Qwen 4 : la PR vLLM « qwen4 fuse op » a donné son nom à l’architecture — Apsara 2026 a donné son nom à la famille

Une pull request intitulée « Add qwen4 fuse op » reste ouverte dans le dépôt vLLM depuis le 26 août, et pendant la majeure partie de ce mois-là, elle a été ce qui se rapprochait le plus d'une description de la prochaine génération de modèles d'Alibaba à exister en dehors de l'entreprise. Cela a changé le 22 septembre 2026, lorsque Liu Da Yiheng, responsable de Qwen chez Alibaba, a profité de l'ouverture de la conférence Apsara à Hangzhou pour nommer la famille : Qwen 4 Max, Qwen 4 Flash, Qwen 4 Plus et Qwen 4 27B — le niveau à poids ouverts, et celui que le monde de l'inférence locale attendait. Deux jours plus tard, la conférence terminée, l'entreprise a inscrit cette famille sur une feuille de route pour la première fois : Qwen 4 en entraînement, et une lignée de successeurs — Qwen 4.5 et Qwen 5 — estimée à 5 à 10 billions de paramètres, un chiffre qu'Eddie Wu, PDG du groupe Alibaba, a donné sur scène et que l'entreprise a ensuite repris dans son propre communiqué en anglais. Ce que cette feuille de route n'est pas, deux semaines plus tard, c'est un calendrier. La date qui circule désormais est une fenêtre — octobre, ou début novembre — et rien de tout cela ne remonte à quoi que ce soit qu'Alibaba ait publié. Les documents écrits de l'entreprise elle-même ne portent ni mois, ni trimestre, ni date ; le modèle n'a ni identifiant, ni fenêtre de contexte, ni prix ; et aucun dépôt Qwen 4 n'existe dans l'organisation Qwen sur Hugging Face. Considérez cette fenêtre comme un souhait plutôt qu'un plan. La pull request — vllm-project/vllm#53909, toujours ouverte, toujours non fusionnée et toujours en attente de revue — ne comporte pas non plus de date de sortie ni de nombre de paramètres. Elle ajoute des noyaux Triton autonomes pour trois familles d'opérateurs : HyperConnection, Qwen Sparse Attention (QSA) et les opérations d'état PLE. Son titre indique « qwen4 », et sa liste d'opérateurs correspond presque exactement à l'architecture qu'Alibaba a livrée dans les poids ouverts de Qwen3.8-Flash-Next — un modèle multimodal à mélange d'experts, publié le 26 août 2026, dont la fiche Hugging Face indique « A Preview of the Qwen4 Architecture ». Qwen 4 lui-même n'est toujours pas publié. La famille a un nom, une place sur une feuille de route et une fenêtre qui fait l'objet de rumeurs ; les noyaux restent la seule chose qui la décrive.

Il s'agit d'un article sur ce que l'on sait à ce jour, et non d'une annonce de lancement. Aliba​ba a désormais nommé la famille sur une scène publique et l'a inscrite à la feuille de route d'une entreprise, mais nommer n'est pas livrer : il n'existe ni fiche de modèle, ni poids, ni API pour quelque palier de Qwe​n 4 que ce soit, et chaque affirmation architecturale ci-dessous provient encore de l'aperçu Qwen3.8-Flash-Next et des artefacts d'ingénierie qui l'entourent, plutôt que d'un quelconque document Qwe​n 4. Les preuves solides sont la pull request vLLM toujours en cours de révision, le modèle d'aperçu publié, une PR sglang déposée le 27 août qui ajoute la prise en charge native de la même configuration d'architecture Qwe​n4-Exp, et l'entrée qwen4_exp qui a depuis été intégrée au registre de modèles de vLLM sur main — Qwen4ExpForCausalLM, Qwen4ExpForConditionalGeneration et Qwen4ExpMTP — aux côtés du travail multimodal sur frontend Rust, fusionné le 1er septembre. La conclusion que nous en tirons — que les opérateurs présents dans les PR constituent l'architecture qu'Aliba​ba a présentée en aperçu — est une lecture de ces preuves, et chaque détail ci-dessous est étiqueté en conséquence. Une affirmation ici n'est pas du tout celle d'Alibaba : la fenêtre allant d'octobre à début novembre provient d'un post de veille sur X et des pages de suivi qui l'ont repris au cours des deux dernières semaines ; elle n'est pas reproduite et elle est présentée comme issue de la communauté partout où elle apparaît.

