Qwen 4: PR „qwen4 fuse op” w vLLM nazwał architekturę — Apsara 2026 nazwała rodzinę

Pull request zatytułowany „Add qwen4 fuse op" pozostaje otwarty w repozytorium vLLM od 26 sierpnia i przez większość tego miesiąca był najbliższym opisem następnej generacji modeli Alibaby, jaki istniał poza firmą. Zmieniło się to 22 września 2026 roku, gdy Liu Da Yiheng, lider ds. Qwena w Alibabie, wykorzystał otwarcie konferencji Apsara w Hangzhou, by wymienić nazwy rodziny: Qwen 4 Max, Qwen 4 Flash, Qwen 4 Plus i Qwen 4 27B — poziom z otwartymi wagami, ten, na który czeka świat lokalnego wnioskowania. Dwa dni później, gdy konferencja się zakończyła, firma po raz pierwszy umieściła tę rodzinę na mapie drogowej: Qwen 4 w fazie treningu oraz linia następców — Qwen 4.5 i Qwen 5 — szacowane na 5 do 10 bilionów parametrów, liczbę, którą na scenie podał dyrektor generalny Alibaba Group Eddie Wu, a firma powtórzyła ją następnie we własnym angielskim komunikacie. Czym ta mapa drogowa nie jest po dwóch tygodniach, to harmonogramem. Termin, który obecnie krąży, to okno — październik albo początek listopada — i nic z tego nie prowadzi z powrotem do czegokolwiek, co Alibaba opublikowała. Własne materiały pisane firmy nie zawierają miesiąca, kwartału ani daty; model nie ma identyfikatora, okna kontekstowego ani ceny; a w organizacji Qwen na Hugging Face nie istnieje żadne repozytorium Qwen 4. Traktuj to okno jako życzenie, a nie plan. Pull request — vllm-project/vllm#53909, wciąż otwarty, wciąż niescalony i wciąż czekający na przegląd — również nie zawiera daty wydania ani liczby parametrów. Dodaje samodzielne jądra Tritona dla trzech rodzin operatorów: HyperConnection, Qwen Sparse Attention (QSA) oraz operacji stanu PLE. Jego tytuł mówi „qwen4", a jego lista operatorów niemal dokładnie odpowiada architekturze, którą Alibaba wydała w otwartych wagach Qwen3.8-Flash-Next — multimodalnego modelu typu mieszanka ekspertów, opublikowanego 26 sierpnia 2026 roku, którego karta na Hugging Face głosi „A Preview of the Qwen4 Architecture". Sam Qwen 4 wciąż nie został wydany. Rodzina ma nazwę, miejsce na mapie drogowej i plotkowane okno; jądra wciąż są jedyną rzeczą, która ją opisuje.

To jest tekst podsumowujący to, co wiemy do tej pory, a nie historia premiery. Alibaba podała już nazwę rodziny na publicznej scenie i umieściła ją w firmowym planie rozwoju, ale samo nazwanie to nie wydanie: nie ma karty modelu, wag ani API dla żadnego wariantu Qwen 4, a wszystkie poniższe twierdzenia o architekturze wciąż pochodzą z podglądu Qwen3.8-Flash-Next i otaczających go artefaktów inżynierskich, a nie z jakiegokolwiek dokumentu Qwen 4. Twardymi dowodami są: wciąż recenzowany pull request do vLLM, udostępniony model w wersji preview, PR do sglang zgłoszony 27 sierpnia, który dodaje natywne wsparcie dla tej samej konfiguracji architektury Qwen4-Exp, oraz wpis qwen4_exp, który od tego czasu trafił do własnego rejestru modeli vLLM na gałęzi main — Qwen4ExpForCausalLM, Qwen4ExpForConditionalGeneration i Qwen4ExpMTP — obok prac nad multimodalnością z frontendem w Rust, scalonych 1 września. Wniosek, jaki z nich wyciągamy — że operatory w tych PR-ach to architektura, którą Alibaba zapowiedziała w podglądzie — jest odczytaniem tych dowodów, a każdy poniższy szczegół został odpowiednio oznaczony. Jedno twierdzenie tutaj wcale nie pochodzi od Alibaby: okno od października do początku listopada pochodzi z posta z watchlisty na X i stron śledzących, które powtarzały je przez ostatnie dwa tygodnie; nie zostało ono odtworzone i wszędzie, gdzie się pojawia, jest podawane jako pochodzące od społeczności.

