Alibaba disponibiliza o Qwen3-Next como código aberto: um modelo de IA mais rápido, mais barato e que roda em hardware de consumo

Um modelo mais rápido e barato voltado a desenvolvedores e empresas

A Alibaba Cloud lançou uma família de modelos de linguagem de grande porte de código aberto baseada em uma nova arquitetura chamada Qwen3-Next. O modelo principal, Qwen3-Next-80B-A3B, tem 80 bilhões de parâmetros, mas traz escolhas de design que permitem ao sistema rodar muito mais rápido e a um custo bem menor do que os modelos Qwen anteriores. Segundo a Alibaba, o treinamento do novo modelo-base exigiu menos de um décimo do poder computacional usado no Qwen3-32B, um modelo denso anterior lançado em abril, enquanto a nova série alcança qualidade comparável à do modelo maior Qwen3-235B da empresa em muitas tarefas.

A Alibaba disponibilizou os modelos como código aberto para desenvolvedores, com opções de download e acesso por API nos principais hubs de modelos e em sua própria nuvem. A empresa apresenta o Qwen como um ecossistema de desenvolvedores em rápido crescimento. Essa estratégia acompanha uma tendência mais ampla entre grupos chineses de IA, que publicam modelos de alta qualidade para que terceiros possam inspecioná-los e desenvolvê-los, ampliando a adoção sem depender de uma infraestrutura centralizada de grande porte.

Além das alegações de eficiência no treinamento, o Qwen3-Next busca oferecer velocidade e bom desempenho com contexto longo durante a inferência. Em testes divulgados pela Alibaba, a arquitetura alcança uma taxa de processamento mais de 10 vezes maior em prompts com mais de 32.000 tokens, na comparação com versões anteriores do Qwen. A janela de contexto chega a 256.000 tokens e, em algumas configurações, pode ser ampliada para 1 milhão de tokens. Isso facilita o trabalho com documentos do tamanho de livros, grandes repositórios de código e outras cargas de trabalho com entradas extensas.

O que muda nos bastidores do Qwen3-Next

Esta geração introduz vários componentes que estão se tornando ferramentas padrão em IA avançada. O núcleo é uma Mistura Esparsa de Especialistas (MoE, na sigla em inglês), um design em que várias redes especializadas menores são treinadas, mas apenas algumas são usadas para cada token. O Qwen3-Next combina essa abordagem com um mecanismo híbrido de atenção para lidar com sequências longas, previsão de múltiplos tokens para acelerar a geração e ajustes no treinamento que reduzem a instabilidade no aprendizado por reforço (RL, na sigla em inglês). No modelo Qwen3-Next-80B-A3B-Base, apenas cerca de 3 bilhões de parâmetros ficam ativos em cada etapa, embora o modelo tenha 80 bilhões de parâmetros no total.

A Alibaba afirma que o modelo-base alcança qualidade semelhante à do Qwen3-32B denso e, em alguns casos, superior, usando menos de 10% das horas de GPU necessárias para treiná-lo. Durante a inferência, a arquitetura mantém baixo o consumo computacional sem perder capacidade, o que explica os ganhos expressivos de velocidade relatados para contextos longos e o melhor perfil de custos tanto na nuvem quanto em hardware de consumo.

Como funciona a Mistura de Especialistas

Em uma Mistura de Especialistas, a rede aprende vários submodelos especializados, chamados especialistas. Um módulo leve de roteamento decide quais especialistas acionar para cada token. O Qwen3-Next usa um nível alto de esparsidade, o que significa que apenas uma pequena parcela dos especialistas é ativada de cada vez. Segundo relatos, algumas camadas contam com 512 especialistas, dos quais 10 são ativados por token. Isso torna o custo computacional e de memória de cada passagem direta comparável ao de uma rede densa muito menor, enquanto o conjunto completo de especialistas dá ao modelo uma grande capacidade total.

A contrapartida é uma complexidade maior durante o treinamento e a necessidade de escalonamento para garantir o equilíbrio entre os especialistas. A Alibaba afirma ter resolvido problemas de estabilidade que costumam surgir ao combinar MoE esparsa com ajustes finos no estilo de aprendizado por reforço. Para os desenvolvedores, o ponto principal é que o custo de execução varia de acordo com o número de parâmetros ativos, e não com a quantidade total de parâmetros.

