A Alibaba disponibiliza o Qwen3-Next em código aberto, um modelo de IA mais rápido, que custa menos e funciona em hardware de consumo

Um modelo mais rápido e mais barato, orientado para programadores e empresas

A Alibaba Cloud lançou uma família de modelos de linguagem de grande dimensão em código aberto, sob uma nova arquitetura designada Qwen3-Next. O modelo principal, Qwen3-Next-80B-A3B, apresenta 80 mil milhões de parâmetros, mas introduz escolhas de conceção que permitem que o sistema funcione muito mais rápido e a um custo muito inferior ao dos modelos Qwen anteriores. A Alibaba afirma que o treino do novo modelo base exigiu menos de um décimo da capacidade de computação utilizada no Qwen3-32B, um antecessor denso lançado em abril, enquanto a nova série iguala a qualidade do modelo Qwen3-235B, de maiores dimensões, em muitas tarefas.

A Alibaba disponibilizou os modelos aos programadores em código aberto, com download e acesso API através dos principais centros de modelos e da sua própria nuvem. A empresa posiciona o Qwen como um ecossistema de programadores em rápido crescimento. Essa estratégia alinha-se com uma tendência mais ampla dos grupos chineses de IA em publicar modelos de alta qualidade que outros possam inspecionar e sobre os quais possam construir, um caminho que pode alargar a adoção sem depender de infraestruturas centralizadas de grande escala.

Para além das afirmações sobre a eficiência de treino, o Qwen3-Next também incide na velocidade e no desempenho de contexto longo em tempo de inferência. Nos testes partilhados pela Alibaba, a arquitetura apresenta um rendimento mais de 10 vezes superior para prompts com mais de 32 000 tokens, em comparação com versões anteriores do Qwen. A janela de contexto chega aos 256 000 tokens e, em algumas configurações, pode ser alargada para 1 milhão de tokens. Isto torna os modelos mais confortáveis com documentos do tamanho de um livro, grandes repositórios de código e outras cargas de entrada pesadas.

O que o Qwen3-Next muda por baixo do capô

Esta geração introduz vários ingredientes que se estão a tornar ferramentas padrão para a IA avançada. O núcleo é uma Mixture of Experts (MoE) dispersa, uma conceção em que muitas pequenas redes especializadas são treinadas e apenas algumas são utilizadas para cada token. O Qwen3-Next combina isso com um mecanismo de atenção híbrida para lidar com sequências longas, previsão de múltiplos tokens para acelerar a geração e correções de treino que controlam a instabilidade na aprendizagem por reforço (RL). No modelo Qwen3-Next-80B-A3B-Base, apenas cerca de 3 mil milhões de parâmetros estão ativos em cada passo, ainda que o modelo tenha um total de 80 mil milhões de parâmetros.

A Alibaba afirma que o modelo base atinge uma qualidade semelhante, e por vezes superior, à do denso Qwen3-32B, utilizando menos de 10 por cento das suas horas de GPU para treino. Em inferência, a arquitetura mantém a capacidade de computação baixa sem comprometer a capacidade, razão pela qual a equipa reporta acelerações significativas em contextos longos e um melhor perfil de custos tanto para hardware de nível cloud como para hardware de consumo.

Mixture of Experts em linguagem simples

Numa Mixture of Experts, a rede aprende muitos submodelos especializados chamados especialistas. Um módulo de controlo ligeiro decide que especialistas invocar para cada token. O Qwen3-Next utiliza uma configuração de elevada dispersão, o que significa que apenas uma pequena fração dos especialistas é ativada de cada vez. Os relatórios referem 512 especialistas com 10 ativos por token em algumas camadas. Isto torna a fatura de computação e memória de cada passagem para a frente comparável à de uma rede densa muito mais reduzida, enquanto o conjunto total de especialistas confere ao modelo uma grande capacidade global.

A contrapartida é a complexidade acrescida durante o treino e a necessidade de agendamento para garantir que os especialistas se mantêm equilibrados. A Alibaba afirma que resolveu problemas de estabilidade que surgem frequentemente quando se combinam MoE dispersas com afinação de estilo RL. Para os programadores, o aspeto importante é que o custo de execução escala com o número de parâmetros ativos, e não com a contagem total de parâmetros.

