過去兩年，大模型領(lǐng)域的變化快到讓人應(yīng)接不暇。幾乎每隔一周，社區(qū)就會(huì)迎來一個(gè)“新明星”。這一次，讓圈子里沸騰的不是谷歌，也不是 OpenAI，而是阿里巴巴 quietly 推出的 Qwen3-Next。

沒有鋪天蓋地的營(yíng)銷，沒有大張旗鼓的發(fā)布會(huì)，它只是安安靜靜地掛在 Hugging Face 上，卻憑借 更高效的訓(xùn)練與推理、極具突破性的稀疏激活機(jī)制，以及媲美頂尖模型的表現(xiàn)，引起了全球開發(fā)者和研究者的關(guān)注。

那么，Qwen3-Next 到底特別在哪？為什么很多人說它可能改變開源 AI 的競(jìng)爭(zhēng)格局？今天我們就來拆解這款新模型。

一、Qwen3-Next 到底是什么？

Qwen3-Next-80B-A3B 是阿里巴巴新一代大語言模型。它的設(shè)計(jì)思路跟傳統(tǒng)“大而全”的模型完全不同。

• 參數(shù)規(guī)模：總參數(shù)量 800 億，看上去不算驚人；
• 上下文長(zhǎng)度：支持 32K token，遠(yuǎn)超多數(shù)開源模型；
• 激活機(jī)制：真正的核心在于，它并不是每次都調(diào)用所有參數(shù)，而是只激活大約 30 億。

這意味著，它就像一個(gè)巨大的專家團(tuán)隊(duì)，遇到不同任務(wù)時(shí)只調(diào)動(dòng)最合適的“專家小組”。這就是名字里 80B（總量）和 A3B（激活量） 的由來。

阿里還推出了兩類衍生版本：

• Instruct 模型：專注日常任務(wù)和指令跟隨；
• Thinking 模型：強(qiáng)化復(fù)雜推理與鏈?zhǔn)剿伎寄芰Α?/li>

換句話說，你既能得到一個(gè)“效率極高的通才助手”，也能按需調(diào)用“專業(yè)的思考型顧問”。

二、核心技術(shù)亮點(diǎn)

如果只看“稀疏激活”，可能覺得概念不新鮮。但 Qwen3-Next 的架構(gòu)細(xì)節(jié)頗有看點(diǎn)：

1. 混合注意力機(jī)制

• 75% 使用線性注意力（Gated DeltaNet），保證超長(zhǎng)上下文處理效率；
• 25% 保留傳統(tǒng)注意力，用來維持召回能力。

2. 極度稀疏的 MoE（Mixture of Experts）

• 總共有 512 個(gè)專家，每次推理只啟用 10+1 個(gè)；
• 全局負(fù)載均衡，避免訓(xùn)練過程崩潰。

3. 穩(wěn)定訓(xùn)練技巧

• 輸出門控防止注意力塌陷；
• RMSNorm 歸一化改進(jìn)；
• 公平路由初始化減少不穩(wěn)定性。

4. 多 Token 預(yù)測(cè)（MTP）

• 提高 speculative decoding 的接受率；
• 訓(xùn)練與推理更一致，速度明顯提升。

5. 算力效率

• 訓(xùn)練消耗不到 Qwen3-30B 的 80%；
• 解碼速度比 Qwen3-32B 快 4–10 倍。

一句話總結(jié)：Qwen3-Next 不靠“堆算力”取勝，而是通過 架構(gòu)創(chuàng)新 + 算法優(yōu)化 讓性能與效率兼得。

三、如何使用 Qwen3-Next？

阿里在可用性上也做了不少努力，幾乎覆蓋了所有主流場(chǎng)景：

1. 網(wǎng)頁(yè)版：直接訪問 chat.qwen.ai，無需復(fù)雜配置；
2. API 接口：兼容 OpenAI API，開發(fā)者遷移幾乎無成本；
3. Hugging Face：可下載權(quán)重本地運(yùn)行，支持二次微調(diào)；
4. NVIDIA API Catalog：也能在算力生態(tài)里一鍵調(diào)用。

對(duì)于研究者而言，這意味著你既可以“開箱即用”，也能“自由改造”。這種開放度在大廠模型里并不多見。

四、上手體驗(yàn)：能打嗎？

從實(shí)測(cè)來看，Qwen3-Next 的能力并不是紙面數(shù)據(jù)，而是真能“跑起來”的。測(cè)試分三個(gè)方向：

1. 智能體能力給定一個(gè)復(fù)雜任務(wù)（比如閱讀論文、寫博客、再生成社交媒體帖子），它能自動(dòng)生成多模態(tài)內(nèi)容，并保持邏輯連貫。
2. 代碼生成能力輸入“做一個(gè)類似 Reddit+Instagram 的網(wǎng)站”，它能直接產(chǎn)出前端代碼，還能部署一個(gè)可訪問 demo。
3. 多模態(tài)能力輸入視頻字幕文件，它能總結(jié)內(nèi)容并生成封面圖提示詞，完成從理解到生成的閉環(huán)。

體驗(yàn)上的唯一小瑕疵是：一些內(nèi)置工具需要手動(dòng)啟用（比如代碼測(cè)試、文檔配圖），還沒做到完全自動(dòng)化。但整體感覺，它比同類推理型模型更自然、更高效。

五、性能與對(duì)比

很多人會(huì)問：800 億參數(shù)能和 GPT-5、Gemini 2.5 比嗎？

答案是——在不少基準(zhǔn)測(cè)試上，它確實(shí)能肩并肩，甚至在復(fù)雜推理任務(wù)中超越 Gemini-2.5-Flash-Thinking。

• 在 MMLU、BBH 等綜合推理測(cè)試中，表現(xiàn)接近密集模型 Qwen3-235B；
• 在 GSM8K、MATH 等數(shù)學(xué)和編程基準(zhǔn)上，憑借稀疏激活的效率優(yōu)勢(shì)，反而更有性價(jià)比；
• 多語言場(chǎng)景下也表現(xiàn)穩(wěn)定，沒有“只會(huì)英文”的短板。

這讓人重新思考：是不是“大模型 = 堆參數(shù)”這條路，真的走到盡頭了？

六、未來的意義

Qwen3-Next 不僅僅是一款新模型，更像是一種新思路的驗(yàn)證：

• 不需要無限制擴(kuò)展參數(shù)量，也能達(dá)到頂尖表現(xiàn)；
• 更輕量的架構(gòu)，讓開源社區(qū)和中小企業(yè)也有機(jī)會(huì)跟上前沿；
• 強(qiáng)調(diào)效率 + 可用性，為行業(yè)大規(guī)模落地提供了范本。

未來，大模型競(jìng)爭(zhēng)可能不再是“誰更大”，而是“誰更聰明、更經(jīng)濟(jì)”。Qwen3-Next，顯然在這個(gè)轉(zhuǎn)向中率先走了一步。

七、結(jié)語

如果說 GPT-4 開啟了大模型時(shí)代，那么 Qwen3-Next 則在提醒我們：下一階段的競(jìng)爭(zhēng)，不一定靠 brute force，而是靠智慧。

在企業(yè)私有化部署、開發(fā)者實(shí)驗(yàn)、甚至研究探索中，它都可能成為一張“性價(jià)比極高”的底牌。

那么問題來了：你更看好大參數(shù)密集模型，還是像 Qwen3-Next 這樣精打細(xì)算的稀疏模型？

?

?本文轉(zhuǎn)載自???Halo咯咯???    作者：基咯咯