Ce qu'Alibaba a réellement dit le 22 septembre

Aliba​ba a présenté en avant-première la famille Qwe​n 4 à l'ouverture de sa conférence Apsara (Yunqi), qui s'est tenue à Hangzhou du 22 au 24 septembre 2026, avec le responsable de Qwe​n, Liu Da Yiheng, sur scène. Quatre paliers ont été nommés à l'ouverture, sur la structure déjà établie par la génération 3.8 :

• Qwen 4 Max — l'échelon phare, celui qui se positionne face au modèle le plus haut de gamme de tous les autres laboratoires de pointe.

• Qwen 4 Flash — le niveau à haut débit, destiné aux charges de travail sensibles à la latence et à grand volume plutôt qu'au raisonnement de pointe.

• Qwe​n 4 Plus — le palier intermédiaire équilibré.

• Qwe​n 4 27B — le palier à poids ouverts : la classe de taille dans laquelle Qwe​n a déjà publié des poids ouverts, et celle dont on parle comme de l’option à exécuter en local.

L'entrée 27B est la partie concrète de l'annonce, et c'est à elle que réagissait le signal de sourcing derrière cet article. Dans la génération 3.8, le palier 27B était la livraison de poids ouverts qui a été convertie en MLX, quantifiée en NVFP4 et affinée dans les jours suivant sa sortie ; un Qwe​n 4 27B nommé redonne donc une cible à cet écosystème en aval. C'est une cible et non une sortie, et la distinction mérite d'être maintenue : Aliba​ba n'a publié aucune ventilation des paramètres, aucune licence, aucune fenêtre de contexte et aucune date pour ce modèle, et le nom du palier ne précise même pas s'il est dense ou à mélange d'experts. Tout ce qui rendait exécutable le palier 27B précédent — la classe de taille, l'accent sur une seule machine — est hérité de l'histoire de la gamme, et non spécifié pour ce modèle.

Ce que la conférence n'a pas produit, c'est précisément l'élément sur lequel un lecteur peut s'appuyer pour planifier. La position affichée d'Alibaba — un cadrage de fournisseur, livré sur scène et rapporté par plusieurs médias indépendants plutôt que vérifié de façon indépendante — est que Qwen 4 repose sur une architecture de nouvelle génération, qu'il est en cours d'entraînement et qu'il arrive « bientôt ». Aucun palier ne dispose d'une fenêtre de contexte, d'un prix, d'une liste de modalités ni d'un score publié. Le seul élément daté de la conférence était un modèle vidéo de nouvelle génération prévu pour novembre. Un chiffre prononcé depuis la même scène doit rester dans sa propre case : l'ambition de 5 à 10 000 milliards de paramètres appartient à l'horizon Qwen 4.5 et Qwen 5, pas à Qwen 4 — aucun nombre de paramètres n'a été associé à un quelconque palier de Qwen 4. Ce chiffre n'est plus une fuite ni une affirmation qui circule : il figure dans le propre communiqué en anglais d'Alibaba, attribué au discours d'ouverture du PDG Eddie Wu, et il est présenté comme une projection sans date ni architecture derrière — affirmé par l'entreprise, et toujours non reproduit.

Le changement de nom a donc modifié le statut de la famille, non l’état des preuves. Tout ce qui suit reste le récit de la couche de service sur ce qu’est cette architecture — et, l’annonce n’apportant aucune spécification propre, ce récit demeure plus détaillé que tout ce qu’Aliba​ba a publié.

