Alibaba présente le Qwen 3.8-Flash-Next de 125 milliards avec 6 milliards de paramètres par token via MoE

Alibaba dévoile en avant-première Qwen 3.8-Flash-Next — un modèle de 125 milliards de paramètres qui n'active que 6 milliards par token, annonçant Qwen 4 Alibaba dévoilera Qwen 3.8-Flash-Next ce mercredi — présenté par l'entreprise comme une avant-première de l'architecture de prochaine génération Qwen 4, et non comme un modèle phare finalisé. Selon l'équipe d'Alibaba et un tweet circulant, le modèle contient 125 milliards de paramètres, mais n'activerait qu'environ 6 milliards de paramètres par token (le tweet mentionnait également un composant « +51B N-gram »). Ces chiffres et les performances réelles du modèle restent non vérifiés ; Alibaba et Hugging Face décrivent cette publication comme une avant-première architecturale et n'ont pas publié de scores comparatifs. Pourquoi ces chiffres comptent - Les paramètres sont les réglages que le modèle utilise pour apprendre et s'adapter. Plus il y a de paramètres, plus les capacités sont généralement élevées, mais aussi plus les coûts de calcul augmentent. - Le principe ici est l'architecture Mixture-of-Experts (MoE) : au lieu d'exécuter chaque partie d'un réseau massif pour chaque entrée, le modèle achemine chaque requête vers un petit sous-ensemble de sous-modèles spécialisés, appelés « experts ». Cela permet à un modèle de 125 milliards de paramètres de fonctionner, en termes de coût de calcul, comme un modèle beaucoup plus petit, en n'activant que les experts pertinents pour chaque token. En résumé : une capacité proche des frontières, potentiellement à des coûts de calcul courants — si le comportement MoE revendiqué se confirme. Ce qu'Alibaba affirme et ce qui reste flou - Alibaba présente Qwen 3.8-Flash-Next comme multimodal et construit sur la future architecture Qwen 4, publié en avance pour permettre aux développeurs de se préparer à la famille complète. - Hugging Face, où les poids devraient apparaître, le qualifie également d'avant-première de l'architecture Qwen 4. - Aucun benchmark indépendant ni comparaison directe avec la série Qwen 3 ou les concurrents occidentaux n'a encore été publié ; les performances et les compromis en ressources restent donc spéculatifs. Contexte : L'élan chinois des modèles à poids ouverts La scène des modèles à poids ouverts en Chine est très active. Des publications récentes, anonymes ou institutionnelles (un mystérieux modèle Ox Alpha qui a surpassé Fable d'Anthropic sur certains tests de codage, ainsi que des poids ouverts d'Alibaba, DeepSeek et Moonshot) rendent les modèles puissants téléchargeables, affinables et exécutables localement. Les poids ouverts réduisent la dépendance aux API fermées, abaissent les coûts d'hébergement et permettent aux développeurs d'éviter d'envoyer des données sensibles à des services tiers — des facteurs cruciaux à la fois pour l'IA générale et les projets crypto. Pourquoi les communautés crypto doivent s'y intéresser - Outils et bots sur chaîne : des modèles volumineux, moins chers et exécutables localement pourraient alimenter des agents sur chaîne plus intelligents, des outils d'audit, des stratégies de trading et de MEV sans frais API constants. - Confidentialité et gestion des clés : l'hébergement local des modèles réduit le risque de fuite de données concernant les clés privées, les graphes de transactions ou les signaux de trading propriétaires. - Infrastructure IA décentralisée : les poids ouverts peuvent accélérer le développement de couches d'inférence décentralisées et d'oracles minimisant la confiance, évitant ainsi la dépendance à un seul fournisseur. - Avertissement : tant que des benchmarks et des chiffres réels sur les coûts ne sont pas publiés, il est prématuré de supposer que le modèle offre une qualité de pointe à faible coût. Conclusion Qwen 3.8-Flash-Next est présenté comme une avant-première de la philosophie architecturale de Qwen 4 — promettant une efficacité MoE et des capacités multimodales. Cette publication est remarquable car, si les affirmations se vérifient, des poids ouverts provenant d'un modèle MoE de 125 milliards de paramètres n'activant que ~6 milliards par token pourraient démocratiser une IA puissante pour les développeurs et les projets crypto. Mais nous aurons besoin de benchmarks vérifiés et d'tests pratiques pour confirmer l'enthousiasme. Surveillez la sortie officielle, les poids sur Hugging Face et les évaluations indépendantes.