Qwen 4: Der vLLM-PR „qwen4 fuse op“ benannte die Architektur — Apsara 2026 benannte die Familie

Ein Pull Request mit dem Titel „Add qwen4 fuse op“ ist seit dem 26. August im vLLM-Repository offen, und während des größten Teils jenes Monats war er das, was außerhalb des Unternehmens einer Beschreibung von Alibabas nächster Modellgeneration am nächsten kam. Das änderte sich am 22. September 2026, als Alibabas Qwen-Leiter Liu Da Yiheng die Eröffnung der Apsara-Konferenz in Hangzhou nutzte, um die Familie zu benennen: Qwen 4 Max, Qwen 4 Flash, Qwen 4 Plus und Qwen 4 27B — die Open-Weight-Stufe und diejenige, auf die die Welt der lokalen Inferenz gewartet hat. Zwei Tage später, nach Ende der Konferenz, setzte das Unternehmen diese Familie erstmals auf eine Roadmap: Qwen 4 im Training und eine Nachfolgerlinie — Qwen 4.5 und Qwen 5 — mit prognostizierten 5 bis 10 Billionen Parametern, eine Zahl, die Alibaba-Group-CEO Eddie Wu auf der Bühne nannte und die das Unternehmen anschließend in seiner eigenen englischsprachigen Mitteilung wiederholte. Was die Roadmap zwei Wochen später nicht ist, ist ein Zeitplan. Der Zeitpunkt, der jetzt kursiert, ist ein Fenster — Oktober oder Anfang November —, und nichts davon geht auf etwas zurück, das Alibaba veröffentlicht hat. Das eigene schriftliche Material des Unternehmens nennt weder Monat noch Quartal noch Datum; das Modell hat keine Kennung, kein Kontextfenster und keinen Preis; und in der Qwen-Organisation auf Hugging Face existiert kein Qwen-4-Repository. Betrachten Sie das Fenster als Wunsch, nicht als Plan. Der Pull Request — vllm-project/vllm#53909, weiterhin offen, weiterhin nicht gemergt und weiterhin wartend auf Review — enthält ebenfalls kein Veröffentlichungsdatum und keine Parameteranzahl. Er fügt eigenständige Triton-Kernel für drei Operator-Familien hinzu: HyperConnection, Qwen Sparse Attention (QSA) und PLE-State-Operationen. Sein Titel lautet „qwen4“, und seine Operatorliste entspricht nahezu exakt der Architektur, die Alibaba in den offenen Gewichten von Qwen3.8-Flash-Next veröffentlicht hat — einem multimodalen Mixture-of-Experts-Modell, das am 26. August 2026 veröffentlicht wurde und auf dessen Hugging-Face-Karte „A Preview of the Qwen4 Architecture“ steht. Qwen 4 selbst ist noch nicht veröffentlicht. Die Familie hat einen Namen, einen Platz auf einer Roadmap und ein kolportiertes Zeitfenster; die Kernel sind noch immer das Einzige, was sie beschreibt.

Dies ist ein Artikel zum bisherigen Wissensstand, keine Launch-Story. Alibaba hat die Familie inzwischen auf einer öffentlichen Bühne benannt und sie auf eine Unternehmens-Roadmap gesetzt, doch Benennen ist nicht Ausliefern: Es gibt weder eine Modellkarte noch Gewichte noch eine API für irgendeine Qwen-4-Stufe, und jede Architekturbehauptung weiter unten stammt nach wie vor aus der Qwen3.8-Flash-Next-Vorschau und den technischen Artefakten darum herum, nicht aus irgendeinem Qwen-4-Dokument. Die harten Belege sind der noch im Review befindliche vLLM-Pull-Request, das veröffentlichte Vorschaumodell, ein am 27. August eingereichter sglang-PR, der native Unterstützung für dieselbe Qwen4-Exp-Architekturkonfiguration hinzufügt, und der qwen4_exp-Eintrag, der seitdem in vLLMs eigener Modellregistrierung auf main gelandet ist – Qwen4ExpForCausalLM, Qwen4ExpForConditionalGeneration und Qwen4ExpMTP –, zusammen mit der Rust-Frontend-Multimodal-Arbeit, die am 1. September gemergt wurde. Die Schlussfolgerung, die wir daraus ziehen – dass die Operatoren in den PRs die Architektur sind, die Alibaba vorgestellt hat –, ist eine Lesart dieser Belege, und jede Einzelheit unten ist entsprechend gekennzeichnet. Eine Behauptung hier stammt überhaupt nicht von Alibaba: Das Zeitfenster von Oktober bis Anfang November stammt aus einem Watchlist-Post auf X und den Tracker-Seiten, die ihn in den letzten zwei Wochen wiederholt haben, sie ist nicht reproduziert und wird überall, wo sie auftaucht, als aus der Community stammend geführt.

