Enver KOÇAK
Alibaba’nın Qwen ekibi, Ağustos 2026’nın sonunda Qwen3.8-Flash-Next modelini Hugging Face’te yayımladı. Model, Qwen ailesinin verimlilik odaklı yeni üyelerinden biri. Ağırlıkların paylaşıldığı koleksiyon 26 Ağustos’ta güncellendi; model kartında ise kesin bir gün değil, yalnızca Ağustos 2026 tarihi geçiyor. Bu yazıda modelin mimarisini ve şirketin paylaştığı sonuçları özetliyoruz.
Ne Değişti?
Qwen3.8-Flash-Next, görüntü kodlayıcısı olan bir dil modeli. Yani metnin yanında görsel girdiyi de işleyebiliyor. Dil modeli bölümünde toplam 125 milyar parametre bulunuyor, ancak her token için bunların yalnızca 6 milyarı devreye giriyor. Buna ek olarak 51 milyar parametrelik bir n-gram gömme katmanı ve 4 milyar parametrelik çoklu token tahmin bileşeni var.
Uzmanlar karışımı katmanlarında 512 uzman bulunuyor ve her token için 10 yönlendirilmiş uzman ile 1 ortak uzman çalışıyor. Bu kadar düşük etkin parametre oranı, modelin büyük bir bilgi kapasitesini görece düşük işlem maliyetiyle sunmasını amaçlıyor.
Mimarinin dikkat çeken bir başka yanı karma dikkat yapısı. Katmanların çoğunda Gated DeltaNet adlı doğrusal dikkat yöntemi kullanılırken, her dört bloktan birinde Qwen Sparse Attention adlı seyrek dikkat devreye giriyor. Bu tasarım, uzun metinlerde bellek ve hız yükünü azaltmayı hedefliyor.
Bağlam uzunluğu doğal olarak 262.144 token. Model kartına göre bu sınır 1 milyon tokena kadar genişletilebiliyor. Eğitimde Muon ve AdamW optimizasyon yöntemlerinin birlikte kullanıldığı da belirtiliyor.
Ölçüm Sonuçları
Qwen ekibinin paylaştığı sonuçlar özellikle yazılım ve ajan görevlerinde iddialı. SWE-bench Pro’da 62,5, çok dilli SWE-bench’te 81,0 ve LiveCodeBench v6’da 91,9 puan bildiriliyor. Bilimsel akıl yürütmeyi ölçen GPQA Diamond’da sonuç 91,7.
Görsel tarafta, Android arayüzünde görev tamamlamayı ölçen AndroidWorld’de 84,5 ve gerçek dünya görsel sorularını ölçen RealWorldQA’da 88,5 sonuç açıklandı. Bu rakamların tamamı Qwen’in kendi ölçümleri; bağımsız testler sonuçları farklı gösterebilir.
Karşılaştırma için bir referans noktası vermek gerekirse, Mistral’in Ekim başında duyurduğu çok daha büyük Large 4 modeli için DeepSWE v1.1’de yüzde 61,7 bildirilmişti. Qwen3.8-Flash-Next aynı testte 58,7 puan alıyor. Elbette iki şirketin ölçüm koşulları aynı olmayabilir; bu yüzden bu tür karşılaştırmaları kaba bir gösterge olarak görmek daha doğru. Yine de etkin parametre sayısı çok daha düşük bir modelin bu seviyeye yaklaşması, verimlilik odaklı mimarilerin ne kadar ilerlediğini gösteriyor.
Kimi İlgilendiriyor?
Yüksek etkin parametre maliyeti ödemeden güçlü bir kodlama ve ajan modeli arayan geliştiriciler için Qwen3.8-Flash-Next ilgi çekici bir seçenek. Model ayrıca FP8 biçiminde ayrı bir sürümle de sunuluyor; bu, belleği sınırlı donanımlarda çalıştırmayı kolaylaştırıyor.
Ancak toplam boyut hâlâ büyük. Hugging Face, modelin toplam boyutunu 180 milyar parametre olarak listeliyor. Bu yüzden yerel kurulum için güçlü bir sunucu gerekiyor. Lisans olarak qwen-community-1.0 kullanılıyor; kurumsal kullanımdan önce koşullarını incelemek gerekiyor.
Türkiye’den Kullanıcılar İçin
Model kartında Türkçeye özel bir değerlendirme bulunmuyor. Çok dilli kodlama testindeki yüksek sonuç umut verici olsa da Türkçe metin görevlerinde başarıyı kendi örneklerinizle ölçmeniz gerekiyor. Modeli kendi altyapısında çalıştırmak isteyen Türk şirketleri için en büyük avantaj, verinin kurum dışına çıkmaması. Bu, özellikle kişisel veri işleyen ve KVKK yükümlülüklerine dikkat eden kurumlar için önemli bir ayrıntı.
Kaynaklar
Bu yazı, yukarıdaki kaynaklardan yapay zekâ yardımıyla Türkçe olarak derlenmiş bir özettir. Ayrıntılar ve resmi bilgi için kaynaklara başvurun.
