Qwen 4: el PR 'qwen4 fuse op' de vLLM dio nombre a la arquitectura — Apsara 2026 dio nombre a la familia

Una solicitud de extracción titulada «Add qwen4 fuse op» lleva abierta en el repositorio vLLM desde el 26 de agosto, y durante la mayor parte de ese mes fue lo más parecido a una descripción de la próxima generación de modelos de Alibaba que existía fuera de la compañía. Eso cambió el 22 de septiembre de 2026, cuando el responsable de Qwen en Alibaba, Liu Da Yiheng, aprovechó la inauguración de la conferencia Apsara en Hangzhou para dar nombre a la familia: Qwen 4 Max, Qwen 4 Flash, Qwen 4 Plus y Qwen 4 27B —el nivel de pesos abiertos, y el que el mundo de la inferencia local ha estado esperando. Dos días después, una vez clausurada la conferencia, la compañía puso esa familia en una hoja de ruta por primera vez: Qwen 4 en entrenamiento, y una línea sucesora —Qwen 4.5 y Qwen 5— proyectada en 5 a 10 billones de parámetros, una cifra que el CEO de Alibaba Group, Eddie Wu, dio sobre el escenario y que la compañía luego repitió en su propio comunicado en inglés. Lo que la hoja de ruta no es, dos semanas después, es un calendario. El momento que ahora circula es una ventana —octubre o principios de noviembre— y nada de ello se remonta a algo que Alibaba haya publicado. El material escrito de la propia compañía no incluye mes, trimestre ni fecha; el modelo no tiene identificador, ni ventana de contexto, ni precio; y no existe ningún repositorio de Qwen 4 en la organización Qwen en Hugging Face. Considera la ventana un deseo más que un plan. La solicitud de extracción —vllm-project/vllm#53909, todavía abierta, todavía sin fusionar y todavía pendiente de revisión— tampoco incluye fecha de lanzamiento ni recuento de parámetros. Añade kernels de Triton independientes para tres familias de operadores: HyperConnection, Qwen Sparse Attention (QSA) y operaciones de estado PLE. Su título dice «qwen4», y su lista de operadores coincide casi exactamente con la arquitectura que Alibaba publicó en los pesos abiertos de Qwen3.8-Flash-Next —un modelo multimodal de mezcla de expertos, publicado el 26 de agosto de 2026, cuya tarjeta de Hugging Face dice «Una vista previa de la arquitectura Qwen4». Qwen 4 en sí sigue sin publicarse. La familia tiene un nombre, un lugar en una hoja de ruta y una ventana de la que se rumorea; los kernels siguen siendo lo único que la describe.

Este es un artículo de lo que sabemos hasta ahora, no una historia de lanzamiento. Aliba​ba ya ha nombrado la familia en un escenario público y la ha colocado en la hoja de ruta de la empresa, pero nombrar no es lanzar: no hay tarjeta de modelo, ni pesos ni API para ningún nivel de Qwe​n 4, y cada afirmación de arquitectura a continuación todavía proviene de la vista previa de Qwen3.8-Flash-Next y de los artefactos de ingeniería que la rodean, en lugar de provenir de cualquier documento de Qwe​n 4. La evidencia sólida es la pull request de vLLM que sigue en revisión, el modelo de vista previa publicado, una PR de sglang presentada el 27 de agosto que añade soporte nativo para la misma configuración de arquitectura Qwe​n4-Exp, y la entrada qwen4_exp que desde entonces ha aterrizado en el propio registro de modelos de vLLM en main — Qwen4ExpForCausalLM, Qwen4ExpForConditionalGeneration y Qwen4ExpMTP — junto con el trabajo multimodal del frontend de Rust, que se fusionó el 1 de septiembre. La conclusión que extraemos de ellos — que los operadores de las PR son la arquitectura que Aliba​ba presentó en vista previa — es una lectura de esa evidencia, y cada dato concreto a continuación está etiquetado en consecuencia. Una afirmación aquí no es de Alibaba en absoluto: la ventana de octubre a principios de noviembre proviene de una publicación de lista de seguimiento en X y de las páginas de seguimiento que la repitieron durante las últimas dos semanas; no ha sido reproducida y se presenta como proveniente de la comunidad dondequiera que aparezca.