Was Alibaba am 22. September tatsächlich sagte

Alibaba stellte auf der Eröffnung seiner Apsara-(Yunqi-)Konferenz, die vom 22. bis 24. September 2026 in Hangzhou stattfand, die Qwen-4-Familie vor, mit Qwen-Lead Liu Da Yiheng auf der Bühne. Zur Eröffnung wurden vier Stufen benannt, auf Basis der Struktur, die die 3.8-Generation bereits etabliert hatte:

• Qwe​n 4 Max — die Flaggschiff-Klasse und das Modell, das gegen das Spitzenmodell jedes anderen Frontier-Labors positioniert ist.

• Qwe​n 4 Flash — die High-Throughput-Stufe, ausgelegt auf latenzempfindliche, volumenintensive Workloads statt auf maximale Schlussfolgerungsleistung.

• Qwen 4 Plus — die ausgewogene Mittelklasse.

• Qwen 4 27B — die Open-Weight-Stufe: die Größenklasse, in der Qwen zuvor offene Gewichte veröffentlicht hat, und diejenige, die als Option für den lokalen Betrieb beschrieben wird.

Der 27B-Eintrag ist der konkrete Teil der Ankündigung, und er ist das, worauf das Sourcing-Signal hinter diesem Artikel reagierte. In der 3.8-Generation war die 27B-Stufe der Open-Weights-Release, der innerhalb von Tagen nach Veröffentlichung zu MLX konvertiert, auf NVFP4 quantisiert und feinabgestimmt wurde, sodass ein benanntes Qwe​n 4 27B diesem nachgelagerten Ökosystem wieder ein Ziel gibt. Es ist ein Ziel und keine Veröffentlichung, und diese Unterscheidung sollte man festhalten: Aliba​ba hat keine Parameteraufschlüsselung, keine Lizenz, kein Kontextfenster und kein Datum dafür veröffentlicht, und der Name der Stufe sagt nicht einmal, ob sie dense oder ein Mixture-of-Experts ist. Alles, was die vorherige 27B-Stufe lauffähig machte – die Größenklasse, der Fokus auf Einzelmaschinen –, stammt aus der Geschichte der Produktlinie und ist für dieses Modell nicht spezifiziert.

Was die Konferenz nicht hervorbrachte, ist genau das, woran ein Leser seine Planung ausrichten kann. Alibabas erklärte Position – Anbieterdarstellung, auf der Bühne vorgetragen und von mehreren unabhängigen Medien berichtet statt unabhängig verifiziert – ist, dass Qwen 4 auf einer Architektur einer neuen Generation aufbaut, dass es sich im Training befindet und dass es „bald" kommt. Keine Stufe hat ein Kontextfenster, einen Preis, eine Modalitätsliste oder einen veröffentlichten Score. Der einzige Punkt mit einem Datum auf der Konferenz war ein Video-Modell der nächsten Generation, das für November vorgesehen ist. Eine Zahl von derselben Bühne muss man in ihrer eigenen Spur halten: Die Ambition von 5 bis 10 Billionen Parametern gehört in den Zeitrahmen von Qwen 4.5 und Qwen 5, nicht zu Qwen 4 – an keine Qwen-4-Stufe wurde eine Parameterzahl geknüpft. Diese Zahl ist weder ein Leak noch eine kursierende Behauptung: Sie steht in Alibabas eigener englischsprachiger Mitteilung, zugeschrieben der Keynote von CEO Eddie Wu, und sie wird als Prognose genannt, ohne Datum und ohne dahinterstehende Architektur – vom Unternehmen genannt und weiterhin nicht reproduziert.

Die Namensgebung änderte also den Status der Familie, nicht den Zustand der Beweislage. Alles Folgende ist weiterhin die Darstellung der Serving-Schicht davon, was diese Architektur ist – und da die Ankündigung keine eigenen Spezifikationen beisteuert, bleibt diese Darstellung detaillierter als alles, was Aliba​ba veröffentlicht hat.

