阿里通义近日发布全新基础模型架构Qwen3-Next，同步开源Qwen3-Next-80B-A3B系列模型。该架构通过创新设计，在总参数800亿规模中仅激活30亿参数，即可达到千亿参数模型Qwen3-235B的性能水平，实现计算效率的革命性突破。实验数据显示，新模型训练成本较Qwen3-32B降低超90%，长文本处理吞吐量提升10倍以上，为大模型训练与推理树立全新效率标杆。
针对大模型参数规模与上下文长度持续扩展的趋势，Qwen3-Next在架构层面进行多项突破性改进。相较于4月发布的Qwen3 MoE模型，新架构引入混合注意力机制、超高稀疏度MoE结构、训练稳定性优化方案及多token预测（MTP）技术。其中，高稀疏MoE架构将专家激活比例从1:16压缩至1:50，创下行业新纪录。这种设计使模型在保持高性能的同时，显著降低计算资源消耗。
在模型训练方面，通义团队采用分阶段优化策略。基础模型Qwen3-Next-Base在15万亿token的子数据集上完成预训练，仅消耗Qwen3-32B模型9.3%的GPU资源，却实现更优性能。后续通过强化学习训练攻克稳定性与效率平衡难题，推动模型综合能力实现质的飞跃。测试结果显示，指令模型Qwen3-Next-Instruct在编程（LiveCodeBench v6）、人类偏好对齐（Arena-Hard v2）等任务中超越旗舰模型Qwen3-235B，在通用知识（SuperGPQA）、数学推理（AIME25）等核心能力上全面领先Qwen3-32B。
推理模型Qwen3-Next-Thinking的表现同样亮眼，在数学推理AIME25评测中取得87.8分的优异成绩，全面超越Gemini2.5-Flash-Thinking。值得关注的是，这些突破性性能的达成，仅需激活模型总参数的3.75%。这种"小参数、大能力"的特性，为大规模商业应用提供了更具性价比的技术方案。
在长文本处理能力建设上，Qwen3-Next对Transformer核心组件进行重构。通过融合Gated DeltaNet线性注意力与自研门控注意力机制，新架构在保持内存效率的同时，将计算复杂度降至传统方法的1/5。配合预训练阶段引入的多token预测技术，模型在处理超32K tokens长文本时，推理速度较Qwen3-32B提升10倍以上，为处理复杂任务奠定技术基础。
近期阿里通义在模型研发领域持续发力，相继推出万亿参数Qwen3-Max-Preview、文生图编辑模型Qwen-Image-edit、语音识别模型Qwen3-ASR-Flash等产品，并深化"全尺寸、全模态"开源战略。据全球最大AI开源社区HuggingFace统计，基于通义千问Qwen的衍生模型已超过17万个，稳居全球开源模型榜首。市场调研机构沙利文报告显示，2025年上半年中国企业级大模型调用市场中，阿里通义以17.7%的占比领跑行业。