Ce qu'est réellement la PR « qwen4 fuse op »

La pull request #53909 dans vllm-project/vllm est ouverte, issue d'un fork de contributeur, et attend toujours la revue du propriétaire du code — la revue automatisée a été désactivée précisément parce qu'elle provient d'un fork. C'est un petit travail en forme de kernel :

• Trois noyaux HyperConnection — une RMSNorm Ge​ma groupée, une réduction de porte et une combinaison d'injection.

• Trois noyaux QSA plus trois wrappers de référence fournisseur pour comparaison.

• Noyaux de collecte d'état PLE et de dispersion masquée.

• Treize tests réussis couvrant les gardes de dtype et de forme, les métadonnées de pagination, les emplacements de cache, la disposition MRoPE, l'état stridé, les indices nuls et dupliqués, et l'exécution déterministe.

Au-delà de la liste des opérations, deux détails comptent. Premièrement, l'implémentation est fail-closed : les gardes côté hôte lèvent des erreurs plutôt que de retomber sur un chemin de calcul Torch générique, car une valeur silencieusement fausse dans un noyau d'attention est pire qu'un échec dur. Deuxièmement, la division de nommage — le titre indique « qwen4 » tandis que la description nomme Qwen3.8-Flash-Next — est en soi un signal. Le côté vLLM traite le modèle d'aperçu comme la première instance de la lignée qwen4 et construit des noyaux sous le nom de famille qui couvriront tout ce qui viendra ensuite.

Pour rappel de ce qu'est une « fuse op » : un moteur d'inférence exécute normalement le graphe d'un modèle avec un lancement de kernel par opération, et chaque lancement a un coût — allers-retours mémoire entre les kernels, coût de dispatch. Fusionner plusieurs opérations élémentaires et opérations d'état dans un seul kernel réduit ce coût, et c'est exactement là que se jouent le coût et la latence d'une nouvelle architecture. Un modèle construit sur des opérateurs qui n'ont aucune implémentation fusionnée où que ce soit sera lent et gourmand en mémoire, quelle que soit l'intelligence de l'entraînement ; le premier moteur qui les fusionne bien fixe le prix réel du modèle.

Lire les noms des noyaux comme un plan.

Aucun de ces opérateurs n'existe dans l'opset standard des transformers, ce qui explique pourquoi ils nécessitent de nouveaux kernels — et chacun correspond à un élément précis de l'architecture qu'Alibaba a dévoilée en avant-première dans Qwen3.8-Flash-Next :

• HyperConnection → connexions résiduelles à portes. Le flux résiduel unique est élargi en quatre branches parallèles avec un gating dynamique par élément, permettant au modèle de décider combien lire et écrire dans chaque branche ; l'état résiduel peut être stocké en FP8 pour réduire le trafic mémoire.

• QSA → Qwe​n Sparse Attention. Un indexeur léger compresse les clés en micro-blocs avec un taux de compression de 4, les évalue, et conserve les 512 meilleurs blocs — soit environ 2 051 positions logiques de jetons — tandis que le softmax final et l’agrégation des valeurs s’exécutent toujours sur les K/V d’origine, non compressés. Douze des 48 couches sont des QSA ; les 36 autres sont des couches d’attention linéaire GDN avec un état récurrent de taille fixe et sans cache KV croissant.

• Les opérations d'état PLE → mémoire n-gram. La table de correspondance de 51 milliards de paramètres — « Per-Layer Embeddings » dans l'article SGLang — est adressée par hachage à partir du jeton courant et des deux ou trois précédents, récupérant 16 lignes par jeton. Ses positions sont précalculables, elle peut donc résider en mémoire hôte et être préchargée de manière asynchrone au lieu d'occuper la VRAM du GPU.

• Le corps MoE dans lequel les noyaux sont intégrés : 125B de paramètres au total, avec environ 6B actifs par jeton — soit moins de 5 % d'activation — répartis sur 512 experts avec un routage top-10.