Was der "qwen4 fuse op" PR eigentlich ist

Pull-Request #53909 in vllm-project/vllm ist offen, stammt aus einem Contributor-Fork und wartet weiterhin auf die Überprüfung durch die Code-Owner – die automatisierte Überprüfung wurde genau deshalb deaktiviert, weil er aus einem Fork stammt. Es ist eine kleine, kernelbezogene Arbeit:

• Drei HyperConnection-Kernel — eine gruppierte Ge​ma-RMSNorm, ein Gate-Reduce und ein Injection-Combine.

• Drei QSA-Kernel plus drei Vendor-Baseline-Wrapper zum Vergleich.

• PLE-Zustands-Gather- und Masked-Scatter-Kernel.

• Dreizehn bestandene Tests zu dtype- und Shape-Guards, Paging-Metadaten, Cache-Slots, MRoPE-Layout, Strided-State, Null- und doppelten Indizes sowie deterministischer Ausführung.

Über die Op-Liste hinaus sind zwei Details von Bedeutung. Erstens ist die Implementierung fail-closed: Host-Guards lösen Fehler aus, anstatt auf einen generischen Torch-Berechnungspfad zurückzugreifen, denn ein stillschweigend falscher Wert in einem Attention-Kernel ist schlimmer als ein kompletter Ausfall. Zweitens ist die Namensdiskrepanz – der Titel lautet „qwen4“, während die Beschreibung Qwen3.8-Flash-Next nennt – selbst ein Signal. Die vLLM-Seite behandelt das Vorschau-Modell als erste Instanz der qwen4-Linie und baut Kernel unter dem Familiennamen, die alles abdecken werden, was auch immer danach kommt.

Zum Kontext, was ein „Fuse Op“ ist: Eine Inferenz-Engine führt normalerweise den Graphen eines Modells mit einem Kernel-Launch pro Operation aus, und jeder Launch bringt Overhead mit sich – Speicher-Round-Trips zwischen Kernels, Dispatch-Kosten. Das Verschmelzen mehrerer elementweiser und Zustandsoperationen in einen einzigen Kernel senkt diesen Overhead, und genau dort wird über Kosten und Latenz einer neuen Architektur entschieden. Ein Modell, das auf Operatoren aufbaut, für die es nirgends eine verschmolzene Implementierung gibt, wird langsam und speicherhungrig sein, egal wie ausgeklügelt das Training ist; die erste Engine, die sie gut verschmilzt, bestimmt den realen Preis des Modells.

Die Kernelnamen als Blaupause lesen

Keiner dieser Operatoren existiert im standardmäßigen Transformer-Opset, weshalb überhaupt neue Kernel benötigt werden – und jeder einzelne davon entspricht einem bestimmten Teil der Architektur, die Aliba​ba in Qwen3.8-Flash-Next vorgestellt hat:

• HyperConnection → gegatete Residualverbindungen. Der einzelne Residual-Stream wird auf vier parallele Zweige erweitert, wobei elementweises dynamisches Gating dem Modell überlässt, wie viel es aus jedem Zweig liest und in jeden Zweig schreibt. Der Residualzustand kann in FP8 gespeichert werden, um den Speicherverkehr zu reduzieren.

• QSA → Qwen Sparse Attention. Ein leichtgewichtiger Indexer komprimiert Schlüssel in Mikroblöcke mit einem Kompressionsverhältnis von 4, bewertet sie und behält die besten 512 Blöcke – etwa 2.051 logische Token-Positionen – während die abschließende Softmax- und Wertaggregation weiterhin auf den ursprünglichen, unkomprimierten K/V ausgeführt wird. Zwölf der 48 Schichten sind QSA; die anderen 36 sind GDN-Linear-Attention-Schichten mit einem rekurrenten Zustand fester Größe und ohne wachsenden KV-Cache.

• PLE-Zustandsoperationen → n-Gramm-Speicher. Die Nachschlagetabelle mit 51 Milliarden Parametern — „Per-Layer Embeddings“ im SGLang-Bericht — wird per Hash aus dem aktuellen Token plus den vorhergehenden zwei oder drei adressiert und ruft 16 Zeilen pro Token ab. Da ihre Positionen vorab berechenbar sind, kann sie im Host-Speicher liegen und asynchron vorab geladen werden, anstatt GPU-VRAM zu belegen.

• Der MoE-Körper, in dem die Kernel sitzen: 125B Gesamtparameter mit etwa 6B aktiven pro Token — unter 5 % Aktivierung — über 512 Experten mit Top-10-Routing verteilt.

