Qwen 4: La PR "qwen4 fuse op" di vLLM ha dato il nome all'architettura — Apsara 2026 ha dato il nome alla famiglia

Una pull request intitolata "Add qwen4 fuse op" è aperta nel repository vLLM dal 26 agosto e, per buona parte di quel mese, è stata la cosa più vicina a una descrizione della prossima generazione di modelli di Alibaba che esistesse al di fuori dell'azienda. Le cose sono cambiate il 22 settembre 2026, quando il responsabile di Qwen in Alibaba, Liu Da Yiheng, ha sfruttato l'apertura della conferenza Apsara a Hangzhou per dare un nome alla famiglia: Qwen 4 Max, Qwen 4 Flash, Qwen 4 Plus e Qwen 4 27B — il livello open-weight, nonché quello che il mondo dell'inferenza locale aspettava. Due giorni dopo, a conferenza conclusa, l'azienda ha inserito quella famiglia in una roadmap per la prima volta: Qwen 4 in addestramento e una linea successiva — Qwen 4.5 e Qwen 5 — prevista a 5-10 trilioni di parametri, una cifra che il CEO di Alibaba Group Eddie Wu ha annunciato sul palco e che l'azienda ha poi ripetuto nel proprio comunicato in inglese. Ciò che la roadmap non è, a due settimane di distanza, è un calendario. La tempistica che ora circola è una finestra — ottobre, o inizio novembre — e nulla di tutto ciò risale a qualcosa che Alibaba abbia pubblicato. Il materiale scritto dall'azienda non riporta alcun mese, alcun trimestre e alcuna data; il modello non ha identificatore, né finestra di contesto, né prezzo; e non esiste alcun repository di Qwen 4 nell'organizzazione Qwen su Hugging Face. Considerate quella finestra un desiderio più che un piano. La pull request — vllm-project/vllm#53909, ancora aperta, ancora non unita e ancora in attesa di revisione — non riporta nemmeno una data di rilascio o un numero di parametri. Aggiunge kernel Triton standalone per tre famiglie di operatori: HyperConnection, Qwen Sparse Attention (QSA) e operazioni di stato PLE. Il suo titolo dice "qwen4", e la sua lista di operatori corrisponde quasi esattamente all'architettura che Alibaba ha distribuito nei pesi aperti di Qwen3.8-Flash-Next — un modello multimodale mixture-of-experts, rilasciato il 26 agosto 2026, la cui scheda su Hugging Face recita "A Preview of the Qwen4 Architecture". Qwen 4 stesso non è ancora stato rilasciato. La famiglia ha un nome, uno slot su una roadmap e una finestra vociferata; i kernel restano ancora l'unica cosa che la descrive.

Questo è un articolo su ciò che sappiamo finora, non una storia di lancio. Aliba​ba ha ormai dato un nome alla famiglia su un palco pubblico e l'ha inserita in una roadmap aziendale, ma dare un nome non significa rilasciare: non esiste alcuna model card, né pesi né API per nessun livello di Qwe​n 4, e ogni affermazione sull'architettura riportata di seguito proviene ancora dall'anteprima Qwen3.8-Flash-Next e dagli artefatti ingegneristici che la circondano, non da un documento di Qwe​n 4. Le prove concrete sono la pull request di vLLM ancora in revisione, il modello di anteprima rilasciato, una PR di sglang presentata il 27 agosto che aggiunge il supporto nativo per la stessa configurazione architetturale di Qwe​n4-Exp, e la voce qwen4_exp che nel frattempo è approdata nel registro dei modelli di vLLM stesso su main — Qwen4ExpForCausalLM, Qwen4ExpForConditionalGeneration e Qwen4ExpMTP — insieme al lavoro multimodale sul frontend Rust, che è stato unito il 1º settembre. La conclusione che ne traiamo — che gli operatori presenti nelle PR siano l'architettura che Aliba​ba ha presentato in anteprima — è una lettura di quelle prove, e ogni dettaglio specifico riportato di seguito è etichettato di conseguenza. Una delle affermazioni qui presenti non è affatto di Alibaba: la finestra da ottobre a inizio novembre proviene da un post di una watchlist su X e dalle pagine di tracker che l'hanno ripetuta nelle ultime due settimane, non è stata riprodotta ed è riportata come proveniente dalla community ovunque compaia.