Deux réserves garantissent l’honnêteté de ce propos. Premièrement, l’architecture ci-dessus est tirée de la fiche modèle de Qwen3.8-Flash-Next et d’analyses détaillées de la communauté, et non d’un quelconque document sur Qwen 4 — c’est une preuve concernant la famille, non une spécification de cette famille. Deuxièmement, rien de tout cela ne change le fait central : Qwen 4 n’existe dans aucun catalogue.

Une ligne de preuves distincte est celle du chemin vision, qu'il vaut la peine de garder à part de la lecture du kernel ci-dessus. Indépendamment de toute correspondance d'opérateurs, le registre de modèles de vLLM lui-même sur main liste une entrée qwen4_exp — Qwen4ExpForConditionalGeneration — enregistrée comme modèle multimodal avec une tour de vision Qwen3‑VL et un Qwen3VLMultiModalProcessor. La PR du frontend Rust (#54813) qui câble cette configuration dans le crate multimodal du moteur, le chemin de code qui transforme les entrées d'images en tokens, a été fusionnée le 1er septembre 2026 — une affirmation plus forte que le simple fait que la même PR soit ouverte, car le chemin multimodal de la lignée qwen4 se trouve désormais dans le moteur plutôt que dans le fork de quelqu'un. Ce n'est toujours pas une version : le modèle que décrit cette entrée de registre n'a ni poids ni API. Mais c'est la première confirmation au niveau de l'ingénierie que la prochaine génération de Qwen prend en charge les entrées d'images, et l'étiquette « multimodal » apposée sur l'architecture n'est plus une simple ligne sur la carte de modèle de la preview.

Pourquoi l’architecture change la donne en matière de coûts

Si Qwen 4 sort sur cette architecture, l'équation économique est différente de celle d'un transformer dense standard — ou même d'un MoE ordinaire —, et c'est cette différence qui fait que le travail sur les kernels mérite d'être suivi.

• Répartition de la mémoire et du calcul. Le coût mémoire suit le nombre total de paramètres — les 125B doivent tous être résidents pour servir le modèle. Le coût de calcul suit les paramètres actifs — seulement ~6B sont exécutés par passage avant. C'est cette séparation qui permet à un modèle « 125B » de servir au coût d'un modèle bien plus petit.

• Le cache KV cesse de croître sur la plupart des couches. Avec 36 des 48 couches utilisant une attention à état récurrent de taille fixe, le cache clé/valeur en croissance est confiné à 12 couches. Avec un contexte natif de 262K jetons — 1M via YaRN — c'est en grande partie pour cela que le service en contexte long devient abordable.

• La grande table peut être déchargée. La table de n-grammes est le plus gros consommateur de mémoire, avec 51 milliards de paramètres, et elle n’a pas besoin de résider sur le GPU. Les travaux de SGLang dès le jour 0 ont mesuré que le déchargement de la table BF16 vers la mémoire hôte épinglée libérait environ 23 Gio par GPU sur H200 et augmentait la capacité KV allouée d’environ 78 % — avec des sorties identiques au bit près. Du côté de vLLM, le même déchargement est arrivé par étapes plutôt qu’en une seule PR : la PR de support initiale (#53899) a été fermée sans être fusionnée le 21 septembre, tandis que la fonctionnalité elle-même est arrivée via des fusions séparées — #54371, déchargement PLE basé sur UVA avec parallélisme tensoriel Engram, le 9 septembre, et une voie ROCm (#57497) le 25 septembre.

Aucun de ces chiffres n'est encore audité de manière indépendante — les affirmations d'accélération en contexte long de 7,6×/4,9×, le chiffre de décodage de 540 tok/s du post SGLang, l'affirmation d'un coût d'entraînement de « 1/9 de Qwen3.7-Plus » — et ils doivent être considérés comme signalés par le fournisseur ou la communauté jusqu'à ce qu'un indice neutre les reproduise.

