Qwen 4: PR 'qwen4 fuse op' vLLM Menamai Arsitektur — Apsara 2026 Menamai Keluarga

Sebuah pull request berjudul "Add qwen4 fuse op" telah dibiarkan terbuka di repositori vLLM sejak 26 Agustus, dan selama sebagian besar bulan itu, itulah hal yang paling mendekati deskripsi tentang generasi model Alibaba berikutnya yang ada di luar perusahaan. Hal itu berubah pada 22 September 2026, ketika pemimpin Qwen di Alibaba, Liu Da Yiheng, memanfaatkan pembukaan konferensi Apsara di Hangzhou untuk menyebutkan nama keluarganya: Qwen 4 Max, Qwen 4 Flash, Qwen 4 Plus, dan Qwen 4 27B — tingkatan dengan bobot terbuka, dan yang selama ini ditunggu oleh dunia inferensi lokal. Dua hari kemudian, setelah konferensi ditutup, perusahaan untuk pertama kalinya menempatkan keluarga itu dalam sebuah peta jalan: Qwen 4 sedang dalam pelatihan, dan lini penerusnya — Qwen 4.5 dan Qwen 5 — diproyeksikan pada 5 hingga 10 triliun parameter, angka yang disampaikan CEO Alibaba Group Eddie Wu di atas panggung dan kemudian diulangi perusahaan dalam rilis resminya berbahasa Inggris. Yang tidak dimiliki peta jalan itu, dua minggu kemudian, adalah jadwal. Waktu yang kini beredar hanyalah sebuah jendela — Oktober, atau awal November — dan tak satu pun darinya dapat dilacak kembali ke apa pun yang telah dipublikasikan Alibaba. Materi tertulis perusahaan sendiri tidak memuat bulan, kuartal, maupun tanggal; model tersebut tidak memiliki pengenal, tidak memiliki jendela konteks, dan tidak memiliki harga; dan tidak ada repositori Qwen 4 di organisasi Qwen di Hugging Face. Anggaplah jendela waktu itu sebagai angan-angan, bukan rencana. Pull request tersebut — vllm-project/vllm#53909, masih terbuka, masih belum di-merge, dan masih menunggu tinjauan — juga tidak memuat tanggal rilis maupun jumlah parameter. Pull request itu menambahkan kernel Triton mandiri untuk tiga keluarga operator: HyperConnection, Qwen Sparse Attention (QSA), dan operasi status PLE. Judulnya menyebut "qwen4," dan daftar operatornya hampir persis sama dengan arsitektur yang dikirim Alibaba dalam bobot terbuka Qwen3.8-Flash-Next — model multimodal mixture-of-experts, yang dirilis pada 26 Agustus 2026, yang kartu Hugging Face-nya berbunyi "A Preview of the Qwen4 Architecture." Qwen 4 sendiri masih belum dirilis. Keluarga ini punya nama, punya tempat di peta jalan, dan punya jendela waktu yang dirumorkan; kernel-kernel itu masih menjadi satu-satunya hal yang mendeskripsikannya.

Ini adalah artikel tentang apa yang sejauh ini kita ketahui, bukan berita peluncuran. Alibaba kini telah menamai keluarga ini di panggung publik dan menempatkannya dalam peta jalan perusahaan, tetapi penamaan bukanlah peluncuran: tidak ada kartu model, tidak ada bobot, dan tidak ada API untuk tier Qwen 4 mana pun, dan setiap klaim arsitektur di bawah ini masih berasal dari pratinjau Qwen3.8-Flash-Next dan artefak rekayasa di sekitarnya, bukan dari dokumen Qwen 4 mana pun. Bukti kuatnya adalah pull request vLLM yang masih dalam peninjauan, model pratinjau yang telah dirilis, PR sglang yang diajukan pada 27 Agustus yang menambahkan dukungan native untuk konfigurasi arsitektur Qwen4-Exp yang sama, dan entri qwen4_exp yang sejak itu masuk ke registry model vLLM sendiri di main — Qwen4ExpForCausalLM, Qwen4ExpForConditionalGeneration dan Qwen4ExpMTP — bersama pekerjaan multimodal frontend Rust, yang di-merge pada 1 September. Kesimpulan yang kami tarik darinya — bahwa operator dalam PR-PR tersebut adalah arsitektur yang dipratinjau Alibaba — adalah pembacaan atas bukti itu, dan setiap rincian di bawah ini diberi label yang sesuai. Satu klaim di sini sama sekali bukan milik Alibaba: jendela Oktober hingga awal November berasal dari postingan watchlist di X dan halaman-halaman pelacak yang mengulanginya selama dua pekan terakhir, klaim itu tidak direproduksi, dan dibawa sebagai bersumber dari komunitas di mana pun klaim itu muncul.

