Qwen3.8-Flash-Next: Was bestätigt ist, was sich tatsächlich herunterladen lässt und was stattdessen ausgeführt werden sollte

Wenn Sie nach Qwen3.8-Flash-Next suchen, weil Sie erwarten, dass es erscheint, ist der nützlichste Satz hier derjenige, der Sie davor bewahrt, eine Sitzung zu verschwenden: Es ist bereits erschienen. Die Gewichte sind seit Ende August 2026 herunterladbar, und das Modell ist eine offene, bildverstehende Mixture-of-Experts-Vorschau der Architektur, die laut A​libaba Qwen4 zugrunde liegen wird. Was nicht existiert – und genau das nehmen die meisten Suchen nach „flash next“ stillschweigend an –, ist eine darüber hinaus angekündigte nächste Iteration. Es gibt keine zweite Vorschau, keinen datierten Nachfolger und keine Anbietererklärung, die einen solchen verspricht. Diese Seite ist die ständige Antwort auf die Frage, die Leute immer noch eintippen: was Qwen3.8-Flash-Next ist, was darüber bestätigt ist, welche Dateien dafür existieren, was seine Lizenz erlaubt und was man heute ausführen sollte, wenn man ein aufrufbares Modell statt eines Downloads möchte – das Produktionsgeschwister Qwen3.8-Flash oder das dichte Qwen3.8-27B unter Apache-2.0.

Bestätigt, erwartet und abgeleitet — halte die drei auseinander

Die Unterscheidung ist hier wichtiger als üblich, denn der Name dieses Modells lädt dazu ein, eine Roadmap hineinzulesen. Es folgen drei Grade der Aussage, und jeder ist gekennzeichnet.

Bestätigt, aus dem eigenen Material des Anbieters. Qwen3.8-Flash-Next ist ein kausales Sprachmodell mit einem Vision-Encoder, veröffentlicht als nachtrainierte Gewichte und Konfigurationsdateien im Hugging Face Transformers-Format. Sein Repository unter der Qwen-Organisation wurde am 24. August 2026 erstellt und zuletzt am 27. August 2026 geändert; die formale ModelScope-Veröffentlichung erfolgte am 26. August. A​libabas eigene Karte bezeichnet es als „diese experimentelle Vorschau der Architektur, die Qwen4 zugrunde liegen wird“, und gibt an, dass die erste Open-Weight-Veröffentlichung unter dieser Architektur dieses Modell ist. Die gespeicherten Parameter gliedern sich in einen 125B-Mixture-of-Experts-Körper, eine separate 51B-N-Gramm-Einbettungstabelle und etwa 4B an Multi-Token-Prediction-Schichten, wobei pro Token 6B aktiviert werden. Der Kontext umfasst nativ 262.144 Token und ist auf 1.000.000 erweiterbar. Der Denkmodus ist standardmäßig aktiviert. Die Karte meldet Kompatibilität mit Hugging Face Transformers, vLLM, SGLang und TokenSpeed, und das Repository selbst enthält 131 Safetensors-Shards in BF16.

Bestätigt – und leicht zu übersehen. Das im Produktivbetrieb ausgelieferte Modell ist ein anderes Artefakt mit ähnlichem Namen. Qwen3.8-Flash ist der API-Build, der aus diesen Gewichten abgeleitet wurde; die eigene Modellkarte des FP8-Checkpoints beschreibt ihn als „die offizielle Version auf Basis von Qwen3.8-Flash-Next mit mehr Produktionsfunktionen“. Wenn deine Frage lautet „Kann ich das über eine API aufrufen?“, ist das der Name, den du willst, nicht der der Preview.

Erwartet und daher hier nicht genannt. Ein Modell namens „Next“ impliziert eine nachfolgende Iteration. Nichts Veröffentlichtes belegt ein Datum, eine Parameteranzahl, eine Lizenz oder eine Fähigkeit für ein solches. Jeder Artikel, der Ihnen ein Veröffentlichungsfenster für einen Nachfolger nennt, zieht lediglich Rückschlüsse, und das können Sie überprüfen, indem Sie nach der Quelle suchen. In den eigenen Materialien von A​libaba gibt es keine.

Die zwei Fragen, hinter denen echte Nachfrage steht: GGUF und nvfp4

Suchanfragen zu diesem Modell ballen sich stark um zwei Dinge — „flash next gguf“ und „flash next nvfp4“ — und beide haben konkrete, überprüfbare Antworten statt spekulativer. Keine von beiden lässt sich durch Raten einer Größentabelle beantworten, deshalb hier, was tatsächlich veröffentlicht ist.