Lo que Alibaba realmente dijo el 22 de septiembre

Aliba​ba presentó un avance de la familia Qwe​n 4 en la apertura de su conferencia Apsara (Yunqi), que se celebró en Hangzhou del 22 al 24 de septiembre de 2026, con el líder de Qwe​n, Liu Da Yiheng, en el escenario. En la apertura se nombraron cuatro niveles, sobre la estructura que ya había establecido la generación 3.8:

• Qwe​n 4 Max — la gama insignia, y la que se posiciona frente al modelo más avanzado de todos los demás laboratorios de vanguardia.

• Qwen 4 Flash — la gama de alto rendimiento, orientada a trabajos de gran volumen y sensibles a la latencia, más que al razonamiento máximo.

• Qwe​n 4 Plus — el nivel intermedio equilibrado.

• Qwe​n 4 27B — el nivel de pesos abiertos: la clase de tamaño en la que Qwe​n ya ha lanzado pesos abiertos anteriormente, y la que se describe como la opción de ejecución local.

La entrada de 27B es la parte concreta del anuncio, y es aquello a lo que reaccionaba la señal de fuentes que hay detrás de este artículo. En la generación 3.8, el nivel de 27B fue el lanzamiento de pesos abiertos que fue convertido a MLX, cuantizado a NVFP4 y sometido a fine-tuning a los pocos días de su lanzamiento, así que un Qwe​n 4 27B con nombre le da de nuevo un objetivo a ese ecosistema posterior. Es un objetivo y no un lanzamiento, y conviene retener esa distinción: Aliba​ba no ha publicado ningún desglose de parámetros, ni una licencia, ni una ventana de contexto, ni una fecha para este, y el nombre del nivel ni siquiera indica si es denso o de mezcla de expertos. Todo lo que hacía ejecutable el nivel de 27B anterior —la clase de tamaño, el enfoque en una sola máquina— se hereda de la historia de la línea de producto, no está especificado para este modelo.

Lo que la conferencia no produjo es algo con lo que un lector pueda planificar. La postura declarada de Alibaba —encuadre de proveedor, presentado en el escenario y reportado por múltiples medios independientes, más que verificado de forma independiente— es que Qwen 4 se basa en una arquitectura de nueva generación, que está en entrenamiento y que llegará "pronto". Ningún nivel tiene una ventana de contexto, un precio, una lista de modalidades ni una puntuación publicada. El único elemento con fecha en la conferencia era un modelo de vídeo de nueva generación previsto para noviembre. Una cifra del mismo escenario debe mantenerse en su propio carril: la ambición de 5 a 10 billones de parámetros pertenece al marco temporal de Qwen 4.5 y Qwen 5, no al de Qwen 4 — no se asoció ninguna cifra de parámetros a ningún nivel de Qwen 4. Esa cifra ya no es una filtración ni una afirmación en circulación: está en el propio comunicado en inglés de Alibaba, atribuida a la ponencia principal del CEO Eddie Wu, y se presenta como una proyección sin fecha y sin arquitectura que la respalde — declarada por la empresa y aún sin reproducir.

Así que el cambio de nombre cambió el estatus de la familia, no el estado de la evidencia. Todo lo que sigue es todavía la descripción que da la capa de servicio sobre qué es esta arquitectura — y, como el anuncio no añade especificaciones propias, esa descripción sigue siendo más detallada que cualquier cosa que Aliba​ba haya publicado.

Lo que realmente es el PR "qwen4 fuse op"

El pull request #53909 en vllm-project/vllm está abierto, proviene de un fork de un colaborador y sigue esperando la revisión de los propietarios del código — la revisión automatizada se deshabilitó precisamente porque vino de un fork. Es un trabajo pequeño, con forma de kernel:

• Tres kernels de HyperConnection — un RMSNorm Ge​ma agrupado, una reducción de puerta y una combinación de inyección.

• Tres kernels QSA más tres wrappers de referencia del proveedor para comparación.

• Kernels de recolección del estado de PLE y dispersión enmascarada.

• Trece pruebas exitosas que cubren guards de dtype y forma, metadatos de paginación, slots de caché, diseño MRoPE, estado con strides, índices nulos y duplicados, y ejecución determinista.

