Qwen 3.8-Flash-Next: Alibaba tester en ny AI-arkitektur før Qwen 4

Qwen 3.8-Flash-Next bliver positioneret som en tidlig, open-weight-udgave til udviklere af den arkitektur, der er tiltænkt Qwen 4 – ikke som Alibabas færdige flagskib. Den centrale påstand er, at modellen kan levere usædvanligt meget kapacitet i forhold til den computerkraft, der kræves til træning og drift. Men både ydeevne, omkostninger og detaljer om lanceringen bør indtil videre betragtes som leverandøroplysninger, indtil vægte, teknisk dokumentation og uafhængige evalueringer er offentliggjort. 9

En stor model, der kun bruger en lille del ad gangen

Det rapporterede design er en indbygget multimodal Mixture-of-Experts-model (MoE) med 125 milliarder parametre i alt. Heraf udgør 51 milliarder parametre en N-gram-embedding-del, mens omkring 6 milliarder parametre aktiveres for hver token. 9

I en traditionel, tæt model bruges hele netværket på hvert trin. En MoE-model har i stedet en stor pulje af specialiserede eksperter og sender hvert token videre til et mindre udvalg af dem. Det kan reducere behovet for flydende komma-beregninger, hukommelsesbåndbredde og serveringsomkostninger sammenlignet med en tæt model med tilsvarende samlet størrelse.

N-gram-embeddings kan samtidig give modellen et stort lager af lokale mønstre, som kan slås op effektivt. Det er dog først uafhængige målinger, der kan vise, hvor meget designet reelt betyder for hastighed, hukommelsesforbrug og kvalitet.

Hvorfor kodning står centralt

Kodning er et område, hvor en sparsom arkitektur potentielt kan få særlig stor effekt. Forskellige eksperter kan lære mønstre fra programmeringssprog, kodebaser, værktøjsbrug, fejlfinding og strukturen i meget lange projekter.

Påstanden om ydeevne tæt på frontlinjen til omtrent en niendedel af træningsomkostningen for Qwen 3.7-Plus bør derfor læses som et effektiviseringsmål, der bygger på sparsom routing, arkitekturændringer og embedding-designet. Den er ikke i sig selv dokumentation for, at modellen vil matche de førende lukkede modeller i alle benchmarks eller i alle praktiske kodningsopgaver.

Der mangler fortsat tilstrækkelige uafhængige kodningsevalueringer til at afgøre, om løftet holder i virkelige udviklerarbejdsgange.

Derfor er det en preview-model – ikke Qwen 4

Alibabas framing peger på, at Flash-Next først og fremmest skal fungere som en kompatibilitets- og økosystemudgivelse. Udviklere kan afprøve den næste arkitektur, finjustering, inferensstakke og multimodale pipelines, før Qwen 4-familien lander. 9

Det giver samtidig Alibaba plads til, at den endelige flagskibsmodel kan få mere træning, stærkere eftertræning, bredere sikkerhedsarbejde, større varianter og en afsluttende benchmarkvalidering. En tidlig udviklerversion skal derfor ikke automatisk læses som en forsmag på den endelige model i færdig form.

Hvordan den passer ind i Qwen 3.8-serien

Alibaba har allerede gjort Qwen3.8-27B tilgængelig under Apache 2.0. Det er en multimodal model i 27-milliardersklassen med et oprindeligt kontekstvindue på 262.000 tokens, som kan udvides til 1 million tokens. 6

Qwen3.8-Max er den avancerede modpart, men rapporteringen peger på, at dens vægte er udgivet under en særskilt og mere restriktiv licens frem for de almindelige Apache 2.0-vilkår, som gælder for 27B-modellen. 12 Opdelingen gør det lettere at få bred anvendelse af den mindre model, mens Alibaba bevarer større kontrol over den dyreste flagskibskapacitet.

Open weights betyder ikke nødvendigvis fri kommerciel brug

Hvis Max- eller Flash-Next-licensen indeholder omsætningstærskler, krav om en særskilt aftale eller eventuelle bestemmelser om indtægtsdeling ved meget store kommercielle udrulninger, vil det være en væsentlig begrænsning af betegnelsen “open weights”.

Den tilgængelige rapportering understøtter, at Max har licensbegrænsninger, men den præcise udløsende grænse og vilkårene skal bekræftes i den faktiske licenstekst. På det foreliggende grundlag bør påstanden om indtægtsdeling derfor ikke behandles som fastslået. 12

En AI-satsning fra chips til modeller

De nye Qwen-udgivelser er del af en bredere strategi, hvor Alibaba bruger åbne eller lettilgængelige modeller til at tiltrække udviklere og skabe efterspørgsel efter Alibaba Cloud. Samtidig investerer koncernen i den computerkraft, datacenterkapacitet og infrastruktur, der kræves for at træne og drive systemer i frontlinjen.

Alibaba har sagt, at provenuet fra selskabets aktieudstedelse i Hongkong skal finansiere AI-kapacitet i hele stakken – fra infrastruktur til modeller. 2

10,2 milliarder dollar rejser også spørgsmål for aktionærerne

Alibaba rejste 80 milliarder Hongkong-dollar – cirka 10,2 milliarder dollar – ved at sælge 710 millioner aktier til 112,70 Hongkong-dollar stykket. 3 Prisen var 8,4 procent lavere end den foregående lukkekurs, mens ordre bøgerne ifølge rapporteringen tiltrak efterspørgsel på omkring 28 milliarder dollar. 4

For investorerne er bytteforholdet enkelt: Kapitalen kan sætte fart på AI-investeringerne, men nye aktier udvander de eksisterende ejere. Samtidig stiger gennemførelsesrisikoen, hvis investeringerne ikke hurtigt nok bliver omsat til indtægter fra cloudtjenester, API-adgang og AI-applikationer. 4

Kampen handler om mere end benchmarks

I Kinas kapløb om open-weight-modeller handler det ikke kun om at vinde på et enkelt benchmark. Alibaba skal også tiltrække udviklere, efterfølgende finjusterede modeller, cloudbelastning og understøttelse i værktøjskæden – før konkurrenter som DeepSeek gør det.

Henvisninger til mulige systemer som “Ox Alpha” er fortsat spekulative, medmindre de ledsages af en identificerbar udgivelse, modelvægte eller en teknisk rapport. På samme måde bør oplysninger om et økosystem med over 460 modeller og understøttelse af 119 sprog læses som Alibaba-økosystemets egne nøgletal – ikke som et mål for evnerne i én bestemt Qwen-model.

Det afgørende spørgsmål er, om løftet holder

Alibabas strategiske satsning bygger på, at billige, sparsomme og multimodale modeller kan gøre selskabet konkurrencedygtigt i begge ender af markedet: gennem bred anvendelse af åbne modeller og gennem premiumdistribution i skyen.

Det uafklarede spørgsmål er, om uafhængige resultater bekræfter den lovede kodningskvalitet og fordel i træningsomkostninger – og om licensvilkårene giver store virksomheder mulighed for at tage modellerne i brug uden at udhule værdien af, at de beskrives som åbne.