Co Alibaba faktycznie powiedział 22 września

Alibaba zaprezentowała rodzinę Qwen 4 na otwarciu swojej konferencji Apsara (Yunqi), która trwała w Hangzhou od 22 do 24 września 2026 r., z liderem Qwen, Liu Da Yiheng, na scenie. Na otwarciu ogłoszono cztery poziomy, w oparciu o strukturę, którą ustanowiła już generacja 3.8:

• Qwe​n 4 Max — flagowy poziom, ten pozycjonowany przeciwko najlepszemu modelowi z każdego innego czołowego laboratorium.

• Qwe​n 4 Flash — warstwa o wysokiej przepustowości, przeznaczona do pracy wrażliwej na opóźnienia i o dużym wolumenie, a nie do szczytowych możliwości rozumowania.

• Qwe​n 4 Plus — zbalansowana średnia półka.

• Qwe​n 4 27B — poziom otwartych wag: klasa wielkości, w której Qwe​n już wcześniej udostępniał otwarte wagi, oraz ta opisywana jako opcja do uruchamiania lokalnie.

Wpis 27B jest konkretną częścią ogłoszenia i to właśnie na niego reagował sygnał źródłowy stojący za tym artykułem. W generacji 3.8 poziom 27B był wydaniem open-weights, które w ciągu kilku dni od premiery przekonwertowano na MLX, skwantyzowano do NVFP4 i dostrojono, więc nazwany Qwe​n 4 27B ponownie daje temu ekosystemowi downstream cel. To cel, a nie wydanie, i warto tę różnicę podkreślić: Aliba​ba nie opublikowała żadnego podziału parametrów, żadnej licencji, żadnego okna kontekstowego ani daty dla niego, a sama nazwa poziomu nie mówi nawet, czy jest to model gęsty, czy mieszanka ekspertów. Wszystko, co czyniło poprzedni poziom 27B uruchamialnym — klasa rozmiaru, skupienie na pojedynczej maszynie — jest dziedziczone z historii linii produktowej, a nie określone dla tego modelu.

To, czego konferencja nie dostarczyła, to coś, na czym czytelnik mógłby oprzeć swoje plany. Oficjalne stanowisko Aliba​by — rama dostawcy, przedstawiona na scenie i relacjonowana przez wiele niezależnych redakcji, a nie zweryfikowana niezależnie — jest takie, że Qwe​n 4 opiera się na nowej generacji architektury, że jest w trakcie treningu i że pojawi się „wkrótce”. Żaden poziom nie ma okna kontekstowego, ceny, listy modalności ani opublikowanego wyniku. Jedynym elementem z datą na konferencji był model wideo nowej generacji planowany na listopad. Jedna liczba z tej samej sceny wymaga trzymania się własnego toru: ambicja 5–10 bilionów parametrów należy do przedziału czasowego Qwe​n 4.5 i Qwe​n 5, a nie do Qwe​n 4 — żadna liczba parametrów nie została przypisana do żadnego poziomu Qwe​n 4. Ta liczba nie jest już przeciekiem ani krążącym twierdzeniem: znajduje się w własnym angielskim komunikacie Aliba​by, przypisana do wystąpienia CEO Eddie'ego Wu, i jest podana jako projekcja bez daty i bez architektury za nią — podana przez firmę i wciąż nieodtworzona.

Zatem nazewnictwo zmieniło status rodziny, a nie stan dowodów. Wszystko poniżej to nadal opis warstwy serwującej dotyczący tego, czym jest ta architektura — a ponieważ ogłoszenie nie dodaje własnych specyfikacji, opis ten pozostaje bardziej szczegółowy niż cokolwiek, co opublikował Alibaba.