Cosa ha effettivamente detto Alibaba il 22 settembre

Aliba​ba ha presentato in anteprima la famiglia Qwe​n 4 all'apertura della sua conferenza Apsara (Yunqi), che si è svolta a Hangzhou dal 22 al 24 settembre 2026, con il responsabile di Qwe​n, Liu Da Yiheng, sul palco. All'apertura sono stati annunciati quattro livelli, sulla struttura già stabilita dalla generazione 3.8:

• Qwen 4 Max — il livello di punta, e quello posizionato contro il modello di vertice di ogni altro laboratorio di frontiera.

• Qwen 4 Flash — il livello ad alto throughput, pensato per carichi di lavoro sensibili alla latenza e ad alto volume anziché per il ragionamento di picco.

• Qwe​n 4 Plus — la fascia intermedia equilibrata.

• Qwe​n 4 27B — il livello open-weight: la classe dimensionale in cui Qwe​n ha già rilasciato pesi aperti in precedenza, e quella descritta come l'opzione per l'esecuzione locale.

La voce 27B è la parte concreta dell'annuncio, ed è ciò a cui il segnale di sourcing dietro questo articolo stava reagendo. Nella generazione 3.8, il tier 27B era il rilascio open-weights che è stato convertito in MLX, quantizzato a NVFP4 e fine-tuned entro pochi giorni dal rilascio, quindi un Qwe​n 4 27B con nome dà di nuovo un obiettivo a quell'ecosistema a valle. È un obiettivo e non un rilascio, e vale la pena tenere a mente la distinzione: Aliba​ba non ha pubblicato alcun dettaglio dei parametri, nessuna licenza, nessuna finestra di contesto e nessuna data per esso, e il nome del tier non dice nemmeno se è denso o mixture-of-experts. Tutto ciò che rendeva eseguibile il precedente tier 27B — la classe di dimensioni, il focus su singola macchina — è ereditato dalla storia della linea di prodotti, non specificato per questo modello.

Ciò che la conferenza non ha prodotto è proprio l'elemento su cui un lettore possa fare piani. La posizione dichiarata di Aliba​ba — inquadramento di parte, presentato sul palco e riportato da molteplici testate indipendenti anziché verificato in modo indipendente — è che Qwe​n 4 si basi su un'architettura di nuova generazione, che sia in addestramento e che arriverà «presto». Nessun livello ha una finestra di contesto, un prezzo, un elenco di modalità o un punteggio pubblicato. L'unico elemento con una data alla conferenza era un modello video di nuova generazione previsto per novembre. Un numero proveniente dallo stesso palco va tenuto nella sua corsia: l'ambizione di 5-10 trilioni di parametri appartiene all'orizzonte temporale di Qwe​n 4.5 e Qwe​n 5, non a Qwe​n 4 — nessun conteggio di parametri è stato associato ad alcun livello di Qwe​n 4. Quella cifra non è più una fuga di notizie né una voce in circolazione: compare nel comunicato in inglese di Aliba​ba stesso, attribuita al keynote del CEO Eddie Wu, ed è enunciata come una proiezione senza data e senza alcuna architettura a sostegno — dichiarata dall'azienda, e ancora non riprodotta.

Quindi la denominazione ha cambiato lo status della famiglia, non lo stato delle prove. Tutto ciò che segue è ancora il resoconto del serving layer su cos'è questa architettura — e poiché l'annuncio non aggiunge specifiche proprie, quel resoconto resta più dettagliato di qualsiasi cosa Aliba​ba abbia pubblicato.

Che cosa sia in realtà la PR "qwen4 fuse op".

La pull request #53909 in vllm-project/vllm è aperta, proveniente da un fork di un contributore, ed è ancora in attesa della revisione del code owner — la revisione automatizzata è stata disabilitata proprio perché proveniva da un fork. È un lavoro piccolo, a forma di kernel:

• Tre kernel HyperConnection — una RMSNorm Ge​ma raggruppata, una riduzione gate e una combinazione di iniezione.

• Tre kernel QSA più tre wrapper baseline del vendor per confronto.

• Kernel di gather dello stato PLE e di scatter mascherato.

• Tredici test superati che coprono controlli di dtype e forma, metadati di paging, slot della cache, layout MRoPE, stato strided, indici nulli e duplicati, ed esecuzione deterministica.

