Qwen3.8-Flash-Next avaa ikkunan Qwen4:n arkkitehtuuriin

Alibaba-yhtiö Qwen julkaisi Qwen3.8-Flash-Nextin 26. elokuuta 2026, ja julkaisua käsiteltiin laajemmin seuraavana päivänä. Avoimet painot sisältävä malli ei ole lopullinen Qwen4-lippulaiva, vaan varhainen ja tutkittavissa oleva katsaus arkkitehtuuriin, jonka Qwen kertoo muodostavan Qwen4-tuoteperheen perustan. 1215

Mallin kiinnostavin piirre on sen mittakaavan ja laskennan yhdistelmä: pääverkossa on 125 miljardia parametria, ja sen rinnalla toimii vielä 51 miljardin parametrin N-gram-embeddings-komponentti. Silti jokaista tokenia käsiteltäessä aktivoituu vain noin 6 miljardia parametria. Tavoitteena on säilyttää suuren mallin kapasiteetti ilman, että koko parametrimäärä on laskettava läpi jokaisella tokenilla. 415

Mikä Qwen3.8-Flash-Next oikeastaan on?

Nimi Qwen3.8-Flash-Next viittaa Qwenin avoimesti julkaisemaan malliin. Läheinen Qwen3.8-Flash puolestaan tarkoittaa tuotantokäyttöön suunnattua mallia ja API-palvelua. Open-weight-versio on siis ennen kaikkea arkkitehtuurin esikatselu ja kehittäjille tarkoitettu kokeilualusta.

Qwen kuvaa julkaisua multimodaaliseksi mixture-of-experts- eli MoE-malliksi. MoE-arkkitehtuurissa kaikki mallin osat eivät osallistu jokaisen syötteen käsittelyyn, mikä voi pienentää laskentakustannuksia. Qwen3.8-Flash-Nextissä yhdistyvät tekstin ja visuaalisen tiedon käsittely sekä Qwen4-sarjaan suunniteltu uusi järjestelmärakenne. 1215

Oleellinen rajaus on tämä: mallin julkaisu ei tarkoita, että koko Qwen4-perhe olisi jo julkaistu. Sen sijaan tutkijat ja kehittäjät voivat tutkia rakennetta, valmistella työkalujaan ja antaa palautetta ennen varsinaisen tuoteperheen saapumista. 2315

Tärkeimmät tekniset tiedot

• Julkaisu: 26. elokuuta 2026; lisäraportointia julkaistiin 27. elokuuta. 1215
• Päämalli: 125 miljardia parametria. 15
• N-gram-embeddings: 51 miljardia lisäparametria. 415
• Aktiiviset parametrit: noin 6 miljardia tokenia kohden. 15
• Konteksti: natiivisti 262 144 tokenia, YaRN-laajennuksella enintään miljoona tokenia. 1416
• Syötteet: teksti ja kuvat multimodaalisen rakenteen kautta. 1516
• Saatavuus: standardi- ja FP8-versiot raportoitiin julkaistuiksi Hugging Facessa ja ModelScopessa. 38

Miljoonan tokenin lukua ei pidä sekoittaa mallin natiiviseen konteksti-ikkunaan. Tavallinen palvelinkonfiguraatio on 262 144 tokenia; suurempi ikkuna perustuu YaRN-laajennukseen, joten sitä on järkevää arvioida erillisenä laajennettuna käyttötapana. 1416

Miksi arkkitehtuuri on kiinnostava?

Hybridi-attentio tähtää pitkiin konteksteihin

Qwen3.8-Flash-Next yhdistää Gated DeltaNetin eli GDN:n ja Qwen Sparse Attentionin eli QSA:n. GDN on suunniteltu tiivistämään aiemmasta kontekstista saatavaa tietoa. QSA puolestaan käyttää kevyttä indeksiä tunnistaakseen olennaisia pieniä kontekstijaksoja sen sijaan, että koko historia käsiteltäisiin samalla tavalla täydellä attention-laskennalla. 4

Tavoitteena on hidastaa pitkien syötteiden käsittelyn kustannusten kasvua. Qwen ilmoittaa jopa 7,6-kertaisen nopeutuksen esitäytössä ja 4,9-kertaisen nopeutuksen dekoodauksessa miljoonan tokenin sekvensseillä. Luvut ovat valmistajan ilmoittamia, ja niihin vaikuttavat muun muassa laitteisto, ohjelmistototeutus, sekvenssin rakenne ja testiasetukset. Niitä ei siksi pidä tulkita kaikissa käyttöympäristöissä saavutettaviksi tuloksiksi. 4

N-gram-embeddings tuo kapasiteettia ilman vastaavaa tokenikohtaista laskentaa

Erillinen N-gram-embeddings-komponentti kasvattaa mallin esityskykyä ilman, että koko parametrimäärä täytyy käsitellä aktiivisesti jokaisen tokenin yhteydessä. Qwenin suunnitelmassa embeddings-taulukko voidaan myös siirtää isäntäkoneen muistiin. Dataa voidaan esiladata asynkronisesti, jolloin muistisiirtoja ja mallin laskentaa voidaan tehdä limittäin. 4

Suuria malleja operoiville tämä on käytännössä merkittävä suunta. Mallin koko ei yksin ratkaise kustannuksia: yhtä tärkeitä voivat olla muistipaikka, tiedonsiirto ja se, kuinka tehokkaasti pitkät dokumentit tai suuret erät saadaan käsiteltyä.