Czym właściwie jest PR "qwen4 fuse op"

Pull request #53923 w vllm-project/vllm jest otwarty, pochodzi z forka kontrybutora i wciąż czeka na przegląd właściciela kodu — automatyczny przegląd został wyłączony właśnie dlatego, że pochodzi z forka. To niewielka, związana z jądrem praca:

• Trzy jądra HyperConnection — grupowany Ge​ma RMSNorm, redukcja bramki i łączenie iniekcji.

• Trzy jądra QSA oraz trzy nakładki bazowe dostawcy dla porównania.

• Jądra gromadzenia stanu PLE i maskowanego rozpraszania.

• Trzynaście przechodzących testów obejmujących kontrolę dtype i kształtu, metadane stronicowania, sloty pamięci podręcznej, układ MRoPE, stan strided, indeksy null i zduplikowane oraz deterministyczne wykonanie.

Poza listą operacji liczą się dwa szczegóły. Po pierwsze, implementacja jest zamknięta na awarie (fail-closed): ochrona hosta zgłasza błędy, zamiast przechodzić na ogólną ścieżkę obliczeniową Torch, ponieważ cicha błędna wartość w jądrze attention jest gorsza niż twarda awaria. Po drugie, rozdzielenie nazewnictwa — tytuł mówi „qwen4”, a opis podaje Qwen3.8-Flash-Next — samo w sobie jest sygnałem. Strona vLLM traktuje model podglądowy jako pierwszą instancję linii qwen4 i buduje jądra pod nazwą rodziny, która obejmie wszystko, co pojawi się po nim.

Dla kontekstu, czym jest „operacja fused": silnik wnioskowania zwykle wykonuje graf modelu jako jedno uruchomienie jądra na operację, a każde uruchomienie niesie ze sobą narzut — koszt przesyłania danych w pamięci między jądrami oraz koszt dyspozycji (dispatch). Połączenie kilku operacji elementarnych i operacji na stanie w jedno jądro redukuje ten narzut i to właśnie tutaj rozstrzyga się, ile kosztuje i jaką latencję ma nowa architektura. Model zbudowany na operatorach, które nie mają żadnej zaimplementowanej wersji fused, będzie powolny i pamięciożerny, niezależnie od tego, jak sprytny był trening; pierwszy silnik, który dobrze je sfuzjonuje, wyznacza realny koszt tego modelu w praktyce.

Czytanie nazw jądra jako plan

Żaden z tych operatorów nie występuje w standardowym opsecie transformera, dlatego w ogóle potrzebne są nowe kernele — a każdy z nich mapuje się na konkretny element architektury, którą Aliba​ba zapowiedziała w Qwen3.8-Flash-Next:

HyperConnection → bramkowane połączenia rezydualne. Pojedynczy strumień rezydualny jest rozszerzany do czterech równoległych gałęzi z dynamicznym bramkowaniem elementowym, pozwalając modelowi decydować, ile odczytać z każdej gałęzi i ile do niej zapisać; stan rezydualny może być przechowywany w FP8, aby zmniejszyć ruch pamięciowy.

• QSA → Qwe​n Sparse Attention. Lekki indeksator kompresuje klucze do mikro-bloków przy współczynniku kompresji 4, ocenia je i zachowuje najlepsze 512 bloków — czyli około 2051 logicznych pozycji tokenów — podczas gdy końcowe softmax i agregacja wartości nadal działają na oryginalnych, nieskompresowanych K/V. Dwanaście z 48 warstw to QSA; pozostałe 36 to liniowe warstwy uwagi GDN ze stałym stanem rekurencyjnym i bez rosnącej pamięci podręcznej KV.

• Operacje stanu PLE → pamięć n-gramowa. Tabela przeglądowa o 51 miliardach parametrów — „Per-Layer Embeddings” w opisie SGLang — jest adresowana haszowo na podstawie bieżącego tokenu oraz dwóch lub trzech poprzednich, pobierając 16 wierszy na token. Jej pozycje można z góry obliczyć, więc może znajdować się w pamięci hosta i być pobierana asynchronicznie z wyprzedzeniem, zamiast zajmować pamięć VRAM GPU.

Struktura MoE, w której osadzone są jądra: 125B parametrów łącznie, z około 6B aktywnymi na token — poniżej 5% aktywacji — routowane przez 512 ekspertów z routingiem top-10.