Hay dos detalles que importan más allá de la lista de operaciones. Primero, la implementación es de cierre ante fallos: las guardas del host lanzan errores en lugar de recurrir a una ruta genérica de cómputo de Torch, porque un valor silenciosamente incorrecto en un kernel de atención es peor que un fallo duro. Segundo, la división de nombres —el título dice «qwen4» mientras que la descripción menciona a Qwen3.8-Flash-Next— es en sí misma una señal. El lado de vLLM está tratando el modelo de vista previa como la primera instancia de la línea qwen4, y está construyendo kernels bajo el nombre de la familia que cubrirán lo que venga después.

Para contextualizar qué es una "operación de fusión": un motor de inferencia normalmente ejecuta el grafo de un modelo con un lanzamiento de kernel por operación, y cada lanzamiento conlleva sobrecarga: viajes de ida y vuelta de memoria entre kernels, costo de despacho. Fusionar varias operaciones elementales y de estado en un solo kernel reduce esa sobrecarga, que es exactamente donde se gana o se pierde el costo y la latencia de una arquitectura nueva. Un modelo construido sobre operadores que no tienen ninguna implementación fusionada en ningún lado será lento y consumirá mucha memoria, sin importar lo inteligente que sea el entrenamiento; el primer motor que los fusione bien fija el precio real del modelo en el mundo real.

Leyendo los nombres del kernel como un plano

Ninguno de estos operadores existe en el opset de transformer estándar, por lo que necesitan kernels nuevos, y cada uno se corresponde con una pieza específica de la arquitectura que Alibaba adelantó en Qwen3.8-Flash-Next:

• HyperConnection → conexiones residuales con compuerta. El flujo residual único se amplía a cuatro ramas paralelas con compuertas dinámicas elemento a elemento, lo que permite que el modelo decida cuánto leer de cada rama y cuánto escribir en ella; el estado residual puede almacenarse en FP8 para reducir el tráfico de memoria.

• QSA → Qwen Sparse Attention. Un indexador ligero comprime las claves en microbloques con una relación de compresión de 4, las puntúa y conserva los mejores 512 bloques — aproximadamente 2 051 posiciones lógicas de token — mientras que la softmax final y la agregación de valores siguen ejecutándose sobre la K/V original sin comprimir. Doce de las 48 capas son QSA; las otras 36 son capas de atención lineal GDN con un estado recurrente de tamaño fijo y sin caché KV creciente.

• Operaciones de estado PLE → memoria de n-gramas. La tabla de búsqueda de 51 mil millones de parámetros — "Per-Layer Embeddings" en el artículo de SGLang — se direcciona mediante hash a partir del token actual más los dos o tres anteriores, obteniendo 16 filas por token. Sus posiciones son precomputables, por lo que puede residir en memoria del host y precargarse de forma asíncrona en lugar de ocupar VRAM de GPU.

El cuerpo MoE en el que residen los kernels: 125B de parámetros totales con aproximadamente 6B activos por token — menos del 5% de activación — enrutados sobre 512 expertos con enrutamiento top-10.

Dos salvedades mantienen esto honesto. Primero, la arquitectura anterior se extrae de la ficha del modelo de Qwen3.8-Flash-Next y de desgloses técnicos de la comunidad, no de ningún documento de Qwen 4; es evidencia sobre la familia, no una especificación de la familia. Segundo, nada de esto cambia el hecho central: Qwen 4 no existe en ningún catálogo.

Una línea de evidencia aparte es la ruta de visión, que conviene mantener separada de la lectura del kernel anterior. Independientemente de cualquier mapeo de operadores, el propio registro de modelos de vLLM en main incluye una entrada qwen4_exp —Qwen4ExpForConditionalGeneration—, registrada como un modelo multimodal con una torre de visión Qwen3-VL y un Qwen3VLMultiModalProcessor. La PR del frontend de Rust (#54813) que conecta esa configuración con el crate multimodal del motor, la ruta de código que convierte las entradas de imagen en tokens, se fusionó el 1 de septiembre de 2026 —una afirmación más contundente que el hecho de que la misma PR esté abierta, porque la ruta multimodal de la línea qwen4 ahora está en el motor en lugar de en el fork de alguien—. Todavía no es un lanzamiento: el modelo que describe esa entrada del registro no tiene pesos ni API. Pero es la primera confirmación a nivel de ingeniería de que la próxima generación de Qwen acepta entradas de imagen, y la etiqueta "multimodal" en la arquitectura ya no es solo una línea en la tarjeta del modelo de la vista previa.

