Qwen3-Next-80B-A3B-Instruct

Fiche modèle · Alibaba Cloud / Qwen Team · qwen3-next-80b-a3b-instruct

Qwen3-Next-80B-A3B-Instruct is the first in the Qwen3-Next series, featuring groundbreaking architectural innovations. It uses Hybrid Attention combining Gated DeltaNet and Gated Attention for efficient ultra-long context modeling, High-Sparsity MoE with 512 experts (10 activated + 1 shared) achieving extreme low activation ratio, and Multi-Token Prediction for improved performance and faster inference. With 80B total parameters and only 3B activated, it outperforms Qwen3-32B-Base with 10% training cost and 10x throughput for 32K+ contexts. The model performs on par with Qwen3-235B-A22B-Instruct-2507 while excelling at ultra-long-context tasks up to 256K tokens (extensible to 1M with YaRN). Architecture: 48 layers, 15T training tokens, hybrid layout of 12*(3*(Gated DeltaNet->MoE)->(Gated Attention->MoE)).

Fiches modèles

Identité

Organisation	Alibaba Cloud / Qwen Team
Pays	—
Famille	—
Type	llm
Date de sortie	2025-09-10
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	text
Fenêtre de contexte	262 144
KV cache / token (Q8)	49.2 ko/token
Paramètres totaux	80 B
Paramètres actifs (session)	3 B
Source des paramètres actifs	actifs : nom (heuristique) ; total : config Hugging Face (Qwen/Qwen3-Next-80B-A3B-Instruct)
Curation des paramètres actifs	2026-11-04
Prix par session	0.31 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	2.60 $ (est.)
Tokens d'entraînement	15 000 000 000 000
Coupure de connaissance	—
Créé le	2026-05-07T16:53:36.288002Z
Mis à jour le	2026-11-04T06:05:06.647162Z
Source	LLM Stats
URL	https://llm-stats.com/models/qwen3-next-80b-a3b-instruct

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
DeepInfra	llm-stats	non	0.09 $	1.10 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
chat	0.70
instruction_following	0.80
language	0.80
legal	0.80
math	0.70
multimodal	0.50
physics	0.70
reasoning	0.60
spatial_reasoning	0.50
structured_output	0.80
finance	0.70
general	0.70
healthcare	0.70
agents	0.70
biology	0.70
chemistry	0.70
code	0.50
communication	0.50
creativity	0.90
economics	0.60
tool_calling	0.50
vision	0.50
writing	0.90

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aider-polyglot	general	0.50	1.00	0.50	non	oui	2026-11-04T06:05:06.680359Z
aime-2025	math	0.69	1.00	0.69	non	oui	2026-11-04T06:05:06.663937Z
arena-hard-v2	general	0.83	1.00	0.83	non	oui	2026-11-04T06:05:06.687477Z
bfcl-v3	general	0.70	1.00	0.70	non	oui	2026-11-04T06:05:06.696977Z
creative-writing-v3	creativity	0.85	1.00	0.85	non	oui	2026-11-04T06:05:06.690573Z
gpqa	reasoning	0.73	1.00	0.73	non	oui	2026-11-04T06:05:06.656808Z
hmmt25	math	0.54	1.00	0.54	non	oui	2026-11-04T06:05:06.667313Z
ifeval	chat	0.88	1.00	0.88	non	oui	2026-11-04T06:05:06.684367Z
include	general	0.79	1.00	0.79	non	oui	2026-11-04T06:05:06.723428Z
livebench-20241125	math	0.76	1.00	0.76	non	oui	2026-11-04T06:05:06.670494Z
livecodebench-v6	reasoning	0.57	1.00	0.57	non	oui	2026-11-04T06:05:06.674143Z
mmlu-pro	language	0.81	1.00	0.81	non	oui	2026-11-04T06:05:06.650620Z
mmlu-prox	language	0.77	1.00	0.77	non	oui	2026-11-04T06:05:06.720297Z
mmlu-redux	language	0.91	1.00	0.91	non	oui	2026-11-04T06:05:06.653753Z
multi-if	chat	0.76	1.00	0.76	non	oui	2026-11-04T06:05:06.717298Z
multipl-e	general	0.88	1.00	0.88	non	oui	2026-11-04T06:05:06.677227Z
polymath	math	0.46	1.00	0.46	non	oui	2026-11-04T06:05:06.726294Z
supergpqa	reasoning	0.59	1.00	0.59	non	oui	2026-11-04T06:05:06.660551Z
tau-bench-airline	reasoning	0.44	1.00	0.44	non	oui	2026-11-04T06:05:06.703932Z
tau-bench-retail	chat	0.61	1.00	0.61	non	oui	2026-11-04T06:05:06.700513Z
tau2-airline	chat	0.46	1.00	0.46	non	oui	2026-11-04T06:05:06.711063Z
tau2-retail	communication	0.57	1.00	0.57	non	oui	2026-11-04T06:05:06.707446Z
tau2-telecom	communication	0.13	1.00	0.13	non	oui	2026-11-04T06:05:06.714132Z
writingbench	writing	0.87	1.00	0.87	non	oui	2026-11-04T06:05:06.693857Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	154	—	8.23	1	trueskill	2026-10-20	model_history
code	250	—	1.65	1	trueskill	2026-10-20	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04