Zwei Vorbehalte sorgen dafür, dass dies ehrlich bleibt. Erstens stammt die obige Architektur aus der Modellkarte von Qwen3.8-Flash-Next und Community-Teardowns, nicht aus irgendeinem Dokument zu Qwe​n 4 – sie ist ein Beleg über die Familie, keine Spezifikation der Familie. Zweitens ändert nichts davon die Kernaussage: Qwe​n 4 existiert in keinem Katalog.

Eine separate Beweislinie ist der Vision-Pfad, der getrennt von der Kernel-Lesart oben gehalten werden sollte. Unabhängig von jeglichem Operator-Mapping listet vLLMs eigene Modellregistrierung auf main einen qwen4_exp-Eintrag — Qwen4ExpForConditionalGeneration — registriert als multimodales Modell mit einem Qwen3-VL-Vision-Tower und einem Qwen3VLMultiModalProcessor. Der Rust-Frontend-PR (#54813), der diese Konfiguration in die multimodale Crate der Engine verdrahtet, den Codepfad, der Bildeingaben in Tokens umwandelt, wurde am 1. September 2026 gemergt — eine stärkere Aussage, als wenn derselbe PR nur offen wäre, weil der multimodale Pfad für die qwen4-Linie jetzt in der Engine statt in irgendeinem Fork liegt. Es ist immer noch kein Release: Das Modell, das dieser Registrierungseintrag beschreibt, hat keine Gewichte und keine API. Doch es ist die erste Bestätigung auf Engineering-Ebene, dass die nächste Qwen-Generation Bildeingaben akzeptiert, und das Label „multimodal“ an der Architektur ist nicht länger nur eine Zeile auf der Modellkarte der Vorschau.

Warum die Architektur das Kostenbild verändert

Wenn Qwen 4 auf dieser Architektur erscheint, unterscheidet sich die Ökonomie von der eines standardmäßigen dichten – oder auch nur gewöhnlichen MoE – Transformers, und genau dieser Unterschied ist der Grund, warum die Kernel-Arbeit einen Blick wert ist.

• Speicher- und Rechenaufteilung. Speicherkosten bemessen sich an der Gesamtzahl der Parameter — alle 125B müssen resident sein, um das Modell zu bedienen. Rechenkosten bemessen sich an den aktiven Parametern — nur ~6B laufen pro Forward-Pass. Genau diese Trennung ermöglicht es, dass ein „125B“-Modell zu den Kosten eines viel kleineren Modells betrieben werden kann.

• Der KV-Cache hört in den meisten Schichten auf zu wachsen. Da 36 von 48 Schichten Aufmerksamkeit mit rekurrentem Zustand fester Größe nutzen, ist der wachsende Schlüssel-Wert-Cache auf 12 Schichten beschränkt. Bei einem nativen Kontext von 262K Token – 1M via YaRN – ist das ein großer Teil des Grundes, warum das Serving langer Kontexte überhaupt erschwinglich wird.

• Die große Tabelle ist auslagerbar. Die n-gram-Tabelle ist mit 51 Mrd. Parametern der größte einzelne Speicherverbraucher, und sie muss nicht auf der GPU liegen. SGLangs Day-0-Arbeit maß, dass das Auslagern der BF16-Tabelle in gepinnten Host-Speicher etwa 23 GiB pro GPU auf H200 freimachte und die zugewiesene KV-Kapazität um rund 78 % erhöhte – bei bit-identischen Ausgaben. Auf der vLLM-Seite erfolgte dasselbe Auslagern in Etappen statt in einem einzigen PR: Der ursprüngliche Support-PR (#53899) wurde am 21. September ohne Merge geschlossen, während die Fähigkeit selbst über separate Merges kam – #54371, UVA-basiertes PLE-Offload mit Engram-Tensorparallelität, am 9. September, und ein ROCm-Pfad (#57497) am 25. September.

Keine dieser Zahlen ist bislang unabhängig geprüft worden – die 7,6×/4,9×-Long-Context-Beschleunigungsangaben, die 540-tok/s-Decode-Zahl aus dem SGLang-Post, die „1/9 von Qwen3.7-Plus“-Trainingskosten-Angabe – und sie sollten bis zur Reproduktion durch einen neutralen Index als Hersteller- oder Community-Angaben betrachtet werden.

