Svar først: Qwen4 er ikke lenger bare et spekulativt navn. Qwen beskriver nå Qwen3.8-Flash-Next som en multimodal MoE-modell og en eksperimentell forhåndsvisning av arkitekturen som vil danne grunnlaget for Qwen4. Dette bekrefter en arkitekturretning med effektivitet først, men utgjør ikke en produktlansering av Qwen4. Den endelige modellporteføljen, parameteromfanget, benchmark-scorekortet, API-identifikatoren, lisensen, prisingen og lanseringsplanen er fortsatt ikke offentliggjort.
Hva er Qwen4?
Qwen4 er den neste store Qwen-arkitekturen som nå er erkjent av Qwen-teamet, selv om ingen frittstående Qwen4-modell eller produktfamilie er lansert. De offisielle Qwen3.8-Flash-Next-materialene kaller den en eksperimentell arkitekturforhåndsvisning for Qwen4. De avslører ikke endelig parameterantall, produktportefølje, benchmark-scorekort, prising, API-identifikator, lisens eller utgivelsesdato. Eksakte verdier som ikke kan spores til Qwen eller Alibaba Cloud bør fortsatt behandles som ubekreftede.
Den mest nyttige måten å diskutere Qwen4 på er fortsatt å skille tre lag med evidens. Bekreftet informasjon inkluderer nå gjeldende Qwen-modeller, publisert dokumentasjon og Qwen3.8-Flash-Next-arkitekturforhåndsvisningen. Forventede retninger er slutninger forankret i disse signalene. Ukjente er endelige produktdetaljer som ikke ansvarlig kan fylles med estimater. Dette skillet er viktig fordi forhåndsvisningen bekrefter arkitektonisk intensjon uten å definere produksjonsfamilien for Qwen4.
| Bevisnivå | Hvordan det bør brukes | Eksempler i denne artikkelen |
|---|---|---|
| Bekreftet | Angi som faktum med en direkte offisiell lenke | Qwen3.8-Flash-Next arkitekturforhåndsvisning; Qwen3.8-Max skala og benchmarkbaseline |
| Forventet | Bruk forsiktig språk og forklar slutningen | Hvordan forhåndsvisningsarkitekturen kan skalere inn i endelige Qwen4-modeller |
| Ukjent | Ikke finn på en verdi eller utgivelsesforpliktelse | Endelig modellportefølje, parametere, scorekort, pris, lisens og API-ID |
Hvorfor Qwen4 er det logiske neste steget
Qwen3-generasjonen etablerte en hybrid tilnærming til resonnement. Dens offisielle introduksjon beskriver thinking and non-thinking modes som lar utviklere avveie responshastighet mot dypere overveielse. Den samme generasjonen utvidet også flerspråklig støtte og styrket verktøybruk, inkludert MCP-orienterte agentarbeidsflyter.
Qwens veikart pekte deretter mot skalering av data, utvidelse av kontekst, bredere modaliteter og miljøtilbakemeldings-RL. Dette veikartet er viktigere enn ryktebaserte utgivelsesprediksjoner: det rammer inn den neste generasjonen som en overgang fra å trene modeller til å trene agenter som kan samhandle med miljøer og fullføre arbeid med lang horisont.
Qwen3.8-linjen gir nå to forskjellige baseliner. Qwen3.8-Max forblir den nåværende flaggskipskapabilitetsbaselinen, med et driftet 2,4-billioners-parameter MoE-system for koding, kontorarbeid, visuell forståelse, lange dokumenter, lange videoer og autonom planlegging. Qwen3.8-Flash-Next spiller en annen rolle: Qwen posisjonerer den eksplisitt som arkitekturforhåndsvisningen for Qwen4. En fremtidig Qwen4 må kombinere flaggskipets bredde med forhåndsvisningens effektivitetsorienterte design.
Hva Qwen3.8-Flash-Next avslører om Qwen4
Qwen3.8-Flash-Next er det første konkrete offentlige beviset på fundamentet til Qwen4. Qwen kaller den den første open-weight-utgivelsen under den nye arkitekturen og sier at designet vil danne grunnlaget for Qwen4. Forhåndsvisningen er derfor sterkere enn en veikartslutning, men lar fortsatt produksjonsmodellens skala og konfigurasjon være åpne.