La course pour le servir

Les deux grands moteurs ont des travaux en cours sur qwen4 — SGLang a publié un support day-0 dans les jours suivant l'aperçu du 26 août, et les travaux de chaque côté n'ont cessé de s'accumuler depuis, de l'enregistrement des configurations à l'ingénierie des kernels et de la mémoire.

• SGLang a publié un post day-0 le 26 août, dans le cadre d'une collaboration entre SGLang, Aliba​ba, NVIDIA et AMD, livrant un checkpoint NVFP4 et revendiquant un décodage de 540 tokens/s en TP4 sur B200 avec décodage spéculatif.

• Le 27 août, une PR sglang (#36585) a ajouté la prise en charge native de Qwen4-Exp au moteur lui-même — enregistrant la configuration Qwen4ExpForConditionalGeneration et un modèle textuel construit à partir des mêmes briques GatedResidual, Gated DeltaNet, d’attention sparse Qwen, PLE et MoE. Elle n’est pas fusionnée : la PR provient d’un contributeur non-mainteneur, le travail est crédité à un agent autonome nommé Argus, et elle est toujours ouverte et en attente de revue. Son point d’ancrage est toutefois vérifiable indépendamment — la configuration propre de Qwen3.8-Flash-Next déclare model_type=qwen4_exp, et l’implémentation de référence se trouve désormais dans huggingface/transformers sous models/qwen4_exp.

• Le 8 septembre, une PR sglang préliminaire (#38492) a été ouverte contre qwen4-main-squashed, une branche sglang dédiée à la lignée Qwen4/Flash-Next, et celle-ci n'est pas une simple opération d'enregistrement. Elle porte RecoverSSM — un chemin de récupération d'état accepté, d'abord conçu pour Qwen3.8-Flash-Next sur SM120 — pour la vérification par prédiction multi-token (MTP) de l'architecture. Les brouillons MTP traversent l'état récurrent à taille fixe des couches Gated DeltaNet, et au lieu de conserver en mémoire chaque état spéculatif intermédiaire pendant qu'un brouillon est vérifié, le moteur reconstruit l'état accepté à partir de l'état validé et du préfixe de tokens accepté. Le mode est opt-in (un flag --gdn-mtp-cache-mode none ; le comportement actuel de cache complet reste la valeur par défaut), et il en est encore à ses débuts, même selon les critères de cette histoire : un brouillon modifié pour la dernière fois le 14 septembre, dont la tête actuelle échoue encore à neuf de ses vérifications, avec la propre liste de contrôle de l'auteur encore ouverte avant qu'il puisse être marqué prêt pour la revue. La direction est l'essentiel — sglang conçoit le chemin de serving de Qwen4, et ne se contente pas d'enregistrer sa configuration.

• La gamme qwen4 de vLLM est passée de trois PR ouvertes à un bilan mitigé dans les semaines qui ont suivi la première publication de cet article. La PR multimodale à frontend Rust (#54813) a été fusionnée le 1er septembre. Les travaux sur le PLE-offload ont été fusionnés en deux parties — #54371 le 9 septembre et #57497 le 25 septembre — tandis que la PR PLE-offload d’origine (#53899) a été fermée sans fusion le 21 septembre. La config est depuis passée en amont : #57387, qui fait basculer la config et le processeur qwen4_exp vers les implémentations Transformers en amont, a été fusionnée le 2 octobre. Ce qui reste ouvert, c’est la PR fuse-op qui fait l’objet de cet article (#53909) — aux côtés d’un correctif de bug du ring-buffer QSA déposé le 1er octobre (#59528) et d’une passe SM86 (Ampere) sur la table de n-grammes à 51 milliards de paramètres, ouverte depuis le 26 septembre (#58856), le genre de travail que l’on fait lorsqu’un modèle est quelque chose que les gens essaient de servir sur du matériel plus ancien plutôt que quelque chose que personne n’a exécuté. La config qwen4_exp elle-même est enregistrée dans vLLM comme multimodale : une tour de vision Qwen3-VL associée au modèle textuel Qwen4-Exp.

