Qwen3.8-Flash-Next vs. Qwen3.8-27B: Durchsatz mieten oder die Gewichte besitzen

Qwen3.8-Flash-Next und Qwen3.8-27B sind zwei Antworten auf dieselbe Frage, die vom selben Labor mit sechs Tagen Abstand veröffentlicht wurden, und die Frage ist, was ein Team tatsächlich betreiben sollte, wenn es ein Modell dieser Generation möchte, das es vor Produktions-Traffic stellen kann. Qwen3.8-27B erschien am 13. August 2026: ein dichtes 27-Milliarden-Parameter-Modell unter Apache 2.0, dessen 55,6 GB BF16-Gewichte nach der Quantisierung auf eine einzelne 24-GB-Karte passen. Qwen3.8-Flash-Next kam am 24. August zu Hugging Face und am 26. August zu ModelScope: rund 180 Mrd. gespeicherte Parameter, 6 Mrd. pro Token aktiviert, unter der restriktiveren Qwen Community License 1.0. Das eine ist eine Datei. Das andere ist ein Durchsatzprofil. Die Entscheidung zwischen ihnen ist größtenteils eine Frage dessen, welche dieser beiden Dinge Ihre Workload tatsächlich benötigt.

Sie sind näher verwandt, als die Namen vermuten lassen. Beide besitzen einen nativen 262.144-Token-Kontext, der auf 1.000.000 erweiterbar ist, beide nehmen Text, Bild und Video entgegen und geben Text zurück, und beide verfolgen dieselbe Hybrid-Attention-Idee, die Alibaba seit der Qwen3.5-Generation ausliefert – eine Mehrheit von Linear-Attention-Schichten erledigt die Langkontext-Arbeit kostengünstig, eine Minderheit von Full-Attention-Schichten übernimmt das präzise Retrieval, für das lineare Attention schlecht geeignet ist. Wo sie aufhören, gleich zu sein, ist alles, was darauf folgt: Lizenz, Größe, Preis pro Token und was man tun muss, um eines zum Laufen zu bringen.

Was jedes Einzelne ist, jeweils in einem Absatz.

Qwen3.8-27B ist ein dichtes kausales Sprachmodell mit einem Vision-Encoder: 64 Schichten, Hidden-Dimension 5120, einer Intermediate Size von 17.408 und einem Token-Vokabular von 248.320, wobei der Attention-Stack in 48 lineare Gated-DeltaNet-Schichten gegenüber 16 Gated-Attention-Schichten aufgeteilt ist. Alibaba trainierte es mit Multi-Token-Vorhersage. Der Denkmodus ist standardmäßig aktiviert, mit `reasoning_effort`-Stufen xhigh, medium und low, und die eigenen Vision-Zeilen der Modellkarte decken Dokumentenparsing (OmniDocBench 1.5 bei 91,1), GUI-Arbeit (OSWorld-Verified 84,3, AndroidWorld 81,9) und allgemeines visuelles Schlussfolgern (RealWorldQA 85,9, MathVision 90,0) ab. Es ist, im schlichten Sinne, ein herunterladbares Modell: ein Repository, achtzehn Safetensors-Shards, eine Lizenzdatei und eine Größe, die eine ernstzunehmende Workstation fassen kann.

Qwen3.8-Flash-Next ist eine Mixture-of-Experts auf der Architektur, die laut Alibaba die Grundlage von Qwen4 bilden wird — 48 Schichten, 512 Experten mit 10 gerouteten und einem geteilten, 125B Parameter im Expertenkörper, die pro Token 6B aktivieren, plus eine separate 51B-N-Gramm-Embedding-Tabelle und rund 4B an Multi-Token-Prediction-Schichten. Sein Attention-Stack folgt derselben Drei-zu-eins-Idee in einem anderen Maßstab: 36 Gated-DeltaNet-Schichten gegenüber 12, die Qwen Sparse Attention ausführen. Die Karte stellt ausdrücklich klar, dass dies eine experimentelle Vorschau der Architektur und kein Qwen4-Modell ist und dass die bereitgestellte Produktionsvariante Qwen3.8-Flash über Qwen Cloud ist. Es ist keine Datei, die man beiläufig besitzt — es ist ein Serving-Problem, das man einmal löst und dann günstig betreibt.