Due dettagli contano oltre alla lista delle op. Primo, l'implementazione è fail-closed: le guardie host sollevano errori invece di ripiegare su un percorso di calcolo Torch generico, perché un valore silenziosamente errato in un kernel di attenzione è peggio di un fallimento netto. Secondo, la scissione nella denominazione — il titolo dice "qwen4" mentre la descrizione nomina Qwen3.8-Flash-Next — è di per sé un segnale. Il lato vLLM sta trattando il modello in anteprima come la prima istanza della linea qwen4, e sta costruendo kernel sotto il nome di famiglia che coprirà tutto ciò che verrà dopo.

Per capire cosa sia una "fuse op": un motore di inferenza normalmente esegue il grafo del modello con un lancio di kernel per ogni operazione, e ogni lancio comporta un overhead — trasferimenti di memoria tra i kernel, costi di dispatch. Fondere più operazioni element-wise e operazioni di stato in un unico kernel riduce quell'overhead, ed è esattamente lì che si vince o si perde il costo e la latenza di una nuova architettura. Un modello costruito su operatori che non dispongono di alcuna implementazione fusa in nessun punto sarà lento e avido di memoria, per quanto astuto sia l'addestramento; il primo motore che li fonde bene stabilisce il prezzo reale del modello.

Leggere i nomi dei kernel come un progetto

Nessuno di questi operatori esiste nell'opset standard dei transformer, ed è proprio per questo che richiedono nuovi kernel — e ognuno corrisponde a un elemento specifico dell'architettura che Aliba​ba ha presentato in anteprima in Qwen3.8-Flash-Next:

HyperConnection → connessioni residue gated. Il singolo flusso residuo viene ampliato in quattro rami paralleli con gating dinamico elemento per elemento, consentendo al modello di decidere quanto leggere e scrivere da ciascun ramo; lo stato residuo può essere memorizzato in FP8 per ridurre il traffico di memoria.

• QSA → Qwen Sparse Attention. Un indicizzatore leggero comprime le chiavi in micro-blocchi con un rapporto di compressione di 4, le valuta e mantiene i migliori 512 blocchi — circa 2.051 posizioni logiche di token — mentre la softmax finale e l'aggregazione dei valori continuano a operare sulle K/V originali e non compresse. Dodici dei 48 livelli sono QSA; gli altri 36 sono livelli di attenzione lineare GDN con uno stato ricorrente a dimensione fissa e nessuna cache KV in crescita.

• Operazioni di stato PLE → memoria n-gram. La tabella di lookup da 51 miliardi di parametri — "Per-Layer Embeddings" nel documento SGLang — è indirizzata tramite hash dal token corrente più i due o tre precedenti, recuperando 16 righe per token. Le sue posizioni sono precalcolabili, quindi può risiedere nella memoria host ed essere precaricata in modo asincrono invece di occupare la VRAM della GPU.

• Il corpo MoE in cui risiedono i kernel: 125B parametri totali con circa 6B attivi per token — meno del 5% di attivazione — instradato su 512 esperti con routing top-10.

Due avvertenze mantengono la cosa onesta. Primo, l'architettura di cui sopra è ricavata dalla model card di Qwen3.8-Flash-Next e dalle analisi della community, non da un documento di Qwe​n 4 — è una prova riguardante la famiglia, non una specifica della famiglia. Secondo, nulla di ciò cambia il fatto centrale: Qwe​n 4 non esiste in alcun catalogo.

Una linea di prove separata è il percorso vision, che vale la pena tenere distinto dalla lettura del kernel di cui sopra. Indipendentemente da qualsiasi mappatura di operatori, il registro dei modelli di vLLM stesso sul main elenca una voce qwen4_exp — Qwen4ExpForConditionalGeneration — registrata come modello multimodale con una torre vision Qwen3-VL e un Qwen3VLMultiModalProcessor. La PR del frontend Rust (#54813) che collega quella configurazione al crate multimodale del motore, il percorso di codice che trasforma gli input immagine in token, è stata unita il 1º settembre 2026 — un'affermazione più forte rispetto al fatto che la stessa PR sia semplicemente aperta, perché il percorso multimodale per la linea qwen4 ora è nel motore anziché nel fork di qualcuno. Non è ancora un rilascio: il modello descritto da quella voce di registro non ha pesi né API. Ma è la prima conferma a livello ingegneristico che la prossima generazione di Qwen accetta input di immagini, e l'etichetta "multimodale" sull'architettura non è più solo una riga sulla model card dell'anteprima.