Apa yang sebenarnya dikatakan Alibaba pada 22 September

Aliba​ba mempratinjau keluarga Qwe​n 4 pada pembukaan konferensi Apsara (Yunqi) miliknya, yang berlangsung di Hangzhou dari 22 September hingga 24 September 2026, dengan pemimpin Qwe​n Liu Da Yiheng di atas panggung. Empat tingkatan disebutkan pada pembukaan, berdasarkan struktur yang telah ditetapkan oleh generasi 3.8:

• Qwen 4 Max — tingkat unggulan, dan yang diposisikan melawan model teratas dari setiap laboratorium terdepan lainnya.

• Qwe​n 4 Flash — tier throughput tinggi, ditujukan untuk pekerjaan bervolume besar yang sensitif terhadap latensi, bukan penalaran puncak.

• Qwe​n 4 Plus — tingkat menengah yang seimbang.

• Qwe​n 4 27B — tingkat open-weight: kelas ukuran tempat Qwe​n sebelumnya pernah merilis bobot terbuka, dan yang dibahas sebagai opsi untuk dijalankan secara lokal.

Entri 27B adalah bagian konkret dari pengumuman tersebut, dan itulah yang direspons oleh sinyal sumber di balik artikel ini. Pada generasi 3.8, tier 27B adalah drop open-weights yang dikonversi ke MLX, dikuantisasi ke NVFP4, dan di-fine-tune dalam beberapa hari setelah rilis, sehingga Qwen 4 27B yang dinamai memberi target lagi bagi ekosistem hilir itu. Ini adalah target dan bukan rilis, dan perbedaan ini layak dipertahankan: Alibaba belum menerbitkan rincian parameter, lisensi, jendela konteks, maupun tanggal untuknya, dan nama tier-nya bahkan tidak menyebutkan apakah model ini dense atau mixture-of-experts. Segala hal yang membuat tier 27B sebelumnya dapat dijalankan — kelas ukuran, fokus satu mesin — diwarisi dari sejarah lini produk, bukan ditentukan untuk model ini.

Apa yang tidak dihasilkan oleh konferensi itu justru adalah hal yang bisa dijadikan acuan perencanaan oleh pembaca. Posisi yang dinyatakan Aliba​ba — pembingkaian dari pihak vendor, disampaikan di atas panggung dan dilaporkan oleh sejumlah media independen alih-alih diverifikasi secara independen — adalah bahwa Qwe​n 4 dibangun di atas arsitektur generasi baru, bahwa model itu sedang dilatih, dan bahwa model itu akan hadir "segera." Tidak ada satu pun tier yang memiliki jendela konteks, harga, daftar modalitas, atau skor yang dipublikasikan. Satu-satunya item bertanggal di konferensi itu adalah model video generasi berikutnya yang dijadwalkan pada November. Satu angka dari panggung yang sama perlu ditempatkan pada jalurnya sendiri: ambisi 5 hingga 10 triliun parameter adalah milik kerangka waktu Qwe​n 4.5 dan Qwe​n 5, bukan Qwe​n 4 — tidak ada jumlah parameter yang dilekatkan pada tier Qwe​n 4 mana pun. Angka itu bukan lagi sebuah kebocoran atau klaim yang beredar: angka itu ada dalam rilis berbahasa Inggris milik Aliba​ba sendiri, yang diatribusikan kepada keynote CEO Eddie Wu, dan dinyatakan sebagai proyeksi tanpa tanggal dan tanpa arsitektur di belakangnya — dinyatakan oleh perusahaan, dan masih belum direproduksi.