Wo die beiden über die Parameteranzahl hinaus divergieren

Die Lizenz ist die erste Abweichung und diejenige, die jedes Benchmark-Argument auf dieser Seite überdauert. Qwen3.8-27B ist Apache 2.0, Punkt: kommerzielle Nutzung, Modifikation, Weitergabe, Derivat-Builds, keine Umsatzschwelle und keine separate Vereinbarung, die ausgehandelt werden müsste. Qwen3.8-Flash-Next steht unter der Qwen Community License 1.0, die kommerzielle Nutzung einschließlich des Verkaufs abgeleiteter Werke erlaubt, aber eine separate kommerzielle Vereinbarung mit A​libaba erfordert, wenn Sie ein Model-as-a-Service- oder KI-Arbeitsassistenten-Geschäft betreiben, das eine definierte Umsatz- und monatliche Aktivnutzer-Schwelle überschreitet. Wenn Sie ein Produkt entwickeln und kein internes Tool, dann ist diese Klausel keine Fußnote; sie ist ein eigener Posten. Es lohnt sich, die Lizenz zu lesen, bevor Sie die Benchmark-Tabelle lesen, denn sie kann ein Modell disqualifizieren, das bei jedem Wert gewinnt.

Die zweite Abweichung ist, was „lokal“ bedeutet. Für das 27B bedeutet lokal eine einzelne Maschine: auf vier Bit quantisieren, und das Modell passt in eine 24-GB-Karte, wobei die Formatleiter – GGUF-Quantisierungsstufen, MLX für Apple Silicon, die tatsächliche VRAM-Arithmetik – auf einer Schwester-Seite ausführlich behandelt wird, statt sie hier zu wiederholen. Für Flash-Next bedeutet lokal die Bereitstellung für einen Checkpoint mit 180B Parametern. vLLM bedient es ab dem ersten Tag mit einem Offload-Pfad, der die N-Gramm-Tabelle mit 51B Parametern im Host-Speicher statt im permanenten VRAM hält, SGLang und TensorRT-LLM stehen auf NVIDIAs Day-0-Liste, und Ollamas Bibliothek enthält einen MLX-Build für Apple Silicon – aber „läuft“ und „läuft auf der Maschine, die Sie haben“ sind unterschiedliche Sätze, und nur das 27B darf den zweiten für sich beanspruchen.

Was die öffentlichen Zahlen sagen – und was sie nicht sagen

Beide Modelle tragen Artificial-Analysis-Zahlen aus demselben Index, was dies zu dem seltenen Vergleich innerhalb derselben Familie macht, bei dem die unabhängigen Zahlen zumindest nebeneinander gelesen werden können. Qwen3.8-27B erreicht 33,7 im Intelligence Index – insgesamt Platz 47, 66. Perzentil – und 68,1 im AA Coding Index, insgesamt Platz 35. Die Open-Weight-Vorschau von Flash-Next erreicht 40 im Intelligence Index, den fünften Platz unter den 113 Modellen in ihrer Vergleichsklasse. Diese Einträge wurden zu unterschiedlichen Zeitpunkten bewertet, daher sollte die Lücke eher als richtungsweisend denn als kontrolliertes Ergebnis gelesen werden.

Das Detail hinter den beiden Punktzahlen ist interessanter als die Punktzahlen. In den individuellen Evaluierungen gibt die eigene Model Card des 27B 90,3 auf LiveCodeBench v6, 89,2 auf GPQA Diamond und 79,0 auf QwenSWEBench an, während die Model Card der Flash-Next-Vorschau 91,9, 91,7 und – beim Benchmark derselben Familie – 81,0 auf SWE-bench Multilingual sowie 62,5 auf SWE-bench Pro angibt. All das sind die eigenen Zahlen des Anbieters, vom Anbieter erstellt, und keine davon wurde von einem Dritten auf einem identischen Test-Harness reproduziert. Das unabhängige Bild ist enger und zeigt in einigen Zeilen in die entgegengesetzte Richtung: Die Vorschau ist stark bei Wissensarbeit und Terminal-Aufgaben und schwach bei der Repository-Generierung über lange Horizonte, während der unabhängige Coding-Index des 27B mit 68,1 unter dem liegt, was seine eigenen vom Anbieter gemeldeten SWE-Werte nahelegen würden.

