Alibaba a officiellement publié les poids du modèle Qwen3.8-Flash-Next, offrant aux développeurs un premier aperçu et un outil d’évaluation pour la future architecture Qwen4. Conçu pour gérer des flux de travail computationnels et génératifs complexes, ce modèle multimodal s’accompagne de configurations de test matérielles haut de gamme, utilisant notamment l’infrastructure NVIDIA GB300 NVL72 spécifiquement adaptée aux tâches avancées de codage agentique.
Avancées architecturales et conception par mélange d’experts (MoE)
Le nouveau modèle de prévisualisation dévoilé s’appuie sur une architecture sophistiquée de mélange d’experts multimodal (MoE) conçue pour concilier performance brute et efficacité d’exécution. En séparant l’échelle totale des paramètres du calcul actif par jeton, le modèle gère des boucles de raisonnement exigeantes sans imposer de pénalités de latence excessives.
- Échelle principale du modèle : 125 milliards de paramètres constituant le cœur fondamental.
- Embeddings N-gram : 51 milliards de paramètres supplémentaires dédiés à l’efficacité structurelle.
- Paramètres actifs : Seuls 6 milliards de paramètres sont activés par jeton lors de l’inférence.
- Fenêtre contextuelle native : Une capacité contextuelle native massive de 262 144 jetons.
- Contexte étendu : Extensible jusqu’à 1 000 000 de jetons pour l’analyse de référentiels de grande taille.
Alimenter le codage agentique sur NVIDIA GB300 NVL72
Alors que l’automatisation de l’ingénierie logicielle s’oriente vers des flux de travail agentiques autonomes, les grands modèles de langage doivent traiter simultanément des bases de code entières, des bibliothèques de documentation et des boucles de rétroaction d’exécution. L’association de Qwen3.8-Flash-Next et de la plateforme de pointe NVIDIA GB300 NVL72 offre la mémoire à haute bande passante et la puissance de traitement parallèle nécessaires pour maintenir ces actions d’agents en plusieurs étapes de manière fluide.
Les développeurs et chercheurs désireux d’explorer les capacités de l’aperçu de l’architecture Qwen4 peuvent accéder aux poids du modèle pour évaluer la génération de code, la correction d’erreurs et la navigation logicielle autonome sous de lourdes charges de travail.
Source : Article original