Modellen er en multimodal kausal språkmodell med en visjonsenkoder. Språkmodellen inneholder 125B parametere med 6B aktivert, pluss 51B n-gram-innleiringer og 4B MTP-parametere. Den har 48 lag, 512 eksperter med 10 rutede og én delt ekspert aktiv per token, en nativ 262,144-token kontekst og utvidelsesstøtte opp til 1,000,000 tokens.
| Arkitektursignal | Bekreftet i Qwen3.8-Flash-Next | Hva det antyder for Qwen4 |
|---|---|---|
| Ultra-sparsom MoE | 125B hovedmodell; 6B aktiv per token; 512 eksperter | Kapabilitet per enhet aktiv beregning kan være et sentralt mål |
| Hybrid oppmerksomhet | Tre Gated DeltaNet-lag for hver Qwen Sparse Attention-lag | Langkontekst-latens og KV-cache-effektivitet kan bety mer enn rå vindusstørrelse |
| Gated residual | Fire bredere residualgrener med datavhengige porter | Qwen tester mer uttrykksfull dyp skalering med kontrollert overhead |
| N-gram-innleiring | 51B bigram- og trigram-innleiringsparametere | Minne-avlastbar kapasitet kan supplere beregningstung MoE-skalering |
| Nativ multimodalitet | Kausal språkmodell med visjonsenkoder | Tekst og visjon er sannsynlige arkitektoniske fundamenter, ikke påsatte varianter |
| Lang kontekst | 262K nativ; kan utvides til 1M | Qwen4 vil sannsynligvis vektlegge effektive agenters arbeid over lange horisonter |
Forhåndsvisningens leverandørrapporterte benchmarkresultater viser også hvorfor arkitekturen er viktig. Til tross for at kun 6B parametere aktiveres per token, forbedrer den den tette Qwen3.8-27B-baselinen på de utvalgte evalueringene for koding, kontorarbeid, verktøybruk og multimodale agenter nedenfor. Disse resultatene er ikke Qwen4-score; de er bevis på at den nye arkitekturen er designet for å øke kapabilitet per aktive parameter.
| 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 |
Tolkning: Flash-Next gjør tre Qwen4-forventninger til sterkere signaler: ultra-sparsom aktivering, hybrid langkonteksts oppmerksomhet og nativ multimodalitet. Den avslører ikke Qwen4s endelige parameterantall, eksakt konfigurasjon for kontekst, produktnivåer eller utgivelsestidspunkt.
Forventede Qwen4-spesifikasjoner
Siden ingen endelig Qwen4-spesifikasjon eksisterer, bruker tabellen nedenfor Qwen3.8-Max som bekreftet produksjonsbaseline og Qwen3.8-Flash-Next som bekreftet arkitektursignal. Forhåndsvisningen øker tilliten i flere retninger, men hvert endelige Qwen4-felt forblir enten forventet eller ukjent til Qwen publiserer modellen.
| Spesifikasjon | Qwen3.8-Max bekreftet baseline | Qwen4-forventning | Konfidens |
|---|---|---|---|
| Status | Lansert | Arkitekturforhåndsvisning bekreftet; modell ikke lansert | Bekreftet |
| Arkitektur | Sparsom MoE med hybrid oppmerksomhet | Forventes å bygge på Flash-Nexts GDN + QSA, gated residual og n-gram-innleiring | Høy |
| Totale parametere | 2.4T | Ukjent; trenger kanskje ikke å overstige 2.4T | Lav |
| Aktive parametere | Omtrent 95B per steg i open-weight-modellen | Sannsynlig ultra-sparsom ruting; eksakt aktiv beregning ukjent | Middels høy |
| Kontekstvindu | 1,000,000 tokens | Optimalisert lang kontekst; endelige nativt og standardgrenser ukjent | Høy |
| Maksimalt utdata | 131,072 tokens | Sannsynligvis beholdt eller utvidet | Middels |
| Hostede inndata | Tekst, bilde og video | Multimodal retning er bekreftet; eksakt lydstøtte er ukjent | Høy |
| Utgangsmodalitet | Tekst | Tekst er sannsynlig; nativ medieutgang er ubekreftet | Middels |
| Resonnering | Thinking og raskere inferensarbeidsflyter | Thinking-kontroller er sannsynlige; endelig API-oppførsel ukjent | Middels høy |
| Verktøystøtte | Funksjonskall og strukturert utdata | Sterkere verktøyvalg, bevart tilstand og gjenoppretting forventet | Høy |
| Vekter og lisens | Open-weight flaggskipsjekkpunkt finnes | Forhåndsvisning er open-weight; endelig Qwen4-lisens og sjekkpunkter ukjent | Middels |
| API-modell-ID | qwen3.8-max | Ikke tilgjengelig | Bekreftet |
Tolkning: Flash-Next øker tilliten til ultra-sparsom MoE-ruting, hybrid langkonteksts oppmerksomhet, gated residualer, n-gram-innleiring og nativ multimodalitet. Den beviser ikke at en endelig Qwen4-modell vil bruke 125B parametere, aktivere 6B per token eller leveres med de samme kontekstgrensene.
