Qwen3 Next Flash实测：Qwen4架构预览模型深度评测

阿里巴巴近日发布了通义千问系列的重磅预览模型——Qwen3 Next Flash。这不仅仅是又一次常规迭代，而是即将到来的Qwen4系列模型底层架构的首次公开预览。YouTube科技博主Bijan Bowen第一时间对其进行了深度实测，涵盖了从视觉理解到复杂3D游戏生成的多项高难度任务。本文将结合这次实测，剖析Qwen3 Next Flash的能力边界与技术亮点。

Qwen3 Next Flash的混合专家架构：Ngram嵌入如何降低显存压力

Qwen3 Next Flash采用了混合专家（MoE）架构，其参数配置相当有意思：主模型为1250亿参数，其中激活参数仅60亿，此外还额外挂载了一个510亿参数的Ngram嵌入表。

混合专家架构是近年来大模型领域最重要的效率突破之一。传统的稠密（Dense）模型在推理时会激活全部参数，而MoE模型将前馈网络层拆分为多个并行的"专家"子网络，每次推理时通过一个门控（Gating）机制只激活其中少数几个专家。这意味着模型可以拥有极大的总参数量——赋予其更强的知识容量和表达能力——但实际计算量仅与被激活的专家数成正比。Google的Switch Transformer（2021年）是早期代表，而Mistral的Mixtral 8x7B则让MoE架构在开源社区真正流行起来。Qwen3 Next Flash的1250亿总参数与60亿激活参数之间约20:1的比例，是一个相当激进的稀疏度设计，意味着推理成本被压缩到了极致。

这里最值得关注的技术创新在于Ngram嵌入的处理方式。Ngram（N元语法）是自然语言处理中的经典概念，指连续出现的N个词或字符的组合。Qwen3 Next Flash创新性地将Ngram嵌入表作为模型的辅助组件——模型根据当前上下文中的局部词组合直接检索预存的向量表示，而非通过神经网络层逐步计算。由于查表操作本质上是内存访问而非矩阵乘法，它几乎不消耗GPU算力，却能显著扩展模型的词汇和语义覆盖面。模型通过这种本地上下文查表来扩展模型容量，而这部分几乎不需要额外的计算开销。更关键的是，这个嵌入表可以被卸载到主机内存（CPU RAM），并通过异步预取与模型计算重叠执行。

所谓异步预取（Asynchronous Prefetching），是一种经典的计算机系统优化技术：在当前计算任务执行的同时，提前将下一步所需的数据从较慢的存储层（如CPU内存）加载到较快的存储层（如GPU显存）。这样数据传输的延迟就被"隐藏"在计算时间内，不会造成GPU空转等待。在Qwen3 Next Flash的设计中，510亿参数的Ngram嵌入表驻留在CPU RAM中，模型在GPU上执行当前层计算的同时，异步地将下一步需要查询的嵌入向量预取到GPU显存——这种流水线式的设计使得巨大的嵌入表不占用宝贵的GPU显存，却几乎不影响推理速度。

这意味着什么？表面上看，1760亿参数的MoE模型对普通用户而言几乎是天方夜谭。但由于Ngram嵌入部分明确设计为可卸载到CPU内存，实际对GPU显存的压力大大减轻。用博主的话说，这是一种既减轻了大GPU负担、又提升了模型能力的巧妙设计——当然你依然需要足够大的系统内存来承载。

从可访问性来看，该模型已在Hugging Face上开放权重，Unsloth更是提供了零日（day-zero）支持。Unsloth团队专注于提供高质量的量化转换和推理优化，其"零日支持"意味着模型发布当天即可获得优化的量化版本，这对开源社区的快速采用至关重要。其4-bit量化版本（Q4K XL）约111GB——Q4K是llama.cpp生态中的一种分组量化方案，对不同层根据重要性采用不同的量化精度，在压缩率和精度损失之间取得了良好的平衡。API定价也颇具竞争力：输入每百万token仅0.16美元，输出0.47美元，属于相当便宜的价位区间。

