PPIO首发上线Qwen3-Next-80B-A3B
今天，阿里通义千问发布了下一代基础模型 Qwen3-Next-80B-A3B，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，其上下文长度为 64k，价格为每百万 tokens 输入，每百万 tokens 输出。
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。
# 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。
- 其他优化：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。