Hvilken arkitektur forventes Qwen4 å bygge på?
Ultra-sparsom MoE er nå det sterkeste signalet
Arkitektursprøsmålet er nå mindre spekulativt. Qwen3.8-Flash-Nexts modellkort dokumenterer 125B hovedparametere med kun 6B aktivert per token, pluss 51B n-gram-innleiringer. Dette ultra-sparse designet antyder at Qwen4 kan prioritere total oppgavekapabilitet per enhet aktiv beregning i stedet for å utvide aktive parametere i takt med lagret kapasitet.
Det viktige spørsmålet er ikke om Qwen4 inneholder flere eksperter, men om ruting, minnetilgang og ekspertspecialisering forblir stabile over lange oppgaver. Flash-Nexts n-gram-innleiringer viser også at Qwen utforsker kapasitet som er billigere å beregne og enklere å avlaste enn konvensjonell MoE-skalaering.
Hybrid oppmerksomhet retter seg mot langkonteksts effektivitet
Flash-Next erstatter den tidligere Gated DeltaNet og full-oppmerksomhetskoblingen med Gated DeltaNet og Qwen Sparse Attention som opererer på mikroblokk-nivå. Dens 48 lag gjentar tre Gated DeltaNet-blokker etterfulgt av én blokk med sparsom oppmerksomhet. Dette er det klareste tegnet på at Qwen4 kan være designet for å redusere latens i lang kontekst og KV-cache-press snarere enn å stole på et større vindu med tett oppmerksomhet.
Lang kontekst bør bli agentminne, ikke bare en større prompt
Et vindu på en million tokens er nyttig bare når modellen kan hente riktig evidens, bevare mål og unngå å akkumulere motstridende tilstand. Qwen4 bør derfor evalueres på hvordan den bruker lang kontekst over verktøykall, filendringer, mellomresultater og feilretting. Rå kontekstlengde er mindre informativt enn gjenfinningstreffsikkerhet og oppgavefullføring over en lang trajektorie.
Kontroll over resonnement kan bli mer granulær
Qwen3s hybride thinking-design tillot allerede rask og overveiende oppførsel. Flash-Next styrker signalet ved å støtte enable_thinking, preserve_thinking og kontroller for reasoning_effort. En meningsfull Qwen4-oppgradering kan allokere resonnement dynamisk og bevare bare den tilstanden som forbedrer konsistens over flere steg, og redusere total arbeidsflytkostnad fremfor å produsere lengre synlig resonnement.
Multimodalitet kan bevege seg nærmere databruk
Multimodalitet er nå en sterkere forventning fordi både den driftede tjenesten Qwen3.8-Max og open-weight-forhåndsvisningen Flash-Next støtter visuelle inndata. Qwen4 kan kombinere den persepsjonen med mer pålitelig handling: forstå et skjermbilde, velge en UI-kontroll, sjekke resultatet og korrigere planen. Nativ lyd, bildegenerering, taleutgang og videogenerering er fortsatt ubekreftet.
Forventede Qwen4-funksjoner
- Mer pålitelige agenter over lang horisont. Lavere feilrater ved verktøykall, sterkere målretensjon, bedre gjenoppretting og mer konsistente leveranser etter hundrevis av handlinger.
- Programvareingeniørarbeid i repo-skala. Forbedret planlegging på tvers av store kodebaser, tester, terminaler, issue-trackere og distribusjonsmiljøer.
- Ende-til-ende kunnskapsarbeid. En sterkere vei fra forskning og dokumentanalyse til regneark, presentasjoner, rapporter og beslutningsklare utdata.
- Multimodal verktøybruk. Visuell forståelse som informerer UI-interaksjon, dokumentoperasjoner og miljøforankret resonnement.
