# Qwen3.8-flash-next: cái nhìn đầu tiên về kiến trúc qwen4 và hiệu suất tối ưu

Đăng ngày: 2026-08-28

Tôi vẫn luôn để mắt đến những mô hình mã nguồn mở (open weights) từ Qwen, và lần này họ lại mang đến một cái tên đáng chú ý: Qwen3.8-Flash-Next. Điều đặc biệt ở đây là đây là một mô hình MoE (Mixture-of-Experts) đa phương thức, đồng thời đóng vai trò như một bản xem trước sớm cho kiến trúc mà họ sẽ sử dụng trong Qwen4. Dù tổng cộng có đến 125 tỷ tham số (tokens), chỉ 6 tỷ trong số đó hoạt động cùng lúc, một con số ấn tượng giúp mô hình đạt được hiệu suất vượt trội đáng kể. Trong quá trình thử nghiệm trên một thiết bị DGX Spark, tôi đã sử dụng các mô hình được lượng tử hóa từ Unsloth để đánh giá Qwen3.8-Flash-Next. Tôi đã trải nghiệm bản UD-IQ1_S dung lượng 72.5GB, và nó đã tạo ra những hình ảnh chim bồ nông rất chân thực. Một phiên bản khác là UD-Q2_K_XL, nặng 78.9GB, thì có khả năng tạo ra hình ảnh chim bồ nông cưỡi xe đạp với độ chi tiết cao. Tuy nhiên, điều làm tôi ấn tượng nhất là khả năng suy luận "xhigh reasoning effort" từ bản UD-Q2_K_XL này. Việc Qwen tiếp tục đẩy mạnh các mô hình MoE với kiến trúc tinh gọn như Qwen3.8-Flash-Next cho thấy một xu hướng rõ ràng trong ngành AI: không chỉ chạy đua về quy mô tham số, mà còn tối ưu hóa hiệu suất và chi phí vận hành. Với việc chỉ kích hoạt một phần nhỏ tham số (6 tỷ trên 125 tỷ) nhưng vẫn giữ được sức mạnh và khả năng đa phương thức, đây là một bước đi quan trọng để các mô hình tiên tiến trở nên thực tế và dễ tiếp cận hơn cho nhiều doanh nghiệp. Nó mở ra cánh cửa cho việc triển khai AI mạnh mẽ mà không cần đến nguồn lực khổng lồ như trước, đồng thời cho thấy sự trưởng thành trong cách chúng ta xây dựng và sử dụng trí tuệ nhân tạo.

Canonical: https://www.tungpham.vn/blog/qwen38-flash-next-cai-nhin-dau-tien-ve-kien-truc-qwen4-va-hieu-suat-toi-uu