Dwa zastrzeżenia pozwalają zachować uczciwość. Po pierwsze, powyższa architektura pochodzi z karty modelu Qwen3.8-Flash-Next i analiz technicznych społeczności, a nie z jakiegokolwiek dokumentu Qwe​n 4 — to dowód dotyczący tej rodziny, a nie jej specyfikacja. Po drugie, nic z tego nie zmienia zasadniczego faktu: Qwe​n 4 nie istnieje w żadnym katalogu.

Osobna linia dowodów to ścieżka wizyjna, którą warto oddzielić od powyższego odczytu jądra. Niezależnie od jakiegokolwiek mapowania operatorów, własny rejestr modeli vLLM na gałęzi main zawiera wpis qwen4_exp — Qwen4ExpForConditionalGeneration — zarejestrowany jako model multimodalny z wieżą wizyjną Qwen3-VL i Qwen3VLMultiModalProcessor. PR frontendu w Rust (#54813), który podłącza tę konfigurację do multimodalnego crate'a silnika, czyli ścieżki kodu zamieniającej dane wejściowe obrazów w tokeny, został scalony 1 września 2026 r.; to mocniejsze stwierdzenie niż to, że ten sam PR jest otwarty, ponieważ multimodalna ścieżka dla linii qwen4 znajduje się teraz w silniku, a nie w czyimś forku. To wciąż nie jest wydanie: model opisywany przez ten wpis w rejestrze nie ma wag ani API. Jest to jednak pierwsze potwierdzenie na poziomie inżynierskim, że następna generacja Qwe​n przyjmuje dane wejściowe w postaci obrazów, a etykieta „multimodal” przy architekturze nie jest już tylko wierszem na karcie modelu wersji zapoznawczej.

Dlaczego architektura zmienia obraz kosztów

Jeśli Qwen 4 zostanie wydany na tej architekturze, ekonomika jest inna niż w przypadku standardowego gęstego — czy nawet zwykłego MoE — transformera, i właśnie ta różnica sprawia, że praca nad kernelami jest warta uwagi.

• Podział pamięci i obliczeń. Koszt pamięci dotyczy całkowitej liczby parametrów — wszystkie 125B muszą być w pamięci, aby obsłużyć model. Koszt obliczeń dotyczy aktywnych parametrów — tylko ~6B jest wykonywanych podczas jednego przejścia w przód. To właśnie to rozdzielenie sprawia, że model „125B" może działać kosztem znacznie mniejszego.

• Pamięć podręczna KV przestaje rosnąć na większości warstw. Przy {{1}}36 z 48 warstw{{/1}} używających attention opartego na stanie rekurencyjnym o stałym rozmiarze, rosnąca pamięć podręczna kluczy/wartości jest ograniczona do {{2}}12 warstw{{/2}}. Przy natywnym kontekście {{3}}262 tys. tokenów{{/3}} — {{4}}1M dzięki YaRN{{/4}} — to w dużej mierze powód, dla którego obsługa długiego kontekstu w ogóle staje się przystępna cenowo.

• Dużą tabelę można offloadować. Tabela n-gramów jest pojedynczym największym konsumentem pamięci przy 51B parametrów i nie musi znajdować się na GPU. Prace SGLang z dnia zerowego (day-0) wykazały, że offload tabeli BF16 do przypiętej pamięci hosta uwalnia około 23 GiB na GPU w H200 i zwiększa przydzieloną pojemność KV o około 78% — przy bitowo identycznych wynikach. Po stronie vLLM ten sam offload trafił etapami, a nie w jednym PR: pierwotny PR wsparcia (#53899) został zamknięty bez scalenia 21 września, natomiast sama funkcja pojawiła się w osobnych scaleniach — #54371, oparty na UVA offload PLE z równoległością tensorową Engram, 9 września, oraz ścieżka ROCm (#57497) 25 września.

