阿里Qwen3-Next发布，训练成本暴降90%，速度飙升10倍，性能把谷歌Gemini干懵了

阿里通义团队正式发布并开源了下一代基础模型架构Qwen3-Next，以及基于这个架构的Qwen3-Next-80B-A3B系列模型。这玩意儿有多炸裂呢？一个总参数量高达800亿的巨无霸模型，跑起来的时候居然只激活区区30亿参数，性能却能直接对标自家2350亿参数的旗舰版大哥，甚至在好几个硬核测试里，把谷歌的Gemini-2.5-Flash-Thinking给甩在了身后。

在大家还在为飞涨的算力成本和无限膨胀的模型规模头疼时，Qwen3-Next用一套骚操作告诉世界：咱们可以“用更少的资源干更多的事儿”，给AI的可持续发展指了条明路。

Qwen3-Next模型的训练成本，比起自家的密集模型Qwen3-32B，直接打了个骨折，大降超过90%。而在处理长文本的推理上，吞吐量更是提升了10倍不止，给未来大模型的“省钱”和“加速”立下了一个全新的标杆。

这波技术操作，属实是把牙膏挤爆了

Qwen3-Next这套架构，可以说是当前大模型设计的“天花板”之一了，它的牛X之处主要体现在四个“黑科技”上：混合注意力机制、高稀疏MoE (混合专家)结构、训练稳定性优化以及多Token预测机制。正是这四大金刚，合力撑起了Qwen3-Next那变态的效率。

传统的Transformer架构处理长文章时，计算量会暴增，跟滚雪球似的，脑子转不过来。后来有人搞了线性注意力，处理长文是快了，但记忆力又不太行，容易忘事。Qwen3-Next就想了个绝妙的点子：我全都要！它把Gated DeltaN