JawabanDipublikasikan16 sumber
Qwen 3.8-Flash-Next Bukan Flagship, Melainkan Uji Awal Arsitektur Qwen 4
Qwen 3.8 Flash Next adalah preview pengembang berbasis open weight untuk menguji arsitektur yang direncanakan menjadi fondasi keluarga Qwen 4, bukan flagship final Alibaba. Model ini dilaporkan memiliki 125 miliar parameter, termasuk 51 miliar parameter embedding N gram, tetapi hanya mengaktifkan sekitar 6 miliar pa...
Diterbitkan olehDiedit dengan GPT-5.6 LunaGambar dibuat dengan GPT Image 1.5
Jawaban penelitian
Poin-poin penting
- Qwen 3.8 Flash Next adalah preview pengembang berbasis open weight untuk menguji arsitektur yang direncanakan menjadi fondasi keluarga Qwen 4, bukan flagship final Alibaba.
- Model ini dilaporkan memiliki 125 miliar parameter, termasuk 51 miliar parameter embedding N gram, tetapi hanya mengaktifkan sekitar 6 miliar parameter untuk setiap token.
- Arsitektur Mixture of Experts ditujukan untuk menekan biaya pelatihan dan inferensi, sekaligus mempertahankan spesialisasi yang berguna untuk coding dan tugas multimodal.
- Klaim performa mendekati model frontier dengan biaya pelatihan sekitar sepersembilan Qwen 3.7 Plus masih perlu diverifikasi melalui bobot, dokumentasi teknis, dan evaluasi independen.
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Alibaba’s planned Qwen 3.8 Flash Next release, how does its multimodal Mixture of Experts architecture (125 billion total parameters. Article summary: Qwen 3.8 Flash Next is being positioned as an early, open weight developer test of the architecture intended for Qwen 4—not as Alibaba’s finished flagship.. Topic tags: general web, agents, ai, workflow, productivity. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thum
Apa itu Qwen 3.8-Flash-Next?
Qwen 3.8-Flash-Next diposisikan Alibaba sebagai rilis awal untuk pengembang, bukan produk flagship yang sudah final. Model ini dimaksudkan sebagai kesempatan bagi pengembang untuk mencoba arsitektur generasi berikutnya yang nantinya menjadi dasar keluarga Qwen 4.
Klaim utamanya adalah efisiensi: kemampuan yang mendekati model frontier dengan kebutuhan komputasi pelatihan dan inferensi yang lebih rendah. Namun, angka performa, biaya, serta detail rilis tersebut masih sebaiknya dianggap sebagai klaim dari vendor sampai bobot model, dokumentasi teknis, dan pengujian independen tersedia. 9
Mengapa hanya 6 miliar parameter yang aktif?
Qwen 3.8-Flash-Next dilaporkan menggunakan arsitektur multimodal Mixture-of-Experts (MoE) dengan total 125 miliar parameter. Dari jumlah tersebut, sekitar 51 miliar merupakan parameter embedding N-gram, sementara hanya sekitar 6 miliar parameter yang diaktifkan untuk setiap token. 9
Dalam model MoE, seluruh kapasitas model tidak digunakan sekaligus. Sistem memilih sejumlah “pakar” atau expert yang paling relevan untuk memproses bagian tertentu dari input. Dengan demikian, model tetap memiliki kumpulan kapasitas yang besar dan terspesialisasi, tetapi beban komputasi pada setiap langkah bisa lebih kecil dibandingkan model padat (dense) dengan ukuran total serupa.
Pendekatan ini berpotensi mengurangi kebutuhan operasi floating-point, bandwidth memori, dan biaya penyajian model. Meski demikian, parameter yang tidak aktif tetap dapat memengaruhi kebutuhan penyimpanan dan kompleksitas infrastruktur. Jadi, angka “6 miliar aktif” tidak berarti model tersebut hanya membutuhkan sumber daya seperti model dense 6 miliar parameter.