Atenção híbrida e contexto longo

As camadas de atenção são as partes de um transformer que permitem ao modelo olhar através dos tokens de entrada e decidir o que é relevante. A atenção padrão torna-se dispendiosa à medida que as entradas ficam mais longas, uma vez que o custo escala com o quadrado do comprimento da sequência. O Qwen3-Next mistura atenção padrão com métodos que aproximam o contexto de forma mais enxuta, descritos pela equipa como Gated DeltaNet combinado com atenção clássica. O resultado é mais rendimento em entradas longas e menos desacelerações à medida que os prompts crescem. A Alibaba reporta um rendimento mais de 10 vezes superior para comprimentos de contexto além dos 32 000 tokens, uma janela de 256 000 tokens por predefinição e um caminho de extensão até 1 milhão de tokens em casos especiais. A equipa refere também ganhos de escala quase lineares em alguns regimes, incluindo até cerca de 7 vezes mais velocidade no prefill e cerca de 4 vezes mais velocidade no decode em contextos mais curtos.

Previsão de múltiplos tokens e decodificação

A previsão de múltiplos tokens tenta adivinhar vários tokens seguintes de uma só vez e corrige depois caso a suposição esteja errada. Combinada com a decodificação especulativa, esta abordagem reduz o número de passagens para a frente dispendiosas necessárias para transmitir uma resposta. O Qwen3-Next suporta esta abordagem e integra-se com pilhas de inferência populares como SGLang e vLLM, o que ajuda a manter baixa a latência em serviços em produção. A equipa menciona também Zero Centered RMSNorm e outras escolhas de otimização que estabilizam o treino. O efeito líquido, quando combinado com a MoE dispersa, é uma geração mais rápida sem um pesado sacrifício de qualidade.

Duas variantes de modelo para instruções e raciocínio

No lançamento, a Alibaba forneceu dois modelos pós-treinados sobre a rede base. O Qwen3-Next-80B-A3B-Instruct destina-se ao seguimento de instruções do dia a dia, ao chat e à utilização de ferramentas. Nos testes da empresa, desempenha-se próximo do modelo de referência com 235 mil milhões de parâmetros em muitas tarefas gerais e mostra força quando o prompt contém um contexto muito longo, até 256 000 tokens.

O Qwen3-Next-80B-A3B-Thinking foi afinado para o raciocínio complexo. A Alibaba destaca pontuações que excedem os seus próprios modelos Qwen3 de gama intermédia e que superam o fechado Gemini 2.5 Flash Thinking em vários benchmarks escolhidos para avaliação. A empresa cita um resultado de 60,8 por cento no SuperGPQA, um conjunto de testes difícil de nível de pós-graduação. Os benchmarks são sinais úteis, mas os compradores devem realizar os seus próprios testes em cargas de trabalho específicas do domínio, incluindo programação, geração aumentada por recuperação, matemática e planeamento em múltiplos passos.

Velocidade, custo e pegada de hardware

Os ganhos principais dizem respeito ao dinheiro e ao tempo. A Alibaba afirma que o treino do modelo base terminou com menos de 10 por cento da fatura de computação do Qwen3-32B. Em inferência, apenas cerca de 3 mil milhões de parâmetros estão ativos por token, pelo que o modelo pode responder com menor pressão sobre a memória GPU e menor consumo de energia. Isto resulta numa menor pegada de hardware para um determinado nível de serviço, ou num maior rendimento de pedidos na mesma configuração.

Para prompts longos, a arquitetura sobressai. A Alibaba reporta ganhos de rendimento de uma ordem de grandeza para entradas com mais de 32 000 tokens e melhorias sólidas também em sequências mais curtas, incluindo cerca de 7 vezes mais velocidade no prefill e cerca de 4 vezes mais velocidade no decode em alguns testes. Com uma janela de 256 000 tokens, os analistas podem introduzir contratos inteiros, transcrições ou grandes ficheiros de código num único pedido e pedir depois ao modelo que resuma, compare ou gere alterações. A empresa sublinha que a nova série foi afinada para funcionar bem em hardware de consumo, pelo que protótipos avançados já não exigem grandes clusters.

Disponibilidade e acesso

Os modelos Qwen3-Next são publicados para acesso alargado. Estão listados em centros de modelos comuns como Hugging Face e ModelScope e também estão disponíveis através do Alibaba Cloud Model Studio para implementação gerida. Os utilizadores podem invocar pontos de extremidade alojados ou descarregar pesos para inferência local. A série é também acessível através do NVIDIA API Catalog, e algumas variantes são espelhadas no Kaggle para facilitar a experimentação.

O lançamento surge ao lado de utilitários como o Qwen3-ASR-Flash, um componente de transcrição de voz que suporta 11 línguas principais, segundo a equipa. A Alibaba encoraja os programadores a consultar os termos de licença de cada modelo, especialmente para uso de grande tráfego ou comercial, e a testar depois com os seus próprios conjuntos de dados e cargas de trabalho. O suporte para frameworks de inferência como SGLang e vLLM, juntamente com padrões de ativação amigáveis para o hardware, deve encurtar o caminho desde uma demonstração até um serviço fiável.

