Qwen 4: De vLLM 'qwen4 fuse op'-PR gaf de architectuur een naam — Apsara 2026 gaf de familie een naam

Een pull request met de titel "Add qwen4 fuse op" staat sinds 26 augustus open in de vLLM-repository, en het grootste deel van die maand was het, buiten het bedrijf, het dichtst in de buurt van een beschrijving van Aliba​ba's volgende generatie modellen. Dat veranderde op 22 september 2026, toen Aliba​ba's Qwe​n-lead Liu Da Yiheng bij de opening van de Apsara-conferentie in Hangzhou de familie een naam gaf: Qwe​n 4 Max, Qwe​n 4 Flash, Qwe​n 4 Plus en Qwe​n 4 27B — de open-weightcategorie, en degene waar de wereld van lokale inferentie op heeft gewacht. Twee dagen later, toen de conferentie was afgelopen, zette het bedrijf die familie voor het eerst op een roadmap: Qwe​n 4 in training, en een opvolgerslijn — Qwe​n 4.5 en Qwe​n 5 — geprojecteerd op 5 tot 10 biljoen parameters, een cijfer dat Aliba​ba Group CEO Eddie Wu op het podium gaf en dat het bedrijf vervolgens herhaalde in zijn eigen Engelstalige release. Wat de roadmap twee weken later niet is, is een tijdschema. De timing die nu circuleert is een venster — oktober, of begin november — en niets daarvan is terug te voeren op iets dat Aliba​ba heeft gepubliceerd. Het eigen schriftelijke materiaal van het bedrijf bevat geen maand, geen kwartaal en geen datum; het model heeft geen identificatie, geen contextvenster en geen prijs; en er bestaat geen Qwe​n 4-repository in de Qwe​n-organisatie op Hugging Face. Beschouw het venster als een wens, niet als een plan. De pull request — vllm-project/vllm#53909, nog steeds open, nog steeds niet gemerged en nog steeds in afwachting van review — bevat ook geen releasedatum en geen parameteraantal. Het voegt zelfstandige Triton-kernels toe voor drie operatorfamilies: HyperConnection, Qwe​n Sparse Attention (QSA) en PLE-state-operaties. De titel ervan luidt "qwen4", en de operatorlijst komt bijna exact overeen met de architectuur die Aliba​ba heeft uitgebracht in de open gewichten van Qwen3.8-Flash-Next — een multimodaal mixture-of-experts-model, uitgebracht op 26 augustus 2026, waarvan op de Hugging Face-kaart staat: "A Preview of the Qwen4 Architecture." Qwe​n 4 zelf is nog steeds niet uitgebracht. De familie heeft een naam, een plek op een roadmap en een venster waarover geruchten de ronde doen; de kernels zijn nog steeds het enige dat haar beschrijft.

Dit is een stuk over wat we tot nu toe weten, geen lanceringsverhaal. Alibaba heeft de familie nu op een publiek podium een naam gegeven en op een bedrijfsroadmap gezet, maar een naam geven is nog geen uitbrengen: er is geen modelkaart, geen gewichten en geen API voor welke Qwen 4-tier dan ook, en elke architectuurclaim hieronder komt nog steeds uit de Qwen3.8-Flash-Next-preview en de engineering-artefacten eromheen, niet uit enig Qwen 4-document. Het harde bewijs is de vLLM-pullrequest die nog in review is, het uitgebrachte previewmodel, een sglang-PR die op 27 augustus is ingediend en native ondersteuning toevoegt voor dezelfde Qwen4-Exp-architectuurconfiguratie, en de qwen4_exp-entry die inmiddels is opgenomen in vLLM's eigen modelregister op main — Qwen4ExpForCausalLM, Qwen4ExpForConditionalGeneration en Qwen4ExpMTP — naast het multimodaliteitswerk met Rust-frontend, dat op 1 september is samengevoegd. De conclusie die we daaruit trekken — dat de operators in de PR's de architectuur zijn die Alibaba heeft gepreviewd — is een interpretatie van dat bewijs, en elk specifiek detail hieronder is dienovereenkomstig gelabeld. Eén bewering hier is helemaal niet van Alibaba afkomstig: het venster van oktober tot begin november komt uit een watchlist-post op X en de trackerpagina's die dit de afgelopen twee weken hebben herhaald; die is niet gereproduceerd en wordt overal waar die voorkomt als afkomstig uit de community gepresenteerd.