Jadi penamaan mengubah status keluarga, bukan keadaan bukti. Segala sesuatu di bawah ini masih merupakan uraian lapisan penyajian tentang apa arsitektur ini — dan karena pengumuman itu tidak menambahkan spesifikasi sendiri, uraian tersebut tetap lebih rinci daripada apa pun yang telah diterbitkan Alibaba.

Apa sebenarnya PR "qwen4 fuse op" itu

Pull request #53909 di vllm-project/vllm terbuka, berasal dari fork kontributor, dan masih menunggu peninjauan pemilik kode — peninjauan otomatis dinonaktifkan justru karena berasal dari fork. Ini adalah pekerjaan kecil berbentuk kernel:

• Tiga kernel HyperConnection — sebuah RMSNorm Ge​ma yang dikelompokkan, sebuah gate reduce, dan sebuah injection combine.

Tiga kernel QSA plus tiga wrapper dasar vendor untuk perbandingan.

• Kernel pengumpulan state PLE dan masked-scatter.

• Tiga belas tes yang lulus mencakup pemeriksaan dtype dan bentuk, metadata paging, slot cache, tata letak MRoPE, status strided, indeks null dan duplikat, serta eksekusi deterministik.

Dua detail penting selain daftar op. Pertama, implementasinya bersifat gagal-tertutup: penjaga host memunculkan error alih-alih kembali ke jalur komputasi Torch generik, karena nilai yang salah secara diam-diam dalam kernel perhatian lebih buruk daripada kegagalan keras. Kedua, pemisahan penamaan — judulnya menyebut "qwen4" sementara deskripsinya menyebut Qwen3.8-Flash-Next — adalah sinyal tersendiri. Sisi vLLM memperlakukan model pratinjau sebagai instance pertama dari lini qwen4, dan membangun kernel dengan nama keluarga yang akan mencakup apa pun yang datang setelahnya.

Sebagai konteks tentang apa itu "fuse op": mesin inferensi biasanya mengeksekusi graf model dengan satu peluncuran kernel per operasi, dan setiap peluncuran membawa overhead — perjalanan bolak-balik memori antar kernel, biaya dispatch. Menggabungkan beberapa operasi element-wise dan state ke dalam satu kernel memangkas overhead tersebut, dan di situlah biaya serta latensi arsitektur baru ditentukan menang atau kalah. Model yang dibangun di atas operator yang tidak memiliki implementasi fuse di mana pun akan lambat dan boros memori, tidak peduli seberapa cerdas pelatihannya; mesin pertama yang menggabungkannya dengan baik akan menentukan harga dunia nyata model tersebut.

Membaca nama-nama kernel sebagai cetak biru.

Tidak ada satu pun dari operator ini yang ada dalam opset transformer standar, itulah sebabnya mereka benar-benar memerlukan kernel baru — dan masing-masing dipetakan ke bagian tertentu dari arsitektur yang dipratinjau Aliba​ba dalam Qwen3.8-Flash-Next:

• HyperConnection → koneksi residual dengan gating. Aliran residual tunggal diperlebar menjadi empat cabang paralel dengan gating dinamis per elemen, yang memungkinkan model memutuskan berapa banyak yang dibaca dari dan ditulis ke setiap cabang; status residual dapat disimpan dalam FP8 untuk mengurangi lalu lintas memori.

• QSA → Qwe​n Sparse Attention. Sebuah indekser ringan memampatkan kunci menjadi blok mikro dengan rasio kompresi 4, memberi skor pada blok-blok tersebut, dan menyimpan 512 blok terbaik — kira-kira 2.051 posisi token logis — sementara softmax akhir dan agregasi nilai tetap berjalan pada K/V asli yang tidak terkompresi. Dua belas dari 48 lapisan menggunakan QSA; 36 lainnya adalah lapisan attention linear GDN dengan state berulang berukuran tetap dan tanpa cache KV yang terus bertambah.

• Operasi status PLE → memori n-gram. Tabel pencarian dengan 51 miliar parameter — "Per-Layer Embeddings" dalam tulisan SGLang — dialamatkan melalui hash dari token saat ini ditambah dua atau tiga token sebelumnya, mengambil 16 baris per token. Posisinya dapat dihitung sebelumnya, sehingga dapat disimpan di memori host dan diambil secara asinkron, alih-alih menempati VRAM GPU.

