半沐

Qwen3.8が「日単位」で進化を実現する方法について、現時点で公開されている情報を踏まえると、その中核となるメカニズムは主に、高頻度の自動アップデート、アーキテクチャの基盤における動的アクティベーション、そしてエージェント（Agent）スキルの夜間検証の3点に集約されます。具体的には以下の通りです：

1. 高頻度自動化による重みとリンク更新
Qwen3.8は、従来の単発の大規模リリース方式を打ち破り、高頻度での自動反復イテレーションの仕組みを構築しました。チームによれば、モデルは毎日深夜に自動で重みを更新し、48時間ごとに推論チェーンの最適化をリフレッシュ、さらに毎週新しいマルチモーダルのアラインメント能力を配信します。これにより、モデルのアップグレードは「常に進行している生中継」のようなものになります。

2. 動的専門家ルーティングと階層型メモリキャッシュのアーキテクチャ
基盤となるアーキテクチャでは、Qwen3.8は従来のスパース活性化の定番パターンを捨て、「動的専門家ルーティング＋階層型メモリキャッシュ」のハイブリッド構成を採用しています。この設計により、2.4Tパラメータが動的に動作し、モデルは実行時に「積み上げただけの巨大な怪物」ではなく、「呼吸し、反省し、取捨選択ができる知的エージェント」になるのだといいます。このアーキテクチャ層の最適化が、高頻度イテレーションのための技術的基盤を提供しています。

3. エージェント（Agent）スキルの「夜間進化と検証」メカニズム
具体的には、Agentタスクの実行レイヤーで、Qwenシリーズ（例：Qwen3-Max）は「集団的なスキル進化プロセス」を用いています。このメカニズムでは、ユーザーの実際のインタラクション会話を構造化されたエビデンスに変換し、Evolverが分析して候補となるアップデートを生成します。これらの候補スキルはそのまま即導入されるのではなく、「夜間検証段階」に入ります。実際の環境で旧スキルと新候補スキルを同時に実行し、新スキルが全体のタスク成功率と実行の安定性の点で旧スキルを確実に上回る場合にのみ採用・デプロイされます。これにより、デプロイ済みのスキルプールが時間とともに劣化せず、継続的に安定した性能向上を実現します。

4. プレビュー版の継続テストと後トレーニング
現在リリースされている Qwen3.8-Max のプレビュー版モデルは、「日」を単位として継続的に進化しています。分析によれば、基盤となるパラメータの小規模アップデートが継続的に行われていることは、モデルが最終的な4.0の正式版リリースに向けて、集中的な後トレーニング（Post-training）を実施している可能性を示しています。

アリババも最近ついています。中鑫の浮き益が1300億、今日はKimi k3がランキング入りし、アリババは株式の36%を保有しています。さらに一部は、計算能力（コンピューティング）サービスの形で参加する投資でもあります。

Kimiが香港株に上場したら、流通株数が少なくなる可能性があり、アリババやメイトゥアン、テンセント、小紅書も投資しています。時価総額は智恵集団（ジプズ）を超えるかもしれません。そうなれば、アリババが稼ぐ金額は、長鑫で稼いだ金額を上回り、そのうちこの2つだけでもアリババの時価総額の20%を稼ぐことになります。

Source: @lianyanshe on X
#Crypto #Web3

月之暗面創始者ヤン・ジーリンの功績

一、学術面：グローバルな大規模モデルの長文テキストの基盤を確立（最も価値が高い長期資産を含む）

1. Transformer-XL（2018、共同第一著者）

- 中核的ブレイクスルー：元のTransformerが固定されたコンテキスト・ウィンドウを持ち、長距離のテキスト依存を捉えられないという致命的欠陥を解決。断片（スニペット）を巡回する記憶メカニズムを導入。
​
- 業界的意義：現在のあらゆる長コンテキスト大規模モデルの技術源流の一つ。Claude、Kimi、GPTシリーズの長文最適化ソリューションが、この発想を大量に参照しています。これがなければ、100万Token級の長文モデルについて語ることはほぼ不可能であり、のちにKimiが超長文書を主力とするための理論的な土台にもなっています。

2. XLNet（2019、第一著者、Google Brainと共同で発表）

- 中核的ブレイクスルー：BERTのマスク付き事前学習における情報の偏りの問題を解決し、並べ替え（順列）言語モデリングを採用。主要なNLP評価20項目すべてでBERTを上回りました。
​
- 歴史的地位：業界で、BERTの後における事前学習モデルとして最も重要な進展の一つだと広く認められています。NeurIPS Oralに採択。論文引用数は数万回にのぼり、中国人研究者の基礎NLP領域における影響力が最も強い仕事の一つでもあります。

3. その他の学術的貢献

- チューリング賞受賞者Bengioと共同でHotpotQA多輪推論の質問応答データセットを構築；
​
- CMU博士を4年で取得（通常の学制は6年）。Appleの元AI責任者Salakhutdinovに師事。のちにGoogle Brain、Meta FAIRでインターンし、初期のGemini、Bardの事前研究に参画；
​
- 国内の35歳以下のNLP領域における論文の総引用数で、長期間第一グループのトップに位置。

月之暗面創始者ヤン・ジーリンの功績

一、学術面：グローバルな大規模モデルの長文テキストの基盤を確立（最も価値が高い長期資産を含む）

1. Transformer-XL（2018、共同第一著者）

- 中核的ブレイクスルー：元のTransformerが固定されたコンテキスト・ウィンドウを持ち、長距離のテキスト依存を捉えられないという致命的欠陥を解決。断片（スニペット）を巡回する記憶メカニズムを導入。
​
- 業界的意義：現在のあらゆる長コンテキスト大規模モデルの技術源流の一つ。Claude、Kimi、GPTシリーズの長文最適化ソリューションが、この発想を大量に参照しています。これがなければ、100万Token級の長文モデルについて語ることはほぼ不可能であり、のちにKimiが超長文書を主力とするための理論的な土台にもなっています。

2. XLNet（2019、第一著者、Google Brainと共同で発表）

- 中核的ブレイクスルー：BERTのマスク付き事前学習における情報の偏りの問題を解決し、並べ替え（順列）言語モデリングを採用。主要なNLP評価20項目すべてでBERTを上回りました。
​
- 歴史的地位：業界で、BERTの後における事前学習モデルとして最も重要な進展の一つだと広く認められています。NeurIPS Oralに採択。論文引用数は数万回にのぼり、中国人研究者の基礎NLP領域における影響力が最も強い仕事の一つでもあります。

3. その他の学術的貢献

- チューリング賞受賞者Bengioと共同でHotpotQA多輪推論の質問応答データセットを構築；
​
- CMU博士を4年で取得（通常の学制は6年）。Appleの元AI責任者Salakhutdinovに師事。のちにGoogle Brain、Meta FAIRでインターンし、初期のGemini、Bardの事前研究に参画；
​
- 国内の35歳以下のNLP領域における論文の総引用数で、長期間第一グループのトップに位置。

#kimi k3#
月之暗面共同創始者が、オープンソースのkimi k3を公開する予定です。うわ、世界一の大規模言語モデルがオープンソースになるなんて、これがopen ai、claude codeのようなクローズド陣営を殺し尽くさないわけがないでしょう。$BABA

#kimi k3#
月之暗面共同創始者が、オープンソースのkimi k3を公開する予定です。うわ、世界一の大規模言語モデルがオープンソースになるなんて、これがopen ai、claude codeのようなクローズド陣営を殺し尽くさないわけがないでしょう。$BABA