Wat Alibaba op 22 september werkelijk zei

Aliba​ba gaf een voorproefje van de Qwe​n 4-familie bij de opening van zijn Apsara (Yunqi)-conferentie, die van 22 tot 24 september 2026 in Hangzhou plaatsvond, met Qwe​n-leider Liu Da Yiheng op het podium. Bij de opening werden vier tiers genoemd, op basis van de structuur die de 3.8-generatie al had vastgelegd:

• Qwe​n 4 Max — het vlaggenschipniveau, en degene die tegenover het topmodel van elk ander frontier-lab staat.

• Qwe​n 4 Flash — de tier voor hoge doorvoer, gericht op latentiegevoelig werk met een hoog volume in plaats van op piekredenering.

• Qwe​n 4 Plus — de gebalanceerde middenklasse.

• Qwe​n 4 27B — de open-weightcategorie: de grootteklasse waarin Qwe​n eerder open weights heeft uitgebracht, en die wordt beschreven als de optie voor lokaal draaien.

Het 27B-item is het concrete deel van de aankondiging, en het is waar het bronneringssignaal achter dit stuk op reageerde. In de 3.8-generatie was de 27B-tier de open-weights-release die binnen dagen na uitgave naar MLX werd omgezet, naar NVFP4 werd gekwantiseerd en werd gefinetuned, dus een benoemde Qwe​n 4 27B geeft dat downstream-ecosysteem weer een doel. Het is een doel en geen release, en dat onderscheid is het waard om vast te houden: Aliba​ba heeft er geen parameteruitsplitsing, geen licentie, geen contextvenster en geen datum voor gepubliceerd, en de naam van de tier zegt niet eens of het dense of mixture-of-experts is. Alles wat de vorige 27B-tier draaibaar maakte — de grootteklasse, de focus op één machine — is overgenomen uit de geschiedenis van de productlijn, niet gespecificeerd voor dit model.

Wat de conferentie niet opleverde, is het ding waar een lezer op kan plannen. Het door Alibaba naar voren gebrachte standpunt — leveranciersframing, op het podium gepresenteerd en door meerdere onafhankelijke media gemeld in plaats van onafhankelijk geverifieerd — is dat Qwen 4 is gebouwd op een nieuwe-generatiearchitectuur, dat het in training is, en dat het "binnenkort" komt. Geen enkele tier heeft een contextvenster, een prijs, een modaliteitenlijst of een gepubliceerde score. Het enige gedateerde item op de conferentie was een next-generation videomodel dat gepland staat voor november. Eén getal van hetzelfde podium moet in zijn eigen baan blijven: de ambitie van 5 tot 10 biljoen parameters hoort bij het tijdsbestek van Qwen 4.5 en Qwen 5, niet bij Qwen 4 — er was geen parameteraantal verbonden aan enige Qwen 4-tier. Dat cijfer is niet langer een lek of een circulerende bewering: het staat in Alibaba's eigen Engelstalige release, toegeschreven aan de keynote van CEO Eddie Wu, en het wordt genoemd als een projectie zonder datum en zonder architectuur erachter — door het bedrijf beweerd, en nog steeds niet gereproduceerd.

De naamgeving veranderde dus de status van de familie, niet de staat van het bewijs. Alles hieronder is nog steeds de beschrijving door de servinglaag van wat deze architectuur is — en aangezien de aankondiging zelf geen specificaties toevoegt, blijft die beschrijving gedetailleerder dan alles wat Aliba​ba heeft gepubliceerd.

