Qwen

Evidence in the last complete seven days

Source mentions

6

Previous seven days 6

Distinct sources

4

Previous 2

Comparable growth

Not comparable

Ranking appearances

0

Collection observations and undated records are separate from dated publication counts. Observed in 7d：4 · Undated records：1

Daily history · up to 90 days

Bars show dated source mentions. The latest UTC day may be incomplete. Zero mentions and missing collection coverage are different conditions.

Dotted markers indicate days with no record. They are not counted as zero mentions.

Source evidence

Sources in the evidence shown：Hugging Face Models 1 · 量子位 1 · V2EX 8 · Simon Willison 1 · HF Daily Papers 1 · TechCrunch 1 · Hacker News 1 · GitHub Releases 1

1. Hugging Face Models · Published Not supplied

   Qwen/Qwen3.8-27B

   image-text-to-text

2. 量子位 · Published Nov 3, 2026

   MIT：GPT-6 Astra能直接修改Qwen权重，数学能力暴涨6倍

   指令执行能力也同步提升

   View source record →

3. V2EX · Published Nov 2, 2026

   [开源软件] 开源了一个 1600 行的大模型推理引擎，能跑真实模型，测试场景吞吐超过 vLLM

   想入门大模型推理，直接读 vLLM 太重。所以开源了 LiteMoE：约 1600 行 Python ，能跑真实的 Granite 模型，一个下午能读完主线。 适合想快速上手推理的同学： 交互演示，逐步看一次真实推理： https://zhulinsen.github.io/LiteMoE/visualizer/?lang=zh 教程，从 KV Cache 、MoE 讲到 DeepSeek 、Kimi 、Qwen 的新设计： https://github.com/ZhuLinsen/LiteMoE/blob/main/docs/tutorial.zh-CN.md 固定批次的测试场景下，吞吐是 vLLM 的 105 ～ 109%，脚本可复现。算子用的是 vLLM 的，提升来自算子外的执行层。定位是学习和实验，上线

   View source record →

4. V2EX · Published Nov 1, 2026

   [推广] [把 90% 利润还给用户] OffRails 低价无审查 AI｜文字、做图、改图，无日志｜使用就拿 RAIL，分帐合约开源、帐务链上可验

   发想与实现一个收益分配都写进智能合约的 AI：用户付费使用，也能分享平台创造的价值。 OffRails 提供低价无审查 AI ，文字对话使用 Qwen 无审查模型，并支援图片生成与改图。我希望大家使用 AI 获得服务的同时，也有机会参与平台的收益分配，因为机制公平，团队无薪，还请大家支持！ 目前的特色 文字、做图、改图均支援无审查模型 不保存聊天日志 ，聊天记录由使用者自己的装置保存 不需要 KYC 、Email 或信用卡 使用 API 即可获得 RAIL 用量奖励 90% 可分配利润回馈用户 分帐合约开源，金库收支与分配纪录链上可查 RAIL 初始分配：用量奖励 100% 创办人： 0% VC ／投资人： 0% 团队： 0% 用量奖励合约： 100% 全部 RAIL 在部署时进入用量奖励合约，依照 API 用

   View source record →

5. Simon Willison · Published Oct 30, 2026

   dbreunig/nesformer

   dbreunig/nesformer Inspired by qwenputer by Divyansh Agrawal, Drew Breunig baked a working emulator for a Nintendo Entertainment System 6502 CPU into the weights of Qwen3.5-4B. You can now play NES ROMs such as Super Mario Bros (very slowly) running inside Qwen! In a comment on Hacker News Drew reveals the Opus 5.5 prompts he used to build this system: Read

