推荐理由：Wan 3.0 把视频与音频放进同一个模型并支持 30 秒生成，可据此了解该模型在多模态视频生成上的能力范围。
千问 Qwen
全部主题阿里千问 Qwen 系列的开源发布与迭代：从旗舰模型到端侧小模型的全谱系动态。
当前仅显示精选新闻71条精选相关主题DeepSeekKimi / 月之暗面开源生态
最新精选
第 21–40 条 · 共 71 条@alibaba_cloud@alibaba_cloud精选AI 评分6868
@omarsar0@omarsar0精选AI 评分6969 
推荐理由：论文量化了共享技能库中恶意技能被智能体自行复制扩散的机制，并给出一种提示词缓解办法，可供搭建技能库的团队参考。
量子位 · 微信公众号精选AI 评分7777 阿里开源 Qwen3.8-Flash-Next 权重，125B MoE 外加 51B N-gram 嵌入，4090 可跑满血版
阿里开源 Qwen3.8-Flash-Next 全部权重，这是 Qwen4 新架构的早期预览版，采用 125B 参数 MoE 配 6B 激活参数，并附加 51B 的 N-gram Embedding 参数。
推荐理由：原文给出了新架构的权重配置与 N-gram 嵌入设计细节，可据此了解消费级硬件部署百亿级 MoE 的路径。
@AYi_AInotes@AYi_AInotes精选AI 评分6767 
引用@AYi_AInotes@AYi_AInotesDamn，125B 总参数，每 token 只激活 6B，训练成本砍到上一代的 1/9，SWE-bench Pro 62.5 超过 Claude Opus 4.6 Max 的 53.4。 Qwen 团队今天这波操作真是让我目瞪口呆，， 这根本不是什么 3.8 小更新啊， 简直就是把 Qwen4 的核心架构提前开源出来掀桌了啊， 整篇报告看完，数据简直炸裂: 总参数 125B 加上 51B 嵌入，但每个 token 实际只激活区区 6B 参数， 训练成本直接砍到上一代的九分之一， 但在 SWE-bench Pro 的编程基准里拿下 62.5，正面反超了 Claude 的旗舰模型 通义这次可以说是把大模型的架构刀法彻底改写了: 他们用类似大脑记忆的方式，平时压缩记忆，需要时才做精准检索， 1M 超长上下文的吞吐直接暴涨了 8 倍多 最绝的是加了 51B 的常用词字典，直接放在内存里查表， 几乎不占 GPU 算力，就白白吃下了巨大的模型容量 这根本不是常规的堆算力，而是智能密度和系统效率的全面革命， 故意在全量 Qwen4 发布前把架构权重开源， 就是让开源社区、vLLM 和量化生态先把底座铺满， 再加上输入 1 块钱输出 3 块钱每百万 token 的定价值，完全是要把 Agent 应用的门槛直接打穿le 以前大家总觉得模型越大越好， 现在通义用一台极速跑车告诉你，架构做对了，用极低的成本一样能跑出顶级的智能 属于架构效率狂欢的时代，真被通义给踢开大门了啊
推荐理由：作者从角色形象、二创空间和导演态度出发推测牛来的 IP 潜力，二创若放开可能催生系列化的衍生内容。
@alibaba_cloud@alibaba_cloud精选AI 评分6868 阿里云发布开放权重的 Qwen3.8-Flash，这是一款多模态 MoE 模型，也是 Qwen4 架构的早期预览。
推荐理由：作为 Qwen4 架构的前置预览，它给出混合注意力、N-gram 嵌入等设计细节，并可与 Qwen3.7-Plus 的成本和成绩对照。
@Alibaba_Qwen@Alibaba_Qwen精选AI 评分7575 引用@Alibaba_Qwen@Alibaba_Qwen⚡Meet Qwen3.8-Flash, a multimodal MoE and an early preview of the Qwen4 architecture, now open-weight! The production version Qwen3.8-Flash will be available soon via QwenCloud API at just $ 0.16/1M input tokens and $ 0.47/1M output tokens. 125B parameters + 51B N-gram embeddings, with just 6B activated per token. Unmatched cost-efficiency. What's new: 🥳 - Next architecture: GDN + QSA hybrid attention, Gated Residual, N-gram Embedding & Muon optimizer, serving as a precursor to the architecture used in Qwen4. - Dramatically lower training and inference costs: trained at just 1/9 the cost of Qwen3.7-Plus, while outperforming it across the board with especially strong gains in coding and office tasks. - Strong performance: scoring 58.7 on DeepSWE 1.1, 62.5 on SWE-bench Pro, 73.9 on CoWorkBench, 84.5 on AndroidWorld, and 95.7 on MathVision (with CI). - 262K native context, extensible to 1M with YaRN. We’re also releasing the weights for Qwen3.8-Flash-Next, giving the community an early look at the new architecture we’re exploring for Qwen4.🚀 We can't wait to see what you build with Qwen3.8-Flash!👀👇 - Blog: https://t.co/M5hYypFLgJ - Technical Report: https://t.co/IF0gObIkQO - Hugging Face: https://t.co/6ow8QVAABt - ModelScope: https://t.co/tDOn2jNuFG