• Badan MoE yang menampung kernel: total 125 miliar parameter dengan sekitar 6 miliar aktif per token — aktivasi di bawah 5% — dirutekan ke 512 pakar dengan perutean 10 teratas.

Dua peringatan membuat ini tetap jujur. Pertama, arsitektur di atas diambil dari kartu model dan pembongkaran komunitas Qwen3.8-Flash-Next, bukan dari dokumen Qwe​n 4 mana pun — ini adalah bukti tentang keluarga tersebut, bukan spesifikasi keluarga tersebut. Kedua, tidak ada satu pun dari itu yang mengubah fakta inti: Qwe​n 4 tidak ada di katalog mana pun.

Jalur bukti terpisah adalah jalur visi, yang layak dipisahkan dari pembacaan kernel di atas. Terlepas dari pemetaan operator mana pun, registri model milik vLLM sendiri di main mencantumkan entri qwen4_exp — Qwen4ExpForConditionalGeneration — yang terdaftar sebagai model multimodal dengan menara visi Qwen3-VL dan Qwen3VLMultiModalProcessor. PR frontend Rust (#54813) yang menghubungkan konfigurasi itu ke crate multimodal engine, jalur kode yang mengubah input gambar menjadi token, di-merge pada 1 September 2026 — pernyataan yang lebih kuat daripada PR yang sama masih terbuka, karena jalur multimodal untuk lini qwen4 sekarang ada di engine, bukan di fork seseorang. Ini masih bukan rilis: model yang dijelaskan entri registri tersebut tidak memiliki bobot dan tidak memiliki API. Namun ini adalah konfirmasi tingkat rekayasa pertama bahwa generasi Qwe​n berikutnya menerima input gambar, dan label "multimodal" pada arsitektur itu tidak lagi sekadar satu baris di kartu model pratinjau.

Mengapa arsitektur mengubah gambaran biaya

Jika Qwe​n 4 dirilis pada arsitektur ini, ekonominya berbeda dari transformer dense standar — atau bahkan MoE biasa — dan perbedaan itulah alasan pekerjaan kernel ini layak diperhatikan.

• Pemisahan memori dan komputasi. Biaya memori melacak total parameter — seluruh 125B harus berada di memori untuk melayani model. Biaya komputasi melacak parameter aktif — hanya ~6B yang berjalan per langkah maju. Pemisahan itulah yang memungkinkan model "125B" beroperasi dengan biaya seperti model yang jauh lebih kecil.

• Cache KV berhenti bertambah di sebagian besar lapisan. Dengan 36 dari 48 lapisan menggunakan attention keadaan berulang berukuran tetap, cache kunci/nilai yang bertambah hanya terbatas pada 12 lapisan. Pada konteks asli 262K token — 1M melalui YaRN — itulah sebagian besar alasan mengapa layanan konteks panjang menjadi terjangkau.

• Tabel besar itu dapat di-offload. Tabel n-gram adalah konsumen memori tunggal terbesar dengan 51B parameter, dan tabel itu tidak perlu berada di GPU. Pekerjaan day-0 SGLang mengukur bahwa meng-offload tabel BF16 ke pinned host memory membebaskan sekitar 23 GiB per GPU pada H200 dan meningkatkan kapasitas KV yang dialokasikan sekitar 78% — dengan output yang identik secara bit. Di sisi vLLM, offload yang sama masuk secara bertahap, bukan dalam satu PR: PR dukungan awal (#53899) ditutup tanpa di-merge pada 21 September, sementara kemampuan itu sendiri hadir melalui merge terpisah — #54371, offload PLE berbasis UVA dengan tensor parallelism Engram, pada 9 September, dan jalur ROCm (#57497) pada 25 September.

Belum ada satu pun dari angka-angka ini yang diaudit secara independen — {{1}}klaim percepatan konteks panjang 7,6×/4,9×{{/1}}, {{2}}angka decode 540 tok/s dari postingan SGLang{{/2}}, {{3}}klaim biaya pelatihan "1/9 dari Qwen3.7-Plus"{{/3}} — dan harus dibaca sebagai {{4}}laporan vendor atau komunitas{{/4}} sampai indeks netral mereproduksinya.