Perché l'architettura cambia il quadro dei costi.

Se Qwe​n 4 verrà distribuito su questa architettura, l'economia è diversa da quella di un transformer denso standard — o persino di un normale MoE —, e questa differenza è il motivo per cui vale la pena tenere d'occhio il lavoro sul kernel.

• Memoria e calcolo separati. Il costo di memoria tiene conto dei parametri totali: tutti i 125B devono essere residenti per servire il modello. Il costo di calcolo tiene conto dei parametri attivi: solo ~6B vengono eseguiti per ogni forward pass. È questa separazione che consente a un modello "125B" di essere servito al costo di uno molto più piccolo.

• La cache KV smette di crescere nella maggior parte dei layer. Con 36 dei 48 layer che utilizzano attenzione a stato ricorrente di dimensione fissa, la cache chiave/valore in crescita è limitata a 12 layer. Con un contesto nativo di 262K token — 1M tramite YaRN — questo è in gran parte il motivo per cui il serving a contesto lungo diventa conveniente.

• La tabella grande può essere offloadata. La tabella degli n-grammi è il più grande consumatore di memoria in assoluto con 51B parametri, e non ha bisogno di risiedere sulla GPU. Il lavoro day-0 di SGLang ha misurato l'offload della tabella BF16 nella memoria host pinned, liberando circa 23 GiB per GPU su H200 e aumentando la capacità KV allocata di circa il 78% — con output bit-identici. Sul fronte vLLM, lo stesso offload è arrivato per fasi anziché in un'unica PR: la PR di supporto originale (#53899) è stata chiusa senza merge il 21 settembre, mentre la funzionalità stessa è arrivata attraverso merge separati — #54371, offload PLE basato su UVA con tensor parallelism di Engram, il 9 settembre, e un percorso ROCm (#57497) il 25 settembre.

Nessuno di questi numeri è stato ancora verificato in modo indipendente — le affermazioni di accelerazione 7.6×/4.9× per il contesto lungo, la cifra di decodifica di 540 tok/s dal post di SGLang, l’affermazione sul costo di addestramento "1/9 di Qwen3.7-Plus" — e dovrebbero essere letti come riportati dal venditore o dalla comunità finché un indice neutro non li riproduce.

La corsa per servirlo

Entrambi i principali motori hanno lavoro in corso per qwen4 — SGLang ha pubblicato il supporto day-0 entro pochi giorni dall'anteprima del 26 agosto, e il lavoro su ciascun fronte non ha smesso di accumularsi da allora, dalla registrazione delle configurazioni all'ingegneria di kernel e memoria.

• SGLang ha pubblicato un post day-0 il 26 agosto, in una collaborazione tra SGLang, Alibaba, NVIDIA e AMD, rilasciando un checkpoint NVFP4 e dichiarando 540 token/s in decodifica a TP4 su B200 con decodifica speculativa.

• Il 27 agosto una PR di sglang (#36585) ha aggiunto il supporto nativo per Qwe​n4-Exp direttamente al motore stesso — registrando la configurazione Qwen4ExpForConditionalGeneration e un modello testuale costruito dagli stessi componenti GatedResidual, Gated DeltaNet, Qwe​n sparse attention, PLE e MoE. Non è stata unita: la PR proviene da un contributore non maintainer, il lavoro è attribuito a un agente autonomo di nome Argus, ed è ancora aperta e in attesa di revisione. Il suo ancoraggio è però verificabile in modo indipendente: la configurazione di Qwen3.8-Flash-Next dichiara model_type=qwen4_exp, e l'implementazione di riferimento ora si trova in huggingface/transformers sotto models/qwen4_exp.

