OSWorld‑achtige baseline, maar native computer‑control‑ondersteuning is niet aangekondigd.
Wetenschappelijk en technisch onderzoek
Onderzoeksworkflows combineren literatuuronderzoek, code, simulatie, data‑analyse en rapportage. Een toekomstig Qwen‑model kan deze stappen orkestreren en een langere experimentele geschiedenis bijhouden. PaperBench‑prestaties maken dit een geloofwaardige richting, maar reproduceerbaarheid en onafhankelijke verificatie blijven essentieel.
Wat we nog niet weten
Hoewel Qwen de architectuur via Flash‑Next heeft erkend, zijn de volgende productiedetails niet beschikbaar en moeten expliciet onopgelost blijven totdat een officiële Qwen4‑aankondiging verschijnt:
- De exacte productnamen en of Qwen4 als één model of als een familie wordt gelanceerd.
- De releasedatum of preview‑planning.
- Of de definitieve modellen de exacte GDN/QSA‑ratio, het gated‑residual‑ontwerp, de schaal van n‑gram‑embeddings en de expert‑routing van Flash‑Next behouden.
- Totale parameters, actieve parameters, aantal experts en trainingsdataschaal voor elk Qwen4‑model.
- Native contextlengte, standaardcontext, maximale output en ondersteunde modaliteiten voor elke route.
- Native audio, afbeeldingsgeneratie, spraak of videogeneratie.
- Officiële benchmarkresultaten en het evaluatieharnas dat voor elke score is gebruikt.
- Beschikbaarheid van open gewichten, licentievoorwaarden en voorwaarden voor commercieel gebruik.
- API‑prijzen, regionale beschikbaarheid, snelheidslimieten en de definitieve model‑ID.
Verificatierichtlijn: Behandel alle exacte Qwen4‑specificaties, benchmarkgrafieken, prijstabellen of API‑identifiers als niet‑geverifieerd tenzij ze direct te herleiden zijn tot Qwen, Alibaba Cloud of een officiële modelrepository.
Wanneer wordt Qwen4 uitgebracht?
Er is geen verdedigbare publieke releasedatum. Qwen3.8-Flash-Next bevestigt dat Qwen de architectuur test die Qwen4 zal onderbouwen, maar de publieke materialen geven geen planning voor een productie‑Qwen4‑model. Trainingsafronding, serving‑efficiëntie, veiligheidsevaluatie, licentiëring van gewichten en productintegratie kunnen allemaal de timing en vorm van de release beïnvloeden.
De veiligste publicatieaanpak is het vermijden van een maand‑ of kwartaalvoorspelling. Houd de officiële Qwen‑site, Alibaba Cloud Model Studio‑documentatie, geverifieerde modelrepositories en de CometAPI‑modelcatalogus in de gaten. Een Qwen4‑modelpagina moet pas worden toegevoegd nadat het model daadwerkelijk is vermeld.
Hoe ontwikkelaars zich kunnen voorbereiden op Qwen4
- Stel twee baselines vast. Gebruik Qwen3.8-Flash-Next om architectuurefficiëntie te meten en Qwen3.8‑Max om de huidige vlaggenschipcapaciteit te meten.
- Scheid model‑ID’s van businesslogica. Houd routing en configuratie buiten applicatiecode zodat modellen veilig kunnen worden verwisseld.
- Bouw evaluaties op taakniveau. Meet voltooide softwarefixes, nauwkeurige onderzoeksoutputs, succesvolle toolketens en bruikbare opleveringen.
- Log totale workflowkosten. Volg latentie, input‑ en outputtokens, cachegebruik, retries, mislukte acties en menselijk herstelwerk.
- Behoud fallback‑routes. Gebruik model‑routing en provider‑fallbacks in plaats van één onuitgebracht model als single point of failure te maken.
- Verzín geen model‑ID. Wacht op de officiële identifier voordat je qwen4 of qwen4‑max aan productconfiguratie toevoegt.
Probeer Qwen3.8-Flash-Next en Qwen3.8-Max via CometAPI
Ontwikkelaars kunnen nu Qwen3.8-Flash-Next testen via CometAPI en Qwen3.8‑Max als de vlaggenschipvergelijking aanhouden. Maak een API‑sleutel aan, bewaar die in een omgevingsvariabele en roep het bestaande model aan via een OpenAI‑compatibele client. Het voorbeeld gebruikt opzettelijk qwen3.8-flash-next; het veronderstelt geen toekomstige Qwen4‑identifier.
Conclusie
Qwen4 is nu meer dan een gerucht: Qwen heeft Qwen3.8-Flash-Next expliciet geïdentificeerd als een experimentele preview van de architectuur die het zal onderbouwen. De preview bevestigt een multimodale, ultra‑sparse MoE‑richting rond Gated DeltaNet, Qwen Sparse Attention, gated residuals en n‑gram‑embeddings. Qwen3.8‑Max blijft de sterkere huidige capability‑baseline.
De echte test voor Qwen4 zal niet zijn of het aantal parameters groter is. Het zal zijn of het definitieve model de efficiëntie van Flash‑Next kan combineren met Max‑niveau capaciteit, langer werk met minder fouten kan voltooien en multimodaal bewijs betrouwbaarder kan gebruiken. De architectuurrichting is nu publiek, maar de definitieve specificaties, benchmarks, licentie, prijs, API‑ID en releasedatum blijven onbekend.