视觉能力实测：像素级复刻精准度令人震撼

博主首先进行的是经典的"浏览器操作系统"测试，但这次加入了多模态元素——给模型一张参考截图，要求它进行像素级复刻，同时还要实现GTA克隆游戏、程序化壁纸、邮件客户端等一整套功能。

结果令博主直呼"难以置信"。他表示这是迄今为止见过的最清晰的图像复刻，没有之一。为了完成这个任务，模型甚至将源图像切片、生成热力图、进行并排对比，以确保能够更精准地实现像素级还原。

生成的桌面系统充满了细节彩蛋：邮件客户端里藏着关于游戏、meta信息的创意文案（"记得多买几张软盘"这样的自嘲式便签），日历、计算器、屏保设置等应用一应俱全。屏保的视觉风格甚至刻意做成了与参考图同时代的复古效果，而非现代UI，这种对时代美学的把握相当细腻。

C++ 3D赛车游戏生成：禁用Raylib仍媲美GPT-5.2 Pro

在C++ 3D低多边形拉力赛游戏测试中，博主特意禁止模型使用Raylib库，以增加难度并避免"刷分"的可能性——因为这个任务几乎没有现成参考。

Raylib是一个轻量级的跨平台游戏开发库，以C语言编写并提供C++绑定，封装了OpenGL图形渲染、音频播放、输入处理等底层功能。在AI编程能力评测中，Raylib因其简洁直观的API设计，常常成为模型的"拐杖"——大量训练数据中包含Raylib示例代码，模型可以轻松组合这些模式生成看似完整的游戏。禁用Raylib意味着模型必须直接操作更底层的图形API（如原生OpenGL），或从零实现渲染管线、物理模拟等模块，这对代码生成能力的考验要严苛得多。

结果堪称惊艳：生成的赛车游戏可以漂移、可以撞车，赛道有水面、有地形起伏，看台上甚至有观众在观看比赛，还配备了小地图和速度表。博主注意到一个有趣的细节：赛车在一档时会撞到转速限制器而"发抖"，因为它没有换挡——这种物理拟真度相当到位。

为了凸显这一成绩的含金量，博主直接对比了GPT-5.2 Pro（其Pro版本性能明显更强）的同类C++赛车游戏结果。说个细节，GPT-5.2 Pro还用了Raylib库，而Qwen3 Next Flash是在禁用Raylib的更难条件下完成的，两者对比之下Qwen的表现"完全令人印象深刻"。博主强调，这对于"可在本地系统合理运行的智能民主化"不能忽视。

主动调用Blender+Godot：AI工具链选择的自主意识

在1980年代美学风格的3D摔跤游戏测试中，Qwen3 Next Flash展现了惊人的主动性。提示词并未指定技术栈，但模型主动检测系统中是否安装了Godot和Blender，随后决定用Blender制作资产、用Godot搭建游戏，而非选择更省事的Three.js方案。

Blender是全球最流行的开源3D建模、动画和渲染软件，广泛用于游戏资产制作、影视特效和建筑可视化。Godot则是一个开源的跨平台游戏引擎，支持2D和3D游戏开发，以其轻量级和MIT许可证著称。AI模型主动选择Blender+Godot而非Three.js（一个基于WebGL的JavaScript 3D库），意味着它识别到了任务的复杂度——Three.js适合快速的浏览器内3D演示，但对于需要精细建模、骨骼绑定和完整游戏逻辑的项目，Blender制作资产+Godot组装游戏是更专业的工作流。这种"工具选择的自主判断"反映了模型对软件工程实践的深层理解。

博主偷看了模型在Blender中生成的角色渲染图后，形容其"绝对令人震惊"——模型认真地为摔跤手建模肌肉、服装，甚至摆出战斗姿势，还包括了裁判角色和完整的选手名单。尽管这些模型看起来有些"惊悚"，但其投入的工作量确实令人印象深刻。