GGUF existiert, von mehreren unabhängigen Konvertern. Die wichtigsten Quellen sind ggml-org/Qwen3.8-Flash-Next-GGUF, unsloth/Qwen3.8-Flash-Next-GGUF, bartowski/Qwen3.8-Flash-Next-GGUF und AtomicChat/Qwen3.8-Flash-Next-GGUF, daneben ein langer Schwanz kleinerer Repos. Sie sind nicht dasselbe Produkt, und der Unterschied fällt bei dieser Größe stärker ins Gewicht als sonst.

Das ggml-org-Repository ist das minimale: ein IQ4_NL-Build, ein Q8_0-Build, eine separate Multimodal-Projektordatei (mmproj-Qwen3.8-Flash-Next-Q8_0.gguf, etwa 0,6 GB), die Sie benötigen, wenn Sie den Vision-Pfad nutzen möchten, und drei Multi-Token-Prediction-Draft-Dateien in BF16, Q4_0 und Q8_0. Wenn Sie nur Text ausführen möchten, reicht dieses Repository aus.

Das unsloth-Repository ist die breite Leiter, und hier wird die Frage nach der Größe tatsächlich beantwortet. Seine veröffentlichten Dateien reichen von 72,5 GB (UD-IQ1_S) und 74,5 GB (UD-IQ1_M) am unteren Ende über 78,9 GB (UD-Q2_K_XL), 82 GB (UD-IQ3_XXS) und 90 GB (UD-Q3_K_XL) bis zu 93,7 GB (UD-IQ4_XS), 111 GB (UD-Q4_K_XL), 158 GB (UD-Q5_K_XL), 169 GB (UD-Q6_K_XL), 188 GB (Q8_0) und etwa 354 GB bei BF16. Außerdem liefert es eigene MTP-Draft-Dateien und zwei mmproj-Dateien mit.

Betrachte diese Stufenleiter als das, was sie ist. Die kleinste Quantisierung, die irgendjemand für dieses Modell veröffentlicht, ist auf der Festplatte immer noch größer als 70 GB. Es gibt keinen Build, der so auf eine einzelne Consumer-Karte passt wie ein dichtes 27B-Modell, und das Repository liefert überhaupt keine VRAM-Hinweise pro Quantisierung – sein Hardware-Abschnitt ist lediglich die leere Aufforderung „Melde dich an, um deine Hardware hinzuzufügen“. Die ehrliche Antwort auf „Passt das auf meine Maschine?“ ist also, dass du dich an den oben veröffentlichten Dateigrößen orientieren solltest und an dem architektureigenen Trick: Die 51B-n-gram-Embedding-Tabelle wird über Lookup-Schlüssel adressiert, die im Voraus bekannt sind, was genau einen Checkpoint dieser Größe mit der Embedding-Tabelle im Host-Speicher resident statt im VRAM gepinnt laufen lässt. Das ist ein Designmerkmal, keine Aussage über deinen konkreten Rechner, und es ist der Grund, warum die praktische Untergrenze hier eine Maschine mit viel System-RAM und einer kleineren Menge Beschleuniger-Speicher ist, nicht umgekehrt.

nvfp4 gibt es ebenfalls, und es trägt eine andere Lizenz. nvidia/Qwen3.8-Flash-Next-NVFP4 wurde am 2. September 2026 veröffentlicht, mit NVIDIAs Model-Optimizer-Toolchain erstellt und umfasst insgesamt rund 133 GB verteilt auf zehn Shards plus eine 53,7 GB große FP8-Datei für Multi-Token-Prediction und Per-Layer-Embeddings. Seine Modellkarte nennt die NVIDIA Open Model License, nicht die Qwen-Lizenz – ein Punkt, den man zweimal lesen sollte, wenn man eine Weitergabe plant. Weitere NVFP4-Builds gibt es von Red Hat AI, RadixArk und local-inference-lab; Intel veröffentlicht einen W4A16-AutoRound-Build; MLX-Builds für Apple Silicon gibt es von mehreren Community-Anbietern.

Ein weiteres Format verdient Erwähnung, weil es das des Anbieters selbst ist: Qwen/Qwen3.8-Flash-Next-FP8. Es handelt sich um eine feinkörnige FP8-Quantisierung mit einer Blockgröße von 128, und die zugehörige Modellkarte gibt Leistungskennzahlen an, die „nahezu identisch mit denen des Originalmodells“ seien. Es trägt dieselbe Community-Lizenz wie die Basisgewichte und ist der Checkpoint, den Alibabas eigene Benchmark-Pipeline verwendet.