Ein praktischer Unterschied, den der Index tatsächlich erfasst: Die Preview ist wortreich. Artificial Analysis misst sie bei 53 Ausgabe-Tokens pro Sekunde mit einer Zeit bis zum ersten Token von 2,80 Sekunden und bezeichnet sie als „sehr wortreich“, wobei sie 108k Ausgabe-Tokens pro Aufgabe verbraucht, von denen 72k auf Reasoning entfallen. Das 27B-Modell, gemessen über unseren eigenen Playground über die letzten sieben Tage hinweg, liefert bei einer medianen Zeit bis zum ersten Token von 4,97 Sekunden knapp über 200 Ausgabe-Tokens pro Sekunde. Unterschiedliche Harnesse, daher sind die Raten nur als Anhaltspunkte zu betrachten – aber sie beschreiben dieselbe Form, die die Architektur nahelegt. Das eine verbraucht Tokens, um zu einer Antwort zu gelangen; das andere verbraucht weniger, und das dichte Design macht jedes einzelne davon günstiger zu erzeugen.

Preis, für beide Einheiten, auf die es ankommt

Pro Token liegen die beiden nah genug beieinander, dass die Entscheidung nicht hier getroffen wird. Qwen3.8-27B wird mit 0,33 US-Dollar pro Million Eingabe-Token und 2,40 US-Dollar pro Million Ausgabe-Token abgerechnet; das bereitgestellte Qwen3.8-Flash wird mit 0,15 und 0,47 US-Dollar abgerechnet, beides zum Listenpreis des Anbieters, ohne Aufschlag weitergegeben. Somit ist die Produktionsvariante Flash beim Input etwa 2,2-mal günstiger und beim Output etwa 5,1-mal günstiger.

Pro Byte auf der Festplatte liegen sie überhaupt nicht nah beieinander, und genau diese Kennzahl übersehen Leser, die lokale Bereitstellung unterschätzen, meist. Das 27B umfasst 55,6 GB an BF16-Gewichten über achtzehn Shards, komprimierbar auf etwas, das auf einer einzelnen Consumer-Karte läuft. Die Preview ist ein Checkpoint mit 180B Parametern in derselben Präzision – ein Mehrfaches an Speicherplatz, ein Mehrfaches an Speicherbandbreite und eine Serving-Konfiguration, die Host-Speicher-Offload statt eines einzelnen Geräts voraussetzt. Wenn Ihre Randbedingung eine Maschine ist, die Sie bereits besitzen, ist das 27B nicht die günstigere Option; es ist die einzige Option.

Welches soll ausgeführt werden?

Wählen Sie Qwen3.8-27B, wenn Sie das Modell besitzen statt mieten müssen: On-Premise- oder Air-Gapped-Bereitstellung, eine Apache-2.0-Lizenz, auf der Sie ein Produkt aufbauen können, ohne ein Umsatzgespräch führen zu müssen, Kosten pro Anfrage, die nicht mit der Preisliste von jemand anderem skalieren, und ein Single-GPU-Serving-Szenario, das Sie selbst betreiben können. Es ist außerdem die richtige Seite dieses Paares, wenn Sie feinabstimmen, zusammenführen oder quantisieren müssen – das Repository zeigt Hunderte von Community-Adaptern, Finetunes und Quantisierungen, die bereits davon abgeleitet wurden, was Ihnen eine Apache-2.0-Veröffentlichung von Gewichten im Laufe der Zeit einbringt.

Wählen Sie Qwen3.8-Flash-Next, wenn für Sie Durchsatz und Kosten pro Token statt Kontrolle die entscheidende Randbedingung sind: umfangreiche agentische Sweeps, breit angelegte Klassifizierungs- und Extraktionsaufgaben, Screenshot- und Dokumentenverständnis im großen Maßstab und alles, bei dem ein 6B-aktives Modell zu einem Drittel des Eingabepreises verändert, was wirtschaftlich möglich ist. Es ist auch die richtige Wahl, wenn Sie speziell die Qwen4-Architektur an Ihren eigenen Daten evaluieren möchten, bevor Qwen4 existiert – genau das ist die Preview, und sie ist ein Grund zu testen, nicht ein Grund, sich festzulegen.