Perlombaan untuk melayani itu

Kedua mesin utama memiliki pekerjaan qwen4 yang sedang berjalan — SGLang menerbitkan dukungan day-0 dalam beberapa hari setelah pratinjau 26 Agustus, dan pekerjaan di masing-masing sisi terus menumpuk sejak saat itu, mulai dari registrasi konfigurasi hingga rekayasa kernel dan memori.

• SGLang menerbitkan postingan day-0 pada 26 Agustus dalam kolaborasi antara SGLang, Alibaba, NVIDIA, dan AMD, merilis checkpoint NVFP4 dan mengklaim kecepatan decode 540 token/dtk pada TP4 di B200 dengan decoding spekulatif.

• Pada 27 Agustus, sebuah PR sglang (#36585) menambahkan dukungan asli Qwe​n4-Exp ke mesin itu sendiri — mendaftarkan konfigurasi Qwen4ExpForConditionalGeneration dan model teks yang dibangun dari bagian GatedResidual, Gated DeltaNet, Qwe​n sparse attention, PLE, dan MoE yang sama. PR ini belum digabungkan: PR tersebut berasal dari kontributor non-maintainer, pekerjaan itu dikreditkan ke agen otonom bernama Argus, dan masih terbuka serta menunggu tinjauan. Namun, jangkarnya dapat diperiksa secara independen — konfigurasi Qwen3.8-Flash-Next sendiri menyatakan model_type=qwen4_exp, dan implementasi referensi sekarang berada di huggingface/transformers di bawah models/qwen4_exp.

• Pada 8 September, draf PR sglang (#38492) dibuka terhadap qwen4-main-squashed, cabang sglang yang didedikasikan untuk lini Qwen4/Flash-Next, dan yang ini bukan registrasi. Ini memindahkan RecoverSSM — jalur pemulihan status yang diterima yang pertama kali dibangun untuk Qwen3.8-Flash-Next pada SM120 — untuk verifikasi prediksi multi-token (MTP) arsitektur tersebut. Draf MTP mengalir melalui status rekuren berukuran tetap dari lapisan Gated DeltaNet, dan alih-alih menyimpan setiap status spekulatif perantara di memori saat draf diverifikasi, mesin merekonstruksi status yang diterima dari status yang dikomit dan prefiks token yang diterima. Mode ini bersifat opt-in (flag --gdn-mtp-cache-mode none; perilaku full-cache saat ini tetap menjadi default), dan ini masih awal bahkan berdasarkan standar cerita ini: draf terakhir disentuh pada 14 September, yang head saat ini masih gagal dalam sembilan pemeriksaannya, dengan daftar periksa penulisnya sendiri masih terbuka sebelum dapat ditandai siap untuk ditinjau. Arahnya adalah intinya — sglang sedang merekayasa jalur penyajian Qwen4, bukan sekadar mendaftarkan konfigurasinya.

• Lini qwen4 milik vLLM telah bergeser dari tiga PR terbuka menjadi catatan campuran dalam beberapa pekan sejak tulisan ini pertama kali terbit. PR multimodal dengan frontend Rust (#54813) di-merge pada 1 September. Pekerjaan PLE-offload di-merge dalam dua bagian — #54371 pada 9 September dan #57497 pada 25 September — sementara PR PLE-offload asli (#53899) ditutup tanpa di-merge pada 21 September. Konfigurasinya sejak itu masuk ke upstream: #57387, yang mengalihkan konfigurasi dan prosesor qwen4_exp ke implementasi Transformers upstream, di-merge pada 2 Oktober. Yang masih terbuka adalah PR fuse-op yang menjadi subjek tulisan ini (#53909) — bersama perbaikan bug ring-buffer QSA yang diajukan pada 1 Oktober (#59528) dan penerapan SM86 (Ampere) pada tabel n-gram 51 miliar parameter yang terbuka sejak 26 September (#58856), yaitu jenis pekerjaan yang dilakukan seseorang ketika sebuah model menjadi sesuatu yang coba dilayani orang di perangkat keras lama, bukan sesuatu yang belum pernah dijalankan siapa pun. Konfigurasi qwen4_exp sendiri terdaftar di vLLM sebagai multimodal: menara visi Qwen3-VL yang dipasangkan dengan model teks Qwen4-Exp.