推荐理由：训练成本降到 Qwen3.7-Plus 的 1/9 且官方称全面超越，读者可借此观察 Qwen4 新架构的取舍。
@kimmonismus@kimmonismus精选AI 评分7272 Qwen3.8-Flash-Next 与 GLM-5.3-Flash 两款开放权重模型发布，均为 MoE 架构，每 token 分别激活 6B 和 18B 参数。
推荐理由：推文列出两款开放权重模型的参数规模与多项基准结果，可供读者对比其与前沿闭源模型的差距。
@omarsar0@omarsar0精选AI 评分7676 
引用@Alibaba_Qwen@Alibaba_Qwen⚡Meet Qwen3.8-Flash, a multimodal MoE and an early preview of the Qwen4 architecture, now open-weight! The production version Qwen3.8-Flash will be available soon via QwenCloud API at just $ 0.16/1M input tokens and $ 0.47/1M output tokens. 125B parameters + 51B N-gram embeddings, with just 6B activated per token. Unmatched cost-efficiency. What's new: 🥳 - Next architecture: GDN + QSA hybrid attention, Gated Residual, N-gram Embedding & Muon optimizer, serving as a precursor to the architecture used in Qwen4. - Dramatically lower training and inference costs: trained at just 1/9 the cost of Qwen3.7-Plus, while outperforming it across the board with especially strong gains in coding and office tasks. - Strong performance: scoring 58.7 on DeepSWE 1.1, 62.5 on SWE-bench Pro, 73.9 on CoWorkBench, 84.5 on AndroidWorld, and 95.7 on MathVision (with CI). - 262K native context, extensible to 1M with YaRN. We’re also releasing the weights for Qwen3.8-Flash-Next, giving the community an early look at the new architecture we’re exploring for Qwen4.🚀 We can't wait to see what you build with Qwen3.8-Flash!👀👇 - Blog: https://t.co/M5hYypFLgJ - Technical Report: https://t.co/IF0gObIkQO - Hugging Face: https://t.co/6ow8QVAABt - ModelScope: https://t.co/tDOn2jNuFG
推荐理由：发布信息列出了 Qwen3.8-Flash 的参数量、激活规模与定价，可作为判断高效多模态 MoE 路线的具体参照。
MarkTechPost精选AI 评分7676 阿里 Qwen 团队发布 Qwen3.8-Flash-Next，125B 多模态 MoE 预览 Qwen4 架构
阿里 Qwen 团队发布开源权重多模态 MoE 模型 Qwen3.8-Flash-Next，主模型 125B，每 token 仅激活 6B 参数，被定位为 Qwen4 架构的早期预览。
推荐理由：读者可借 6B 激活参数与训练成本对照，判断开源多模态模型在编码和智能体任务上的取舍。
@AYi_AInotes@AYi_AInotes精选AI 评分7676 Qwen 团队开源 Qwen3.8-Flash，总参数 125B 加 51B N-gram 嵌入，每 token 仅激活 6B，训练成本为 Qwen3.7-Plus 的 1/9。
引用@Alibaba_Qwen@Alibaba_Qwen⚡Meet Qwen3.8-Flash, a multimodal MoE and an early preview of the Qwen4 architecture, now open-weight! The production version Qwen3.8-Flash will be available soon via QwenCloud API at just $ 0.16/1M input tokens and $ 0.47/1M output tokens. 