Wat de "qwen4 fuse op" PR eigenlijk is

Pull request #53909 in vllm-project/vllm is open, afkomstig van een fork van een bijdrager, en wacht nog steeds op beoordeling door de code-eigenaar — geautomatiseerde beoordeling was juist uitgeschakeld omdat het van een fork kwam. Het is klein, kernelvormig werk:

• Drie HyperConnection-kernels — een gegroepeerde Ge​ma RMSNorm, een gate-reduce en een injection-combine.

• Drie QSA-kernels plus drie leveranciers-baseline-wrappers ter vergelijking.

• PLE-status-gather- en gemaskeerd-scatter-kernels.

• Dertien geslaagde tests die dtype- en vormcontroles, paginametadata, cacheslots, MRoPE-layout, strided status, null- en dubbele indices, en deterministische uitvoering dekken.

Twee details zijn van belang naast de operatielijst. Ten eerste is de implementatie fail-closed: host guards genereren fouten in plaats van terug te vallen op een generiek Torch-berekeningspad, omdat een stilzwijgend verkeerde waarde in een attention-kernel erger is dan een harde fout. Ten tweede is de naamgevingssplitsing — de titel vermeldt "qwen4" terwijl de beschrijving Qwen3.8-Flash-Next noemt — op zichzelf een signaal. De vLLM-kant behandelt het preview-model als het eerste exemplaar van de qwen4-lijn en bouwt kernels onder de familienaam die alles zullen dekken wat erna komt.

Ter context van wat een 'fuse op' is: een inference-engine voert normaal gesproken de grafiek van een model uit met één kernel-launch per bewerking, en elke launch brengt overhead met zich mee — geheugen-roundtrips tussen kernels, dispatch-kosten. Het fuseren van meerdere element-wise en state-bewerkingen in één kernel vermindert die overhead, en dat is precies waar de kosten en latentie van een nieuwe architectuur worden gewonnen of verloren. Een model dat is gebouwd op operators die nergens een gefuseerde implementatie hebben, zal traag en geheugenhongerig zijn, hoe slim de training ook is; de eerste engine die ze goed fuseert, bepaalt de prijs van het model in de praktijk.

De kernelnamen als blauwdruk lezen

Geen van deze operatoren bestaat in de standaard transformer-opset, daarom zijn er überhaupt nieuwe kernels nodig — en elk ervan komt overeen met een specifiek onderdeel van de architectuur die Aliba​ba heeft gepreviewd in Qwen3.8-Flash-Next:

• HyperConnection → gated residuverbindingen. De enkele residustroom wordt verbreed naar vier parallelle takken met elementgewijze dynamische gating, zodat het model kan bepalen hoeveel het uit elke tak leest en ernaar schrijft; de residutoestand kan in FP8 worden opgeslagen om het geheugenverkeer te verminderen.

• QSA → Qwen Sparse Attention. Een lichtgewicht indexeerder comprimeert sleutels tot micro-blokken met een compressieverhouding van 4, scoort ze en behoudt de beste 512 blokken — ongeveer 2.051 logische tokenposities — terwijl de uiteindelijke softmax en de aggregatie van waarden nog steeds op de originele, niet-gecomprimeerde K/V draaien. Twaalf van de 48 lagen zijn QSA; de andere 36 zijn GDN-lagen met lineaire aandacht, een terugkerende toestand van vaste grootte en geen groeiende KV-cache.

• PLE-statebewerkingen → n-gramgeheugen. De opzoektabel met 51 miljard parameters — 'Per-Layer Embeddings' in de SGLang-beschrijving — wordt geadresseerd via een hash van de huidige token plus de twee of drie voorgaande tokens, waarbij per token 16 rijen worden opgehaald. De posities ervan zijn vooraf te berekenen, dus ze kunnen in het hostgeheugen leven en asynchroon worden vooraf opgehaald in plaats van GPU-VRAM in beslag te nemen.