Der Wettlauf, es zu servieren

Beide großen Engines haben derzeit qwen4-Arbeiten laufen — SGLang veröffentlichte innerhalb weniger Tage nach der Vorschau vom 26. August Unterstützung ab Tag 0, und seither hat sich auf beiden Seiten immer mehr Arbeit angesammelt, von der Konfigurationsregistrierung bis zur Kernel- und Speicherentwicklung.

• SGLang veröffentlichte am 26. August einen Day-0-Beitrag in einer Zusammenarbeit von SGLang, Alibaba, NVIDIA und AMD, lieferte einen NVFP4-Checkpoint aus und beanspruchte 540 Tokens/s Decode bei TP4 auf B200 mit spekulativem Decoding.

• Am 27. August fügte ein sglang-PR (#36585) native Qwe​n4-Exp-Unterstützung direkt in die Engine selbst ein — er registrierte die Konfiguration Qwen4ExpForConditionalGeneration und ein Textmodell, das aus denselben Bausteinen GatedResidual, Gated DeltaNet, Qwe​n sparse attention, PLE und MoE aufgebaut ist. Gemergt ist er nicht: Der PR stammt von einem Contributor, der kein Maintainer ist, die Arbeit wird einem autonomen Agenten namens Argus zugeschrieben, und er ist weiterhin offen und wartet auf Review. Sein Ankerpunkt ist jedoch unabhängig überprüfbar — die eigene Konfiguration von Qwen3.8-Flash-Next deklariert model_type=qwen4_exp, und die Referenzimplementierung liegt jetzt in huggingface/transformers unter models/qwen4_exp.

• Am 8. September wurde ein Draft eines sglang-PR (#38492) gegen qwen4-main-squashed eröffnet, einen sglang-Branch, der der Qwen4/Flash-Next-Linie gewidmet ist, und dieser hier ist keine Registrierung. Er portiert RecoverSSM — einen Wiederherstellungspfad für akzeptierte Zustände, der ursprünglich für Qwen3.8-Flash-Next auf SM120 entwickelt wurde — für die Multi-Token-Prediction-(MTP-)Verifikation der Architektur. MTP-Drafts laufen durch den rekurrenten Zustand fester Größe der Gated-DeltaNet-Schichten, und statt jeden intermediären spekulativen Zustand im Speicher zu halten, während ein Draft verifiziert wird, rekonstruiert die Engine den akzeptierten Zustand aus dem festgeschriebenen Zustand und dem akzeptierten Token-Präfix. Der Modus ist Opt-in (ein --gdn-mtp-cache-mode none-Flag; das aktuelle Full-Cache-Verhalten bleibt der Standard), und er ist selbst für die Maßstäbe dieser Geschichte früh: ein Draft, zuletzt am 14. September angefasst, dessen aktueller Head noch neun seiner Checks nicht besteht, wobei die Checkliste des Autors selbst noch offen ist, bevor er als bereit für die Überprüfung markiert werden kann. Die Richtung ist der Punkt — sglang entwickelt den Serving-Pfad für Qwen4, nicht nur das Registrieren seiner Config.

• Die qwen4-Reihe von vLLM hat sich in den Wochen seit dem ersten Erscheinen dieses Artikels von drei offenen PRs zu einer gemischten Bilanz entwickelt. Der Multimodal-PR mit Rust-Frontend (#54813) wurde am 1. September gemergt. Die PLE-Offload-Arbeit wurde in zwei Teilen gemergt — #54371 am 9. September und #57497 am 25. September —, während der ursprüngliche PLE-Offload-PR (#53899) am 21. September geschlossen wurde, ohne gemergt zu werden. Die Konfiguration ist inzwischen upstream gegangen: #57387, der die qwen4_exp-Konfiguration und den Prozessor auf die Upstream-Transformers-Implementierungen umstellt, wurde am 2. Oktober gemergt. Was noch offen ist, ist der Fuse-Op-PR, der in diesem Artikel behandelt wird (#53909) — zusammen mit einem am 1. Oktober eingereichten QSA-Ringpuffer-Bugfix (#59528) und einem seit dem 26. September offenen SM86-(Ampere)-Durchlauf über die 51-Milliarden-Parameter-n-Gramm-Tabelle (#58856), was die Art von Arbeit ist, die man macht, wenn ein Modell etwas ist, das Leute auf älterer Hardware servieren wollen, statt etwas, das niemand ausgeführt hat. Die qwen4_exp-Konfiguration selbst ist in vLLM als multimodal registriert: ein Qwen3-VL-Vision-Tower, gepaart mit dem Qwen4-Exp-Textmodell.