Por qué la arquitectura cambia el panorama de costos

Si Qwe​n 4 se lanza sobre esta arquitectura, la economía es diferente de la de un transformer denso estándar —o incluso de un MoE ordinario—, y esa diferencia es la razón por la que vale la pena seguir de cerca el trabajo del kernel.

• División de memoria y cómputo. El costo de memoria sigue el total de parámetros: los 125B deben estar residentes para servir el modelo. El costo de cómputo sigue los parámetros activos: solo ~6B se ejecutan por pasada hacia adelante. Esa separación es lo que permite que un modelo de "125B" se sirva al costo de uno mucho más pequeño.

• La caché KV deja de crecer en la mayoría de las capas. Con 36 de las 48 capas usando atención de estado recurrente de tamaño fijo, la caché en crecimiento de claves/valores se limita a 12 capas. Con un contexto nativo de 262K tokens — 1M vía YaRN — esa es en gran parte la razón por la que el servicio de contextos largos se vuelve asequible.

• La tabla grande se puede descargar. La tabla de n-gramas es el mayor consumidor individual de memoria, con 51B parámetros, y no necesita residir en la GPU. El trabajo de SGLang desde el día 0 midió que descargar la tabla BF16 a memoria de host fijada liberaba unos 23 GiB por GPU en H200 y aumentaba la capacidad de KV asignada en aproximadamente un 78 %, con salidas idénticas a nivel de bits. Del lado de vLLM, la misma descarga llegó por etapas en lugar de en un solo PR: el PR de soporte original (#53899) se cerró sin fusionarse el 21 de septiembre, mientras que la capacidad en sí llegó a través de fusiones separadas: #54371, descarga de PLE basada en UVA con paralelismo tensorial de Engram, el 9 de septiembre, y una ruta de ROCm (#57497) el 25 de septiembre.

Ninguno de estos números ha sido auditado de forma independiente todavía — las afirmaciones de aceleración de contexto largo de 7.6×/4.9×, la cifra de decodificación de 540 tok/s del artículo de SGLang, la afirmación de costo de entrenamiento de "1/9 de Qwen3.7-Plus" — y deben considerarse como reportados por el proveedor o la comunidad hasta que un índice neutral los reproduzca.

La carrera por servirlo

Ambos motores principales tienen trabajo en marcha para qwen4: SGLang publicó soporte de día cero a los pocos días de la vista previa del 26 de agosto, y el trabajo en cada lado no ha dejado de acumularse desde entonces, desde el registro de configuración hasta la ingeniería de kernels y memoria.

• SGLang publicó un post de día 0 el 26 de agosto en una colaboración entre SGLang, Alibaba, NVIDIA y AMD, lanzando un checkpoint NVFP4 y afirmando 540 tokens/s de decodificación en TP4 sobre B200 con decodificación especulativa.

• El 27 de agosto, un PR de sglang (#36585) añadió soporte nativo para Qwen4-Exp al propio motor: registró la configuración Qwen4ExpForConditionalGeneration y un modelo de texto construido a partir de los mismos componentes GatedResidual, Gated DeltaNet, atención dispersa de Qwen, PLE y MoE. No está fusionado: el PR proviene de un colaborador que no es mantenedor, el trabajo se atribuye a un agente autónomo llamado Argus, y sigue abierto y a la espera de revisión. Sin embargo, su anclaje es verificable de forma independiente: la propia configuración de Qwen3.8-Flash-Next declara model_type=qwen4_exp, y la implementación de referencia ahora se encuentra en huggingface/transformers bajo models/qwen4_exp.

• El 8 de septiembre se abrió un PR borrador de sglang (#38492) contra qwen4-main-squashed, una rama de sglang dedicada a la línea Qwen4/Flash-Next, y este no es de registro. Porta RecoverSSM —una ruta de recuperación de estado aceptado creada originalmente para Qwen3.8-Flash-Next en SM120— para la verificación de predicción multi-token (MTP) de la arquitectura. Los borradores de MTP pasan por el estado recurrente de tamaño fijo de las capas de Gated DeltaNet, y en lugar de mantener cada estado especulativo intermedio en memoria mientras se verifica un borrador, el motor reconstruye el estado aceptado a partir del estado confirmado y el prefijo de tokens aceptado. El modo es opcional (un flag --gdn-mtp-cache-mode none; el comportamiento actual de caché completa sigue siendo el predeterminado), y es temprano incluso para los estándares de esta historia: un borrador tocado por última vez el 14 de septiembre, cuya HEAD actual aún falla nueve de sus verificaciones, con la propia lista de verificación del autor abierta antes de que pueda marcarse como listo para revisión. La dirección es lo importante: sglang está desarrollando la ruta de servicio de Qwen4, no solo registrando su configuración.