Atenção híbrida e contexto longo

As camadas de atenção permitem que um modelo examine os tokens de entrada e determine o que é importante. A atenção convencional fica mais cara à medida que as entradas aumentam, pois seu custo cresce com o quadrado do comprimento da sequência. O Qwen3-Next combina atenção convencional com métodos que aproximam o contexto de forma mais enxuta, descritos pela equipe como Gated DeltaNet combinada com atenção clássica. O resultado é uma taxa de processamento maior para entradas longas e menos lentidão conforme os prompts aumentam. A Alibaba relata uma taxa de processamento mais de 10 vezes maior para contextos acima de 32.000 tokens, uma janela padrão de 256.000 tokens e a possibilidade de chegar a 1 milhão de tokens em casos especiais. A equipe também relata ganhos de escala quase lineares em alguns cenários, incluindo uma aceleração de até cerca de 7 vezes na pré-computação (prefill) e de cerca de 4 vezes na decodificação 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, depois, corrige o resultado se a previsão estiver errada. Combinada à decodificação especulativa, ela reduz o número de passagens diretas dispendiosas necessárias para gerar uma resposta em fluxo contínuo. O Qwen3-Next oferece suporte a essa abordagem e se integra a stacks de inferência populares, como SGLang e vLLM, o que ajuda a reduzir a latência em serviços de produção. A equipe também menciona o Zero Centered RMSNorm e outras opções de otimização que estabilizam o treinamento. O efeito geral, em conjunto com a MoE esparsa, é uma geração mais rápida sem grande perda de qualidade.

Duas versões de modelo para seguir instruções e raciocinar

No lançamento, a Alibaba apresentou dois modelos ajustados após o treinamento, baseados na rede original. O Qwen3-Next-80B-A3B-Instruct é voltado a seguir instruções no dia a dia, conversar e usar ferramentas. Nos testes da empresa, seu desempenho se aproxima do modelo principal de 235 bilhões de parâmetros em muitas tarefas gerais, e ele se destaca quando o prompt contém um contexto muito longo, de até 256.000 tokens.

O Qwen3-Next-80B-A3B-Thinking foi ajustado para raciocínios complexos. A Alibaba destaca resultados superiores aos de seus próprios modelos Qwen3 intermediários e ao Gemini 2.5 Flash Thinking, de código fechado, em vários benchmarks selecionados para avaliação. A empresa cita um resultado de 60,8% no SuperGPQA, um conjunto de testes difícil, de nível de pós-graduação. Os benchmarks são indicadores úteis, mas os compradores devem realizar seus próprios testes em cargas de trabalho específicas de cada área, incluindo programação, geração aumentada por recuperação, matemática e planejamento em várias etapas.

Velocidade, custo e requisitos de hardware

Os principais ganhos dizem respeito tanto ao custo quanto ao tempo. A Alibaba afirma que o treinamento do modelo-base foi concluído com menos de 10% do poder computacional necessário para o Qwen3-32B. Na inferência, apenas cerca de 3 bilhões de parâmetros ficam ativos por token, permitindo que o modelo responda com menor pressão sobre a memória da GPU e menor consumo de energia. Isso reduz os requisitos de hardware para oferecer um determinado nível de serviço ou permite processar mais solicitações na mesma configuração.

A arquitetura se destaca em prompts longos. A Alibaba relata ganhos de uma ordem de magnitude na taxa de processamento de entradas com mais de 32.000 tokens e melhorias expressivas também em sequências mais curtas, incluindo uma aceleração de cerca de 7 vezes na pré-computação e de cerca de 4 vezes na decodificação em alguns testes. Com uma janela de 256.000 tokens, analistas podem inserir contratos inteiros, transcrições ou grandes arquivos de código em uma única solicitação e pedir ao modelo que faça resumos, comparações ou alterações. A empresa enfatiza que a nova série foi otimizada para funcionar bem em hardware de consumo, de modo que protótipos avançados não exigem mais grandes clusters.

Disponibilidade e acesso

Os modelos Qwen3-Next foram publicados para amplo acesso. Eles estão disponíveis em hubs de modelos conhecidos, como Hugging Face e ModelScope, e também no Alibaba Cloud Model Studio para implantação gerenciada. Os usuários podem acessar endpoints hospedados ou baixar os pesos para executar o modelo localmente. A série também está disponível pelo NVIDIA API Catalog, e algumas versões podem ser encontradas no Kaggle para facilitar a experimentação.

O lançamento vem acompanhado de ferramentas como o Qwen3-ASR-Flash, um componente de transcrição de fala que, segundo a equipe, oferece suporte a 11 idiomas importantes. A Alibaba recomenda que os desenvolvedores consultem os termos de licença de cada modelo, especialmente para uso comercial ou com alto volume de tráfego, e depois façam testes com seus próprios conjuntos de dados e cargas de trabalho. O suporte a frameworks de inferência como SGLang e vLLM, junto com padrões de ativação compatíveis com hardware, deve encurtar o caminho entre uma demonstração e um serviço confiável.

