Alibaba च्या Qwen टीमने बुधवारी Qwen3.8-Flash-Next जारी केले, एक मल्टीमोडल मिश्रण-ऑफ-एक्सपर्ट मॉडेल जे आगामी Qwen4 च्या आर्किटेक्चर पूर्वावलोकनाच्या रूपात दुप्पट होते — आणि हे परिणाम देते कंपनीने प्रशिक्षणाच्या अंदाजे एक-नवव्या भागावर त्याच्या मोठ्या Qwen3.7-प्लसला मागे टाकले. रॉयटर्स, ब्लूमबर्ग आणि द डिकोडर या सर्वांनी लॉन्चचा कव्हर केला, जे हगिंग फेस आणि मॉडेलस्कोपवर ओपन वेट ठेवते त्याच दिवशी Z.ai ने स्वतःचे फ्रंटियर-लगतचे ओपन मॉडेल पाठवले. ओपन-वेट शर्यतीला वेग येताच ब्रेकिंग एआय न्यूज चे अनुसरण करा.

लघुचित्रातील एक नवीन वास्तुकला

शीर्षक तपशील कार्यक्षमता आहे. Qwen3.8-Flash-Next मध्ये एकूण 125 अब्ज पॅरामीटर्स आहेत परंतु प्रति टोकन फक्त 6 बिलियन सक्रिय करते. तुलनेसाठी, Qwen3.7-Plus — जे मॉडेल ते अलीबाबाच्या प्रकाशित बेंचमार्कमध्ये मागे टाकते — 397 अब्ज एकूण पॅरामीटर्स आहेत ज्यात प्रति टोकन 17 अब्ज सक्रिय आहेत, फ्लॅश-नेक्स्टच्या सक्रिय संख्येच्या जवळपास तिप्पट.

सर्वात तांत्रिकदृष्ट्या मनोरंजक तुकडा एक कादंबरी एन-ग्राम एम्बेडिंग लेयर आहे ज्यामध्ये 51 अब्ज पॅरामीटर्स आहेत. लेयर सामान्य शब्द गटांना स्टँडअलोन एंट्री म्हणून संग्रहित करते ज्यामध्ये डीकोडरच्या मॅथियास बास्टियनने एक प्रकारचा "वाक्यांश शब्दकोश" म्हणून वर्णन केले आहे, जे नेटवर्कच्या सुरूवातीस वाक्यांश-स्तरीय माहिती पुरवते. निर्णायकपणे, ते महाग GPU मेमरी ऐवजी नियमित सिस्टीम RAM मध्ये बसते, ज्याला Qwen टीम तुलनेने कमी अतिरिक्त खर्च म्हणते — एक आर्किटेक्चरल इनोव्हेशन Qwen4 मध्ये नेण्यासाठी आहे.

मॉडेल मूळतः 262,144-टोकन कॉन्टेक्स्ट विंडोला सपोर्ट करते आणि YaRN लाँग-कॉन्टेक्ट एक्स्टेंशन वापरून दहा लाख टोकन्सपर्यंत स्केल करते. एक तांत्रिक अहवाल GitHub वर प्रकाशित केला आहे.

बेंचमार्क: कोडिंग आणि कार्यालयीन काम

Alibaba चे बेंचमार्क Flash-Next विरुद्ध DeepSeek-V4-Flash (284 अब्ज पॅरामीटर्स, 13 अब्ज सक्रिय) आणि Anthropic's Claude Opus 4.6 (Max). दोन्ही प्रतिस्पर्धी खूप मोठे किंवा अधिक महाग असूनही, फ्लॅश-नेक्स्ट बहुसंख्य चाचणी कार्यांमध्ये आघाडीवर आहे, कोडिंग आणि ऑफिस उत्पादकतेमध्ये सर्वात मोठ्या नफ्यासह.

एजंटिक कोडिंगवर, Flash-Next ने DeepSWE 1.1 वर 58.7 आणि SWE-bench Pro वर 62.5 गुण मिळवले, ज्याने DeepSeek-V4-Flash आणि क्लॉड ओपस 4.6 या दोघांना मागे टाकले. कार्यालयीन कामांमधील अंतर अजून जास्त आहे: CoWorkBench वर 73.9 विरुद्ध DeepSeek-V4-Flash साठी 45.1, आणि JobBench वर 55.7 - जवळजवळ दुप्पट Qwen3.7-Plus चे 27.6. GPQA डायमंड वर फ्लॅश-नेक्स्ट 91.7 आणि LiveCodeBench v6 वर 91.9 सह, संपूर्ण क्षेत्रात वैज्ञानिक तर्क जवळून जुळतात. क्लॉड ओपस 4.6 फक्त ह्युमॅनिटीच्या शेवटच्या परीक्षेत, 40.0 ते 35.9 पर्यंत समोर येते आणि ते फेब्रुवारी 2026 पासूनचे जुने मानववंशीय मॉडेल आहे. नेहमीप्रमाणे, प्रकाशित बेंचमार्क स्कोअर आणि वास्तविक-जागतिक कामगिरी भिन्न असू शकतात.