Dies ist ein Rennen mit einem echten Preis. Die Engine, die die neuen Operatoren am besten fusioniert, legt den angebotenen Preis für die Qwen4-Generation fest, denn Kernel-Effizienz — nicht die bloße Parameterzahl — ist das, woraus sich die Token-Kosten eines Hybrid-Attention-Modells zusammensetzen.

Was ist heute tatsächlich erschienen: Qwen3.8-Flash-Next vs Qwen 4

Es lohnt sich, bei den zwei Dingen in dieser Geschichte präzise zu sein, denn die Benennung leistet einen Großteil der Arbeit.

• Qwen3.8-Flash-Next ist erschienen. Die offenen Gewichte sind auf Hugging Face und ModelScope unter der qwen-community-1.0-Lizenz verfügbar, in Standard- und FP8-Varianten; die Modellkarte legt das Datenblatt fest — 125B MoE, ~6B aktiv, 51B n-gram-Tabelle, 262K Kontext, multimodal. Es ist die Architektur-Vorschau, nicht das Flaggschiff.

• Qwen3.8-Flash ist die bereitgestellte Produktionsvariante, die Aliba​ba zusammen damit angekündigt hat, gelistet auf Qwe​n Cloud zu ¥1 pro Million Input-Tokens und ¥3 pro Million Output-Tokens (etwa $0,16 / $0,47), mit einem standardmäßigen Kontext von 1 Mio. Tokens und integrierten Tools. Vom Anbieter angegebene Preise, noch nicht in einem unabhängigen Index.

• Qwe​n 4 ist noch nicht draußen. Aliba​ba benannte am 22. September 2026 alle vier Stufen und sagte, die Familie befinde sich im Training und komme bald — das erste offizielle Wort zum Timing und noch immer kein Zeitplan. Kein Datum, keine Karte und keine Gewichte für eine der Stufen. Das derzeit kursierende Zeitfenster ist Oktober bis Anfang November, und es stammt aus Watchlist-Threads und Tracker-Seiten statt von Aliba​ba: Der Trainingsstatus ist unternehmensseitig angegeben, der Zeitpunkt stammt aus der Community. Das September-Fenster, das in einem Roadmap-Leak vom Juli kursierte, ist verstrichen, was an sich schon die Antwort ist.

• Die Stufe Qwe​n 4 27B ist diejenige, die man aus einem Nicht-Benchmark-Grund im Auge behalten sollte: Sie ist die einzige Stufe der Familie mit einer Erfolgsbilanz beim Veröffentlichen offener Gewichte, und ein angekündigtes 27B ist das, um das herum Stacks für lokale Inferenz ihre Planung aufbauen — weshalb das Fehlen von Größenaufschlüsselung, Lizenz und Datum hier mehr wiegt als beim Flaggschiff.

Die Benchmark-Tabelle der Vorschau — DeepSWE 1.1 bei 58,7, SWE-bench Pro bei 62,5, LiveCodeBench v6 bei 91,9 — ist auf der Karte als Herstellerangabe ausgewiesen und wurde nicht unabhängig reproduziert. Planen Sie anhand der Architektur; behandeln Sie die Werte als Versprechen, nicht als Messung.

Was ein Entwickler jetzt tun sollte

An Ihrem aktuellen Stack ändert sich heute nichts: Qwe​n 4 ist nirgends aufrufbar — Apsara hat die Stufen benannt und die Familie auf eine Roadmap gesetzt und nichts davon ausgeliefert — und zum Zeitpunkt des Schreibens sind die Open-Weights von Qwen3.8-Flash-Next nach wie vor auch nicht auf unserer eigenen Modellliste — die nächstliegenden Dinge, die wir heute durchreichen, sind die bereitgestellte Qwen3.8-Flash-Variante zu $0,15/$0,47 pro Million Token und die Open-Weights-Route Qwen3.8 27B zu $0,33/$2,40, was im Katalog am ehesten einem lokal ausführbaren Qwe​n entspricht, während die Nachfolgegeneration noch ein Gerücht ist. Die Roadmap-Zeile ist das Einzige, was es wert ist, zweimal gelesen zu werden, denn es ist das erste Mal, dass Aliba​ba eine Nachfolgegeneration zu Papier gebracht hat: Wenn Qwe​n 4.5 und Qwe​n 5 tatsächlich im Bereich von 5 bis 10 Billionen Parametern landen, zählt die Stufe, die Sie sich in dieser Generation leisten können, selbst zu hosten, mehr, nicht weniger. Wenn Sie die Architektur spüren möchten, bevor die Familie ausgeliefert wird, sind die ehrlichen Wege, die Gewichte selbst herunterzuladen oder darauf zu warten, dass die Vorschau hinter einer API landet. Für alle, die um die 27B-Stufe herum planen, gilt dasselbe mit einer Ergänzung: Es lohnt sich, sie genau zu verfolgen, gerade weil sie die Stufe ist, die am wahrscheinlichsten ohne API ausführbar ist, und sie ist derzeit die am wenigsten spezifizierte der vier.