• L'8 settembre è stata aperta una bozza di PR sglang (#38492) contro qwen4-main-squashed, un branch sglang dedicato alla linea Qwen4/Flash-Next, e questa non è una registrazione. Porta RecoverSSM — un percorso di recupero dello stato accettato creato inizialmente per Qwen3.8-Flash-Next su SM120 — per la verifica multi-token-prediction (MTP) dell'architettura. Le bozze MTP attraversano lo stato ricorrente a dimensione fissa dei layer Gated DeltaNet e, invece di mantenere in memoria ogni stato speculativo intermedio mentre una bozza viene verificata, il motore ricostruisce lo stato accettato dallo stato confermato e dal prefisso di token accettato. La modalità è opt-in (un flag --gdn-mtp-cache-mode none; il comportamento full-cache attuale resta predefinito), ed è precoce anche per gli standard di questa storia: una bozza toccata l'ultima volta il 14 settembre, la cui head attuale fallisce ancora nove dei suoi controlli, con la checklist dell'autore stesso ancora aperta prima che possa essere contrassegnata come pronta per la revisione. La direzione è il punto — sglang sta ingegnerizzando il percorso di serving di Qwen4, non si limita a registrare la sua configurazione.

• La linea qwen4 di vLLM è passata da tre PR aperte a un quadro misto nelle settimane da quando questo articolo è stato pubblicato per la prima volta. La PR multimodal con frontend Rust (#54813) è stata integrata il 1° settembre. Il lavoro di PLE-offload è stato integrato in due parti — #54371 il 9 settembre e #57497 il 25 settembre — mentre la PR originale di PLE-offload (#53899) è stata chiusa senza essere integrata il 21 settembre. Nel frattempo la configurazione è passata upstream: #57387, che passa la configurazione e il processore qwen4_exp alle implementazioni upstream di Transformers, è stata integrata il 2 ottobre. Ciò che è ancora aperto è la PR fuse-op oggetto di questo articolo (#53909) — insieme a una correzione di bug del ring buffer QSA presentata il 1° ottobre (#59528) e a una passata SM86 (Ampere) sulla tabella n-gram da 51 miliardi di parametri, aperta dal 26 settembre (#58856), che è il genere di lavoro che si fa quando un modello è qualcosa che le persone cercano di servire su hardware più vecchio, anziché qualcosa che nessuno ha mai eseguito. La configurazione qwen4_exp stessa è registrata in vLLM come multimodale: una torre di visione Qwen3-VL abbinata al modello testuale Qwen4-Exp.

Questa è una gara con un premio reale. Il motore che fonde meglio i nuovi operatori determina il prezzo servito per la generazione Qwen4, perché è l'efficienza del kernel — non il numero grezzo di parametri — a comporre il costo per token di un modello con attenzione ibrida.

Cosa è effettivamente uscito oggi: Qwen3.8-Flash-Next vs Qwen 4

Vale la pena essere precisi sulle due cose di questa storia, perché la denominazione sta facendo molto lavoro.

• Qwen3.8-Flash-Next è disponibile. I pesi aperti sono su Hugging Face e ModelScope con licenza qwen-community-1.0, nelle varianti standard e FP8; la scheda del modello fissa le specifiche — MoE da 125B, ~6B attivi, tabella n-gram da 51B, contesto di 262K, multimodale. È l'anteprima dell'architettura, non il modello di punta.

• Qwen3.8-Flash è la variante di produzione erogata che Aliba​ba ha annunciato insieme a esso, elencata su Qwe​n Cloud a ¥1 per milione di token di input e ¥3 per milione di token di output (circa $0,16 / $0,47), con un contesto predefinito di 1M token e strumenti integrati. Prezzo dichiarato dal fornitore, non ancora presente in alcun indice indipendente.

• Qwen 4 non è ancora uscito. Alibaba ha annunciato tutti e quattro i livelli il 22 settembre 2026 e ha detto che la famiglia è in fase di addestramento e arriverà presto — la prima dichiarazione ufficiale sui tempi, e comunque non un calendario. Nessuna data, nessuna scheda e nessun peso per alcun livello. La finestra che circola ora va da ottobre a inizio novembre, e proviene da thread di watchlist e pagine di tracker piuttosto che da Alibaba: lo stato di addestramento è dichiarato dall'azienda, i tempi sono di fonte comunitaria. La finestra di settembre che circolava in una fuga di notizie su una roadmap di luglio è ormai esaurita, il che è di per sé una risposta.

• Il tier Qwe​n 4 27B è quello da tenere d'occhio per un motivo non legato ai benchmark: è l'unico tier della famiglia con un track record di rilascio di pesi aperti, e un 27B annunciato è la cosa attorno a cui pianificano gli stack di inferenza locale — ecco perché la mancanza di suddivisione per dimensioni, licenza e data conta più qui che per il flagship.