C'est une course avec un vrai prix. Le moteur qui fusionne le mieux les nouveaux opérateurs fixe le prix servi pour la génération Qwen4, car l'efficacité du noyau — et non le nombre brut de paramètres — est ce qui compose le coût par jeton d'un modèle à attention hybride.

Qu'est-ce qui est réellement sorti aujourd'hui : Qwen3.8-Flash-Next vs Qwen 4

Il vaut la peine d'être précis sur les deux choses de cette histoire, car la dénomination fait beaucoup de travail.

• Qwen3.8-Flash-Next est disponible. Les poids ouverts sont sur Hugging Face et ModelScope sous la licence qwen-community-1.0, en variantes standard et FP8 ; la fiche du modèle précise les spécifications — MoE 125B, ~6B actifs, table n-gramme de 51B, contexte 262K, multimodal. Il s'agit de l'aperçu de l'architecture, pas du modèle phare.

• Qwen3.8-Flash est la variante de production servie qu'Alibaba a annoncée en parallèle, référencée sur Qwen Cloud à 1 ¥ par million de tokens d'entrée et 3 ¥ par million de tokens de sortie (environ 0,16 $ / 0,47 $), avec un contexte par défaut de 1 M de tokens et des outils intégrés. Tarification déclarée par le fournisseur, pas encore présente dans un index indépendant.

• Qwe​n 4 n'est pas encore sorti. Aliba​ba a nommé les quatre niveaux le 22 septembre 2026 et a déclaré que la famille est en cours d'entraînement et arrive bientôt — la première communication officielle sur le calendrier, et toujours pas de planning. Aucune date, aucune fiche de modèle et aucun poids pour aucun niveau. La fenêtre qui circule actuellement va d'octobre à début novembre, et elle provient de fils de surveillance et de pages de suivi plutôt que d'Aliba​ba : le statut d'entraînement est déclaré par l'entreprise, le calendrier vient de la communauté. La fenêtre de septembre qui a circulé dans une fuite de feuille de route de juillet est passée, ce qui est une réponse en soi.

• Le palier Qwen 4 27B est celui à surveiller pour une raison qui n’a rien à voir avec les benchmarks : c’est le seul palier de la famille à avoir un historique de publication de poids ouverts, et un 27B annoncé est l’élément sur lequel les piles d’inférence locale se basent pour planifier — c’est pourquoi l’absence de répartition des tailles, de licence et de date compte davantage ici que pour le modèle phare.

Le tableau des benchmarks de l'aperçu — DeepSWE 1.1 à 58,7, SWE-bench Pro à 62,5, LiveCodeBench v6 à 91,9 — est déclaré par le fournisseur sur la fiche et n'a pas été reproduit de manière indépendante. Planifiez en fonction de l'architecture ; traitez les scores comme une promesse, pas comme une mesure.

Ce qu'un développeur devrait faire maintenant

Rien ne change aujourd'hui dans votre stack actuelle : Qwe n 4 n'est appelable nulle part — Apsara a nommé les paliers, a inscrit la famille sur une feuille de route, et n'en a rien livré — et au moment d'écrire ces lignes, les poids ouverts de Qwen3.8-Flash-Next ne figurent toujours pas non plus sur notre propre liste de modèles — les choses les plus proches que nous relayons aujourd'hui sont la variante Qwen3.8 Flash servie à 0,15 $/0,47 $ par million de jetons et la route open-weights Qwen3.8 27B à 0,33 $/2,40 $, ce qui est ce qui ressemble le plus à un Qwe n exécutable localement dans le catalogue, tant que la génération successeure n'est encore qu'une rumeur. La ligne de la feuille de route est la seule chose qui mérite d'être lue deux fois, car c'est la première fois qu'Aliba ba couche sur le papier une génération successeure : si Qwe n 4.5 et Qwe n 5 atterrissent vraiment dans la fourchette des 5 à 10 billions de paramètres, le palier que vous pouvez vous permettre d'auto-héberger dans cette génération compte davantage, et non moins. Si vous voulez ressentir l'architecture avant que la famille ne soit livrée, les voies honnêtes consistent à récupérer les poids vous-même ou à attendre que l'aperçu arrive derrière une API. Pour quiconque planifie autour du palier 27B, la même chose s'applique, avec un ajout : il vaut la peine de le suivre précisément parce que c'est le palier le plus susceptible d'être exécutable sans API, et c'est actuellement le moins spécifié des quatre.

