Qwen3.8-Flash-Next

3.8-Flash-Next · Rodzina: Qwen3

Multimodalny model hybrydowy MoE od Qwen (Alibaba): 125 mld parametrów, 6 mld aktywnych, uwaga hybrydowa Gated DeltaNet + Qwen Sparse Attention, kontekst 262K (do 1M).

✓ Aktywny✓ Publiczny dostęp⚖ Open weightsModel multimodalnyLLMModel rozumowania📁 Qwen3

Okno kontekstowe

262K

tokenów

Parametry

125B (6B active)

parametrów

Data premiery

1 sierpnia 2026

🏢QwenProducent

Dostęp:APIDownloadHostedWdrożenie:💻 Lokalnie☁ Cloud

Przegląd

Qwen3.8-Flash-Next to multimodalny model językowy z rodziny Qwen opracowany przez zespół Qwen (Alibaba), udostępniony w sierpniu 2026 roku na Hugging Face. Wykorzystuje architekturę hybrydową Mixture-of-Experts: 125 mld parametrów łącznie i 6 mld aktywnych na token, 48 warstw oraz 512 ekspertów MoE (10 rutowanych + 1 współdzielony).

Model łączy dwa mechanizmy uwagi na poziomie mikrobloków — Gated DeltaNet oraz Qwen Sparse Attention (QSA) — w schemacie „Hybrid Attention with QSA". Wprowadza „Gated Residual" do modulowanego przepływu informacji w poszerzonych strumieniach rezydualnych oraz podejście N-gram embedding (51 mld parametrów) pozwalające skalować parametry na akceleratorach o ograniczonej pamięci; dodatkowo używa modułu MTP (4 mld). Receptura treningu łączy optymalizatory Muon i AdamW. Obsługuje tryb myślenia z konfigurowalnym poziomem wysiłku rozumowania.

Natywne okno kontekstu wynosi 262 144 tokenów i jest rozszerzalne do 1 000 000 tokenów przez skalowanie RoPE. Model przyjmuje tekst, obraz i wideo. Wagi udostępniono na licencji qwen-community-1.0.

Klasyfikacja

Model multimodalnyLLMModel rozumowania

Rodzina: Qwen3

Dostęp i wdrożenie

APIPobieranieHostowane

LokalnieChmura

Wagi: Open weights

Kluczowe parametry

📏 Kontekst: 262K

🧩 Parametry: 125B (6B active)

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst, obraz, wideo

Specyfikacja techniczna

Okno kontekstowe

262K

tokenów

Parametry

125B (6B active)

parametrów

Licencja

qwen-community-1.0

Wymagania sprzętowe

Wagi otwarte na Hugging Face; podejście N-gram embedding ukierunkowane na akceleratory o ograniczonej pamięci. Model MoE 125B wymaga zasobów klasy multi-GPU.

Funkcje:✓ Używanie narzędzi✓ Fine-tuning

Modalności

⬇ Wejście (Input)

textimagevideo

⬆ Wyjście (Output)

textcode

Możliwości i zastosowania

Natywne możliwości modelu

Rozumowanie

Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.

Kategoria: reasoning

Rozumowanie wieloetapowe

Prowadzenie wieloetapowego toku rozumowania w długich, złożonych zadaniach.

Kategoria: reasoning

Rozumowanie matematyczne

Zdolność modelu do rozwiązywania zadań matematycznych wymagających wieloetapowego rozumowania — równania, dowody, kombinatoryka, geometria, rachunek różniczkowy, zadania konkursowe.

Kategoria: reasoning

Programowanie

Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.

Kategoria: coding

Kodowanie agentowe

Wielogodzinne, wieloetapowe zadania programistyczne wykonywane samodzielnie przez model: klonowanie repozytorium, uruchamianie testów, iteracja poprawek, integracja z narzędziami CLI. Charakterystyczne dla wariantów Codex (GPT-5.1-Codex-Mini, Codex-Max).

Kategoria: coding

Zdolności agentowe

Zdolność modelu do autonomicznego planowania i wykonywania wieloetapowych zadań poprzez sekwencyjne użycie narzędzi, utrzymywanie kontekstu i adaptację do wyników pośrednich.

Kategoria: planning

Użycie narzędzi

Zdolność modelu do wywoływania zewnętrznych funkcji, API i narzędzi w trakcie rozmowy: kalkulator, wyszukiwarka, edytor kodu, baza danych. Model decyduje kiedy i jak użyć narzędzia oraz interpretuje jego wynik.

Kategoria: planning

Wsparcie MCP

Natywne wsparcie protokołu Model Context Protocol - model potrafi integrować się z zewnętrznymi serwerami MCP, wywoływać ich narzędzia i korzystać z ich źródeł danych bez dedykowanego wrappera.

Kategoria: other

Długi kontekst

Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.

Kategoria: language

Wielojęzyczność

Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.

Kategoria: language

Wyjście strukturyzowane

Generowanie danych w ustrukturyzowanych formatach, np. JSON.

Kategoria: structured_generation

Rozszerzony tryb rozumowania

Wariant modelu rozumującego z dłuższym budżetem inferencji: więcej cykli myślenia, większa precyzja odpowiedzi kosztem czasu odpowiedzi. Wybór między 'standard' a 'extended' thinking pozostawiony użytkownikowi (np. selektor w GPT-5.2 Pro).

Kategoria: reasoning

Adaptacyjny wysiłek rozumowania

Model sam decyduje ile 'myślenia' poświęcić na konkretne zapytanie: proste pytania odpowiadane szybko, złożone problemy dostają więcej cykli inferencji. Cecha GPT-5.1 (Instant i Thinking) skracająca czas dla łatwych zadań, wydłużająca dla trudnych.

Kategoria: reasoning

Modelowanie języka

Zdolność przewidywania kolejnych tokenów i generowania spójnego tekstu w języku naturalnym na podstawie poprzedzającego kontekstu.

Kategoria: language