Ini adalah perlombaan dengan hadiah nyata. Mesin yang paling baik memadukan operator-operator baru akan menentukan harga layanan untuk generasi Qwen4, karena efisiensi kernel — bukan jumlah parameter mentah — adalah yang membentuk biaya token model hybrid-attention.

Apa yang sebenarnya keluar hari ini: Qwen3.8-Flash-Next vs Qwen 4

Sebaiknya kita presisi mengenai dua hal dalam cerita ini, karena penamaan tersebut memainkan peran yang sangat besar.

• Qwen3.8-Flash-Next telah dirilis. Bobot terbuka tersedia di Hugging Face dan ModelScope di bawah lisensi qwen-community-1.0, dalam varian standar dan FP8; kartu model memastikan lembar spesifikasi — MoE 125B, ~6B aktif, tabel n-gram 51B, konteks 262K, multimodal. Ini adalah pratinjau arsitektur, bukan model unggulan.

• Qwen3.8-Flash adalah varian produksi yang dilayani yang Aliba​ba umumkan bersamanya, terdaftar di Qwe​n Cloud pada ¥1 per juta token masukan dan ¥3 per juta token keluaran (sekitar $0,16 / $0,47), dengan konteks 1M token default dan alat bawaan. Harga yang dilaporkan vendor, belum ada di indeks independen mana pun.

• Qwen 4 belum dirilis. Alibaba menamai keempat tier pada 22 September 2026 dan mengatakan keluarga ini sedang dalam pelatihan dan akan segera hadir — kata resmi pertama soal waktu, dan tetap bukan jadwal. Tidak ada tanggal, tidak ada kartu, dan tidak ada bobot untuk tier mana pun. Jendela yang beredar sekarang adalah Oktober hingga awal November, dan itu berasal dari utas daftar pantau dan halaman pelacak, bukan dari Alibaba: status pelatihan dinyatakan perusahaan, sedangkan waktunya bersumber dari komunitas. Jendela September yang beredar dalam kebocoran peta jalan Juli sudah habis, yang dengan sendirinya menjadi jawaban.

• Tingkat Qwe​n 4 27B adalah yang perlu diperhatikan karena alasan non-benchmark: ini satu-satunya tingkat dalam keluarga ini dengan rekam jejak merilis bobot terbuka, dan 27B yang diumumkan adalah hal yang menjadi acuan perencanaan stack inferensi lokal — itulah sebabnya rincian ukuran, lisensi, dan tanggal yang hilang lebih penting di sini daripada pada model unggulan.

Tabel tolok ukur pada pratinjau — DeepSWE 1.1 di 58.7, SWE-bench Pro di 62.5, LiveCodeBench v6 di 91.9 — dilaporkan oleh vendor pada kartu dan belum direproduksi secara independen. Rencanakan berdasarkan arsitektur; anggap skor tersebut sebagai janji, bukan pengukuran.

Apa yang harus dilakukan seorang pengembang sekarang

Tidak ada yang berubah pada stack Anda saat ini: Qwen 4 tidak dapat dipanggil di mana pun — Apsara menamai tiernya dan menempatkan keluarga ini di roadmap, lalu tidak merilis satu pun darinya — dan pada saat penulisan ini, bobot terbuka Qwen3.8-Flash-Next juga masih belum ada di daftar model kami sendiri — hal terdekat yang kami teruskan saat ini adalah varian Qwen3.8 Flash yang dilayani dengan harga $0.15/$0.47 per juta token dan rute bobot terbuka Qwen3.8 27B dengan harga $0.33/$2.40, yang merupakan hal terdekat dengan Qwen yang dapat dijalankan secara lokal di katalog sementara generasi penerusnya masih menjadi rumor. Poin roadmap adalah satu hal yang layak dibaca dua kali, karena ini adalah pertama kalinya Alibaba menuangkan generasi penerus ke atas kertas: jika Qwen 4.5 dan Qwen 5 benar-benar mendarat di rentang 5 hingga 10 triliun parameter, tier yang mampu Anda self-host dalam generasi itu menjadi lebih penting, bukan lebih tidak penting. Jika Anda ingin merasakan arsitekturnya sebelum keluarga ini dirilis, jalur yang jujur adalah menarik bobotnya sendiri atau menunggu pratinjau mendarat di balik API. Bagi siapa pun yang merencanakan seputar tier 27B, hal yang sama berlaku dengan satu tambahan: tier ini layak dilacak justru karena ia adalah tier yang paling mungkin dapat dijalankan tanpa API, dan saat ini merupakan yang paling sedikit dispesifikasikan dari keempatnya.