   View source record →

6. V2EX · Published Oct 30, 2026

   [分享创造] Voilà pro 支持离线实时输入了

   五月份发过一次帖,这是半年之后的一个更新. 期间收到了不少朋友的来信,也有不少的建议,一直没有做的是离线的输入,还有快捷键. Voilà pro 的混合输入之前是依赖网络模型,但是很多朋友希望用本地使用,并不想让数据云端处理. 并且对国内的用户不是很友好. 离线模型使用苹果的转录效率很低,准确也不是很好. 因为到现在为止，发现大多数离线的输入还是在转录层面。市面上比较出名的模型，一个是 Whisper ，还一个就是千问的模型，也就是 Qwen. 相信大家也看出来,新版的 Voilà 从 UI 上有了很大的变化,但是这不是重点,重点在于我们现在使用本地模型可以做到实时输入,而且做到混合输入,中文/英文/法语甚至其他的语言都可以同时输入 当然也有离线 api 可以调用 openai 兼容的服务器, 当然理论上用过

   View source record →

7. HF Daily Papers · Published Oct 30, 2026

   Cross-Prompt Reuse of Entity-Replacement Responses

   With model weights fixed, we measure how much of an entity-replacement response transfers between English factual questions, beyond whether answers change. We add the hidden-state change from two source questions to a target question about the same entity, comparing the predicted log-probability shift between two relations' published answers, given known ans

8. V2EX · Published Oct 28, 2026

   [分享创造] 做了个多 harness 共用一套规则和记忆的工具 aivault

   我平时 claude code 、codex 、opencode 、kimi code 换着用，每个工具都有自己的规则文件、自己的 skill 文件夹、自己的记忆。在一个工具里说过的偏好，换个工具又得重新说一遍，所以写了个叫 aivault 的小工具。 它把规则、skill 和记忆都放进一个文件夹，然后把这个文件夹接进你电脑上的 ai 编程工具，目前支持 21 个，包括 claude code 、codex 、opencode 、gemini cli 、qwen code 、kimi code 和 deepseek harness 。在 claude code 里说“记住我用 pnpm”，下次打开 codex 它就知道了。skill 写一次，所有工具都能用。 支持 mcp 的工具还会多两个工具：vault_se

   View source record →

9. V2EX · Published Oct 28, 2026

   [分享创造] 做了个 LLM 塔防小游戏, 喜欢塔防的朋友可以看看🙂

   LLM 塔防 官网和下载： https://llmtd.ninvfeng.com 设定是: 你是值班工程师，成群的 Bug 正涌向线上服务。去商店招 Claude 、GPT 、DeepSeek 、Qwen……当炮塔，合成升星、打出维度组合技，守住 99.999% 的可用性。 自己觉得还是挺有意思的 顺便用 opus 整了个几十秒宣传片： https://www.bilibili.com/video/BV1XRxu62EKF/ 无付费无广告, 干净纯粹, 喜欢塔防的朋友可以看看 剧透:游戏中 3 星的 opus5.5 是把覆盖全屏的狙 谢谢你玩我的游戏🙂

   View source record →

10. TechCrunch · Published Oct 27, 2026

    Cohere says Alibaba’s Qwen model tried to send a file to Beijing

    An AI model said it wouldn’t use any tools, then tried to send something to a server in Beijing anyway, and while researchers say it’s probably a training quirk and not espionage, the whole thing has people asking how much to trust free Chinese AI.

    View source record →

11. V2EX · Published Oct 26, 2026

    [分享创造] 分享一个自用的小工具： yolo-ai，用一个前缀统一所有 AI CLI 的权限跳过开关

    用 Claude Code 、Codex 、Gemini CLI 这些工具的朋友应该都有同感：权限提示太频繁了。 每个 AI CLI 跳过权限的参数都不一样：Claude 是 --dangerously-skip-permissions ，Codex 是 --dangerously-bypass-approvals-and-sandbox ，Gemini 和 Qwen 又换成了 --yolo ，Aider 则是 --yes-always 。装了三四个工具之后，根本记不住。 我写了一个很小的 npm 包来解决这个问题： yolo-ai 。 GitHub： https://github.com/2501224066/yolo-ai 核心逻辑就一句话：用 yolo 前缀调用任何一个 AI CLI ，它会自动把该工具对