Het MoE-lichaam waar de kernels in zitten: 125B totale parameters met ongeveer 6B actieve parameters per token — minder dan 5% activatie — gerouteerd over 512 experts met top-10-routing.

Twee kanttekeningen houden dit eerlijk. Ten eerste is de bovenstaande architectuur afgelezen uit de modelkaart van Qwen3.8-Flash-Next en uit teardowns van de community, niet uit enig Qwe​n 4-document — het is bewijs over de familie, niet een specificatie van de familie. Ten tweede verandert niets hiervan het kernfeit: Qwe​n 4 bestaat in geen enkele catalogus.

Een afzonderlijke bewijslijn is het visiepad, dat het waard is om apart te houden van de kernelinterpretatie hierboven. Onafhankelijk van welke operatortoewijzing dan ook vermeldt vLLM's eigen modelregistry op main een qwen4_exp-entry — Qwen4ExpForConditionalGeneration — geregistreerd als multimodaal model met een Qwen3-VL-visietoren en een Qwen3VLMultiModalProcessor. De Rust-frontend-PR (#54813) die deze config in de multimodale crate van de engine aansluit, het codepad dat beeldinvoer omzet in tokens, is op 1 september 2026 gemerged — een sterkere bewering dan dat dezelfde PR openstaat, omdat het multimodale pad voor de qwen4-lijn nu in de engine zit in plaats van in iemands fork. Het is nog steeds geen release: het model dat die registry-vermelding beschrijft, heeft geen gewichten en geen API. Maar het is de eerste bevestiging op engineeringniveau dat de volgende Qwe​n-generatie beeldinvoer accepteert, en het label 'multimodaal' op de architectuur staat niet langer alleen als een regel op de modelkaart van de preview.

Waarom de architectuur het kostenbeeld verandert

Als Qwe​n 4 op deze architectuur uitkomt, is de economie anders dan bij een standaard dense — of zelfs gewone MoE — transformer, en dat verschil is de reden dat het kernelwerk de moeite waard is om te volgen.

• Geheugen en rekenwerk gesplitst. De geheugenkosten volgen het totale aantal parameters — alle 125B moeten in het geheugen geladen zijn om het model te kunnen bedienen. De rekenkosten volgen het aantal actieve parameters — er draaien slechts ~6B per forward pass. Die scheiding zorgt ervoor dat een '125B' model kan draaien tegen de kosten van een veel kleiner model.

De KV-cache stopt op de meeste lagen met groeien. Doordat 36 van de 48 lagen gebruikmaken van recurrent-state attention met een vaste omvang, blijft de groeiende key/value-cache beperkt tot 12 lagen. Bij een native context van 262K tokens — 1M via YaRN — is dat voor een groot deel de reden waarom long-context serving überhaupt betaalbaar wordt.

• De grote tabel is offloadbaar. De n-gramtabel is de grootste individuele geheugenverbruiker met 51B parameters, en hoeft niet op de GPU te staan. Het day-0-werk van SGLang mat dat het offloaden van de BF16-tabel naar gepind hostgeheugen ongeveer 23 GiB per GPU op H200 vrijmaakte en de toegewezen KV-capaciteit met ongeveer 78% verhoogde — met bit-identieke uitvoer. Aan de vLLM-kant kwam dezelfde offload in fasen tot stand in plaats van in één PR: de oorspronkelijke support-PR (#53899) werd op 21 september gesloten zonder te worden samengevoegd, terwijl de functionaliteit zelf via afzonderlijke merges kwam — #54371, UVA-gebaseerde PLE-offload met Engram-tensorparallellisme, op 9 september, en een ROCm-pad (#57497) op 25 september.

