Comment Qwen3.8 parvient à évoluer « à l’échelle d’une journée » : en s’appuyant sur les informations publiques disponibles à l’heure actuelle, son mécanisme central se reflète principalement dans trois aspects : des mises à jour automatisées à haute fréquence, une activation dynamique à la base de l’architecture, et la validation nocturne des compétences des agents (Agent). Voici les détails :
1. Poids automatisés à haute fréquence et mises à jour des liaisons
Qwen3.8 rompt avec le modèle traditionnel de publication unique à grande échelle et met en place un mécanisme d’itération automatisé à haute fréquence. D’après des informations partagées par l’équipe, le modèle met à jour automatiquement ses poids chaque jour à l’aube, rafraîchit une fois toutes les 48 heures l’optimisation des chaînes d’inférence et publie chaque semaine de nouvelles capacités d’alignement multimodal. Ce mécanisme fait de la mise à niveau du modèle un véritable « live » en continu.
2. Routage dynamique des experts et architecture hybride de cache de mémoire en couches
Au niveau de l’architecture de base, Qwen3.8 abandonne les schémas traditionnels d’activation clairsemée et adopte une architecture hybride « routage dynamique des experts + cache de mémoire en couches ». Cette conception permet à 2,4 T de paramètres de fonctionner dynamiquement : en exécution, le modèle n’est pas un monstre empilé, mais un agent capable de « respirer », de « réfléchir » et de faire des choix. Cette optimisation au niveau de l’architecture constitue la base technique des itérations à haute fréquence.
3. Mécanisme d’« évolution nocturne et validation » des compétences de l’agent (Agent)
Au niveau d’exécution concret des tâches d’agent, la série Qwen (par exemple Qwen3-Max) applique un « processus d’évolution collective des compétences ». Ce mécanisme transforme les conversations d’interaction réelles des utilisateurs en preuves structurées : Evolver analyse les schémas et génère des mises à jour candidates. Ces compétences candidates ne sont pas déployées immédiatement : elles entrent dans une « phase de validation nocturne ». Dans un environnement réel, l’ancien et le nouveau candidat s’exécutent simultanément ; le nouveau n’est accepté et déployé que s’il surpasse clairement l’ancien en termes de taux de réussite global des tâches et de stabilité d’exécution. Cela garantit que le pool de compétences déjà déployées ne se dégrade pas avec le temps, assurant ainsi une amélioration continue et stable des performances.
4. Tests continus de la version préliminaire et post-entraînement
À l’heure actuelle, le modèle de version préliminaire Qwen3.8-Max mis en ligne évolue continuellement « à l’échelle d’une journée ». Des analyses indiquent que, comme il s’agit de petits sous-modèles dont les paramètres de base sont mis à jour en continu, le modèle pourrait suivre un post-entraînement intensif (Post-training), en vue de la sortie de la version officielle 4.0.
1. Poids automatisés à haute fréquence et mises à jour des liaisons
Qwen3.8 rompt avec le modèle traditionnel de publication unique à grande échelle et met en place un mécanisme d’itération automatisé à haute fréquence. D’après des informations partagées par l’équipe, le modèle met à jour automatiquement ses poids chaque jour à l’aube, rafraîchit une fois toutes les 48 heures l’optimisation des chaînes d’inférence et publie chaque semaine de nouvelles capacités d’alignement multimodal. Ce mécanisme fait de la mise à niveau du modèle un véritable « live » en continu.
2. Routage dynamique des experts et architecture hybride de cache de mémoire en couches
Au niveau de l’architecture de base, Qwen3.8 abandonne les schémas traditionnels d’activation clairsemée et adopte une architecture hybride « routage dynamique des experts + cache de mémoire en couches ». Cette conception permet à 2,4 T de paramètres de fonctionner dynamiquement : en exécution, le modèle n’est pas un monstre empilé, mais un agent capable de « respirer », de « réfléchir » et de faire des choix. Cette optimisation au niveau de l’architecture constitue la base technique des itérations à haute fréquence.
3. Mécanisme d’« évolution nocturne et validation » des compétences de l’agent (Agent)
Au niveau d’exécution concret des tâches d’agent, la série Qwen (par exemple Qwen3-Max) applique un « processus d’évolution collective des compétences ». Ce mécanisme transforme les conversations d’interaction réelles des utilisateurs en preuves structurées : Evolver analyse les schémas et génère des mises à jour candidates. Ces compétences candidates ne sont pas déployées immédiatement : elles entrent dans une « phase de validation nocturne ». Dans un environnement réel, l’ancien et le nouveau candidat s’exécutent simultanément ; le nouveau n’est accepté et déployé que s’il surpasse clairement l’ancien en termes de taux de réussite global des tâches et de stabilité d’exécution. Cela garantit que le pool de compétences déjà déployées ne se dégrade pas avec le temps, assurant ainsi une amélioration continue et stable des performances.
4. Tests continus de la version préliminaire et post-entraînement
À l’heure actuelle, le modèle de version préliminaire Qwen3.8-Max mis en ligne évolue continuellement « à l’échelle d’une journée ». Des analyses indiquent que, comme il s’agit de petits sous-modèles dont les paramètres de base sont mis à jour en continu, le modèle pourrait suivre un post-entraînement intensif (Post-training), en vue de la sortie de la version officielle 4.0.