Qwen · 2026-01 · Sparsames MoE
Qwen3-Coder-Next
Qwen3-Coder-Next ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Qwen im 2026-01, mit 48 Schichten, Hidden-Größe 2048 und einem Kontextfenster von 262,144 Tokens.
Schichtstapel
Linear ×36 Attention ×12 · Schichten 48
Kernfakten
| Labor | Qwen |
|---|---|
| Veröffentlicht | 2026-01 |
| Parameter | 78.7 Mrd. |
| Aktiv | 2.9 Mrd. |
| Kontext | 262,144 tokens |
| Attention | GQA (16:2) |
| Schichten | 48 |
| Hidden-Dim. | 2,048 |
| Attention-Köpfe | 16 |
| Vokabular | 151,936 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | Qwen3NextForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 16 q-heads / 2 kv-heads. RoPE θ=5,000,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 512 gerouteten Experten und Top-10-Routing; etwa 2.9 Mrd. Parameter sind pro Token aktiv.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem Vorgänger Qwen3-Next 80B A3B
| Modell | Qwen3-Coder-Next | Qwen3-Next 80B A3B | Ratio |
|---|---|---|---|
| model_type | qwen3_next | qwen3_next | ＝ |
| architectures | Qwen3NextForCausalLM | Qwen3NextForCausalLM | ＝ |
| hidden_size | 2048 | 2048 | ≈1 |
| num_hidden_layers | 48 | 48 | ≈1 |
| num_attention_heads | 16 | 16 | ≈1 |
| num_key_value_heads | 2 | 2 | ≈1 |
| head_dim | 256 | 256 | ≈1 |
| intermediate_size | 5120 | 5120 | ≈1 |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | 10 | 10 | ≈1 |
| moe_intermediate_size | 512 | 512 | ≈1 |
| rope_theta | 5000000 | 10000000 | ×0.500 |
| max_position_embeddings | 262144 | 262144 | ≈1 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 151936 | 151936 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_bias | false | — | |
| attention_dropout | 0 | 0 | ＝ |
| bos_token_id | 151643 | 151643 | ≈1 |
| decoder_sparse_step | 1 | 1 | ≈1 |
| eos_token_id | 151645 | 151645 | ≈1 |
| full_attention_interval | 4 | 4 | ≈1 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| linear_conv_kernel_dim | 4 | 4 | ≈1 |
| linear_key_head_dim | 128 | 128 | ≈1 |
| linear_num_key_heads | 16 | 16 | ≈1 |
Strukturell ähnlichste Modelle
- Qwen3-Next 80B A3B (Qwen, 2025-09) 1.000
- Qwen3.8-Flash-Next (Qwen, 2026-08) 1.000
- Qwen3.6 35B A3B (Qwen, 2026-04) 0.999
- Qwen3 30B A3B (Qwen, 2025-04) 0.997
- Hunyuan-TurboS 30B A3B (Hunyuan, 2026-05) 0.997
- GPT-OSS 120B (OpenAI, 2025-08) 0.996
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
38 Felder
| architectures | Qwen3NextForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 151643 |
| decoder_sparse_step | 1 |
| eos_token_id | 151645 |
| full_attention_interval | 4 |
| head_dim | 256 |
| hidden_act | silu |
| hidden_size | 2048 |
| initializer_range | 0.02 |
| intermediate_size | 5120 |
| linear_conv_kernel_dim | 4 |
| linear_key_head_dim | 128 |
| linear_num_key_heads | 16 |
| linear_num_value_heads | 32 |
| linear_value_head_dim | 128 |
| max_position_embeddings | 262144 |
| model_type | qwen3_next |
| moe_intermediate_size | 512 |
| norm_topk_prob | true |
| num_attention_heads | 16 |
| num_experts | 512 |
| num_experts_per_tok | 10 |
| num_hidden_layers | 48 |
| num_key_value_heads | 2 |
| output_router_logits | false |
| partial_rotary_factor | 0.25 |
| rms_norm_eps | 0.000001 |
| rope_theta | 5000000 |
| router_aux_loss_coef | 0.001 |
| shared_expert_intermediate_size | 512 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.57.0.dev0 |
| use_cache | true |
| use_sliding_window | false |
| vocab_size | 151936 |