La tabella dei benchmark dell'anteprima — DeepSWE 1.1 a 58.7, SWE-bench Pro a 62.5, LiveCodeBench v6 a 91.9 — è riportata dal fornitore sulla scheda e non è stata replicata in modo indipendente. Pianifica in base all'architettura; considera i punteggi come una promessa, non una misurazione.

Cosa dovrebbe fare ora uno sviluppatore

Nulla del tuo stack attuale cambia oggi: Qwen 4 non è invocabile da nessuna parte — Apsara ha dato un nome ai livelli e ha messo la famiglia su una roadmap, e non ne ha rilasciato nulla — e al momento in cui scriviamo i pesi aperti di Qwen3.8-Flash-Next non sono ancora presenti nemmeno nella nostra lista di modelli — le cose più vicine che offriamo oggi sono la variante servita di Qwen3.8 Flash a 0,15 $/0,47 $ per milione di token e il percorso open-weights Qwen3.8 27B a 0,33 $/2,40 $, che è la cosa più vicina a un Qwen eseguibile localmente nel catalogo, mentre la generazione successiva è ancora una voce. La riga della roadmap è l'unica cosa che vale la pena leggere due volte, perché è la prima volta che Alibaba mette per iscritto una generazione successiva: se Qwen 4.5 e Qwen 5 arriveranno davvero nella fascia da 5 a 10 trilioni di parametri, il livello che puoi permetterti di ospitare autonomamente in quella generazione conta di più, non di meno. Se vuoi sentire l'architettura prima che la famiglia sia rilasciata, le strade oneste sono scaricare i pesi da solo o aspettare che l'anteprima arrivi dietro un'API. Per chiunque pianifichi intorno al livello 27B, vale lo stesso con un'aggiunta: vale la pena monitorarlo proprio perché è il livello più probabilmente eseguibile senza un'API, e attualmente è il meno specificato dei quattro.

Quando Qwen3.8-Flash-Next o un modello Qwe​n 4 comparirà in un catalogo di un provider, il costo di passaggio su OrcaRouter è praticamente zero: un'unica API per oltre 200 modelli, il prezzo di listino del provider passato con markup 0%, e un taglio di prezzo del fornitore reso effettivo dalla nostra parte lo stesso giorno. Lo stesso endpoint e la stessa chiave che già usi per Qwen3.8 Max — richiamabile oggi come qwen/qwen3.8-max a $2,00/$6,00 per milione di token, prezzo di listino passato — sono lo stesso endpoint che userà una chiamata a Qwe​n 4.

Per un'architettura non comprovata, il failover automatico è il primo passo giusto: instrada una parte del traffico verso il nuovo modello con un failover su Qwen3.8 Max (o qualunque modello di cui il carico di lavoro abbia effettivamente bisogno), e lascia che il tuo stesso traffico decida se l'anteprima è all'altezza della scheda — una modifica al routing-DSL, non una riscrittura.

Cosa stiamo guardando

• Se il merge dei kernel fuse-op (#53909), ora l'ultimo dei tre PR qwen4 originali di vLLM ancora aperto — il front-end multimodale e il lavoro di PLE-offload sono già stati integrati, e la config è passata upstream. Sul lato sglang, la PR di supporto nativo e la bozza RecoverSSM sono ancora entrambe aperte. Un set di kernel integrato è il segnale più forte finora che la linea qwen4 è nelle roadmap a breve termine di entrambi i runtime.

• Se qwen4-main-squashed si consolida nella linea principale Qwen4 di sglang — un ramo di integrazione su cui continuano a confluire lavoro su kernel e memoria rappresenta un impegno più forte di una singola PR da parte di un contributore, e vale la pena osservare cosa gli accadrà una volta che il modello di punta avrà una data.

• Se il percorso vision sopravvive fino al rilascio — la voce di registro multimodale qwen4_exp e l'integrazione del frontend Rust sono il primo segnale forte che il modello di punta integra l'input di immagini, ed entrambi sono ormai nel codice mainline di vLLM anziché in un fork. La domanda aperta è se il modello rilasciato mantiene quella vision tower.

I primi numeri indipendenti su Qwen3.8-Flash-Next, che saranno il primo test per verificare se le affermazioni sui costi dell'architettura reggono al di fuori del fornitore.