- Adaptiv resonnementbudsjett. Automatisk eskalering fra raske svar til dypere resonnement når usikkerheten eller oppgavekompleksiteten øker.
- Høyere kapabilitet per aktiv parameter. Bedre ekspertruting, n-gram-kapasitet, sparsom oppmerksomhet, caching og ettertrening fremfor skalering for skalerings skyld.
- En bredere modellfamilie. Mulige Max-, Plus-, Coder-, liten MoE-, VL- eller Omni-varianter, selv om ingen av disse navnene er bekreftet.
Utsikter for Qwen4-benchmarker: Hva Qwen3.8-Max-baselinen viser
Det finnes ingen Qwen4-benchmarkscore. Flash-Next og Max svarer på forskjellige spørsmål: Flash-Next-scorekortet tester den nye arkitekturens effektivitetsorienterte kapabilitet, mens det offisielle Qwen3.8-Max-scorekortet forblir den sterkere produksjonskapabilitetsbaselinen på tvers av kodingagenter, reproduksjon av forskning, profesjonelt samarbeid, visuell resonnement, mobilbruk og databruk. Qwen4 må kombinere begge retninger under matchede evalueringer.
| Benchmark | Qwen3.8-Max rapportert score | Hva Qwen4 må bevise |
|---|---|---|
| SWE-Pro | 67.7 | Lukke gapet i profesjonell løsing av repo-nivå-issues |
| TerminalBench 2.1 | 86.6 | Forbedre pålitelighet for terminal-agenter under samme testharness |
| PaperBench | 93.0 | Opprettholde forskningsstyrke med uavhengig replikasjon |
| FrontierSWE | 73.5 | Konvertere langhorisont-resonnement til flere fullførte ingeniørarbeid |
| CoWorkBench | 74.8 | Produsere mer pålitelige profesjonelle leveranser |
| OSWorld-Verified | 86.1 | Redusere visuelle handlingsfeil i databruksarbeidsflyter |
De to baselinene peker mot et dobbelt krav. Flash-Next viser at lav aktiv beregning fortsatt kan levere sterke agentiske og multimodale resultater; Max viser den høyere kapabilitetstaket som et nytt flaggskip må overgå. Qwen4 bør derfor vurderes både på suksess i matchede oppgaver og total arbeidsflytkostnad, med leverandørrapporterte score holdt atskilt fra uavhengig replikasjon.
Offisielle Qwen3.8-Max benchmarkresultater. Kilde: Qwen3.8-Max offisiell lansering**.
Qwen4 vs. dagens frontmodeller: bekreftede baseliner og ukjente
Den mest nyttige sammenligningen er ikke bare Qwen4 mot Qwen3.8-Max. Det er Qwen4 mot designvalgene som allerede er synlige i Kimi K3, DeepSeek V4 Pro og GLM-5.3. Tabellen nedenfor sammenligner bekreftede attributter for nåværende modeller med den fortsatt ukjente Qwen4-kolonnen.
| Dimensjon | Qwen4 | Qwen3.8-Max | Kimi K3 | DeepSeek V4 Pro | GLM-5.3 |
|---|---|---|---|---|---|
| Status | Arkitekturforhåndsvisning bekreftet; modell ikke utgitt | Lansert | Lansert | Lansert | Lansert |
| Skala | Ukjent | 2.4T / omtrent 95B aktiv | 2.8T / 16 av 896 eksperter | 1.6T / 49B aktiv | Ikke offentliggjort for denne utgaven |
| Kontekst | Forventet 1M+ | 1M | 1M | 1M | 1M |
| Inndata | Multimodal retning bekreftet; endelig grensesnitt ukjent | Tekst, bilde, video | Tekst og nativ visjon | Tekstorientert | Kun tekst |
| Resonnering | Ukjent | Thinking og raske arbeidsflyter | Low / high / max effort | Thinking / non-thinking | Alltid på; low / high / max |
| Åpent økosystem | Endelige vekter og lisens ubekreftet | Open-weight flaggskip eksisterer | Open-source-posisjonering | Åpne vekter | Open-source-posisjonering |
| Kjernefokus | Forventet effektiv multimodal agent | Koding, cowork, visuelle agenter | Koding og kunnskapsarbeid | Effektiv resonnement og koding | Koding og cybersikkerhet |
Modellska og inferenseffektivitet
Kimis dokumentasjon beskriver 2.8T parametere og 16 aktiverte eksperter av 896. DeepSeek V4 Pro tar en annen rute med 1.6T totalt og 49B aktive parametere. Qwen4 trenger ikke være den største modellen for å vinne denne sammenligningen; den må konvertere aktiv beregning til mer pålitelig fullført arbeid.