Wenn Qwen3.8-Flash-Next oder ein Qwen-4-Modell in einem Anbieterkatalog auftaucht, sind die Wechselkosten bei OrcaRouter praktisch null: eine API für über 200 Modelle, der Listenpreis des Anbieters ohne Aufschlag weitergegeben, und eine Preissenkung eines Anbieters noch am selben Tag auf unserer Seite live. Derselbe Endpunkt und Schlüssel, den Sie bereits für Qwen3.8 Max verwenden — heute als qwen/qwen3.8-max aufrufbar zu $2,00/$6,00 pro Million Tokens, Listenpreis weitergegeben — ist derselbe Endpunkt, den ein Qwen-4-Aufruf verwenden wird.

Für eine nicht erprobte Architektur ist automatisches Failover der richtige erste Schritt: Leiten Sie einen Teil des Datenverkehrs an das neue Modell weiter, mit einem Failover zu Qwen3.8 Max (oder dem Modell, das die Arbeitslast tatsächlich benötigt), und lassen Sie Ihren eigenen Datenverkehr entscheiden, ob die Vorschau der Karte gerecht wird – eine Routing-DSL-Änderung, keine Umschreibung.

Was wir uns ansehen

• Ob die Fuse-Op-Kernel gemergt werden (#53909), jetzt der letzte der ursprünglichen drei qwen4-PRs von vLLM, der noch offen ist — das multimodale Front-End und die PLE-Offload-Arbeit sind bereits gelandet, und die Config ist upstream gegangen. Auf der sglang-Seite sind der Native-Support-PR und der RecoverSSM-Draft beide noch offen. Ein gemergtes Kernel-Set ist das bislang stärkste Signal dafür, dass die qwen4-Linie auf den kurzfristigen Roadmaps beider Runtimes steht.

• Ob qwen4-main-squashed sich zur Qwen4-Mainline von sglang verfestigt — einem Integrations-Branch, auf dem ständig Kernel- und Speicherarbeit landet — ist ein stärkeres Commitment als ein einzelner PR eines Contributors, und es lohnt sich zu beobachten, was damit passiert, sobald das Flaggschiff einen Termin hat.

• Ob der Vision-Pfad bis zum Release überlebt — der qwen4_exp-Multimodal-Registry-Eintrag und die Rust-Frontend-Integration sind das erste harte Signal dafür, dass das Flaggschiff Bildeingabe ausliefert, und beide sind jetzt im Mainline-Code von vLLM statt in einem Fork. Die offene Frage ist, ob das ausgelieferte Modell diesen Vision-Tower behält.

• Die ersten unabhängigen Zahlen zu Qwen3.8-Flash-Next, die der erste Test dafür sein werden, ob die Kostenaussagen der Architektur außerhalb des Anbieters Bestand haben.

• Ein Datum oder eine Karte für Qwe​n 4 selbst. Die Familie hat jetzt Namen, eine Tier-Liste, einen Trainingsstatus und einen Platz auf einer veröffentlichten Roadmap, und nichts davon ist ein Zeitplan. Das Zeitfenster, das in der Community kursiert, ist Oktober bis Anfang November; die Roadmap, die Aliba​ba auf der Apsara veröffentlicht hat, enthält überhaupt keine Datumsangaben, und kein Qwe​n-4-Repository ist auf Hugging Face erschienen. Das nächste echte Signal ist das erste, an dem ein Datum hängt – eine Modellkarte, eine API-Kennung oder Gewichte.

• Insbesondere die Qwen 4 27B-Stufe – ob sie mit offenen Gewichten nach dem Qwen3.8-27B-Muster erscheint, unter welcher Lizenz, und wie schnell das Ökosystem für Konvertierung und Fine-Tuning nachzieht.