Mengapa coding menjadi fokus utama?
Coding merupakan salah satu bidang yang berpotensi mendapat manfaat besar dari spesialisasi MoE. Pakar yang berbeda dapat mempelajari pola berbagai bahasa pemrograman, struktur repositori, penggunaan alat bantu, proses debugging, serta pemahaman kode dalam konteks panjang.
Karena itu, klaim bahwa Qwen 3.8-Flash-Next dapat mencapai kemampuan mendekati frontier dengan biaya pelatihan sekitar sepersembilan Qwen 3.7-Plus paling tepat dibaca sebagai sasaran efisiensi yang dimungkinkan oleh routing jarang (sparse routing), perubahan arsitektur, dan desain embedding. Klaim tersebut belum membuktikan bahwa model ini akan menyamai model tertutup terdepan pada setiap benchmark atau alur kerja coding di dunia nyata.
Evaluasi coding independen masih diperlukan untuk menguji apakah penghematan biaya itu benar-benar diikuti kualitas keluaran, kemampuan menggunakan alat, konsistensi dalam proyek panjang, dan kemampuan memperbaiki kesalahan secara mandiri.
Mengapa disebut preview, bukan flagship?
Pelabelan sebagai preview memberi sinyal bahwa Alibaba ingin menguji lebih dari sekadar skor benchmark. Pengembang dapat mempersiapkan:
- integrasi dengan arsitektur baru;
- metode fine-tuning;
- sistem inferensi;
- pipeline multimodal;
- serta kompatibilitas dengan berbagai perangkat dan perangkat lunak.
Pendekatan ini juga memberi ruang bagi Qwen 4 versi final untuk memperoleh pelatihan tambahan, post-training yang lebih kuat, pengujian keselamatan yang lebih luas, varian berukuran lebih besar, dan validasi benchmark sebelum diluncurkan sebagai flagship. 9
Posisi di antara rilis Qwen 3.8 lainnya
Qwen 3.8-Flash-Next hadir di tengah perluasan keluarga Qwen 3.8. Alibaba telah menyediakan Qwen3.8-27B di bawah lisensi Apache 2.0. Model multimodal native tersebut memiliki jendela konteks native 262 ribu token yang dapat diperluas hingga 1 juta token. 6
Di sisi kelas atas terdapat Qwen3.8-Max. Namun, laporan menunjukkan bahwa bobot Max menggunakan lisensi tersendiri yang lebih ketat, bukan ketentuan Apache 2.0 yang sederhana seperti pada model 27B. 12
Pembagian ini memungkinkan Alibaba mendorong adopsi yang lebih luas melalui model berukuran lebih kecil, sembari tetap mempertahankan kendali komersial atas kemampuan flagship yang biaya pengembangannya jauh lebih besar.
“Open-weight” tidak selalu berarti bebas tanpa syarat
Status open-weight perlu dibaca bersama teks lisensinya. Jika lisensi Max atau Flash-Next menetapkan ambang tertentu, mewajibkan perjanjian terpisah, atau mengatur pembagian pendapatan untuk penerapan komersial berskala sangat besar, maka terdapat batas material terhadap kebebasan penggunaan model tersebut.
Laporan yang tersedia mendukung bahwa model Max memiliki pembatasan lisensi. Namun, pemicu dan ketentuan pembagian pendapatan secara spesifik tetap perlu dikonfirmasi melalui teks lisensi resmi. Karena itu, klaim mengenai kewajiban revenue sharing tidak seharusnya dianggap sudah terbukti hanya berdasarkan informasi yang tersedia. 12
Bagaimana kaitannya dengan strategi AI Alibaba?
Rangkaian rilis Qwen merupakan bagian dari strategi full-stack AI Alibaba. Perusahaan dapat menggunakan model yang terbuka atau mudah diakses untuk menarik pengembang, mendorong pembuatan model turunan, dan meningkatkan permintaan terhadap Alibaba Cloud.