Lorsqu'un modèle Qwen3.8-Flash-Next ou Qwen 4 fera son apparition dans le catalogue d'un fournisseur, le coût de basculement sur OrcaRouter est pratiquement nul : une seule API pour plus de 200 modèles, le prix catalogue du fournisseur répercuté avec 0 % de marge, et une baisse de prix du fournisseur répercutée de notre côté le jour même. Le même point d'accès et la même clé que vous utilisez déjà pour Qwen3.8 Max — disponible dès aujourd'hui sous qwen/qwen3.8-max à 2,00 $/6,00 $ par million de tokens, prix catalogue répercuté — est le même point d'accès qu'utilisera un appel à Qwen 4.

Pour une architecture non éprouvée, le basculement automatique est la bonne première étape : acheminez une partie du trafic vers le nouveau modèle avec un basculement vers Qwen3.8 Max (ou le modèle dont la charge de travail a réellement besoin), et laissez votre propre trafic décider si l'aperçu est à la hauteur de la fiche — une modification du DSL de routage, pas une réécriture.

Ce que nous regardons

• L'éventuelle fusion des kernels fuse-op (#53909), désormais la dernière des trois PR qwen4 originales de vLLM encore ouverte — le front-end multimodal et le travail d'offload PLE ont déjà été intégrés, et la config est passée en amont. Du côté de sglang, la PR de support natif et le brouillon RecoverSSM sont tous deux encore ouverts. Un ensemble de kernels fusionné constitue le signal le plus fort à ce jour indiquant que la ligne qwen4 figure sur les feuilles de route à court terme des deux runtimes.

Que qwen4-main-squashed se consolide en branche principale Qwen4 de sglang — une branche d'intégration sur laquelle les travaux noyau et mémoire ne cessent de débarquer — constitue un engagement plus fort qu'une simple PR d'un contributeur unique, et il vaut la peine de surveiller ce qu'il advient d'elle une fois que le produit phare aura une date.

• Si le chemin de vision survit jusqu'à la version finale — l'entrée de registre multimodale qwen4_exp et l'intégration du frontend Rust sont le premier signal fort que le modèle phare embarque l'entrée d'images, et les deux se trouvent désormais dans le code principal de vLLM plutôt que dans un fork. La question ouverte est de savoir si le modèle livré conserve cette tour de vision.

Les premiers chiffres indépendants sur Qwen3.8-Flash-Next, qui constitueront le premier test pour savoir si les déclarations de coût de l'architecture se vérifient en dehors du fournisseur.

• Une date ou une fiche pour Qwe​n 4 lui-même. La famille possède désormais des noms, un classement par niveaux, un statut d'entraînement et une place sur une feuille de route publiée, et aucun de ces éléments n'est un calendrier. La fenêtre que la communauté fait circuler va d'octobre à début novembre ; la feuille de route qu'Aliba​ba a publiée à Apsara ne comporte aucune date, et aucun dépôt Qwe​n 4 n'est apparu sur Hugging Face. Le prochain vrai signal sera le premier auquel une date est attachée — une fiche de modèle, un identifiant d'API ou des poids.