• La línea qwen4 de vLLM ha pasado de tres PR abiertos a un balance mixto en las semanas transcurridas desde que este artículo se publicó por primera vez. El PR multimodal de frontend en Rust (#54813) se fusionó el 1 de septiembre. El trabajo de offload de PLE se fusionó en dos partes —#54371 el 9 de septiembre y #57497 el 25 de septiembre—, mientras que el PR original de offload de PLE (#53899) se cerró sin fusionar el 21 de septiembre. Desde entonces, la configuración ha pasado a upstream: #57387, que cambia la configuración y el procesador de qwen4_exp a las implementaciones upstream de Transformers, se fusionó el 2 de octubre. Lo que sigue abierto es el PR de fuse-op que es el tema de este artículo (#53909), junto con una corrección de errores del búfer circular de QSA presentada el 1 de octubre (#59528) y una pasada SM86 (Ampere) sobre la tabla de n-gramas de 51.000 millones de parámetros, abierta desde el 26 de septiembre (#58856), que es el tipo de trabajo que alguien hace cuando un modelo es algo que la gente intenta servir en hardware más antiguo en lugar de algo que nadie ha ejecutado. La propia configuración qwen4_exp está registrada en vLLM como multimodal: una torre de visión Qwen3-VL emparejada con el modelo de texto Qwen4-Exp.

Esta es una carrera con un premio real. El motor que mejor fusiona los nuevos operadores fija el precio servido para la generación Qwen4, porque la eficiencia del kernel — no el recuento bruto de parámetros — es lo que compone el costo por token de un modelo de atención híbrida.

Lo que realmente sale hoy: Qwen3.8-Flash-Next vs Qwen 4

Vale la pena ser precisos acerca de las dos cosas de esta historia, porque la denominación está haciendo gran parte del trabajo.

• Qwen3.8-Flash-Next ya está disponible. Los pesos abiertos están en Hugging Face y ModelScope bajo la licencia qwen-community-1.0, en variantes estándar y FP8; la ficha del modelo confirma las especificaciones — 125B MoE, ~6B activos, tabla de n-gramas de 51B, contexto de 262K, multimodal. Es la vista previa de la arquitectura, no el buque insignia.

• Qwen3.8-Flash es la variante de producción servida que Alibaba anunció junto con él, listada en Qwen Cloud a ¥1 por millón de tokens de entrada y ¥3 por millón de tokens de salida (aproximadamente $0.16 / $0.47), con un contexto predeterminado de 1 M de tokens y herramientas integradas. Precio reportado por el proveedor, aún no presente en ningún índice independiente.

• Qwen 4 no ha salido. Alibaba nombró los cuatro niveles el 22 de septiembre de 2026 y dijo que la familia está en entrenamiento y que llegará pronto — la primera información oficial sobre los plazos, y aun así no es un calendario. No hay fecha, ni tarjeta, ni pesos para ningún nivel. La ventana que circula ahora es de octubre a principios de noviembre, y proviene de hilos de listas de seguimiento y páginas de rastreadores, y no de Alibaba: el estado de entrenamiento lo declara la empresa; los tiempos provienen de la comunidad. La ventana de septiembre que circuló en una filtración de la hoja de ruta de julio ya está agotada, lo cual es una respuesta en sí misma.

• El Qwe​n 4 27B es el nivel que hay que vigilar por una razón ajena a los benchmarks: es el único nivel de la familia con un historial de publicar pesos abiertos, y un 27B anunciado es aquello en torno a lo cual planifican los stacks de inferencia local — por eso la falta de desglose de tamaños, licencia y fecha importa más aquí que en el buque insignia.

La tabla de benchmarks de la vista previa — DeepSWE 1.1 en 58.7, SWE-bench Pro en 62.5, LiveCodeBench v6 en 91.9 — es reportada por el proveedor en la tarjeta y no ha sido reproducida de forma independiente. Planifica en torno a la arquitectura; trata las puntuaciones como una promesa, no como una medición.