• Una data o una scheda per Qwe​n 4 stesso. La famiglia ora ha nomi, una tier list, uno stato di addestramento e un posto su una roadmap pubblicata, e nessuno di questi è un programma. La finestra che la comunità sta facendo circolare è da ottobre ai primi di novembre; la roadmap che Aliba​ba ha pubblicato ad Apsara non riporta alcuna data, e nessun repository di Qwe​n 4 è apparso su Hugging Face. Il prossimo segnale reale è il primo a cui è associata una data — una scheda modello, un identificatore API o dei pesi.

• In particolare il livello Qwe​n 4 27B — se viene distribuito con pesi aperti secondo il modello Qwen3.8-27B, con quale licenza e quanto rapidamente segua l'ecosistema di conversione e fine-tuning.

• La licenza per la famiglia — se Qwe​n 4 ripete il modello di Qwen3.8 Max dei pesi aperti con una licenza a uso limitato, oppure si apre ulteriormente.

La corsa al prezzo servito sull'anteprima, che ci dirà quanto costano effettivamente i token dell'architettura ibrida in produzione.

Domande frequenti

Quando esce Qwen 4? Non c'è ancora una data e, sulle tempistiche, ora esistono due dichiarazioni ufficiali invece di una. Il CEO di Alibaba Group Eddie Wu ha confermato all'Apsara il 22 settembre 2026 che Qwen 4 è in addestramento e che una linea successiva — Qwen 4.5 e Qwen 5 — è prevista a 5-10 trilioni di parametri; il comunicato in inglese di Alibaba ripete entrambe le cose. Nessuna delle due dichiarazioni contiene un calendario. Sono circolate tre affermazioni sulle tempistiche e nessuna di esse proviene da Alibaba: la fuga di notizie di luglio sulla roadmap che ipotizzava una finestra a settembre 2026, che è passata senza alcun lancio; e la finestra da ottobre ai primi di novembre che ora circola nei post delle watchlist e nelle pagine dei tracker, che è una lettura della cadenza di rilascio del laboratorio più che una dichiarazione del laboratorio stesso. Il rilascio di Qwen3.8-Flash-Next del 26 agosto è esplicitamente un'anteprima dell'architettura, non il modello di punta.

Qwen 4 è lo stesso modello di Qwen3.8-Flash-Next? No. Qwen3.8-Flash-Next è un modello open-weight già rilasciato, la cui card lo definisce "Un'anteprima dell'architettura Qwen4". Qwen 4 è la famiglia non ancora rilasciata che Alibaba ha nominato il 22 settembre — quattro livelli, nessuna specifica pubblicata — e l'architettura è condivisa, ma il prodotto no.

Posso usare Qwe​n 4 oggi? No — nulla viene indirizzato verso un modello che non ha né pesi né API, e l'annuncio del 22 settembre non ha cambiato la situazione. Le cose più vicine che puoi effettivamente toccare sono i pesi aperti di Qwen3.8-Flash-Next rilasciati il 26 agosto, oppure l'API di Qwen3.8 Max, attiva su OrcaRouter a $2,00/$6,00 per milione di token.

Il kernel è il messaggio — e l'annuncio del 22 settembre, nonostante tutto il tempo sul palco, non l'ha sovrascritto. vLLM non spreca cicli di revisione costruendo kernel Triton per famiglie di operatori che si aspetta di abbandonare, e neanche Alibaba pubblica un'anteprima di architettura che si aspetta di abbandonare. Tra la PR "qwen4 fuse op" ancora aperta, l'anteprima Qwen3.8-Flash-Next rilasciata il 26 agosto, la voce qwen4_exp ora presente nel registro mainline di vLLM con la sua configurazione upstreamed e la sua integrazione multimodale mergiata, il lavoro PLE-offload che è atterrato sia su CUDA che su ROCm a settembre, e una PR sglang in bozza aperta l'8 settembre che sta ancora ottimizzando la memoria SM120 per il percorso di previsione multi-token della linea, la forma della prossima generazione Qwen non è più una voce — è scritta nei kernel e nei percorsi di memoria che due runtime stanno costruendo per essa. Ciò che Apsara ha aggiunto è un nome per ogni livello, uno stato di addestramento e una fascia di parametri per la generazione successiva. Ciò che la comunità ha aggiunto da allora è una finestra piuttosto che un fatto: da ottobre ai primi di novembre, dagli stessi thread della watchlist. Alibaba non ha pubblicato nessuno dei due. Pianifica per l'architettura; non scommettere sulle date.