Żadna z tych liczb nie została jeszcze niezależnie zweryfikowana — twierdzenia o 7,6×/4,9× przyspieszeniu dla długiego kontekstu, podawana w poście SGLang wartość dekodowania 540 tok/s, twierdzenie o koszcie treningu wynoszącym „1/9 Qwen3.7-Plus" — i należy je traktować jako zgłoszone przez dostawcę lub społeczność, dopóki nie odtworzy ich neutralny indeks.

Wyścig, aby temu służyć

Oba główne silniki mają w toku prace nad qwen4 — SGLang opublikował wsparcie day-0 w ciągu kilku dni od zapowiedzi z 26 sierpnia, a prace po obu stronach wciąż się nawarstwiają, od rejestracji konfiguracji po inżynierię jąder i pamięci.

• SGLang opublikował post day-0 26 sierpnia we współpracy między SGLang, Aliba​ba, NVIDIA i AMD, dostarczając checkpoint NVFP4 i twierdząc, że osiąga 540 tokenów/s dekodowania przy TP4 na B200 z dekodowaniem spekulacyjnym.

• 27 sierpnia PR do sglang (#36585) dodał natywne wsparcie dla Qwen4-Exp w samym silniku — rejestrując konfigurację Qwen4ExpForConditionalGeneration oraz model tekstowy zbudowany z tych samych elementów: GatedResidual, Gated DeltaNet, rzadkiej uwagi Qwen, PLE i MoE. Nie został scalony: PR pochodzi od współtwórcy niebędącego opiekunem, prace przypisano autonomicznemu agentowi o nazwie Argus, a PR wciąż jest otwarty i czeka na przegląd. Jego punkt zaczepienia można jednak sprawdzić niezależnie — konfiguracja samego Qwen3.8-Flash-Next deklaruje model_type=qwen4_exp, a implementacja referencyjna znajduje się teraz w huggingface/transformers w katalogu models/qwen4_exp.

• 8 września otwarto szkic PR-a sglang (#38492) względem qwen4-main-squashed, gałęzi sglang dedykowanej linii Qwen4/Flash-Next, i ten nie jest rejestracją. Portuje RecoverSSM — ścieżkę odzyskiwania stanu zaakceptowanego, pierwotnie zbudowaną dla Qwen3.8-Flash-Next na SM120 — na potrzeby weryfikacji wielotokenowej predykcji (MTP) tej architektury. Szkice MTP przepływają przez stan rekurencyjny o stałym rozmiarze warstw Gated DeltaNet, a zamiast przechowywać w pamięci każdy pośredni stan spekulacyjny podczas weryfikacji szkicu, silnik rekonstruuje stan zaakceptowany ze stanu zatwierdzonego i zaakceptowanego prefiksu tokenów. Tryb jest opcjonalny (flaga --gdn-mtp-cache-mode none; obecne zachowanie pełnego cache'u pozostaje domyślne) i jest wczesny nawet jak na standardy tej historii: szkic ostatnio zmieniany 14 września, którego obecny head wciąż nie przechodzi dziewięciu swoich kontroli, a własna lista kontrolna autora pozostaje otwarta, zanim będzie można oznaczyć go jako gotowy do przeglądu. Liczy się kierunek — sglang opracowuje ścieżkę serwowania Qwen4, a nie tylko rejestruje jej konfigurację.

• Linia qwen4 w vLLM przeszła od trzech otwartych PR-ów do mieszanego bilansu w tygodniach od pierwszej publikacji tego tekstu. Multimodalny PR frontendu w Rust (#54813) został scalony 1 września. Prace nad PLE-offload zostały scalone w dwóch częściach — #54371 9 września i #57497 25 września — natomiast pierwotny PR PLE-offload (#53899) został zamknięty bez scalenia 21 września. Konfiguracja trafiła od tego czasu do upstreamu: #57387, który przełącza konfigurację i procesor qwen4_exp na implementacje upstreamowe z Transformers, został scalony 2 października. Wciąż otwarty pozostaje PR dotyczący fuse-op, będący tematem tego tekstu (#53909) — obok poprawki błędu bufora pierścieniowego QSA zgłoszonej 1 października (#59528) oraz przebiegu SM86 (Ampere) po 51-miliardowoparametrowej tabeli n-gramów, otwartego od 26 września (#58856), co jest rodzajem pracy, jaką wykonuje się, gdy model jest czymś, co ludzie próbują uruchamiać na starszym sprzęcie, a nie czymś, czego nikt nie uruchomił. Sama konfiguracja qwen4_exp jest zarejestrowana w vLLM jako multimodalna: wieża wizyjna Qwen3-VL w parze z modelem tekstowym Qwen4-Exp.