{{1}}Geen van deze cijfers is tot dusver onafhankelijk gecontroleerd{{/1}} — {{2}}de claims over de 7.6×/4.9× versnelling bij lange contexten{{/2}}, {{3}}het decode-cijfer van 540 tok/s uit de SGLang-post{{/3}}, {{4}}de trainingskostenclaim van "1/9 van Qwen3.7-Plus"{{/4}} — {{5}}en ze moeten worden beschouwd als door de leverancier of community gerapporteerd totdat een neutrale index ze reproduceert.{{/5}}

De race om het te serveren

Beide grote engines hebben qwen4-werk in uitvoering — SGLang publiceerde binnen enkele dagen na de preview van 26 augustus dag-0-ondersteuning, en het werk aan beide kanten is sindsdien blijven opstapelen, van configuratieregistratie tot kernel- en geheugenengineering.

SGLang publiceerde op 26 augustus een day-0-post in een samenwerking tussen SGLang, Alibaba, NVIDIA en AMD, waarin een NVFP4-checkpoint wordt uitgebracht en wordt geclaimd dat 540 tokens/s decode bij TP4 op B200 met speculatieve decoding mogelijk is.

Op 27 augustus voegde een sglang-PR (#36585) native ondersteuning voor Qwen4-Exp toe aan de engine zelf — met registratie van de Qwen4ExpForConditionalGeneration-configuratie en een tekstmodel dat is opgebouwd uit dezelfde GatedResidual-, Gated DeltaNet-, Qwen sparse attention-, PLE- en MoE-onderdelen. De PR is niet gemerged: hij komt van een bijdrager die geen maintainer is, het werk wordt toegeschreven aan een autonome agent genaamd Argus, en de PR staat nog open en wacht op review. Het aanknopingspunt is echter onafhankelijk controleerbaar — Qwen3.8-Flash-Next's eigen configuratie verklaart model_type=qwen4_exp, en de referentie-implementatie staat nu in huggingface/transformers onder models/qwen4_exp.

• Op 8 september werd een concept-sglang-PR (#38492) geopend tegen qwen4-main-squashed, een sglang-tak die is gewijd aan de Qwen4/Flash-Next-lijn, en deze is geen registratie. Het is een port van RecoverSSM — een herstelpad voor de geaccepteerde toestand dat voor het eerst is gebouwd voor Qwen3.8-Flash-Next op SM120 — voor de multi-token-prediction (MTP)-verificatie van de architectuur. MTP-drafts rollen door de recurrente toestand met vaste grootte van de Gated DeltaNet-lagen, en in plaats van elke tussenliggende speculatieve toestand in het geheugen vast te houden terwijl een draft wordt geverifieerd, reconstrueert de engine de geaccepteerde toestand uit de gecommitte toestand en het geaccepteerde tokenprefix. De modus is opt-in (een vlag --gdn-mtp-cache-mode none; het huidige full-cachegedrag blijft de standaard), en het is vroeg, zelfs naar de maatstaven van dit verhaal: een draft die voor het laatst is aangeraakt op 14 september, waarvan de huidige head nog steeds faalt op negen van zijn checks, met de checklist van de auteur zelf nog open voordat het als klaar voor review kan worden gemarkeerd. De richting is het punt — sglang bouwt aan het Qwen4-servingpad, niet alleen aan het registreren van zijn config.

• De qwen4-lijn van vLLM is in de weken sinds dit stuk voor het eerst verscheen verschoven van drie open PR's naar een gemengde balans. De multimodale PR voor de Rust-frontend (#54813) is op 1 september samengevoegd. Het PLE-offloadwerk is in twee delen samengevoegd — #54371 op 9 september en #57497 op 25 september — terwijl de oorspronkelijke PLE-offload-PR (#53899) op 21 september werd gesloten zonder te zijn samengevoegd. De config is sindsdien naar upstream gegaan: #57387, die de qwen4_exp-config en -processor overzet naar de upstream Transformers-implementaties, is op 2 oktober samengevoegd. Wat nog open is, is de fuse-op-PR die het onderwerp van dit stuk is (#53909) — naast een op 1 oktober ingediende bugfix voor de QSA-ringbuffer (#59528) en een SM86 (Ampere)-pass over de n-gramtabel met 51 miljard parameters die sinds 26 september open is (#58856), wat het soort werk is dat iemand doet wanneer een model iets is dat mensen op oudere hardware proberen te serveren, in plaats van iets dat niemand heeft gedraaid. De qwen4_exp-config zelf is in vLLM geregistreerd als multimodaal: een Qwen3-VL-visietoren gekoppeld aan het Qwen4-Exp-tekstmodel.

