Qwen 3.8 vs Claude Opus 4.8: Günstige Skalierung trifft auf den Reasoning-Spezialisten

Alibaba stellte Qwen3.8-Max am 19. Juli 2026 in Shanghai vor, ein Modell mit 2,4 Billionen Parametern, das für Skalierung und Gründlichkeit entwickelt wurde. Anthropics Claude Opus 4.8 ist etwas völlig anderes: ein Premium-Deep-Reasoning-Flaggschiff, das Teams einsetzen, wenn eine Aufgabe viele Schritte umfasst und eine falsche Antwort teuer ist.

Zwei Wochen lang war es schwer, diesen Vergleich ehrlich anzustellen, denn Qwen hatte weder einen veröffentlichten Preis noch veröffentlichte Benchmarks. Das änderte sich am 3. August 2026, als Qwen3.8-Max mit einer Preisliste von 2 $ / 6 $ pro Million Tokens und einer vollständigen Benchmark-Tabelle allgemein verfügbar wurde. Die philosophische Frage bleibt dieselbe — schiere Größe und Offenheit gegenüber der Zuverlässigkeit des Denkens — aber jetzt gibt es auf beiden Seiten Zahlen.

Ein Hinweis für Entwickler — der schnellste Weg, eine solche Frage zu klären, ist, beide mit deinen eigenen Workflows laufen zu lassen. OrcaRouter macht über 200 Modelle hinter einem einzigen OpenAI-kompatiblen Endpunkt zugänglich, sodass du Qwen 3.8 Max gegen Opus 4.8 bei derselben Aufgabe antreten lassen kannst, ohne zwei SDKs anzubinden.

TL;DR-Fazit. Opus 4.8 bleibt der Reasoning-Spezialist: Es wurde nach Prüfung in die Spitzengruppe des Artificial Analysis Intelligence Index eingestuft und ist für lange Agenten-Ketten vertrauenswürdig, bei denen eine selbstsichere falsche Antwort mehr kostet als die Token-Rechnung. Seine Schwächen sind Kosten und Ausführlichkeit – AA beziffert seinen Mischpreis auf etwa $3.85/1M bei maximalem Aufwand, und es ist token-intensiv, wobei Grok 4.5 Berichten zufolge vergleichbare Aufgaben mit etwa 4× weniger Ausgabe-Tokens erledigt. Qwen3.8-Max kontert nun mit etwas, das ihm im Juli fehlte: einem echten, niedrigen Preis von $2 / $6 pauschal für 1M Tokens, zwischengespeicherter Input für $0.25, und eine Benchmark-Tabelle des Anbieters, angeführt von Terminal-Bench 2.1 mit 86.6 und OSWorld-Verified mit 86.1. Es zeigte außerdem echte agentische Sorgfalt in dem einzigen verfügbaren Drittanbieter-Test. Aber es wurde bisher von keinem unabhängigen Evaluator bewertet. Opus für Reasoning, dem man vertrauen muss; Qwen für kostenbewusste, gründlichkeitsorientierte Arbeit.

Wichtige Erkenntnisse

• Qwen3.8-Max ist seit dem 3. August 2026 allgemein verfügbar für $2 / $6 pro 1M Tokens, einheitlich über den gesamten 1M-Token-Kontext — eine echte Preisliste, die den temporären Vorschaurabatt vom Juli ersetzt.

• Opus 4.8 ist wesentlich teurer: Artificial Analysis beziffert seine Mischkosten auf etwa $3.85/1M bei maximalem Aufwand, und es ist token-lastig — Berichten zufolge etwa 4× mehr Ausgabetokens pro Aufgabe als Grok 4.5, sodass lange agentische Abläufe die Lücke weiter vergrößern.

• Quellen widersprechen sich hinsichtlich der genauen AA-Zahl von Opus 4.8. Bei AA v4.1 wird Kimi K3 (57.1) knapp darüber gemeldet, daher lautet die verlässliche Aussage „Spitzengruppe, unterhalb der Spitzenreiter Fable 5 / GPT-5.6 Sol“ und nicht eine einzelne feste Punktzahl.