Ketika Qwen3.8-Flash-Next atau model Qwen 4 muncul di katalog penyedia, biaya peralihan di OrcaRouter kira-kira nol: satu API untuk 200+ model, harga daftar penyedia diteruskan dengan markup 0%, dan pemotongan harga vendor langsung berlaku di sisi kami pada hari yang sama. Endpoint dan kunci yang sama yang sudah Anda gunakan untuk Qwen3.8 Max — dapat dipanggil hari ini sebagai qwen/qwen3.8-max dengan $2.00/$6.00 per juta token, harga daftar diteruskan — adalah endpoint yang sama yang akan digunakan oleh panggilan Qwen 4.

Untuk arsitektur yang belum terbukti, failover otomatis adalah langkah pertama yang tepat: arahkan sebagian traffic ke model baru dengan failover ke Qwen3.8 Max (atau model mana pun yang sebenarnya dibutuhkan oleh workload), dan biarkan traffic Anda sendiri yang memutuskan apakah pratinjau tersebut benar-benar memenuhi klaim di kartunya — sebuah pengeditan routing-DSL, bukan penulisan ulang.

Apa yang sedang kami tonton

• Apakah kernel fuse-op digabungkan (#53909), kini menjadi yang terakhir dari tiga PR qwen4 asli vLLM yang masih terbuka — pekerjaan front-end multimodal dan PLE-offload sudah masuk, dan konfigurasinya sudah masuk ke upstream. Di sisi sglang, PR dukungan native dan draf RecoverSSM keduanya masih terbuka. Kumpulan kernel yang telah digabungkan adalah sinyal terkuat sejauh ini bahwa lini qwen4 ada dalam peta jalan jangka pendek kedua runtime.

• Apakah qwen4-main-squashed akan mengeras menjadi mainline Qwen4 milik sglang — cabang integrasi yang terus menerima pekerjaan kernel dan memori adalah komitmen yang lebih kuat daripada PR dari satu kontributor, dan layak untuk diperhatikan apa yang terjadi padanya setelah produk unggulan memiliki tanggal rilis.

• Apakah jalur visi bertahan hingga perilisan — entri registri multimodal qwen4_exp dan integrasi Rust-frontend adalah sinyal kuat pertama bahwa produk unggulan itu menghadirkan input gambar, dan keduanya kini berada di kode mainline vLLM, bukan di fork. Pertanyaan yang masih terbuka adalah apakah model yang dirilis tetap mempertahankan vision tower tersebut.

• Angka independen pertama pada Qwen3.8-Flash-Next, yang akan menjadi uji pertama apakah klaim biaya arsitektur tersebut berlaku di luar vendor.

• Tanggal atau kartu untuk Qwe​n 4 itu sendiri. Keluarga ini kini punya nama, daftar tingkat, status pelatihan, dan posisi dalam roadmap yang telah dipublikasikan, dan tak satu pun dari itu merupakan jadwal. Jendela waktu yang beredar di komunitas adalah Oktober hingga awal November; roadmap yang diterbitkan Aliba​ba di Apsara sama sekali tidak memuat tanggal, dan belum ada repositori Qwe​n 4 yang muncul di Hugging Face. Sinyal nyata berikutnya adalah sinyal pertama yang punya tanggal menempel padanya — kartu model, pengenal API, atau bobot.

• Tingkat Qwen 4 27B khususnya — apakah dirilis dengan bobot terbuka mengikuti pola Qwen3.8-27B, di bawah lisensi apa, dan seberapa cepat ekosistem konversi dan fine-tune menyusul.