To wyścig z prawdziwą nagrodą. Silnik, który najlepiej łączy nowe operatory, ustala cenę serwowaną dla generacji Qwen4, ponieważ wydajność jądra — nie surowa liczba parametrów — decyduje o koszcie tokenów w modelu z hybrydową uwagą.

Co tak naprawdę wyszło dzisiaj: Qwen3.8-Flash-Next vs Qwen 4

Warto być precyzyjnym co do dwóch rzeczy w tej historii, ponieważ nazewnictwo odgrywa tu dużą rolę.

• Qwen3.8-Flash-Next jest już dostępny. Otwarte wagi są na Hugging Face i ModelScope na licencji qwen-community-1.0, w wariantach standardowym i FP8; karta modelu rozstrzyga specyfikację — 125B MoE, ~6B aktywnych, 51B tabela n-gramów, 262K kontekstu, multimodalny. To zapowiedź architektury, a nie flagowy model.

• Qwen3.8-Flash to serwowany wariant produkcyjny, który Aliba​ba ogłosiła wraz z nim, wymieniony w Qwe​n Cloud w cenie ¥1 za milion tokenów wejściowych i ¥3 za milion tokenów wyjściowych (około 0,16 / 0,47 USD), z domyślnym kontekstem 1 mln tokenów i wbudowanymi narzędziami. Ceny podane przez dostawcę, jeszcze nie w żadnym niezależnym indeksie.

• Qwe​n 4 nie został jeszcze wydany. Aliba​ba wymieniła wszystkie cztery poziomy 22 września 2026 r. i podała, że rodzina jest w fazie treningu i pojawi się wkrótce — to pierwsza oficjalna informacja o terminie, ale wciąż nie harmonogram. Brak daty, karty i wag dla żadnego z poziomów. Okno, które teraz krąży, to okres od października do początku listopada, i pochodzi z wątków watchlist i stron trackerów, a nie od Aliba​ba: status treningu podaje firma, a termin pochodzi od społeczności. Wrześniowe okno, które krążyło w lipcowym przecieku roadmapy, już minęło, co samo w sobie jest odpowiedzią.

• Na wariant Qwen 4 27B warto zwrócić uwagę nie ze względu na benchmarki: to jedyny wariant w rodzinie z historią udostępniania otwartych wag, a zapowiedziany 27B to coś, wokół czego planują stosy lokalnej inferencji — dlatego brak podziału na rozmiary, licencji i daty ma tu większe znaczenie niż w przypadku flagowca.

Tabela benchmarków w podglądzie — DeepSWE 1.1 z wynikiem 58.7, SWE-bench Pro z wynikiem 62.5, LiveCodeBench v6 z wynikiem 91.9 — pochodzi od producenta i nie została niezależnie zweryfikowana. Planuj w oparciu o architekturę; traktuj wyniki jako obietnicę, a nie pomiar.

Co teraz powinien zrobić programista

Nic w Twoim obecnym stacku nie zmienia się dziś: Qwe​n 4 nie jest nigdzie możliwy do wywołania — Apsara nazwała poziomy i umieściła rodzinę na roadmapie, i nie dostarczyła niczego z tego — a w chwili pisania otwarte wagi Qwen3.8-Flash-Next wciąż nie znajdują się również na naszej własnej liście modeli — najbliższe rzeczy, które dziś udostępniamy, to obsługiwany wariant Qwen3.8 Flash w cenie $0.15/$0.47 za milion tokenów oraz ścieżka otwartych wag Qwen3.8 27B w cenie $0.33/$2.40, co jest najbliższą rzeczą do lokalnie uruchamialnego Qwe​n w katalogu, podczas gdy następna generacja wciąż jest plotką. Linia roadmapy to jedyna rzecz warta przeczytania dwa razy, ponieważ po raz pierwszy Aliba​ba zapisała następną generację na papierze: jeśli Qwe​n 4.5 i Qwe​n 5 rzeczywiście trafią w przedział 5–10 bilionów parametrów, poziom, który w tej generacji możesz sobie pozwolić hostować samodzielnie, ma większe, a nie mniejsze znaczenie. Jeśli chcesz poczuć architekturę, zanim rodzina zostanie wydana, uczciwe ścieżki to samodzielne pobranie wag albo poczekanie, aż podgląd trafi za API. Dla każdego, kto planuje z myślą o poziomie 27B, obowiązuje to samo z jednym dodatkiem: warto go śledzić właśnie dlatego, że jest to poziom najprawdopodobniej uruchamialny bez API, a obecnie jest najmniej doprecyzowanym z czterech.