• Die Lizenz für die Familie – ob Qwe​n 4 dem Muster von Qwen3.8 Max folgt: offene Gewichte unter einer nutzungsbeschränkten Lizenz, oder ob es sich weiter öffnet.

• Das Rennen um den angebotenen Preis in der Vorschau, das uns verraten wird, was die Tokens der Hybridarchitektur in der Produktion tatsächlich kosten.

FAQ

Wann erscheint Qwe​n 4? Es gibt weiterhin kein Datum, und inzwischen liegen zwei offizielle Aussagen zum Zeitpunkt vor statt nur einer. Aliba​ba-Group-CEO Eddie Wu bestätigte am 22. September 2026 auf der Apsara, dass Qwe​n 4 sich im Training befindet und dass eine Nachfolgelinie – Qwe​n 4.5 und Qwe​n 5 – auf 5 bis 10 Billionen Parameter ausgelegt ist; Aliba​bas englische Veröffentlichung wiederholt beides. Keine der beiden Aussagen enthält einen Zeitplan. Drei Angaben zum Zeitpunkt sind kursiert, und keine davon stammt von Aliba​ba: das im Juli durchgesickerte Roadmap-Dokument, das ein Zeitfenster im September 2026 in Umlauf brachte, welches inzwischen ohne einen Launch verstrichen ist; und das Zeitfenster von Oktober bis Anfang November, das derzeit in Watchlist-Beiträgen und Tracker-Seiten die Runde macht und das eher eine Interpretation der Auslieferungsfrequenz des Labors ist als eine Aussage des Labors. Die Veröffentlichung Qwen3.8-Flash-Next vom 26. August ist ausdrücklich eine Vorschau auf die Architektur, nicht das Flaggschiff.

Ist Qwen 4 dasselbe Modell wie Qwen3.8-Flash-Next? Nein. Qwen3.8-Flash-Next ist ein veröffentlichtes Modell mit offenen Gewichten, das auf seiner Model Card als „eine Vorschau auf die Qwen4-Architektur" bezeichnet wird. Qwen 4 ist die noch nicht veröffentlichte Familie, die Alibaba am 22. September benannt hat — vier Stufen, keine veröffentlichten Spezifikationen — und die Architektur ist dieselbe, das Produkt aber nicht.

Kann ich Qwen 4 heute verwenden? Nein — nichts leitet an ein Modell weiter, das weder Gewichte noch eine API hat, und die Ankündigung vom 22. September hat daran nichts geändert. Am nächsten kommen Sie noch an die am 26. August veröffentlichten offenen Gewichte von Qwen3.8-Flash-Next oder an die Qwen3.8 Max API, live auf OrcaRouter für 2,00 $/6,00 $ pro Million Token.

Der Kernel ist die Botschaft – und die Ankündigung vom 22. September hat sie, bei aller Bühnenzeit, nicht überschrieben. vLLM verbraucht keine Review-Zyklen mit dem Bau von Triton-Kerneln für Operator-Familien, die es voraussichtlich aufgeben wird, und Aliba​ba veröffentlicht auch keine Architekturvorschau, die es voraussichtlich aufgeben wird. Zwischen dem weiterhin offenen PR „qwen4 fuse op“, der am 26. August veröffentlichten Vorschau Qwen3.8-Flash-Next, dem qwen4_exp-Eintrag, der jetzt in vLLMs Mainline-Registry steht, dessen Konfiguration upstream übernommen und dessen multimodale Integration gemergt wurde, der PLE-Offload-Arbeit, die im September sowohl auf CUDA als auch auf ROCm landete, und einem am 8. September eröffneten sglang-PR-Entwurf, der noch immer den SM120-Speicher für den Multi-Token-Prediction-Pfad der Linie abstimmt, ist die Form der nächsten Qwe​n-Generation kein Gerücht mehr – sie ist in den Kerneln und Speicherpfaden geschrieben, die zwei Runtimes für sie bauen. Was Apsara hinzugefügt hat, ist ein Name für jede Stufe, ein Trainingsstatus und ein Parameterband für die darauffolgende Generation. Was die Community seitdem hinzugefügt hat, ist ein Zeitfenster statt einer Tatsache: Oktober bis Anfang November, aus denselben Watchlist-Threads. Aliba​ba hat weder das eine noch das andere veröffentlicht. Planen Sie mit der Architektur; setzen Sie nicht auf die Termine.