• Lisensi untuk keluarga ini — apakah Qwe​n 4 mengulangi pola Qwen3.8 Max berupa bobot terbuka di bawah lisensi yang membatasi penggunaan, atau terbuka lebih jauh.

• Perlombaan harga yang disajikan pada pratinjau, yang akan memberi tahu kita berapa sebenarnya biaya token arsitektur hibrida dalam produksi.

FAQ

Kapan Qwen 4 dirilis? Masih belum ada tanggalnya, dan kini ada dua pernyataan resmi soal waktu, bukan hanya satu. CEO Alibaba Group Eddie Wu mengonfirmasi di Apsara pada 22 September 2026 bahwa Qwen 4 sedang dalam pelatihan dan bahwa lini penerusnya — Qwen 4.5 dan Qwen 5 — diproyeksikan berada di 5 hingga 10 triliun parameter; rilis berbahasa Inggris Alibaba mengulang keduanya. Tidak satu pun pernyataan itu yang memuat jadwal. Tiga klaim soal waktu telah beredar dan tak satu pun berasal dari Alibaba: kebocoran peta jalan Juli yang menyebutkan jendela September 2026, yang telah lewat tanpa peluncuran; dan jendela Oktober hingga awal November yang kini ramai dibicarakan dalam unggahan daftar pantau dan halaman pelacak, yang merupakan pembacaan atas irama perilisan lab tersebut, bukan pernyataan dari lab itu. Rilis Qwen3.8-Flash-Next pada 26 Agustus secara eksplisit merupakan pratinjau arsitekturnya, bukan produk unggulannya.

Apakah Qwe​n 4 model yang sama dengan Qwen3.8-Flash-Next? Tidak. Qwen3.8-Flash-Next adalah model open-weight yang telah dirilis yang kartu modelnya menyebutnya "A Preview of the Qwen4 Architecture." Qwe​n 4 adalah keluarga yang belum dirilis yang dinamai Aliba​ba pada 22 September — empat tier, tanpa spesifikasi yang dipublikasikan — dan arsitekturnya sama, tetapi produknya bukan.

Bisakah saya menggunakan Qwen 4 hari ini?Tidak — tidak ada yang merutekan ke model yang tidak memiliki bobot maupun API, dan pengumuman 22 September tidak mengubah itu. Hal-hal terdekat yang benar-benar bisa Anda sentuh adalah bobot terbuka Qwen3.8-Flash-Next yang dirilis 26 Agustus, atau API Qwen3.8 Max, yang aktif di OrcaRouter dengan harga $2.00/$6.00 per juta token.

Kernel adalah pesannya — dan pengumuman 22 September, meskipun mendapatkan banyak waktu panggung, tidak menimpanya. vLLM tidak menghabiskan siklus tinjauan untuk membangun kernel Triton bagi keluarga operator yang diperkirakan akan ditinggalkannya, dan Aliba​ba tidak menerbitkan pratinjau arsitektur yang juga diperkirakan akan ditinggalkannya. Di antara PR "qwen4 fuse op" yang masih terbuka, pratinjau Qwen3.8-Flash-Next yang dirilis pada 26 Agustus, entri qwen4_exp yang sekarang berada di registri mainline vLLM dengan konfigurasinya yang sudah di-upstream dan integrasi multimodalnya yang sudah digabungkan, pekerjaan PLE-offload yang mendarat di CUDA dan ROCm pada September, serta draf PR sglang yang dibuka 8 September yang masih menyetel memori SM120 untuk jalur prediksi multi-token lini tersebut, bentuk generasi Qwe​n berikutnya bukan lagi rumor — itu tertulis di dalam kernel dan jalur memori yang sedang dibangun dua runtime untuknya. Apa yang ditambahkan Apsara adalah nama untuk setiap tier, status pelatihan, dan rentang parameter untuk generasi setelahnya. Yang ditambahkan komunitas sejak itu adalah jendela waktu, bukan fakta: Oktober hingga awal November, dari utas daftar pantau yang sama. Aliba​ba tidak menerbitkan satu pun dari keduanya. Rencanakan untuk arsitekturnya; jangan bertaruh pada tanggalnya.