Como isso redefine a competição em IA

A iniciativa destaca uma disputa mais ampla entre laboratórios de todo o mundo para tornar modelos poderosos mais acessíveis e baratos. Empresas chinesas estão investindo fortemente em IA de código aberto para ampliar a adoção e alcançar concorrentes ocidentais em capacidade. A Alibaba afirma que o ecossistema Qwen se tornou uma das maiores comunidades de desenvolvedores de código aberto. O grupo também apresentou uma prévia do Qwen3-Max, modelo com mais de 1 trilhão de parâmetros que recentemente ficou em sexto lugar no ranking de chatbots LMArena, mantido por pesquisadores. Além da Alibaba, empresas como DeepSeek e Meituan também estão lançando modelos e serviços competitivos.

Modelos-base mais baratos e rápidos são importantes porque o poder computacional é escasso e caro. As restrições à exportação de chips avançados aumentam a pressão na China, e mesmo nos Estados Unidos e na Europa muitas equipes enfrentam falta de GPUs. Arquiteturas que mantêm a maioria dos parâmetros inativos durante a inferência abrem caminho para que laboratórios menores, startups e universidades executem modelos de alta qualidade em servidores modestos. Investidores estão atentos: as ações da Alibaba tiveram melhor desempenho neste ano, à medida que a empresa voltou a concentrar esforços em nuvem e IA. Os efeitos da concorrência devem se ampliar conforme mais organizações adotem IA de código aberto em suas atividades diárias.

Benchmarks, transparência e avaliação cuidadosa

Os rankings de modelos são úteis, mas podem ocultar contrapartidas. Os números de velocidade variam conforme o tamanho do lote, o framework, a quantização e o hardware. A precisão varia de acordo com o domínio, o estilo do prompt e a presença de ferramentas, como interpretadores de código ou sistemas de recuperação. Os fornecedores também escolhem seus próprios conjuntos de testes. Avaliações independentes feitas por comunidades e clientes tendem a oferecer um panorama mais completo dos pontos fortes e das limitações.

As equipes que avaliarem o Qwen3-Next devem ir além da pontuação em um único benchmark. Devem medir a precisão com contexto longo, o uso de ferramentas, a confiabilidade em matemática e programação e o comportamento do modelo diante de restrições de segurança. Também devem acompanhar o uso de memória e a taxa de processamento nos comprimentos de contexto relevantes. Se a aplicação depender de respostas fundamentadas, é importante combinar o modelo com sistemas de recuperação e verificar as evidências utilizadas. Se for necessário um raciocínio encadeado consistente, vale comparar a versão Thinking com a stack atual.

Casos de uso e setores que podem se beneficiar

O Qwen3-Next parece ter sido desenvolvido para aplicações que exigem contexto longo, respostas rápidas e controle rigoroso de custos. Equipes jurídicas e financeiras podem analisar grandes conjuntos de documentos e criar resumos personalizados que preservem as citações. Líderes de atendimento ao cliente podem reunir bases de conhecimento e longos guias de solução de problemas em um único assistente capaz de raciocinar com base em milhares de páginas. Equipes de software podem fornecer repositórios e registros ao modelo para ajudar na revisão e refatoração de código e na geração de testes.

Pesquisadores podem enviar artigos extensos e conjuntos de dados para comparar métodos e resultados. Empresas de mídia e educação podem transcrever e traduzir áudio com o Qwen3-ASR-Flash e, em seguida, usar o modelo de linguagem para criar guias de estudo ou esboços de conteúdo. Governos e setores regulados que exigem implantação local se beneficiam da possibilidade de executar um modelo robusto em servidores de consumo, com monitoramento cuidadoso, registros de auditoria e filtros de conteúdo.

Em resumo

• A Alibaba lançou o Qwen3-Next e disponibilizou como código aberto a família Qwen3-Next-80B-A3B.
• O treinamento usou menos de 10% do poder computacional necessário para o Qwen3-32B, igualando ou superando seu desempenho nos testes.
• Graças à Mistura Esparsa de Especialistas, apenas cerca de 3 bilhões dos 80 bilhões de parâmetros ficam ativos por token.
• Os ganhos de taxa de processamento superam 10 vezes em prompts com mais de 32.000 tokens, e a janela de contexto chega a 256.000 tokens.
• Em algumas configurações, é possível ampliar o contexto para 1 milhão de tokens, e há ganhos relatados de velocidade na pré-computação e na decodificação em contextos mais curtos.
• Duas versões ajustadas após o treinamento atendem a tarefas de seguimento de instruções e raciocínio complexo, com testes da empresa indicando desempenho superior ao de alguns concorrentes de código fechado.
• Os modelos estão disponíveis no Hugging Face, no ModelScope, no Alibaba Cloud Model Studio e no NVIDIA API Catalog.
• O acesso de código aberto e os menores requisitos de hardware ampliam a adoção entre startups, empresas e grupos de pesquisa.