阿里千问 AI 平台推出 Qwen3-Max-Flash 模型 采用全新混合注意力架构

阿里旗下千问 AI 平台于 8 月 27 日正式推出 Qwen3-Max-Flash 模型，定位为多模态混合专家（MoE）架构，主打极致性价比。官方公布的最新定价为：输入每百万 Tokens 收费 RMB¥0.80 (约 HK$0)、输出每百万 Tokens 收费 RMB¥2.70 (约 HK$2)、快取命中每百万 Tokens 收费 RMB¥0.10 (约 HK$0)。

Qwen3-Max-Flash 采用全新混合注意力架构

Qwen3-Max-Flash 采用与过往千问大型模型截然不同的下一代（Next）架构，总参数量达千亿级别，但每次推论仅激活 60 亿（6B）参数，号称刷新全球模型效率基准。在注意力机制方面，模型引入独创的 QSA（Qwen Sparse Attention）稀疏注意力机制，与 GDN 形成高效融合的混合注意力架构，于高快取命中、1M Tokens 长上下文场景下，运算速度较传统方案提升 8 倍以上，同时兼顾准确度。

在内部分层通讯方面，模型采用自研 Gated Residual 方法，把传统 Transformer 单一信息主通道拆分成 4 条独立通道，让模型按需求动态决定读写路径，信息传递更高效，训练稳定性亦同步提升。此设计改变了过往单一通道造成的瓶颈，使大规模训练时的梯度流通更为顺畅。

51B N-gram Embedding 提升参数扩展效率

在参数扩展层面，模型额外引入 51B 的 N-gram Embedding 参数，为 Transformer 主干提供高效的查表定位功能。该参数在每次 Token 计算时无需即时激活，仅以极低资源消耗“外挂”一个大规模记忆指南手册，大幅提升模型参数扩展效率，并降低训练成本。通过这种解耦设计，模型得以在维持推论速度的同时，把更多世界知识预载至静态参数之中。

调参方面，Qwen3-Max-Flash 采取模型结构与后期优化协同推进的策略，令收敛效率及训练吞吐量均显著提升。综合上述技术，新模型在编程、Agent 等真实任务场景中，能以更低单价提供高效推理服务，为企业级应用提供更具成本效益的选项。