• Qwen hat jetzt agentische Zahlen, selbst gemeldet: Terminal-Bench 2.1 86.6, OSWorld-Verified 86.1, FrontierSWE 73.5 (von 40.7 eines Vorgängers). Keine unabhängig verifiziert.

• Ein Drittanbieter-Datenpunkt zu Qwens agentischen Fähigkeiten ist positiv: Im Vergleich zu Kimi K3 erzielte es 354 Repo-Zitate gegenüber 274, nutzte 22 Gateway-Anfragen gegenüber 53, und protokollierte 0 fehlgeschlagene Tool-Aufrufe gegenüber 2 — während es 80/100 zu Kimis 83 erreichte.

• Offenheit divergiert dauerhaft: Qwen verspricht offene Gewichte noch diese Woche plus ein Qwen3.8-27B mit ~17GB VRAM; Opus 4.8 ist geschlossen und nur über API verfügbar.

Hinweis zur Genauigkeit: Alle Qualitätsangaben zu Qwen3.8-Max stammen von Alibaba und wurden nicht von Dritten verifiziert. Die Zahlen zu Opus 4.8 werden Artificial Analysis und genannten Quellen zugeschrieben und können von den eigenen Angaben von Anthropic abweichen; da die Tracking-Dienste beim genauen Index von Opus unterschiedliche Angaben machen, geben wir seine relative Position an, statt eine einzelne Zahl zu nennen. Die Qwen-Preise entsprechen der GA-Preisliste und ersetzen den Vorschau-Rabatt vom Juli.

Die technischen Daten und der Preis, Seite an Seite

Hier sind die harten Daten, jede Zahl mit ihrer Quelle versehen.

• Hersteller / Status — Qwen3.8-Max: Alibaba; GA (3. August 2026); Claude Opus 4.8: Anthropic; GA Deep-Reasoning-Flaggschiff

• Architektur — Qwen3.8-Max: ~2,4 Billionen gesamt, sparse MoE (aktive Parameter weiterhin nicht offengelegt); Opus 4.8: Geschlossen; Architektur nicht offengelegt

• Kontextfenster — Qwen3.8-Max: 1M Token (983.616 mit Denken; maximale Ausgabe 131.072); Opus 4.8: Flaggschiff für lange Kontexte

• AA Intelligence Index — Qwen3.8-Max: Noch nicht bewertet; Opus 4.8: Top-Cluster, unter den Spitzenreitern (Artificial Analysis; Kimi K3 bei 57,1 knapp darüber gemeldet)

• Kernstärke — Qwen3.8-Max: Skalierung, Gründlichkeit, Wirtschaftlichkeit bei langen Kontexten; Opus 4.8: Tiefes mehrstufiges Denken + agentische Zuverlässigkeit

• Vom Anbieter gemeldete Agentic-Scores — Qwen3.8-Max: Terminal-Bench 2.1 86.6, OSWorld-Verified 86.1 (von Alibaba gemeldet); Opus 4.8: n/a — Reputation wird in der Produktion verdient

• Preise (in / out) — Qwen3.8-Max: $2.00 / $6.00 pro 1M, pauschal; Cache-Input $0.25; Opus 4.8: Premium — AA-Mischpreis ~$3.85/1M bei maximalem Aufwand

• Token-Effizienz — Qwen3.8-Max: Ausführlich; IFBench 82.8 ist sein schwächster selbst angegebener Wert; Opus 4.8: Token-lastig — ~4× mehr Ausgabe als Grok 4.5 (wie berichtet)

• Offene Gewichte — Qwen3.8-Max: Noch diese Woche versprochen (noch keine Lizenz); Opus 4.8: Nein — geschlossen / nur über API

Zwei Dinge bilden den Rahmen für den Vergleich, und beide bewegten sich am 3. August.

