Qwen3-Next-80B-A3B-Thinking

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

Qwen3-Next-80B-A3B-Thinking is the thinking variant of the Qwen3-Next series, featuring the same groundbreaking architecture as the instruct model. Leveraging GSPO, it addresses stability and efficiency challenges of hybrid attention + high-sparsity MoE in RL training. 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), and Multi-Token Prediction. With 80B total parameters and only 3B activated, it demonstrates outstanding performance on complex reasoning tasks — outperforming Qwen3-30B-A3B-Thinking-2507, Qwen3-32B-Thinking, and even the proprietary Gemini-2.5-Flash-Thinking across multiple benchmarks. Architecture: 48 layers, 15T training tokens, hybrid layout of 12*(3*(Gated DeltaNet->MoE)->(Gated Attention->MoE)). Supports only thinking mode with automatic <think> tag inclusion, may generate longer thinking content.

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-Thinking)
Curation des paramètres actifs	2026-11-04
Prix par session	—
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)	—
Tokens d'entraînement	15 000 000 000 000
Coupure de connaissance	—
Créé le	2026-05-07T16:53:36.358328Z
Mis à jour le	2026-11-04T06:05:06.729453Z
Source	LLM Stats
URL	https://llm-stats.com/models/qwen3-next-80b-a3b-thinking

Tokens/tâche

IA Act — preuves fournisseur

ICA 42/100 · open source · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	2,5	5 %
Résumé des données d'entraînement	2,5	35 %
Conformité droit d'auteur	2,5	35 %
Code of Practice GPAI	1,2	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-23.

IA Act

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 « — ».

Aucune donnée.

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	0.80
multimodal	0.60
physics	0.70
reasoning	0.70
spatial_reasoning	0.60
structured_output	0.80
finance	0.80
general	0.70
healthcare	0.70
agents	0.70
biology	0.80
chemistry	0.70
communication	0.60
creativity	0.70
economics	0.60
tool_calling	0.60
vision	0.60
writing	0.70

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2025	math	0.88	1.00	0.88	non	oui	2026-11-04T06:05:06.745540Z
arena-hard-v2	general	0.62	1.00	0.62	non	oui	2026-11-04T06:05:06.767026Z
bfcl-v3	general	0.72	1.00	0.72	non	oui	2026-11-04T06:05:06.774358Z
cfeval	code	2 071.00	10 000.00	0.21	non	oui	2026-11-04T06:05:06.757556Z
gpqa	reasoning	0.77	1.00	0.77	non	oui	2026-11-04T06:05:06.738735Z
hmmt25	math	0.74	1.00	0.74	non	oui	2026-11-04T06:05:06.748681Z
ifeval	chat	0.89	1.00	0.89	non	oui	2026-11-04T06:05:06.763564Z
include	general	0.79	1.00	0.79	non	oui	2026-11-04T06:05:06.801340Z
livebench-20241125	math	0.77	1.00	0.77	non	oui	2026-11-04T06:05:06.751589Z
livecodebench-v6	reasoning	0.69	1.00	0.69	non	oui	2026-11-04T06:05:06.754503Z
mmlu-pro	language	0.83	1.00	0.83	non	oui	2026-11-04T06:05:06.732823Z
mmlu-prox	language	0.79	1.00	0.79	non	oui	2026-11-04T06:05:06.797861Z
mmlu-redux	language	0.93	1.00	0.93	non	oui	2026-11-04T06:05:06.735802Z
multi-if	chat	0.78	1.00	0.78	non	oui	2026-11-04T06:05:06.794907Z
ojbench	reasoning	0.30	1.00	0.30	non	oui	2026-11-04T06:05:06.760493Z
polymath	math	0.56	1.00	0.56	non	oui	2026-11-04T06:05:06.804625Z
supergpqa	reasoning	0.61	1.00	0.61	non	oui	2026-11-04T06:05:06.741898Z
tau-bench-airline	reasoning	0.49	1.00	0.49	non	oui	2026-11-04T06:05:06.780556Z
tau-bench-retail	chat	0.70	1.00	0.70	non	oui	2026-11-04T06:05:06.777431Z
tau2-airline	chat	0.60	1.00	0.60	non	oui	2026-11-04T06:05:06.787600Z
tau2-retail	communication	0.68	1.00	0.68	non	oui	2026-11-04T06:05:06.783965Z
tau2-telecom	communication	0.44	1.00	0.44	non	oui	2026-11-04T06:05:06.791136Z
writingbench	writing	0.85	1.00	0.85	non	oui	2026-11-04T06:05:06.770534Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
chat	31	0.70	22.86	4	trueskill	2026-11-04T08:08:43.789169Z	rankings
agents	117	—	12.18	1	trueskill	2026-10-19	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