Die Regel: Das 27B ist für Leser, deren Engpass darin liegt, wo das Modell läuft, und Flash-Next ist für Leser, deren Engpass darin liegt, was das Modell im Betrieb kostet. Nur sehr wenige Teams haben beide Engpässe, und derjenige, den sie tatsächlich haben, entscheidet darüber meist in einem einzigen Meeting.

Heute einen von beiden zum Laufen bringen

Qwen3.8-27B ist von den beiden der einfachere Einstieg – und das gleichzeitig in zwei Richtungen. Laden Sie die Gewichte herunter und betreiben Sie sie selbst unter Apache 2.0, oder rufen Sie es auf, ohne einen Beschleuniger anzufassen: Es wird als `qwen/qwen3.8-27b` in unserem Katalog geführt, zu $0,33 und $2,40 pro Million Tokens, und das 27B läuft auf unserer eigenen Infrastruktur, statt über einen Vendor-Endpunkt geleitet zu werden. Dieser zweite Weg macht es zur echten Standardwahl für multimodale Arbeit mit hohem Volumen – als eines von mehr als 200 Modellen, die über einen einzigen OpenAI-kompatiblen Endpunkt erreichbar sind, mit einem einzigen Schlüssel und ohne einen zweiten Vertrag unterschreiben zu müssen.

Qwen3.8-Flash-Next ist keine Route, die wir anbieten. Die Open-Weight-Vorschau muss von Ihnen heruntergeladen und bereitgestellt werden, und der Verfügbarkeitsweg dafür führt über Hugging Face und ModelScope statt über eine API. Was wir routen, ist sein Produktions-Pendant: Qwen3.8-Flash, `qwen/qwen3.8-flash`, zu $0,15 und $0,47 pro Million Tokens mit Text-, Bild- und Videoeingabe bei einem Kontext von 1 Mio. Tokens, bepreist nach der vom Anbieter veröffentlichten Preisliste, sodass eine Preisänderung aufseiten von Alibaba noch am selben Tag Ihren Endpunkt erreicht. Wenn Sie die Architektur der Vorschau ohne das Serving-Projekt wollen, ist das das Nächstliegende, was heute aufrufbar ist.

Für ein Team, das beides möchte, ist die Lösung ein Traffic-Split statt einer Entscheidung. Beide laufen hinter demselben Schlüssel und demselben SDK, sodass ein Prozentsatz der Anfragen an das 27B gehen kann, während der Rest an den Flash-Endpunkt geht, wobei automatisches Failover die Momente auffängt, in denen sich eine der beiden Seiten fehlerhaft verhält. Das ist ein kostengünstigerer Weg, diesen Vergleich zu beantworten, als jede Benchmark-Tabelle, denn er misst den eigenen Traffic und nicht den von jemand anderem.

Ungeklärt ist, was geschieht, wenn die Familie vollständig ist. Qwen3.8-27B ist ein fertiges, lizenzierbares, herunterladbares Modell, an dem sich unter Ihnen wahrscheinlich nichts ändern wird. Die Flash-Next-Vorschau ist ein Canary für eine Architektur, deren Produktionsmodelle noch nicht ausgeliefert wurden, und die bereitgestellte Flash-Variante, die sie begleitet, wird ausdrücklich als offizielle Version dieser Architektur positioniert. Wenn die Qwen4-Familie dem Muster folgt, das Qwen3-Next Ende 2025 gesetzt hat, werden die Nachfahren der Vorschau innerhalb von Monaten eintreffen, und diese Seite wird eine Entscheidung über eine Generation statt über eine Vorschau sein.

Der eine Fakt, der bei dieser Paarung am häufigsten den Ausschlag gibt, ist die Lizenz, nicht der Benchmark: Apache 2.0 erlaubt es dir, mit dem 27B ein Geschäft aufzubauen, ohne jemanden zu fragen, und die Qwen Community License 1.0 gibt dir das für die Preview nicht. Alles andere auf dieser Seite — das Kontextfenster, die hybride Attention, die Vision-Unterstützung — haben die beiden gemeinsam.