Myös koulutusmenetelmä on osa esikatselua

Julkaisu sisältää muutoksia myös optimointiin ja mallin skaalaukseen. Qwen kertoo käyttäneensä Muon-optimointia, säätäneensä sen suhdetta AdamW-optimointiin ja parametrien käsittelyyn sekä sovittaneensa arkkitehtuurille uuden scaling law -skaalauslain. 4

Kyse ei siis ole vain uudella attention-lohkolla varustetusta tarkistuspisteestä. Qwen julkaisee samalla julkiseen tarkasteluun laajemman tavan rakentaa malleja, joissa kokonaiskapasiteetti on suuri mutta aktiivinen laskenta pysyy suhteellisen pienenä.

Pitkä konteksti, testitulokset ja kustannusväitteet

Qwen kertoo, että Qwen3.8-Flashin kouluttaminen vaati noin yhdeksäsosan Qwen3.7-Plusin koulutuskustannuksista ja että samalla koodaus- ja toimistotehtävien suorituskyky parani. Reuters raportoi erikseen yhtiön väitteistä, joiden mukaan malli saavutti vahvempia tuloksia näissä tehtävissä pienemmillä koulutuskustannuksilla. 14

Julkaisun yhteydessä mainitaan tulokset 58,7 DeepSWE 1.1 -testissä, 62,5 SWE-bench Pro -testissä ja 84,5 AndroidWorld-testissä. Qwen asettaa tulokset DeepSeek V4 Flashia paremmiksi niin sanotussa value-segmentissä. Vertailut ovat kuitenkin yhtiön ilmoittamia, eikä käytettävissä oleva aineisto osoita, että ne olisi riippumattomasti toistettu täysin vastaavissa arviointiolosuhteissa. 4

Tuotantokäyttöön tarkoitetun Qwen3.8-Flash-palvelun ilmoitettu API-hinta on 1 yuan miljoonaa syötemallia eli input-tokenia kohden ja 3 yuania miljoonaa output-tokenia kohden. Julkaisumateriaali ei kuvaa erillistä ruuhka-ajan ja hiljaisen ajan hinnoittelua. Hintoja verrattaessa on silti huomioitava malliversio, välimuistialennukset, kontekstin pituus, palvelutaso ja tarvittava vastauslaatu. 14

Mitä avoin julkaisu merkitsee kehittäjille?

Avoimet painot tekevät Qwen3.8-Flash-Nextistä käytännöllisen kokeilualustan ennen Qwen4:n saapumista. Kehittäjät voivat valmistella päättely- ja palvelutyökaluja, testata kvantisointia ja tutkia mallin toimintaa omilla aineistoillaan sen sijaan, että heidän pitäisi odottaa lopullista Qwen4-toteutusta. 2315

Mallin rakenne on erityisen relevantti tehtävissä, joissa kontekstin pituus tai tokenikustannukset muodostavat pullonkaulan, kuten:

• laajojen dokumenttien ja tutkimusaineistojen analysoinnissa;
• suurten ohjelmistovarastojen koodiavustajissa;
• työkaluja käyttävissä ja pitkään toimivissa agenteissa;
• pitkissä keskusteluissa, joissa tila kertyy kierros kierrokselta; sekä
• teksti- ja kuvadatan käsittelyssä suurina eräajoina.

Nämä ovat mallin pitkän kontekstin ja aktiivisten parametrien rakenteesta johdettavia mahdollisia käyttötapoja, eivät lupauksia siitä, että se päihittäisi tuotannossa kaikki tiheät tai täyden attentionin mallit. Todelliseen talouteen vaikuttavat muun muassa käytettävä laitteisto, palvelinohjelmistot, kvantisoinnin laatu, tiedonhaku ja työkuorman koostumus.

Tärkein varaus: esikatselu ei ole lopullinen tuomio

Qwen3.8-Flash-Next on merkittävä ennen kaikkea siksi, että se paljastaa Alibaban arkkitehtuurisuunnan varhaisessa vaiheessa. Se tarjoaa yhteisölle konkreettisen tavan selvittää, voivatko harva ja tiivistetty attention, suuret oheisembeddings-rakenteet ja vähäinen aktiivinen parametrimäärä tuottaa parempaa pitkän kontekstin kustannustehokkuutta ilman kohtuutonta laadun heikkenemistä.

Julkaisun vahvimmat luvut – nopeutukset, testitulokset, koulutuskustannusten lasku ja kilpailukykyä koskevat väitteet – ovat kuitenkin suurelta osin peräisin Qweniltä tai Qwenin ilmoituksiin perustuvasta raportoinnista. Riippumattomia testejä tarvitaan vielä eri laitteistoilla, kielillä, kontekstipituuksilla, multimodaalisilla tehtävillä ja tuotantotason agenttityönkuluilla.

Varovaisin ja perustelluin johtopäätös ei siis ole, että Qwen3.8-Flash-Next voittaisi kaikki kilpailijansa. Se on avoin, multimodaalinen MoE-tekninen esikatselu, joka antaa kehittäjille poikkeuksellisen varhaisen näkymän siihen järjestelmäarkkitehtuuriin, jota Alibaba valmistelee Qwen4:ää varten – sekä testattavan suunnitelman erittäin pitkän kontekstin tekoälyn tehostamiseen.