然而理想丰满、现实骨感。当真正运行游戏时，问题浮现：擂台中央出现巨大的白色色块难以调试，摔跤手在擂台启动时会穿过地板掉落。博主坦言"潜力巨大，但目前还不到100%"。这也印证了预览模型的定位——架构方向清晰，但细节仍需打磨。

空间理解仍是短板：3D房间渲染暴露Qwen系列弱点

在"根据房间参考照片用Blender创建等距视角场景"的测试中，Qwen3 Next Flash暴露了一个一贯的弱点。

模型聪明地将源照片切片，直接用作场景中的贴图纹理——比如墙上的画作和苹果历史海报，都是复用了照片贴图，甚至捕捉到了角落中不易察觉的紫色光效、PC机的RGB灯光、CPU散热器上的光点等细节。

但整体场景的空间组织却相当混乱：整个场景被"翻转"了，PC的位置放错了墙面，线缆垂到了地上。博主指出："Qwen模型在空间理解方面似乎一直存在某种问题。"这里的"空间理解"指的是模型从2D图像中推断3D空间布局的能力——包括物体之间的相对位置关系、深度排列、遮挡关系以及房间的整体几何结构。这种能力要求模型不仅能识别图像中"有什么"，更要理解"在哪里"以及"如何排列"，属于计算机视觉中较为高阶的推理任务。相比之下，DeepSeek V4 Flash在这项任务上虽然单个元素细节不如Qwen，但整体空间还原更准确。

本地4-bit量化运行实测：Unsloth Q4K M版Subway FPS验证

博主还在本地硬件上运行了Unsloth的Q4K M量化版本进行Subway FPS测试。运行环境为RTX Pro 6000显卡搭配Threadripper处理器和128GB DDR5内存。

RTX Pro 6000是NVIDIA面向专业工作站的旗舰GPU，拥有96GB GDDR7显存，基于Blackwell架构。AMD Threadripper是面向高端工作站的多核处理器平台，通常提供64-96核心和8通道DDR5内存支持。128GB DDR5内存在这个场景中至关重要——前文提到的510亿参数Ngram嵌入表需要卸载到CPU内存，加上4-bit量化后的主模型约111GB，以及操作系统和推理框架本身的内存开销，128GB已接近运行极限。

本地运行的原生上下文被限制在262K token，而通过Qwen Cloud则可达100万token。KV Cache（键值缓存）随上下文长度线性增长，更长的上下文意味着更多的显存和内存消耗，这也是本地部署的主要瓶颈之一。测试过程中系统一度因内存膨胀（进程占用达12GB导致系统冻结）而崩溃，但重启后模型仍能恢复并产出可运行的成果。生成的FPS游戏有手电筒、地铁车厢、涂鸦等场景元素，虽然武器音效"弱得可笑"、敌人移动方向有些诡异，但对于一个预览模型的4-bit量化版本而言，已属难得。

总结：从Qwen3 Next Flash看Qwen4的未来潜力

作为Qwen4架构的首次预览，Qwen3 Next Flash给出了一份令人振奋的答卷：

• 视觉能力极其强大，像素级复刻的精准度前所未见；
• 复杂代码生成实力惊人，禁用库的条件下仍能媲美GPT-5.2 Pro的赛车游戏；
• 主动工具调用意识出色，会自主选择Blender+Godot等专业工具链；
• 空间理解仍是短板，多代Qwen模型在3D空间组织上表现较弱。

博主对这款预览模型给出了"非常非常兴奋"的评价。在他看来，最令人激动的并非当下的具体表现，而是这一系列尺寸适中、能力强大的开放权重模型密集发布，正在推动"非订阅制AI"和本地可运行智能的普及。随着GLM 5.3 Flash等竞品的陆续登场，本地AI的未来确实值得期待。