Pada saat yang sama, Alibaba berinvestasi pada lapisan infrastruktur—mulai dari komputasi dan pusat data hingga layanan yang diperlukan untuk melatih serta menjalankan sistem AI berskala besar. Perusahaan menyatakan bahwa dana dari aksi penempatan saham di Hong Kong akan digunakan untuk membiayai kemampuan AI secara “full-stack”. 2
Pada aksi tersebut, Alibaba menghimpun HK$80 miliar atau sekitar US$10,2 miliar dengan menerbitkan 710 juta saham baru seharga HK$112,70 per saham. 3 Harga itu merupakan diskon 8,4% dari penutupan sebelumnya, sementara nilai permintaan dalam buku pesanan dilaporkan mencapai sekitar US$28 miliar.
4
Bagi investor, pertukarannya cukup jelas: dana baru dapat mempercepat investasi AI, tetapi penerbitan saham baru juga mengurangi porsi kepemilikan pemegang saham lama. Selain itu, ada risiko eksekusi apabila belanja AI tidak cukup cepat menghasilkan pendapatan dari cloud, API, dan aplikasi. 4
Persaingan open-weight di China
Dalam persaingan model open-weight di China, target Alibaba bukan hanya mengungguli pesaing dalam satu benchmark. Perusahaan juga perlu memenangkan pengembang, fine-tuning turunan, beban kerja cloud, serta dukungan dari ekosistem alat sebelum pesaing seperti DeepSeek memperluas pengaruhnya.
Nama sistem potensial seperti “Ox Alpha” masih bersifat spekulatif jika belum disertai rilis yang dapat ditelusuri, bobot model, atau laporan teknis yang jelas. Demikian pula, klaim tentang ekosistem Qwen yang mencakup lebih dari 460 model dan 119 bahasa sebaiknya dipahami sebagai metrik ekosistem Alibaba, bukan sebagai ukuran kemampuan satu model Qwen tertentu.
Kesimpulan
Taruhan Alibaba adalah bahwa model multimodal yang hemat biaya dan menggunakan routing jarang dapat bersaing di dua sisi sekaligus: adopsi luas melalui model terbuka dan deployment premium melalui cloud berskala besar.
Pertanyaan terbesarnya belum terjawab: apakah pengujian independen akan mengonfirmasi kualitas coding serta keunggulan biaya pelatihan yang diklaim? Selain itu, apakah ketentuan lisensinya cukup terbuka bagi perusahaan besar tanpa mengurangi nilai utama dari label “open”?
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Qwen 3.8-Flash-Next Bukan Flagship, Melainkan Uji Awal Arsitektur Qwen 4"?
Qwen 3.8 Flash Next adalah preview pengembang berbasis open weight untuk menguji arsitektur yang direncanakan menjadi fondasi keluarga Qwen 4, bukan flagship final Alibaba.
Apa poin penting yang harus divalidasi terlebih dahulu?
Qwen 3.8 Flash Next adalah preview pengembang berbasis open weight untuk menguji arsitektur yang direncanakan menjadi fondasi keluarga Qwen 4, bukan flagship final Alibaba. Model ini dilaporkan memiliki 125 miliar parameter, termasuk 51 miliar parameter embedding N gram, tetapi hanya mengaktifkan sekitar 6 miliar parameter untuk setiap token.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Arsitektur Mixture of Experts ditujukan untuk menekan biaya pelatihan dan inferensi, sekaligus mempertahankan spesialisasi yang berguna untuk coding dan tugas multimodal.
Sumber
cnbc.comAlibaba plunges after announcing $10.2 billion share placement to fund AI push
thenews.com.pkAlibaba announces massive $10B Hong Kong share sale to fund AI expansion
finance.yahoo.comAlibaba shares fall 8% after $10 billion Hong Kong share sale
reuters.comAlibaba launches $10 billion Hong Kong share placement ...