प्रत्येक प्रतिस्पर्ध्यावर किंमतीचा दबाव

उत्पादन आवृत्ती Qwen3.8-Flash द्वारे QwenCloud द्वारे पाठवली जाते, ज्याची किंमत प्रति दशलक्ष इनपुट टोकन $0.16 आणि प्रति दशलक्ष आउटपुट टोकन $0.47 आहे. ते Z.ai च्या GLM-5.3-Flash ला देखील कमी करते, त्याच दिवशी अनुक्रमे $0.15 आणि $0.50 वर रिलीज झाले - प्रभावीपणे बाजाराच्या तळाशी समानता.

अलिबाबाच्या स्वतःच्या फ्लॅगशिपमधील अंतर खूपच आहे. क्वेन३.८-मॅक्स, क्लॉड ओपस ४.८, जेमिनी ३.१ प्रो आणि जीपीटी-५.६ सोल यांच्याशी स्पर्धा करण्यासाठी ऑगस्टच्या सुरुवातीला सादर केले गेले, त्याची किंमत प्रति दशलक्ष इनपुट टोकन्ससाठी $२.०० आणि प्रति दशलक्ष आउटपुट टोकनसाठी $६.०० आहे. फ्लॅश-नेक्स्ट फ्लॅगशिपच्या अगदी खाली, अलीबाबाच्या स्वतःच्या आकड्यांनुसार, इनपुट आणि आउटपुट दोन्हीवर अंदाजे एक-बाराव्या किंमतीवर कार्य करते.

दीर्घ संदर्भ विशिष्ट पत्रकाच्या पलीकडे व्यावहारिक मूल्य जोडतो. 262,144 नेटिव्ह टोकन्सवर, एका विनंतीमध्ये अनेक मोठ्या कोड रिपॉझिटरीज, पूर्ण कॉन्ट्रॅक्ट सेट किंवा लिप्यंतरित बैठकांचे तास असू शकतात; YaRN सह एक दशलक्ष टोकन पर्यंत विस्तारित, संपूर्ण-कॉर्पस विश्लेषण पुनर्प्राप्ती मचानशिवाय व्यवहार्य बनते. एजंटिक कोडिंग वर्कलोडसाठी जिथे फ्लॅश-नेक्स्ट त्याचे सर्वात मजबूत स्कोअर पोस्ट करते — वास्तविक सॉफ्टवेअर प्रोजेक्ट्समध्ये स्वतंत्रपणे बग शोधणे आणि त्याचे निराकरण करणे — एक मोठी विंडो म्हणजे कामाच्या मध्यभागी कमी संदर्भ-व्यवस्थापन अपयश. Qwen टीमने GitHub वरील तांत्रिक अहवाल देखील प्रकाशित केला आहे, ज्यामध्ये मालकीच्या प्रयोगशाळा टाळतात अशा प्रकारच्या स्वतंत्र आर्किटेक्चर छाननीला आमंत्रित केले आहे.

हे प्रकाशन महत्त्वाचे का आहे

Qwen3.8-Flash-Next हे Qwen4 साठी सार्वजनिक ड्रेस रिहर्सल म्हणून चांगले समजले जाते. एन-ग्राम एम्बेडिंग लेयर, आक्रमक सक्रिय-पॅरामीटर गुणोत्तर आणि RAM-ऑफलोडिंग भारी-परंतु-क्वचितच-आवश्यक पॅरामीटर्सचे डिझाइन तत्त्वज्ञान स्केच करते: प्रति डॉलर बुद्धिमत्ता हलवा, प्रति GPU बुद्धिमत्ता नाही. Qwen3.7-प्लस-बीटिंग मॉडेलला एक नवव्या भागासाठी प्रशिक्षण देणे ही अचूक क्षमता आहे जी वेगवान पुनरावृत्ती चक्रांना परवडणारी बनवते — आणि पुनरावृत्ती गती, कोणत्याही एका बेंचमार्कपेक्षा जास्त, हे ठरवते की आतापासून एका वर्षात कोण सीमेवर उभे आहे.

FourWeekMBA ने निरीक्षण केल्याप्रमाणे, Z.ai's GLM-5.3-Flash आणि Alibaba's Flash-Next - चायनीज लॅबमधून त्याच दिवशी दोन फ्रंटियर-समीप ओपन-वेट मॉडेल्सचे आगमन देखील कॅडेन्स शिफ्ट दर्शवते. पाश्चात्य प्रयोगशाळांमध्ये अजूनही बेंचमार्क शिखरे आहेत, परंतु ओपन-वेट टियर आता जवळपास-सीमांवरील दर्जाचे साप्ताहिक पाठवले जाते, किमती कमी प्रमाणात.

विकसकांसाठी, व्यावहारिक मार्ग सोपा आहे: सक्षम, दीर्घ-संदर्भ, मल्टीमोडल मॉडेलची किंमत पुन्हा एकदा कमी झाली, कोणत्याही एकाच प्रदात्याविरुद्ध विमा म्हणून डाउनलोड करण्यायोग्य वजनासह. स्पर्धकांसाठी, संदेश कमी सोयीस्कर आहे - कार्यक्षमतेची सीमा आता फ्लॅगशिप किंमतीपेक्षा अधिक वेगाने पुढे जात आहे आणि अलीबाबाने कमी होण्याची चिन्हे दर्शविली नाहीत.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →