Qwen · 2026-08 · Sparsames MoE · Multimodal

Qwen3.8-Flash-Next

Qwen3.8-Flash-Next ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Qwen im 2026-08, mit 48 Schichten, Hidden-Größe 2560 und einem Kontextfenster von 262,144 Tokens.

Schichtstapel

Linear ×36 Attention ×12 · Schichten 48

Kernfakten

LaborQwen
Veröffentlicht2026-08
Parameter123.6 Mrd.
Aktiv5.1 Mrd.
Kontext262,144 tokens
AttentionGQA (24:2)
Schichten48
Hidden-Dim.2,560
Attention-Köpfe24
Vokabular248,320
PositionscodierungRoPE
NormierungRMSNorm
Aktivierungsilu
Präzisionbf16
ArchitekturklasseQwen4ExpForConditionalGeneration

Architekturüberblick

Visionseingabe → Tokens t₁ t₂ t₃ t₄ Eingabetokens Embedding · Vokabular 248,320 → Hidden-Dim. 2,560 Q1 Q2 Q3 Qn KV1 KV2 Attention-Köpfe 24 KV-Köpfe 2 head dim 256 · RoPE Router E1 E2 E3 E4 E5 E6 E7 E8 +504… Geteilter Experte ×1 Top-10 von 512 Experten · ≈ 5.1 Mrd. Parameter pro Token aktiv × 48 Transformer-Block Attention FFN / MoE RMSNorm pre-norm Finale Norm · RMSNorm LM head → Vokabular 248,320 p p p → nächstes Token MTP ×1 → +1 zukünftige Tokens Positionscodierung RoPE Präzision BF16 Kontext 256K tok Vision ⇢ token
Gezeichnet nach der mitgelieferten config.json · 48 Schichten / Breite 2,560 / Kontext 262,144. Originaldiagramm dieses Atlas.

Attention

Grouped-Query-Attention (GQA) — 24 q-heads / 2 kv-heads.

FFN / MoE

Es handelt sich um ein sparsames Mixture-of-Experts mit 512 gerouteten Experten und Top-10-Routing; etwa 5.1 Mrd. Parameter sind pro Token aktiv.

Die Konfiguration enthält 1 zusätzliche Multi-Token-Prediction-Schichten (MTP) zur Beschleunigung der Dekodierung.

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 Qwen3.8 27B
ModellQwen3.8-Flash-NextQwen3.8 27BRatio
model_typeqwen4_expqwen3_5
architecturesQwen4ExpForConditionalGenerationQwen3_5ForConditionalGeneration
hidden_size25605120×0.500
num_hidden_layers4864×0.750
num_attention_heads2424≈1
num_key_value_heads24×0.500
head_dim256256≈1
intermediate_size17408
hidden_actsilusilu
num_experts_per_tok10
moe_intermediate_size640
max_position_embeddings262144262144≈1
rms_norm_eps0.0000010.000001≈1
vocab_size248320248320≈1
image_token_id248056248056≈1
language_model_onlyfalsefalse
tie_word_embeddingsfalsefalse
transformers_version5.8.0.dev05.8.0.dev0
video_token_id248057248057≈1
vision_end_token_id248054248054≈1
vision_start_token_id248053248053≈1
attention_biasfalsefalse
attention_dropout00
bos_token_id248044248044≈1
dtypebfloat16bfloat16
eos_token_id248044248044≈1

Strukturell ähnlichste Modelle

Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).

Rohe Config-Felder

58 Felder
architecturesQwen4ExpForConditionalGeneration
image_token_id248056
language_model_onlyfalse
model_typeqwen4_exp
tie_word_embeddingsfalse
transformers_version5.8.0.dev0
video_token_id248057
vision_end_token_id248054
vision_start_token_id248053
attention_biasfalse
attention_dropout0
bos_token_id248044
dtypebfloat16
eos_token_id248044
full_attention_interval4
hc_count4
hc_lowrank320
head_dim256
heads_per_ngram8
hidden_actsilu
hidden_size2560
indexer_budget2048
indexer_compress_ratio4
indexer_head_dim128
indexer_kv_heads1
indexer_n_heads4
initializer_range0.02
layer_typeslinear_attention×36 + full_attention×12
linear_conv_kernel_dim4
linear_key_head_dim128
linear_num_key_heads16
linear_num_value_heads48
linear_value_head_dim128
make_ngram_vocab_size_divisible_by128
mamba_ssm_dtypefloat32
max_position_embeddings262144
moe_intermediate_size640
mtp_num_hidden_layers1
mtp_use_dedicated_embeddingsfalse
ngram_size3
ngram_vocab_size_base20000000
num_attention_heads24
num_experts512
num_experts_per_tok10
num_hidden_layers48
num_key_value_heads2
output_gate_typesigmoid
output_router_logitsfalse
partial_rotary_factor0.25
ple_conv_kernel_size4
ple_embed_dim2560
ple_layer_ids2×1
rms_norm_eps0.000001
router_aux_loss_coef0.001
shared_expert_intermediate_size640
split_ngram_parts128
use_cachetrue
vocab_size248320