Dit is een race met een echte prijs. De engine die de nieuwe operatoren het beste fuseert, bepaalt de aangeboden prijs voor de Qwen4-generatie, want kernelefficiëntie — niet het ruwe aantal parameters — vormt de tokencost van een hybride-aandachtsmodel.

Wat is er vandaag eigenlijk uit: Qwen3.8-Flash-Next vs Qwen 4

Het is de moeite waard om precies te zijn over de twee dingen in dit verhaal, omdat de naamgeving veel werk verzet.

• Qwen3.8-Flash-Next is uit. Open gewichten staan op Hugging Face en ModelScope onder de qwen-community-1.0-licentie, in standaard- en FP8-varianten; de modelkaart legt de specificaties vast — 125B MoE, ~6B actief, 51B n-gramtabel, 262K context, multimodaal. Het is de architectuurpreview, niet het vlaggenschip.

• Qwen3.8-Flash is de productievariant die Aliba​ba daarnaast aankondigde, vermeld op Qwe​n Cloud voor ¥1 per miljoen inputtokens en ¥3 per miljoen outputtokens (ongeveer $0,16 / $0,47), met standaard een context van 1M tokens en ingebouwde tools. Door de leverancier gerapporteerde prijzen, nog niet opgenomen in een onafhankelijke index.

• Qwen 4 is nog niet uit. Alibaba noemde op 22 september 2026 alle vier de tiers en zei dat de familie in training is en binnenkort komt — het eerste officiële woord over timing, en nog steeds geen schema. Geen datum, geen modelkaart en geen weights voor welke tier dan ook. Het venster dat nu de ronde doet, is oktober tot begin november, en het komt uit watchlist-threads en trackerpagina's in plaats van van Alibaba: de trainingsstatus is door het bedrijf gemeld, de timing komt uit de community. Het septembervenster dat in een uitgelekte roadmap van juli circuleerde, is verstreken, wat op zichzelf al een antwoord is.

• De Qwen 4 27B-tier is degene om in de gaten te houden om een reden die niets met benchmarks te maken heeft: het is de enige tier in de familie met een bewezen staat van dienst op het gebied van het uitbrengen van open weights, en een aangekondigde 27B is precies waar stacks voor lokale inferentie hun planning op baseren — daarom weegt het ontbreken van de grootte-indeling, licentie en datum hier zwaarder dan bij het vlaggenschip.

De benchmarktabel van de preview — DeepSWE 1.1 op 58.7, SWE-bench Pro op 62.5, LiveCodeBench v6 op 91.9 — is door de leverancier gerapporteerd op de kaart en is niet onafhankelijk gereproduceerd. Plan rond de architectuur; behandel de scores als een belofte, niet als een meting.