Was die Lizenz erlaubt – und warum das die unzensierte Frage beantwortet

Das größte einzelne Cluster von Anfragen zu diesem Modell dreht sich nicht um Benchmarks. Es dreht sich um unzensierte und abliterierte Builds, und die richtige Art, darauf zu antworten, ist, die Lizenz zu lesen und sich anzusehen, was veröffentlicht wurde, denn diese beiden Dinge bestimmen, was ein Leser tatsächlich erhalten kann.

Qwen3.8-Flash-Next erscheint unter der Qwen Community License 1.0. Der Lizenztext gewährt kostenlos das Recht, die Gewichte, Parameter, Konfigurationsdateien und den Inferenzcode zu verwenden, zu kopieren, zu verändern, zusammenzuführen, zu veröffentlichen, zu verbreiten, Unterlizenzen zu vergeben, zu verkaufen, einzusetzen, zu hosten, feinabzustimmen und daraus abgeleitete Werke zu erstellen. Er verlangt, dass der Urheberrechts- und Berechtigungshinweis bei Kopien oder wesentlichen Teilen beigefügt wird. Er legt einen Schwellenwert für die Namensnennung fest: Wenn Sie die Software oder Derivate in einem kommerziellen Produkt oder einer Dienstleistung mit mehr als 100 Millionen monatlich aktiven Nutzern oder 20 Millionen US-Dollar Monatsumsatz verwenden, muss der Modellname in der Oberfläche dieses Produkts prominent angezeigt werden. Und er trennt Dienstleistungsgeschäfte heraus — ein Geschäft mit „Model as a Service“ oder „AI Work Assistant“ erfordert vor der kommerziellen Nutzung eine separate Lizenz von Qwen, mit einer Ausnahme für die interne Nutzung bei Bereitstellungen, die das Modell, seine Ausgaben oder seine Fähigkeiten nicht Dritten gegenüber offenlegen.

Daraus folgen unmittelbar drei Konsequenzen, und sie sind die ganze Antwort auf die unzensierten Abfragen:

• Die Gewichte sind offen und die Lizenz erlaubt ausdrücklich abgeleitete Werke. Community-Abliterationen sind daher rechtmäßig, kein Graumarkt, und sie existieren in großer Zahl — huihui-ai veröffentlicht mehrere, und OrcaRouters eigene Qwen3.8-Flash-Next-Uncensored-Familie wird unter Apache 2.0 veröffentlicht, mit davon abgeleiteten GGUF-, FP8-, NVFP4- und MLX-Builds.

• Eine Ableitung erbt nicht immer die ursprüngliche Lizenz. Der N​VIDIA NVFP4-Build unterliegt der N​VIDIA Open Model License; eine Quantisierung einer Community-Abliteration kann unter Apache 2.0 fallen. Wenn Lizenzbedingungen der Grund dafür sind, dass Sie eine Datei einer anderen vorziehen, lesen Sie die Modellkarte des konkreten Repositorys, das Sie herunterladen möchten, statt die Modellkarte des Basismodells.

• Die kommerzielle Schwelle skaliert mit Ihrem Unternehmen, nicht mit dem Modell. Für ein Team, das ein internes Tool entwickelt, ist die praktische Einschränkung die Benachrichtigungspflicht. Für ein Team, das Modellzugang verkauft, ist die separate Lizenzklausel für Model-as-a-Service-Unternehmen ein Posten, der bepreist werden muss, bevor Sie auf diesen Gewichten aufbauen, und das Apache-2.0 Qwen3.8-27B vermeidet dieses Gespräch vollständig.

Diese Seite wird nicht charakterisieren, wie irgendein gehosteter Dienst oder ein bestimmter Build auf einen bestimmten Prompt reagiert. Das ist nicht das, was die Lizenz regelt, und nicht das, was wir gemessen haben. Die Lizenz und die veröffentlichten Gewichtsdateien sind es, die die Verfügbarkeit bestimmen, und beides können Sie selbst mit ein paar Klicks überprüfen.

Was soll heute laufen?

Dies ist der Teil, den eine dauerhafte Seite einem Leser schuldet, der herkam, weil er noch heute Nachmittag etwas bauen wollte, statt 90 GB herunterzuladen.

