今天，阿里通义千问发布了下一代基础模型 Qwen3-Next，该模型已经首发上线 PPIO！

Qwen3-Next 系列采用了“混合注意力机制”——引入业内前沿的“线性注意力机制”，与经典的“全注意力机制”混搭使用，该架构专为极长上下文和超大规模参数性能而优化。

现在，PPIO 上线了 Qwen3-Next-80B-A3B-Instruct 和 Qwen3-Next-80B-A3B-Thinking 两款模型，前者为非思考模型，后者为思考模型，上下文长度为 64K。

价格方面，Qwen3-Next-80B-A3B-Instruct 每百万输入 tokens 1 元、每百万输出 tokens 10 元；Qwen3-Next-80B-A3B-Thinking 每百万输入 tokens 1 元，每百万输出 tokens 4 元。

前往 PPIO 官网或点击文末阅读原文即可体验，新用户填写邀请码【LYYQD1】注册可得 15 元代金券。

快速入口：

https://ppio.com/llm/qwen-qwen3-next-80b-a3b-instruct

https://ppio.com/llm/qwen-qwen3-next-80b-a3b-thinking

# 01 

Qwen3-Next 的架构创新

Qwen3-Next 系列代表了 Qwen 系列下一代的基础模型，专为极长上下文和超大规模参数性能而优化。

这一系列引入了一套架构创新，旨在最大化性能的同时最小化计算成本：

• 混合注意力（Hybrid Attention）：用 Gated DeltaNet 与 Gated Attention 组合替代标准注意力，实现高效上下文建模。

• 高稀疏度 MoE：在 MoE 层中实现 1:50 的极低激活比，大幅减少每个 token 的 FLOPs，同时保留模型容量。

• 多 Token 预测（MTP）：提升预训练模型性能，加快推理速度。

• 训练稳定性友好设计：包括零中心和带权衰减的 LayerNorm、Gated Attention，以及其他稳定性增强手段。

基于这一架构，Qwen 训练并开源了 Qwen3-Next-80B-A3B——总参数 800 亿，但仅 30 亿处于激活状态，实现了极端稀疏性与高效率。

尽管极度高效，Qwen3-Next 在下游任务上的表现仍优于 Qwen3-32B —— 同时训练成本却不到十分之一。

此外，在处理超过 32K tokens 的长上下文时，它的推理吞吐量比 Qwen3-32B 高出 10 倍以上。

# 02 

如何在 PPIO 使用？

我们将 PPIO Qwen3-Next 的模型 API 接入  Cherry Studio 进行体验。

提示词 1：

请用三种不同的身份回答同一个问题：

• 身份1：物理学博士

• 身份2：中学老师

• 身份3：科幻小说作家

问题：量子计算与经典计算的根本差异是什么？

该问题测试 MoE 路由是否能覆盖不同领域的知识，Qwen3-Next-80B-A3B-Instruct 的回答如下：

提示词2：

某工厂有三个机器：A、B、C。

• A 生产 40 个零件，每个零件有 20% 概率次品。

• B 生产 60 个零件，每个零件有 10% 概率次品。

• C 生产 100 个零件，每个零件有 5% 概率次品。

问题：如果我从总产出里随机抽一个零件，结果是次品，那么它来自机器 A 的概率是多少？请详细推理。

该问题测试模型的推理能力是否因为 MoE 的稀疏化受影响，Qwen3-Next-80B-A3B-Thinking 的回答如下：

现在，你可以到 PPIO 官网在线体验 Qwen3-Next ，或者将模型 API 接入 Cherry Studio、ChatBox 或者你自己的 AI项目中。

查看详细接入教程：

https://ppio.com/docs/model/overview

PPIO 致力于为企业及开发者提供高性能的模型 API 服务，目前已上线 DeepSeek R1/V3、Qwen3、Kimi K2 等系列模型，仅需一行代码即可调用。并且，经过长期实践，PPIO 已经实现大模型推理的 10 倍+ 降本，实现推理效率与资源使用的动态平衡。

---

最后送一份福利：PPIO 整理了 20 余篇 Agent 相关的白皮书 & Blog，无论你作为开发者参考业内最前沿的 Agent 开发经验，还是作为 AI 爱好者学习最前沿的 Agent 趋势，都可以扫码下载。