Alibaba, MoE aracılığıyla her token için 6 milyar parametre ile 125 milyar Qwen 3.8-Flash-Next'i öne çıkarıyor

Başlık: Alibaba, her tokende yalnızca 6B parametre aktive eden 125 milyar parametrelik bir önizleme olan Qwen 3.8-Flash-Next’i duyuruyor — Qwen 4’ü işaret ediyor Alibaba, bu Çarşamba günü Qwen 3.8-Flash-Next’i tanıtmayı planlıyor; şirket bu modeli bitmiş bir bayrak modeli değil, bir sonraki nesil Qwen 4 mimarisinin erken bir önizlemesi olarak tanımlıyor. Alibaba ekibi ve yayılan bir tweet’e göre, model 125 milyar parametre içeriyor ancak her token için yaklaşık 6 milyar parametre aktive ediyor (tweet ayrıca “+51B N-gram” bileşenine de atıfta bulunuyor). Bu rakamlar ve modelin gerçek dünya performansı henüz doğrulanmamıştır; Alibaba ve Hugging Face, bu yayınlamayı bir mimari önizlemesi olarak tanımlamış ve yan yana benchmark puanları yayınlamamıştır. Neden bu rakamlar önemli? - Parametreler, bir modelin öğrenmek ve uyum sağlamak için kullandığı ayarlar. Daha fazla parametre genellikle daha fazla yetenek anlamına gelir ancak aynı zamanda daha yüksek hesaplama maliyetleri de beraberinde getirir. - Buradaki anahtar, mixture-of-experts (MoE) mimarisi: büyük bir ağı her girdi için çalıştırmak yerine, model her isteği küçük bir özel “uzman” alt-model kümesine yönlendirir. Bu, 125 milyar parametrelik bir modeli, her token için ilgili uzmanları aktive ederek, çok daha küçük bir model gibi hesaplama maliyetiyle çalıştırabilir. Özetle: iddia edilen MoE davranışı geçerliyse, neredeyse öncü düzey kapasiteye neredeyse standart hesaplama maliyetleriyle ulaşmak mümkün olabilir. Alibaba’nın söyledikleri ve belirsiz kalanlar - Alibaba, Qwen 3.8-Flash-Next’i çoklu modalli ve yakında gelen Qwen 4 tasarımı üzerine inşa edilmiş olarak sunuyor; bu sürümü geliştiricilerin tam aile için hazırlanmasını sağlamak amacıyla erken yayınlıyor. - Ağırlıkların ortaya çıkması beklenen Hugging Face de bu modeli Qwen 4 mimarisinin bir önizlemesi olarak tanımlıyor. - Henüz Qwen 3 serisi veya Batılı rakiplerle bağımsız benchmark veya doğrudan karşılaştırmalar yayınlanmamış; bu nedenle performans ve kaynak dengeleri hâlâ spekülatif. Bağlam: Çin’in açık ağırlıklı hareketi Çin’in açık ağırlıklı sahnesi oldukça aktif. Son zamanlarda ortaya çıkan anonim ve kurumsal yayınlar (Anthropic’in Fable’ini bazı kodlama testlerinde aşan gizemli Ox Alpha modeli ve Alibaba, DeepSeek ve Moonshot’ten gelen açık ağırlıklar), güçlü modellerin indirilebilir, ince ayarlanabilir ve yerel olarak çalıştırılabilir hale gelmesini sağlıyor. Açık ağırlıklar, kapalı API'lere olan bağımlılığı azaltır, barındırma maliyetlerini düşürür ve geliştiricilerin hassas verilerini üçüncü taraf hizmetlere göndermek zorunda kalmadan kullanmalarını sağlar — bu, hem genel yapay zeka hem de kripto projeleri için önemli faktörlerdir. Neden kripto kitleleri bunu önemsemeli? - Zincir üstü araçlar ve botlar: daha ucuz, yerelde çalıştırılabilir büyük modeller, sürekli API ücretleri olmadan daha akıllı zincir üstü ajanlar, denetim araçları, işlem ve MEV stratejileri geliştirmeye yardımcı olabilir. - Gizlilik ve kontrol: modeli kendi sunucunuzda barındırmak, özel anahtarlar, işlem grafikleri veya özel işlem sinyalleri için veri sızıntısı riskini azaltır. - Merkeziyetsiz AI altyapısı: açık ağırlıklar, tek bir sağlayıcıya bağlı kalma riskini en aza indiren merkeziyetsiz çıkarım katmanları ve güven azaltılmış oraklar geliştirmeyi hızlandırabilir. - Uyarı: Benchmarklar ve gerçek dünya maliyet verileri ortaya çıkana kadar, modelin düşük maliyetle öncü kaliteyi sunduğunu varsaymak erken olur. Sonuç Qwen 3.8-Flash-Next, Qwen 4’ün tasarım felsefesinin bir önizlemesi olarak sunuluyor — mixture-of-experts verimliliği ve çoklu modallik yeteneği vaat ediyor. Bu yayın dikkat çekici çünkü iddialar geçerliyse, her tokende yalnızca ~6B parametre aktive eden 125 milyar parametrelik bir MoE modelinin açık ağırlıkları, geliştiricilere ve kripto projelerine güçlü yapay zekayı demokratik hale getirebilir. Ancak bu hiperbolü doğrulamak için doğrulanmış benchmarklar ve elden deneyimlere ihtiyacımız var. Resmi yayınlamayı, Hugging Face ağırlıklarını ve bağımsız değerlendirmeleri takip etmeye devam edin.