125B parameters + 51B N-gram embeddings, with just 6B activated per token. Unmatched cost-efficiency. What's new: 🥳 - Next architecture: GDN + QSA hybrid attention, Gated Residual, N-gram Embedding & Muon optimizer, serving as a precursor to the architecture used in Qwen4. - Dramatically lower training and inference costs: trained at just 1/9 the cost of Qwen3.7-Plus, while outperforming it across the board with especially strong gains in coding and office tasks. - Strong performance: scoring 58.7 on DeepSWE 1.1, 62.5 on SWE-bench Pro, 73.9 on CoWorkBench, 84.5 on AndroidWorld, and 95.7 on MathVision (with CI). - 262K native context, extensible to 1M with YaRN. We’re also releasing the weights for Qwen3.8-Flash-Next, giving the community an early look at the new architecture we’re exploring for Qwen4.🚀 We can't wait to see what you build with Qwen3.8-Flash!👀👇 - Blog: https://t.co/M5hYypFLgJ - Technical Report: https://t.co/IF0gObIkQO - Hugging Face: https://t.co/6ow8QVAABt - ModelScope: https://t.co/tDOn2jNuFG
推荐理由：Qwen3.8-Flash 以 125B 总参数、6B 激活和 1/9 训练成本给出开源 MoE 的效率样本，可对照其基准数据看架构取舍。
@testingcatalog@testingcatalog精选AI 评分7676 
引用@Alibaba_Qwen@Alibaba_QwenModel Architecture Four core upgrades for maximum capability, efficiency, capacity, and stability: - Attention: GDN + QSA Hybrid. Gated DeltaNet (GDN) compresses history. Qwen Sparse Attention (QSA) uses a lightweight indexer for micro-block context selection. Lower the cost of attention on long sequences. - Residual: Gated Residual (GR) widens the residual stream to 4 branches with a dynamic read and write gating, strengthening cross-layer information flow and significantly improving training stability. - Embedding: N-gram Embedding uses local context lookups to expand model capacity at minimal compute cost, while keeping the embedding table in host memory with asynchronous prefetching. - Optimization: Muon optimizer. Refines Muon through improved orthogonalization, smarter parameter assignment between Muon and AdamW, and fused-parameter splitting, with scaling laws refitted for the new architecture.
推荐理由：原文给出上下文长度、API 定价与多项编码基准分数，读者可据此对比同表内 DeepSeek 与 Claude 模型的定位。
机器之心 · 微信公众号精选AI 评分7777 阿里发布 Qwen3.8-Flash，同步开源 Qwen3.8-Flash-Next
阿里发布 Qwen3.8-Flash，并在 Hugging Face 与 ModelScope 开放同一模型的 Qwen3.8-Flash-Next 权重，主模型 125B 参数、每 token 仅激活 6B，千问 AI 平台定价为每百万 token 输入 1 元、输出 3 元。
推荐理由：文章拆解了 Qwen3.8-Flash 在注意力、残差与嵌入上的四处架构改动，并把它放进每任务成本的行业对比框架里。
@kimmonismus@kimmonismus精选AI 评分8080 Qwen3.8-Flash-Next 发布，采用 125B MoE 参数加 51B N-gram embeddings，每 token 仅激活 6B 参数。
引用@kimmonismus@kimmonismusQwen 3.8 Flash-Next official released: A 6B-active open model just beat Claude Opus 4.6 Max across 8 of 9 comparable benchmarks! Qwen3.8-Flash-Next is a highly sparse MoE: • 125B model parameters • 51B additional n-gram embeddings • Only 6B parameters active per token It scores: • 62.5 SWE-bench Pro • 81.0 SWE-bench Multilingual • 73.9 CoworkBench • 55.7 JobBench • 73.5 Toolathlon • 81.3 IFBench • 91.7 GPQA Diamond • 91.9 LiveCodeBench It also outperforms Qwen3.8-27B and DeepSeek-V4-Flash across most of the table. Super cool release!!