Kontekst og multimodalitet
En million tokens har blitt en vanlig flaggskipsbaseline, så kontekstlengde alene vil ikke differensiere Qwen4. Qwens sterkere mulighet er multimodal kontekstbruk: finne korrekt evidens på tvers av dokumenter, kode, skjermbilder og video, og deretter utføre riktig handling. Kimi K3 har også nativ visuell forståelse, mens GLM-5.3s nåværende grensesnitt er kun tekst med 1M kontekst og 128K maksimal utgang.
Koding, agenter og spesialiserte styrker
Qwen3.8-Max bringer en bred profil for koding, forskning, cowork og visuelle agenter. Qwen3.8-Flash-Next legger til en effektivitetsorientert multimodal arkitektur med sterkere kapabilitet per aktiv parameter. Kimi K3 vektlegger langhorisont koding og kunnskapsarbeid, DeepSeek V4 Pro vektlegger effektivt resonnement og agentisk koding, og GLM-5.3 legger til et særskilt fokus på cybersikkerhet. En troverdig Qwen4-lansering må kombinere bred agentpålitelighet med spesialistnivå programvareingeniør- og visuell databruk-ytelse.
Åpne vekter er ikke hele distribusjonshistorien
Åpne vekter kan forbedre kontroll, tilpasning og valg av leverandør, men den praktiske sammenligningen inkluderer også lisensvilkår, maskinvarekrav, kvantiseringkvalitet, finjusteringsstøtte og tilgjengeligheten av optimaliserte serveringsstakker. Ordet open bør ikke brukes som erstatning for å sjekke den eksakte lisensen og distribusjonsbetingelsene for hver utgivelse.
Sammenligningsresultat: Qwen4s sterkeste potensielle posisjon er en bred multimodal agent som kombinerer Qwen3.8-Max sine visuelle og cowork-styrker med Flash-Nexts lav-aktiv-beregning-arkitektur og bedre pålitelighet i programvareingeniørarbeid. Den kan ikke erklæres som vinneren før matchede evalueringer og produksjonsoppførsel er tilgjengelige.
Potensielle bruksområder for Qwen4
Autonom programvareingeniørarbeid
En sterkere Qwen-agent kan inspisere et repository, reprodusere et problem, redigere flere filer, kjøre tester, gjennomgå feil og forberede en pull request-klar endring. Den viktige målingen ville være andelen oppgaver som fullføres uten menneskelig inngripen, ikke mengden generert kode.
Bedriftsorientert kunnskapsarbeid
Lang kontekst og multimodal forståelse kan støtte arbeidsflyter som starter med kontrakter, PDF-er, regneark, diagrammer og møtereferater og ender med et beslutningsnotat, analyse eller strukturert handlingsplan. Bedrifter vil fortsatt trenge gjenfinningskontroller, revisjonslogger og kildeverifisering rundt modellen.
Multimodale databruksagenter
Qwen4 kan være nyttig der en agent må tolke skjermbilder, navigere i applikasjoner, verifisere UI-tilstand og gjenopprette når et klikk eller en innsending gir et uventet resultat. Dette er en naturlig utvidelse av Qwen3.8-Max sin sterke visuelle og OSWorld-stil baseline, men nativ datakontrollstøtte er ikke annonsert.
Vitenskapelig og ingeniørmessig forskning
Forskningsarbeidsflyter kombinerer litteraturgjennomgang, kode, simulering, dataanalyse og rapportskriving. En fremtidig Qwen-modell kan orkestrere disse stegene og opprettholde en lengre eksperimenthistorikk. PaperBench-ytelse gjør dette til en troverdig retning, men reproduserbarhet og uavhengig verifikasjon vil forbli essensielle.
Hva vi ikke vet ennå
Selv om Qwen har erkjent arkitekturen gjennom Flash-Next, er følgende produksjonsdetaljer fortsatt utilgjengelige og bør forbli eksplisitt uavklart til en offisiell Qwen4-annonse:
- De eksakte produktnavnene og om Qwen4 lanseres som én modell eller en familie.
- Utgivelsesdato eller forhåndsvisningsplan.