Wat een ontwikkelaar nu moet doen

Niets aan je huidige stack verandert vandaag: Qwe​n 4 is nergens aanroepbaar — Apsara heeft de tiers benoemd en de familie op een roadmap gezet, en niets daarvan uitgebracht — en op het moment van schrijven staan de Qwen3.8-Flash-Next open weights ook nog steeds niet op onze eigen modellenlijst — de meest nabije opties die we vandaag doorgeven zijn de aangeboden Qwen3.8 Flash-variant voor $0.15/$0.47 per miljoen tokens en de Qwen3.8 27B open-weights-route voor $0.33/$2.40, wat het dichtst in de buurt komt van een lokaal uitvoerbare Qwe​n in de catalogus terwijl de opvolgende generatie nog steeds een gerucht is. De roadmapregel is het enige dat het waard is om twee keer te lezen, want het is de eerste keer dat Aliba​ba een opvolgende generatie op papier heeft vastgelegd: als Qwe​n 4.5 en Qwe​n 5 echt in de band van 5 tot 10 biljoen parameters vallen, is de tier die je je in die generatie kunt veroorloven om zelf te hosten des te belangrijker, niet minder. Als je de architectuur wilt voelen voordat de familie wordt uitgebracht, zijn de eerlijke routes om de weights zelf op te halen of te wachten tot de preview achter een API beschikbaar komt. Voor wie rond de 27B-tier plannen maakt, geldt hetzelfde met één toevoeging: het is de moeite waard om die nauwkeurig te volgen, juist omdat het de tier is die het meest waarschijnlijk zonder een API kan worden gedraaid, en het is momenteel de minst gespecificeerde van de vier.

Wanneer Qwen3.8-Flash-Next of een Qwe​n 4-model opduikt in de catalogus van een provider, zijn de overstapkosten op OrcaRouter vrijwel nul: één API voor meer dan 200 modellen, de lijstprijs van de provider doorgegeven tegen 0% opslag, en een prijsverlaging van de leverancier dezelfde dag nog live aan onze kant. Dezelfde endpoint en sleutel die je al gebruikt voor Qwen3.8 Max — vandaag aanroepbaar als qwen/qwen3.8-max tegen $2,00/$6,00 per miljoen tokens, lijstprijs doorgegeven — is hetzelfde endpoint dat een Qwe​n 4-aanroep zal gebruiken.

Voor een onbewezen architectuur is automatische failover de juiste eerste stap: stuur een deel van het verkeer naar het nieuwe model met een failover naar Qwen3.8 Max (of welk model de workload daadwerkelijk nodig heeft), en laat je eigen verkeer beslissen of de preview voldoet aan de kaart — een routing-DSL-bewerking, geen herschrijving.

Wat we kijken

• Of de fuse-op-kernels worden samengevoegd (#53909), nu de laatst overgebleven van vLLM's oorspronkelijke drie qwen4-PR's die nog openstaat — de multimodale front-end en het PLE-offloadwerk zijn al geland, en de config is upstream gegaan. Aan de sglang-kant staan de native-support-PR en het RecoverSSM-concept beide nog open. Een samengevoegde kernelset is tot nu toe het sterkste signaal dat de qwen4-lijn op de kortetermijnroadmaps van beide runtimes staat.

Of qwen4-main-squashed uitgroeit tot sglang's Qwen4-hoofdlijn — een integratietak waarop kernel- en geheugenwerk blijft landen — is een sterkere toewijding dan een PR van een enkele bijdrager, en het is de moeite waard om in de gaten te houden wat ermee gebeurt zodra het vlaggenschip een datum heeft.

• Of het vision-pad de release haalt — de multimodale registervermelding voor qwen4_exp en de Rust-frontendintegratie zijn het eerste harde signaal dat het vlaggenschip beeldinvoer meelevert, en beide zitten nu in de mainline-code van vLLM in plaats van in een fork. De open vraag is of het uitgeleverde model die vision-toren behoudt.

De eerste onafhankelijke cijfers over Qwen3.8-Flash-Next, die de eerste test zullen zijn of de kostenclaims van de architectuur standhouden buiten de leverancier.

• Een datum of kaart voor Qwe​n 4 zelf. De familie heeft nu namen, een tierlijst, een trainingsstatus en een plek op een gepubliceerde roadmap, en niets daarvan is een planning. Het venster dat in de community rondgaat, is oktober tot begin november; de roadmap die Aliba​ba bij Apsara publiceerde, bevat helemaal geen datums, en er is geen Qwe​n 4-repository op Hugging Face verschenen. Het volgende echte signaal is het eerste waaraan een datum hangt — een modelkaart, een API-identifier of gewichten.