Lo que un desarrollador debería hacer ahora

Nada de tu stack actual cambia hoy: Qwen 4 no se puede invocar en ningún sitio —Apsara nombró los niveles, puso la familia en una hoja de ruta y no lanzó nada de eso—, y, al momento de escribir esto, los pesos abiertos de Qwen3.8-Flash-Next tampoco están todavía en nuestra propia lista de modelos; las opciones más cercanas que ofrecemos hoy son la variante Qwen3.8 Flash servida a $0.15/$0.47 por millón de tokens y la ruta de pesos abiertos de Qwen3.8 27B a $0.33/$2.40, que es lo más parecido a un Qwen ejecutable localmente en el catálogo mientras la generación sucesora sigue siendo un rumor. La línea de la hoja de ruta es lo único que vale la pena leer dos veces, porque es la primera vez que Alibaba ha plasmado por escrito una generación sucesora: si Qwen 4.5 y Qwen 5 realmente aterrizan en la franja de 5 a 10 billones de parámetros, el nivel que puedes permitirte alojar por tu cuenta en esa generación importa más, no menos. Si quieres experimentar la arquitectura antes de que la familia se lance, los caminos honestos son descargar los pesos tú mismo o esperar a que la vista previa llegue detrás de una API. Para cualquiera que planifique en torno al nivel de 27B, se aplica lo mismo con un añadido: vale la pena seguirle la pista precisamente porque es el nivel con más probabilidades de ser ejecutable sin una API, y actualmente es el menos especificado de los cuatro.

Cuando Qwen3.8-Flash-Next o un modelo Qwe​n 4 aparezca en el catálogo de un proveedor, el coste de cambio en OrcaRouter es prácticamente nulo: una sola API para más de 200 modelos, el precio de lista del proveedor trasladado sin ningún recargo, y una bajada de precio del proveedor aplicada en nuestro lado el mismo día. El mismo endpoint y la misma clave que ya usas para Qwen3.8 Max — disponible hoy como qwen/qwen3.8-max a $2.00/$6.00 por millón de tokens, con el precio de lista trasladado — es el mismo endpoint que usará una llamada a Qwe​n 4.

Para una arquitectura no probada, la conmutación automática por error es el primer paso correcto: enruta una parte del tráfico hacia el nuevo modelo con un failover a Qwen3.8 Max (o al modelo que la carga de trabajo realmente necesite), y deja que tu propio tráfico decida si la vista previa está a la altura de la ficha del modelo: una edición del routing-DSL, no una reescritura.

Lo que estamos viendo

• Si los kernels de fuse-op se fusionan (#53909), ahora el último de los tres PR originales de qwen4 de vLLM que sigue abierto — el front-end multimodal y el trabajo de PLE-offload ya se han integrado, y la configuración ya ha pasado a upstream. Del lado de sglang, tanto el PR de soporte nativo como el borrador de RecoverSSM siguen abiertos. Un conjunto de kernels fusionado es la señal más fuerte hasta ahora de que la línea qwen4 está en las hojas de ruta a corto plazo de ambos runtimes.

• Que qwen4-main-squashed se consolide como la línea principal de Qwen4 en sglang —una rama de integración en la que sigue aterrizando el trabajo de kernel y memoria— es un compromiso más fuerte que un PR de un solo contribuyente, y vale la pena observar qué sucede con ella una vez que el buque insignia tenga fecha.

• Si la ruta de visión sobrevive hasta el lanzamiento — la entrada del registro multimodal de qwen4_exp y la integración del frontend de Rust son la primera señal contundente de que el modelo insignia incorpora entrada de imágenes, y ambos están ahora en el código principal de vLLM en lugar de en un fork. La pregunta abierta es si el modelo lanzado mantiene esa torre de visión.

• Las primeras cifras independientes sobre Qwen3.8-Flash-Next, que serán la primera prueba de si las afirmaciones de coste de la arquitectura se sostienen fuera del proveedor.