Gdy Qwen3.8-Flash-Next lub model Qwe​n 4 pojawi się w katalogu dostawcy, koszt przełączenia w OrcaRouter jest praktycznie zerowy: jedno API dla ponad 200 modeli, cena katalogowa dostawcy przekazywana bez marży (0%), a obniżka ceny dostawcy wprowadzona po naszej stronie tego samego dnia. Ten sam endpoint i ten sam klucz, których już używasz do Qwen3.8 Max — dostępny dziś jako qwen/qwen3.8-max w cenie $2.00/$6.00 za milion tokenów, czyli cena katalogowa przekazywana bez marży — to ten sam endpoint, którego użyje wywołanie Qwe​n 4.

W przypadku niesprawdzonej architektury automatyczne przełączanie awaryjne jest właściwym pierwszym krokiem: skieruj część ruchu do nowego modelu z przełączeniem awaryjnym na Qwen3.8 Max (lub dowolny model, którego faktycznie potrzebuje obciążenie) i pozwól swojemu ruchowi zdecydować, czy podgląd spełnia obietnice z karty — to edycja w DSL routingu, a nie przepisanie.

Co oglądamy

To, czy jądra fuse-op zostaną scalone (#53909) — obecnie ostatni z trzech pierwotnych PR-ów qwen4 w vLLM, który wciąż pozostaje otwarty — frontend multimodalny i prace nad PLE-offload już trafiły do kodu, a konfiguracja została wypchnięta do upstreamu. Po stronie sglang zarówno PR obsługi natywnej, jak i szkic RecoverSSM są nadal otwarte. Scalony zestaw jąder to jak dotąd najsilniejszy sygnał, że linia qwen4 znajduje się na krótkoterminowych roadmapach obu runtime'ów.

To, czy qwen4-main-squashed utrwali się w główną linię Qwen4 w sglang — gałąź integracyjną, na której nieustannie lądują prace nad jądrem i pamięcią — to silniejsze zobowiązanie niż pojedynczy PR od kontrybutora, i warto obserwować, co się z nią stanie, gdy flagowy model otrzyma datę premiery.

• Czy ścieżka wizyjna przetrwa do wydania — wpis w rejestrze multimodalnym qwen4_exp oraz integracja z frontendem Rust to pierwszy twardy sygnał, że flagowy model obsługuje wejście obrazowe, a oba znajdują się już w głównym kodzie vLLM, a nie w forku. Otwartym pytaniem pozostaje, czy wydany model zachowa tę wieżę wizyjną.

• Pierwsze niezależne wyniki dla Qwen3.8-Flash-Next, które będą pierwszym testem tego, czy deklaracje o kosztach architektury znajdują potwierdzenie poza dostawcą.

• Data lub karta modelu samego Qwen 4. Rodzina ma teraz nazwy, listę tierów, status szkolenia i miejsce na opublikowanej roadmapie, a żadne z tych rzeczy nie jest harmonogramem. Okno, o którym krąży społeczność, to październik do początku listopada; roadmapa opublikowana przez Alibabę na Apsara nie zawiera żadnych dat, a w Hugging Face nie pojawiło się żadne repozytorium Qwen 4. Następnym prawdziwym sygnałem będzie pierwszy z przypisaną do niego datą — karta modelu, identyfikator API albo wagi.