推荐理由：原文给出四项架构改动与 1/9 训练成本的对比，读者可以了解高稀疏 MoE 如何压低单 token 计算量。
@kimmonismus@kimmonismus精选AI 评分7171 
推荐理由：6B 激活参数的稀疏 MoE 在多项基准上对标 Claude Opus 4.6 Max，可据此比较开源小激活模型的能力位置。
IT Home精选AI 评分8282 阿里通义发布并开源 Qwen3.8-Flash：125B 参数 MoE 模型，训练成本约为前代 1/9
阿里通义千问团队发布 Qwen3.8-Flash，并开源 Qwen3.8-Flash-Next 权重，官方称 Next 新架构将是全新一代 Qwen4 系列模型的雏形。
推荐理由：训练成本降到前代约九分之一，同时公开新架构与开源权重的具体设计，便于判断下一代 Qwen 的技术走向。
@Alibaba_Qwen@Alibaba_Qwen精选AI 评分7171 阿里通义千问发布多模态 MoE 模型 Qwen3.8-Flash 并开放权重，同时放出 Qwen3.8-Flash-Next 权重，作为其为 Qwen4 探索的新架构早期预览。
推荐理由：作为 Qwen4 架构的早期预览，文中给出了新架构组合与训练成本的具体对比数字。
Qwen Blog精选AI 评分6969 Qwen3.8-Flash-Next 开源，多模态 MoE 架构预览 Qwen4
千问团队开源 Qwen3.8-Flash-Next 权重，这是一个多模态 MoE 模型，也是 Qwen4 所用架构的早期预览。文中称其角色类似 Qwen3-Next 之于 Qwen3.5，当时的混合 Gated DeltaNet + Gated Attention 设计已用于 Qwen3.5 至 Qwen3.8 系列。
推荐理由：官方开源权重并定位为 Qwen4 架构预览，读者可据此追踪千问后续系列的架构走向。
LMSYS Blog精选AI 评分7272 SGLang 为 Qwen3.8-Flash-Next 提供 Day-0 支持
SGLang 团队与 Qwen、NVIDIA、AMD 合作，为 Qwen 团队开源的多模态 MoE 模型 Qwen3.8-Flash-Next 提供 day-0 支持。
推荐理由：原文详解了 SGLang 对 Qwen3.8-Flash-Next 的 day-0 支持与架构实现细节，含量化检查点和实测吞吐数据，对部署选型有参考价值。
@alibaba_cloud@alibaba_cloud精选AI 评分6868 推荐理由：Wan 3.0 上线 ComfyUI 并给出 Model Studio 与 Qwen Cloud 的 API 入口，读者可据此找到实际使用渠道。
@alibaba_cloud@alibaba_cloud精选AI 评分6969 引用@runwayml@runwaymlWAN 3.0 is now on Runway. Generate state-of-the-art video and audio with multiple image, video and audio reference inputs. Try it now at the link below. https://t.co/VzTkPZR3cz
推荐理由：Wan 3.0 上线 Runway 并给出 API 入口，读者可了解其多模态参考输入带来的生成控制方式。