Como isto redefine a concorrência na IA

A iniciativa sublinha uma disputa mais ampla entre laboratórios globais para tornar modelos poderosos amplamente utilizáveis a custo mais baixo. As empresas chinesas estão a investir fortemente em IA de código aberto como forma de disseminar a adoção e alcançar os concorrentes ocidentais em capacidade. A Alibaba afirma que o ecossistema Qwen se tornou uma das maiores comunidades de código aberto para programadores. O grupo apresentou também o Qwen3-Max, um modelo com mais de 1 bilião de parâmetros que classificou recentemente em sexto lugar no ranking de chatbots LMArena, alojado por investigadores. Para além da Alibaba, empresas como DeepSeek e Meituan estão a lançar modelos e serviços competitivos.

Modelos base mais baratos e mais rápidos importam porque a capacidade de computação é escassa e dispendiosa. Os limites de exportação de chips avançados acrescentam pressão na China e, mesmo nos Estados Unidos e na Europa, muitas equipas enfrentam escassez de GPUs. As arquiteturas que mantêm a maioria dos parâmetros inativos durante a inferência abrem a porta a que laboratórios mais pequenos, startups e universidades executem modelos de alta qualidade em servidores modestos. Os investidores estão atentos, com a performance das ações da Alibaba a melhorar este ano à medida que a empresa se recentra na cloud e na IA. Os efeitos concorrenciais difundir-se-ão à medida que mais organizações adotarem a IA de código aberto nos fluxos de trabalho diários.

Benchmarks, transparência e avaliação cuidadosa

Os rankings de modelos são úteis, mas podem ocultar contrapartidas. Os números de velocidade variam consoante o tamanho do lote, o framework, a quantização e o hardware. A precisão varia consoante o domínio, o estilo do prompt e a presença de ferramentas como interpretadores de código ou recuperação. Os testes dos fornecedores também escolhem os seus próprios conjuntos. Os testes independentes por parte de grupos da comunidade e de clientes tendem a dar uma imagem mais completa de pontos fortes e falhas.

As equipas que avaliam o Qwen3-Next devem verificar mais do que uma pontuação num único benchmark. Meçam a precisão em contextos longos, a utilização de ferramentas, a fiabilidade em matemática e código e o comportamento do modelo sob restrições de segurança. Acompanhem o uso de memória e o rendimento nos comprimentos de contexto que vos interessam. Se a vossa aplicação depende de respostas fundamentadas, combinem o modelo com recuperação e verifiquem os rastros de evidência. Se precisam de uma cadeia de pensamento consistente, comparem a variante Thinking com a vossa stack atual.

Casos de uso e setores com probabilidade de beneficiar

O Qwen3-Next parece concebido para aplicações que exigem contexto longo, respostas rápidas e controlo rigoroso de custos. As equipas jurídicas e financeiras podem analisar grandes conjuntos de documentos e criar resumos personalizados que preservam as citações. Os responsáveis pelo apoio ao cliente podem unificar bases de conhecimento e longos guias de resolução de problemas num único assistente que raciocina através de milhares de páginas. As equipas de software podem introduzir repositórios e logs para ajudar na revisão de código, no refatoramento e na geração de testes.

Os investigadores podem carregar artigos extensos e conjuntos de dados para comparar métodos e resultados. Os fornecedores de media e educação podem transcrever e traduzir áudio com o Qwen3-ASR-Flash e usar depois o modelo de linguagem para criar guias de estudo ou esboços de conteúdo. Os governos e os setores regulados que exigem implementação on-premises beneficiam da capacidade de executar um modelo competente em servidores de consumo, com monitorização cuidadosa, registo de auditoria e filtros de conteúdo.

Em resumo

• A Alibaba lançou o Qwen3-Next e disponibilizou em código aberto a família Qwen3-Next-80B-A3B.
• O treino utilizou menos de 10 por cento da capacidade de computação do Qwen3-32B, igualando-o ou superando-o nos testes.
• Apenas cerca de 3 mil milhões dos 80 mil milhões de parâmetros estão ativos por token, graças à Mixture of Experts dispersa.
• Os ganhos de rendimento ultrapassam as 10 vezes para prompts acima de 32 000 tokens, com uma janela de contexto de 256 000 tokens.
• A extensão até 1 milhão de tokens está disponível em algumas configurações, com acelerações reportadas de prefill e decode em contextos mais curtos.
• Duas variantes pós-treinadas cobrem o seguimento de instruções e o raciocínio complexo, com testes da empresa que superam alguns equivalentes fechados.
• Os modelos estão disponíveis no Hugging Face, ModelScope, Alibaba Cloud Model Studio e no NVIDIA API Catalog.
• O acesso em código aberto e as menores exigências de hardware alargam a adoção entre startups, empresas e grupos de investigação.