• Una fecha o una tarjeta para el propio Qwe​n 4. La familia ahora tiene nombres, una lista de niveles, un estado de entrenamiento y un lugar en una hoja de ruta publicada, y ninguno de esos es un calendario. La ventana que circula la comunidad es de octubre a principios de noviembre; la hoja de ruta que Aliba​ba publicó en Apsara no lleva fechas en absoluto, y no ha aparecido ningún repositorio de Qwe​n 4 en Hugging Face. La próxima señal real es la primera que tenga una fecha adjunta: una tarjeta de modelo, un identificador de API o los pesos.

• En particular, el nivel Qwe​n 4 27B — si se lanza con pesos abiertos siguiendo el patrón de Qwen3.8-27B, bajo qué licencia, y con qué rapidez le sigue el ecosistema de conversión y ajuste fino.

• La licencia para la familia — si Qwe​n 4 repite el patrón de Qwen3.8 Max de pesos abiertos bajo una licencia con restricciones de uso, o si se abre aún más.

• La carrera de precios servidos en la vista previa, que nos dirá cuánto cuestan realmente los tokens de la arquitectura híbrida en producción.

Preguntas frecuentes

¿Cuándo sale Qwen 4? Todavía no hay fecha, y ahora hay dos declaraciones oficiales sobre el momento en lugar de una. El CEO de Alibaba Group, Eddie Wu, confirmó en Apsara el 22 de septiembre de 2026 que Qwen 4 está en entrenamiento y que una línea sucesora —Qwen 4.5 y Qwen 5— está proyectada en 5 a 10 billones de parámetros; la versión en inglés de Alibaba repite ambas. Ninguna de las dos declaraciones incluye un calendario. Han circulado tres afirmaciones sobre las fechas y ninguna de ellas es de Alibaba: la filtración de la hoja de ruta de julio que barajaba una ventana de septiembre de 2026, la cual ha pasado sin un lanzamiento; y la ventana de octubre a principios de noviembre que ahora circula en publicaciones de listas de seguimiento y páginas de rastreadores, que es una interpretación de la cadencia de lanzamientos del laboratorio más que una declaración del laboratorio. El lanzamiento de Qwen3.8-Flash-Next del 26 de agosto es explícitamente una vista previa de la arquitectura, no el buque insignia.

¿Es Qwe​n 4 el mismo modelo que Qwen3.8-Flash-Next? No. Qwen3.8-Flash-Next es un modelo de pesos abiertos ya publicado cuya ficha lo describe como "A Preview of the Qwen4 Architecture". Qwe​n 4 es la familia aún no publicada que Aliba​ba nombró el 22 de septiembre —cuatro niveles, sin especificaciones publicadas— y la arquitectura es compartida, pero el producto no.

¿Puedo usar Qwen 4 hoy? No: nada se enruta a un modelo que no tiene pesos ni API, y el anuncio del 22 de septiembre no cambió eso. Lo más cercano que realmente puedes usar son los pesos abiertos de Qwen3.8-Flash-Next publicados el 26 de agosto, o la API de Qwen3.8 Max, disponible en vivo en OrcaRouter a $2.00/$6.00 por millón de tokens.

El kernel es el mensaje —y el anuncio del 22 de septiembre, a pesar de todo el tiempo en el escenario, no lo sobrescribió. vLLM no dedica ciclos de revisión a construir kernels de Triton para familias de operadores que espera abandonar, y Alibaba tampoco publica una vista previa de arquitectura que espera abandonar. Entre el PR «qwen4 fuse op», aún abierto; la vista previa de Qwen3.8-Flash-Next, publicada el 26 de agosto; la entrada qwen4_exp que ahora está en el registro mainline de vLLM, con su configuración enviada upstream y su integración multimodal fusionada; el trabajo de offload de PLE que llegó tanto a CUDA como a ROCm en septiembre; y un PR borrador de sglang abierto el 8 de septiembre que todavía está ajustando la memoria SM120 para la ruta de predicción de múltiples tokens de la línea, la forma de la próxima generación de Qwen ya no es un rumor: está escrita en los kernels y las rutas de memoria que dos runtimes están construyendo para ella. Lo que Apsara añadió es un nombre para cada nivel, un estado de entrenamiento y una banda de parámetros para la generación posterior. Lo que la comunidad ha añadido desde entonces es una ventana más que un hecho: de octubre a principios de noviembre, según los mismos hilos de seguimiento. Alibaba no ha publicado ninguna de las dos cosas. Planifica para la arquitectura; no apuestes por las fechas.