• Le palier Qwe​n 4 27B en particulier — s'il sera livré avec des poids ouverts sur le modèle de Qwen3.8-27B, sous quelle licence, et à quelle vitesse l'écosystème de conversion et de fine-tuning suivra.

• La licence de la famille — que Qwe​n 4 reproduise le schéma de Qwen3.8 Max de poids ouverts sous une licence à usage restreint, ou qu'elle s'ouvre davantage.

• La course aux prix servis sur l'aperçu, qui nous dira ce que coûtent réellement les tokens de l'architecture hybride en production.

FAQ

Quand Qwe​n 4 sortira-t-il ?Il n’y a toujours pas de date, et il y a deux déclarations officielles sur le calendrier ? Le PDG d’Aliba​ba, Eddie Wu, a confirmé à Apsara le 22 septembre que Qwe​n 4 est en cours et qu’une lignée de successeurs, Qwe​n 4.5 et Qwe​n 5, est projetée à 5 à 10 billions ; le communiqué d’Aliba​ba les reprend tous les deux. Aucune des deux déclarations ne comporte de calendrier. Trois affirmations sur le calendrier circulent ? La fuite de la feuille de route de juillet évoquant une fenêtre en septembre 2026, qui est passée sans lancement ; et la fenêtre d’octobre à début novembre qui circule actuellement dans des publications de listes de suivi et des pages de suivi, qui relève d’une lecture de la cadence du laboratoire plutôt que d’une déclaration de celui-ci. La sortie de Qwen3.8-Flash le 26 août est explicitement un aperçu de l’architecture, pas le modèle phare.

Qwe​n 4 est-il le même modèle que Qwen3.8-Flash-Next ? Non. Qwen3.8-Flash-Next est un modèle à poids ouverts publié, dont la fiche le présente comme « un aperçu de l'architecture Qwen4 ». Qwe​n 4 est la famille non publiée qu'Aliba​ba a nommée le 22 septembre — quatre niveaux, aucune spécification publiée — et l'architecture est partagée, mais pas le produit.

Puis-je utiliser Qwe​n 4 aujourd’hui ? Non — rien n’est acheminé vers un modèle qui n’a ni poids ni API, et l’annonce du 22 septembre n’a rien changé à cela. Les choses les plus proches que vous pouvez réellement toucher sont les poids ouverts Qwen3.8-Flash-Next publiés le 26 août, ou l’API Qwen3.8 Max, disponible sur OrcaRouter à 2,00 $/6,00 $ par million de jetons.

Le noyau est le message — et l’annonce du 22 septembre, malgré tout le temps de scène, ne l’a pas écrasé. vLLM ne passe pas des cycles de revue à construire des noyaux Triton pour des familles d’opérateurs qu’il s’attend à abandonner, et Aliba​ba ne publie pas non plus d’aperçu d’architecture qu’il s’attend à abandonner. Entre la PR « qwen4 fuse op » toujours ouverte, l’aperçu Qwen3.8-Flash-Next publié le 26 août, l’entrée qwen4_exp désormais présente dans le registre mainline de vLLM avec sa configuration upstreamée et son intégration multimodale fusionnée, les travaux PLE-offload qui ont été intégrés à la fois sur CUDA et ROCm en septembre, et une PR sglang à l’état de brouillon ouverte le 8 septembre qui ajuste encore la mémoire SM120 pour le chemin de prédiction multi-token de la gamme, la forme de la prochaine génération Qwe​n n’est plus une rumeur — elle est écrite dans les noyaux et les chemins mémoire que deux runtimes construisent pour elle. Ce qu’Apsara a ajouté, c’est un nom pour chaque palier, un statut d’entraînement et une fourchette de paramètres pour la génération suivante. Ce que la communauté a ajouté depuis relève d’une fenêtre plutôt que d’un fait : d’octobre à début novembre, d’après les mêmes fils de veille. Aliba​ba n’a publié ni l’un ni l’autre. Planifiez en fonction de l’architecture ; ne misez pas sur les dates.