阿里千問 AI 平台推出 Qwen3-Max-Flash 模型　採用全新混合注意力架構

阿里旗下千問 AI 平台於 8 月 27 日正式推出 Qwen3-Max-Flash 模型，定位為多模態混合專家（MoE）架構，主打極致性價比。官方公佈的最新定價為：輸入每百萬 Tokens 收費 RMB¥0.80 (約 HK$0)、輸出每百萬 Tokens 收費 RMB¥2.70 (約 HK$2)、快取命中每百萬 Tokens 收費 RMB¥0.10 (約 HK$0)。

Qwen3-Max-Flash 採用全新混合注意力架構

Qwen3-Max-Flash 採用與過往千問大型模型截然不同的下一代（Next）架構，總參數量達千億級別，但每次推論僅激活 60 億（6B）參數，號稱刷新全球模型效率基準。在注意力機制方面，模型引入獨創的 QSA（Qwen Sparse Attention）稀疏注意力機制，與 GDN 形成高效融合的混合注意力架構，於高快取命中、1M Tokens 長上下文場景下，運算速度較傳統方案提升 8 倍以上，同時兼顧準確度。

在內部分層通訊方面，模型採用自研 Gated Residual 方法，把傳統 Transformer 單一資訊主通道拆分成 4 條獨立通道，讓模型按需求動態決定讀寫路徑，資訊傳遞更高效，訓練穩定性亦同步提升。此設計改變了過往單一通道造成的瓶頸，使大規模訓練時的梯度流通更為順暢。

51B N-gram Embedding 提升參數擴展效率

在參數擴展層面，模型額外引入 51B 的 N-gram Embedding 參數，為 Transformer 主幹提供高效的查表定位功能。該參數在每次 Token 計算時無需即時激活，僅以極低資源消耗「外掛」一個大規模記憶指南手冊，大幅提升模型參數擴展效率，並降低訓練成本。透過這種解耦設計，模型得以在維持推論速度的同時，把更多世界知識預載至靜態參數之中。

調參方面，Qwen3-Max-Flash 採取模型結構與後期優化協同推進的策略，令收斂效率及訓練吞吐量均顯著提升。綜合上述技術，新模型在編程、Agent 等真實任務場景中，能以更低單價提供高效推理服務，為企業級應用提供更具成本效益的選項。