Qwen3.8-Flash-Next ist kein Modell, das wir routen, und noch so viel Wünschen macht es nicht dazu – es gibt heute keine Modell-ID passend zu qwen3.8-flash-next in unserem Katalog, und diese Seite wird nicht andeuten, dass es eine geben wird. Seine Serving-Story ist eine Download-and-Host-Story: die Gewichte von Hugging Face oder ModelScope herunterladen, zwischen den oben genannten Pfaden safetensors, FP8, NVFP4 und GGUF wählen und es auf Hardware ausführen, die Sie bereitstellen.

Unsere Route ist der Produktions-Build derselben Architektur. Qwen3.8-Flash ist live als qwen/qwen3.8-flash für 0,15 $ pro Million Input-Tokens und 0,47 $ pro Million Output-Tokens, mit gecachtem Input bei ungefähr 0,018 $ pro Million und einem Kontext von 1 Mio. Tokens, der Text, Bild und Video entgegennimmt und Text zurückgibt. Diese Preisgestaltung ist die veröffentlichte Liste des Anbieters, die ohne Aufschlag durchgereicht wird, sodass eine Änderung auf A​libaba's Seite noch am selben Tag Ihren Endpunkt erreicht statt erst im nächsten Abrechnungszyklus. Wenn Sie von der Vorschau die Architektur in Produktion wollten und nicht den Checkpoint auf der Festplatte, dann ist das das am nächsten kommende aufrufbare Etwas dazu und es ist nur einen Schlüssel entfernt.

Wenn deine Einschränkung die Lizenz und nicht die Latenz ist, ist die andere Antwort Qwen3.8-27B. Es ist ein dichtes Modell mit 27 Milliarden Parametern unter Apache 2.0 – keine Namensschwelle, keine separate Vereinbarung für Dienstleistungsunternehmen – und es wird geroutet als qwen/qwen3.8-27b, sodass du die beiden Varianten gegen deinen eigenen Traffic benchmarken kannst, bevor du dich für eine entscheidest. Beide liegen hinter demselben Schlüssel und demselben OpenAI-kompatiblen Endpoint, was bedeutet, dass der Wechsel vom einen zum anderen nur eine Änderung der Modell-ID statt einer Integration kostet. Das ist der günstige Weg, die Frage „Brauche ich die 6B-Active-Architektur überhaupt?“ zu beantworten, weil es deine Arbeitslast misst und nicht den Benchmark von jemand anderem.

Was nicht geklärt ist

Ob das „Next“ im Namen dieses Modells eine einmalige Vorschau ist oder das erste einer nummerierten Reihe, ist ungeklärt, und nichts Veröffentlichtes erlaubt eine Antwort darauf. Das Einzige, worauf sich ein Leser verlassen kann, ist, dass das Serien-Pendant der Vorschau bereits existiert und einen Preis hat, was ungewöhnlich ist — die meisten Architekturvorschauen erscheinen nicht am selben Tag mit einem kommerziellen Gegenstück. Betrachten Sie dieses Modell als Vorschau auf eine Familie, die teilweise schon da ist, nicht als Leck von etwas, das es nicht gibt.

Die andere offene Frage betrifft eher das Tooling als das Modell. llama.cpp, vLLM und SGLang unterstützen es alle, der FP8-Build ist der eigene Evaluierungs-Checkpoint des Anbieters, und das GGUF-Ökosystem hat bereits alles von 1-Bit- bis hin zu Vollpräzisions-Builds hervorgebracht — aber die Quantisierungsqualität bei 1 bis 3 Bit für ein mit 176B gespeichertes Mixture-of-Experts-Modell ist nicht abschließend geklärt, und niemand hat einen kontrollierten Vergleich der Low-Bit-Builds auf identischer Hardware veröffentlicht. Wenn Sie zwischen UD-IQ1_S und UD-Q2_K_XL wählen, um 6 GB zu sparen, treffen Sie diese Entscheidung auf Grundlage Ihrer eigenen Evaluierung, was die richtige Art und Weise ist, sie zu treffen, und auch der Grund, warum eine spekulative Größentabelle auf einer Seite wie dieser schlimmer als nutzlos wäre.

Zwei Schwesterseiten decken die Blickwinkel ab, die diese hier bewusst auslässt: die Leak-Berichterstattung, die berichtete, was die Signale vor der Veröffentlichung aussagten, und auf diesen Zeitpunkt datiert ist, sowie der direkte Vergleich mit dem Apache-2.0-Dense-Modell, der den Vergleich verantwortet. Lies sie, wenn du die Geschichte willst, wie dieses Modell aufgetaucht ist, oder eine Argumentation darüber, welches der beiden du wählen sollst. Diese Seite wird auch dann noch hier sein, unverändert, wenn beide veraltet sind.