    View source record →

12. V2EX · Published Oct 26, 2026

    [推广] [推广] Kimi K3.1 Pro 发布了，编程 Agent 能力逼近 Opus 5.5？ TokVi 继续送免费 Token

    V 友们好，最近 AI 模型更新得是真快。 前两天还在跟大家分享 Claude Opus 5.5 、Sonnet 5.5 ，结果 Kimi K3.1 Pro 也正式发布了。 这次 Kimi 有几个点挺值得关注的： 100 万 Token 上下文，适合处理大型代码库、长文档 Terminal-Bench 4.0 官方公布得分 65.7%，接近 Claude Opus 5.5 的 66.4% 同时发布 Highspeed 版本，官方称输出速度提升约 2–3 倍 更侧重 Coding 、Agent 和复杂任务处理 当然，跑分归跑分，真正放进 Claude Code 、Coding Agent 或实际项目里，效果怎么样还得自己测。 我们在做的 TokVi 是一个多模型 API 接入平台，目前提供 Kimi 、DeepS

    View source record →

13. V2EX · Published Oct 23, 2026

    [程序员] 为什么很多人都把 DeepSeek 神化了，看不起国内豆包和其它 LLM？

    我认为 DeepSeek 、MiniMax 、Kimi 、GLM 这些 LLM 公司被严重高估了： 月活（ MAU ） ： 豆包 4.2 亿，千问 1.7 亿，DeepSeek 1.2 亿，智谱 2000 万，Kimi 1000 万； 商业化（ ARR ） ： 豆包 272 亿，智谱 68 亿、阿里 80 亿、DeepSeek 27-34 亿、Kimi 20 亿； 开源贡献 ： Qwen：开源了超过 460 个模型，衍生模型超 30 万个，全球下载量破 20 亿次； GLM：开源 50 余款模型，GLM-5.2 以 51 分位居全球开源智能指数榜首； DeepSeek：开源了 DeepSeek-V4 、DeepSeek-R1 、DeepSeek-VL 等模型。 豆包的战略和 Google 的 Gemini 是很

    View source record →

14. Hacker News · Published Sep 28, 2026

    Show HN: Nibia Fabric – Turn everyday computers into a shared AI compute cluster

    I built NIBIA Fabric, an open-source distributed LLM inference system that pools CPU and RAM across macOS, Linux, and Windows machines. It builds on llama.cpp, with capacity-aware scheduling, adaptive memory reservation, persistent tensor caching, and an OpenAI-compatible API. I’ve validated the current alpha on three physical machines across several models,

    View source record →

15. GitHub Releases · Published Aug 26, 2026

    Release: v5.16.0

    Release v5.16.0 New Model additions Qwen4-Exp Qwen4-Exp builds on Qwen3.5's hybrid text and multimodal architecture with three key components: GatedResidual (GR), Qwen Sparse Attention (QSA), and Per-Layer Embedding (PLE). GR is a Qwen-developed residual architecture that combines Hyper-Connection with GatedNorm. It mixes multiple residual streams with fine-

    View source record →

Review priority 72 / 100

This score orders research candidates. It is not search volume, a forecast or verified commercial demand.

• Evidence

  22.5 / 30

  Distinct dated articles or first observations; repeat crawling adds nothing.

• Publisher diversity

  25 / 25

  Conservative owner grouping; syndicated copies count once.

• Comparable change

  0 / 20

  Comparable complete weeks only; no percentage from a zero baseline.

• Recent evidence

  15 / 15

  Latest publication or first observation, not repeated fetch time.

• Name specificity

  9.4 / 10

  Explicit entities and technical concepts outrank ambiguous acronyms.

Limitations and interpretation

• First observation is a collection milestone, not proof that a word or product is new to the world.
• Counts describe monitored public sources, not the whole web or search demand.
• First observed here is not the invention date of a name or idea.
• Candidates come from public titles, summaries and entity URLs, not verified full-text analysis.
• Owner grouping is conservative; undisclosed syndication may remain.
• Repeat ranking appearances are observations, not new articles or independent endorsements.
• Undated observations cannot establish publication growth.
• An established concept or common product name retained as a baseline, not a newly invented term.
• Both weeks need adequate, comparable collection coverage.
• Sources behind this term changed or lack a comparable baseline.
• Recent evidence includes collection over three days after publication.