- Om de endelige modellene beholder Flash-Nexts eksakte GDN/QSA-forhold, gated residual-design, n-gram-innleiringsskala og ekspertruting.
- Totale parametere, aktive parametere, ekspertantall og treningsdatas skala for hver Qwen4-modell.
- Nativ kontekstlengde, standard kontekst, maksimal utgang og støttede modaliteter for hver rute.
- Nativ lyd, bildegenerering, tale- eller videogenerering.
- Offisielle benchmarkresultater og evalueringsharness brukt for hver score.
- Tilgjengelighet av åpne vekter, lisensvilkår og kommersielle bruksvilkår.
- API-priser, regional tilgjengelighet, rategrenser og endelig modell-ID.
Verifiseringsregel: Behandle alle eksakte Qwen4-spesifikasjoner, benchmarkdiagrammer, prisingstabeller eller API-identifikatorer som ubekreftede med mindre de kan spores direkte til Qwen, Alibaba Cloud eller et offisielt modellrepository.
Når blir Qwen4 lansert?
Det finnes ingen forsvarlig offentlig utgivelsesdato. Qwen3.8-Flash-Next bekrefter at Qwen tester arkitekturen som vil danne grunnlaget for Qwen4, men de offentlige materialene gir ingen tidsplan for en produksjonsmodell av Qwen4. Ferdigstilling av trening, serveringseffektivitet, sikkerhetsevaluering, vektenes lisensiering og produktintegrasjon kan alle påvirke tidspunktet og formen på utgivelsen.
Den sikreste publiseringsmåten er å unngå en måneds- eller kvartalsprediksjon. Lesere bør følge den offisielle Qwen-siden, Alibaba Cloud Model Studio-dokumentasjon, verifiserte modelldrepositories og CometAPI-modellkatalogen. En Qwen4-modellside bør legges til først etter at modellen faktisk er listet.
Hvordan utviklere kan forberede seg på Qwen4
- Etabler to baseliner. Bruk Qwen3.8-Flash-Next for å måle arkitektureffektivitet og Qwen3.8-Max for å måle gjeldende flaggskapskapabilitet.
- Skill modell-ID-er fra forretningslogikk. Hold ruting og konfigurasjon utenfor applikasjonskode slik at modeller kan byttes trygt.
- Bygg evalueringer på oppgavenivå. Mål fullførte programvarefikser, nøyaktige forskningsutdata, vellykkede verktøykjeder og brukbare leveranser.
- Loggfør total arbeidsflytkostnad. Spor latens, input- og output-tokens, cache-bruk, retryer, mislykkede handlinger og menneskelig etterarbeid.
- Bevar fallback-ruter. Bruk modellruting og leverandørfallbacks i stedet for å gjøre én ulansert modell til et enkelt feilpunkt.
- Ikke finn på en modell-ID. Vent på den offisielle identifikatoren før du legger qwen4 eller qwen4-max til produksjonskonfigurasjonen.
Prøv Qwen3.8-Flash-Next og Qwen3.8-Max via CometAPI
Utviklere kan nå teste Qwen3.8-Flash-Next via CometAPI og beholde Qwen3.8-Max som flaggskipsammenligning. Opprett en API-nøkkel, legg den i en miljøvariabel, og kall den eksisterende modellen via en OpenAI-kompatibel klient. Eksemplet bruker med hensikt qwen3.8-flash-next; det forutsetter ikke en fremtidig Qwen4-identifikator.
Konklusjon
Qwen4 er nå mer enn et rykte: Qwen har eksplisitt identifisert Qwen3.8-Flash-Next som en eksperimentell forhåndsvisning av arkitekturen som vil danne grunnlaget for den. Forhåndsvisningen bekrefter en multimodal, ultra-sparsom MoE-retning bygget rundt Gated DeltaNet, Qwen Sparse Attention, gated residualer og n-gram-innleiringer. Qwen3.8-Max forblir den sterkere gjeldende kapabilitetsbaselinen.
Den virkelige testen for Qwen4 vil ikke være om dens parameterantall er større. Det vil være om den endelige modellen kan kombinere Flash-Nexts effektivitet med Max-nivå kapabilitet, fullføre lengre arbeid med færre feil og bruke multimodal evidens mer pålitelig. Arkitekturretnigen er nå offentlig, men de endelige spesifikasjonene, benchmarkene, lisensen, prisen, API-ID-en og utgivelsesdatoen er fortsatt ukjent.