• Met name de Qwe​n 4 27B-klasse — of die open weights uitbrengt volgens het Qwen3.8-27B-patroon, onder welke licentie, en hoe snel het ecosysteem voor conversie en fine-tuning volgt.

• De licentie voor de familie — of Qwe​n 4 het patroon van Qwen3.8 Max met open weights onder een gebruiksbeperkte licentie herhaalt, of zich verder opent.

• De prijsrace op de preview, die ons zal vertellen wat de tokens van de hybride architectuur daadwerkelijk in productie kosten.

Veelgestelde vragen

Wanneer komt Qwen 4 uit? Er is nog steeds geen datum, en er zijn nu twee officiële uitspraken over de timing in plaats van één. Alibaba Group-CEO Eddie Wu bevestigde op 22 september 2026 tijdens Apsara dat Qwen 4 in training is en dat een opvolgerslijn — Qwen 4.5 en Qwen 5 — op 5 tot 10 biljoen parameters wordt geraamd; de Engelstalige release van Alibaba herhaalt beide. Geen van beide uitspraken bevat een tijdschema. Er deden drie claims over de timing de ronde en geen ervan is van Alibaba: het roadmap-lek van juli waarin een venster van september 2026 werd gesuggereerd, dat is verstreken zonder lancering; en het venster van oktober tot begin november dat nu de ronde doet in watchlistberichten en trackerpagina's, wat een interpretatie is van de releasecadans van het lab en niet een uitspraak van het lab. De release van Qwen3.8-Flash-Next op 26 augustus is expliciet een voorproefje van de architectuur, niet het vlaggenschip.

Is Qwe​n 4 hetzelfde model als Qwen3.8-Flash-Next? Nee. Qwen3.8-Flash-Next is een uitgebracht open-weight model waarvan de kaart zegt: "A Preview of the Qwen4 Architecture." Qwe​n 4 is de niet-uitgebrachte familie waarvan Aliba​ba op 22 september de naam bekendmaakte — vier niveaus, geen gepubliceerde specificaties — en de architectuur is gedeeld, maar het product niet.

Kan ik Qwen 4 vandaag gebruiken? Nee — er wordt niets gerouteerd naar een model dat geen gewichten en geen API heeft, en de aankondiging van 22 september heeft daar niets aan veranderd. De dichtstbijzijnde dingen die je echt kunt aanraken zijn de open gewichten van Qwen3.8-Flash-Next die op 26 augustus zijn vrijgegeven, of de Qwen3.8 Max API, live op OrcaRouter voor $2,00/$6,00 per miljoen tokens.

De kernel is de boodschap — en de aankondiging van 22 september heeft die, ondanks alle podiumtijd, niet overschreven. vLLM besteedt geen reviewcycli aan het bouwen van Triton-kernels voor operatorfamilies die het verwacht te laten varen, en Alibaba publiceert evenmin een architectuurpreview waarvan het verwacht die te laten varen. Tussen de nog openstaande "qwen4 fuse op"-PR, de Qwen3.8-Flash-Next-preview die op 26 augustus is uitgebracht, de qwen4_exp-entry die nu in de mainline-registry van vLLM staat, waarvan de config is geüpstreamd en de multimodale integratie is gemerged, het PLE-offloadwerk dat in september op zowel CUDA als ROCm is geland, en een concept-sglang-PR die op 8 september is geopend en nog steeds SM120-geheugen afstemt voor het multi-token-predictionpad van de lijn, is de vorm van de volgende Qwen-generatie geen gerucht meer — die is geschreven in de kernels en geheugenpaden die twee runtimes ervoor bouwen. Wat Apsara toevoegde, is een naam voor elke tier, een trainingsstatus en een parameterband voor de generatie daarna. Wat de community sindsdien heeft toegevoegd, is eerder een venster dan een feit: oktober tot begin november, uit dezelfde watchlist-threads. Alibaba heeft geen van beide gepubliceerd. Plan voor de architectuur; wed niet op de datums.