• W szczególności segment Qwen 4 27B — czy pojawi się z otwartymi wagami według wzorca Qwen3.8-27B, na jakiej licencji i jak szybko podąży za nim ekosystem konwersji i dostrajania.

• Licencja dla tej rodziny — czy Qwen 4 powtórzy schemat Qwen3.8 Max polegający na otwartych wagach na licencji z ograniczeniami użycia, czy też otworzy się jeszcze bardziej.

• Wyścig serwowanych cen na podglądzie, który powie nam, ile tokeny hybrydowej architektury faktycznie kosztują w produkcji.

Najczęściej zadawane pytania

Kiedy pojawi się Qwen 4? Wciąż nie ma daty, a obecnie istnieją dwa oficjalne oświadczenia dotyczące terminu, a nie jedno. Dyrektor generalny Alibaba Group Eddie Wu potwierdził podczas Apsara 22 września 2026 r., że Qwen 4 jest w fazie treningu, a linia następców — Qwen 4.5 i Qwen 5 — jest przewidywana na poziomie od 5 do 10 bilionów parametrów; angielska publikacja Alibaba powtarza oba. Żadne z oświadczeń nie zawiera harmonogramu. Krążyły trzy twierdzenia dotyczące terminu i żadne z nich nie pochodzi od Alibaba: lipcowy wyciek planu rozwoju sugerujący okno na wrzesień 2026 r., które minęło bez premiery; oraz okno od października do początku listopada, które obecnie krąży w postach z listami obserwacyjnymi i na stronach trackerów, co jest interpretacją tempa wydawania przez laboratorium, a nie oświadczeniem samego laboratorium. Premiera Qwen3.8-Flash-Next z 26 sierpnia jest wyraźnie podglądem architektury, a nie flagowym modelem.

Czy Qwen 4 to ten sam model co Qwen3.8-Flash-Next? Nie. Qwen3.8-Flash-Next to wydany model z otwartymi wagami, którego karta określa go jako „Zapowiedź architektury Qwen4”. Qwen 4 to niewydana jeszcze rodzina, którą Alibaba nazwała 22 września — cztery poziomy, brak opublikowanych specyfikacji — architektura jest wspólna, ale produkt już nie.

Czy mogę dziś używać Qwe​n 4? Nie — nic nie kieruje ruchu do modelu, który nie ma wag ani API, a ogłoszenie z 22 września tego nie zmieniło. Najbliższe rzeczy, których naprawdę możesz dotknąć, to otwarte wagi Qwen3.8-Flash-Next wydane 26 sierpnia albo API Qwen3.8 Max, dostępne na OrcaRouter w cenie $2.00/$6.00 za milion tokenów.

Kernel jest przekazem — a ogłoszenie z 22 września, mimo całego czasu na scenie, go nie nadpisało. vLLM nie poświęca cykli przeglądów na budowanie kernelów Triton dla rodzin operatorów, które spodziewa się porzucić, a Alibaba nie publikuje podglądu architektury, którą również spodziewa się porzucić. Między wciąż otwartym PR-em „qwen4 fuse op”, wersją zapoznawczą Qwen3.8-Flash-Next wydaną 26 sierpnia, wpisem qwen4_exp, który obecnie znajduje się w rejestrze mainline vLLM — z jego konfiguracją wysłaną do upstreamu i scaloną integracją multimodalną — pracami nad PLE-offload, które we wrześniu trafiły zarówno na CUDA, jak i ROCm, oraz szkicowym PR-em sglang otwartym 8 września, który wciąż dostraja pamięć SM120 dla ścieżki multi-token-prediction tej linii, kształt następnej generacji Qwen nie jest już plotką — jest zapisany w kernelach i ścieżkach pamięci, które dwa runtime'y budują dla niej. To, co dodała Apsara, to nazwa dla każdego poziomu, status treningu i przedział parametrów dla następnej generacji po niej. To, co społeczność dodała od tego czasu, to okno czasowe, a nie fakt: od października do początku listopada, z tych samych wątków monitorujących. Alibaba nie opublikowała ani jednego, ani drugiego. Planuj z myślą o architekturze; nie stawiaj na daty.