Erstens ist die Kostenlücke nun messbar und nicht nur nominell. Im Juli war Qwens Vorteil ein Rabatt, mit dem man nicht haushalten konnte. Jetzt ist es ein Tarif, und die Form der Lücke ist ungewöhnlich: Opus ist teuer und token-intensiv, was bedeutet, dass sich beides multipliziert. Wenn Opus für dieselbe Aufgabe viermal so viele Output-Tokens erzeugt und einen Aufpreis pro Token verlangt, kann ein langer agentischer Lauf ein Vielfaches dessen kosten, was die angegebenen Preise vermuten lassen. Qwens Ausgaberate von 6 $, ein festes 1M-Kontextfenster und 0,25 $ für gecachten Input wirken genau dieser Vervielfachung entgegen.

Zweitens, Qwens Benchmark-Spalte ist nicht mehr leer — und ausnahmsweise ist ein Teil davon direkt relevant. Der gesamte Anspruch von Opus 4.8 ist agentische Zuverlässigkeit, und Alibaba hat nun agentische Zahlen veröffentlicht: Terminal-Bench 2.1 86,6 für die Shell-Bedienung, OSWorld-Verified 86,1 für die Steuerung einer echten GUI. Diese messen das Richtige. Der Vorbehalt betrifft die Herkunft, nicht die Relevanz: Alibaba hat sie mit einer eigenen Testumgebung erstellt, und kein Dritter hat sie bisher reproduziert. Opus' Ruf hingegen beruht auf etwas, das schwerer zu veröffentlichen, aber wohl wertvoller ist — dauerhafter Produktionseinsatz in vielen Teams, was eine Art Beleg ist, den eine Anbietertabelle nicht herstellen kann.

Zuverlässigkeit der Argumentation vs. rohe Gründlichkeit

Der interessante Unterschied zwischen diesen beiden liegt nicht in der einmaligen Qualität, sondern darin, wie sie sich verhalten, wenn eine Aufgabe viele Schritte umfasst und echte Werkzeuge angebunden sind.

Der Ruf von Opus 4.8 basiert auf agentischer Zuverlässigkeit: langen Denkketten, in denen es den Kontext verfolgt, sich aus Sackgassen befreit und Antworten liefert, auf die man sich verlassen kann, ohne jeden Schritt erneut zu prüfen. Das ist die Eigenschaft, für die Teams einen Aufpreis zahlen, denn in der Produktion übersteigen die Kosten einer selbstbewusst falschen mehrstufigen Antwort die Tokenrechnung bei Weitem. Der Trade-off ist, dass Opus token-intensiv ist — Grok 4.5 erledigt vergleichbare Aufgaben Berichten zufolge mit etwa 4× weniger Ausgabe-Tokens —, sodass seine Zuverlässigkeit mit echten, laufenden Kosten verbunden ist.

Qwen 3.8 antwortet mit einer anderen Art von Stärke: schierer Gründlichkeit, und dafür gibt es nun einen Drittanbieter-Datenpunkt. In einem von Trilogy AI durchgeführten Architektur-Verständnistest (Qwen3.8-Max vs. Kimi K3) erzielte Qwen 80/100 gegenüber Kimis 83 — verlor in der Schlagzeile — war aber der gründlichere Agent und produzierte 354 Repo-Zitate gegenüber Kimis 274, nutzte 22 Gateway-Anfragen gegenüber 53 und protokollierte 0 fehlgeschlagene Tool-Aufrufe gegenüber 2. Beide Modelle kamen zur gleichen zentralen architektonischen Schlussfolgerung; Qwen leistete einfach mehr Grounding-Arbeit, um dorthin zu gelangen, mit saubererer Werkzeugnutzung.

Dieses Ergebnis mit null fehlgeschlagenen Tool-Aufrufen ist das vielversprechendste agentische Signal, das Qwen vorweisen kann, denn fehlgeschlagene Tool-Aufrufe sind es, die Produktionsagenten tatsächlich zum Scheitern bringen. Es ist jedoch nur ein Test, zu einer Aufgabe, von einem Evaluator – bei weitem nicht die Evidenzbasis, auf der Opus' Ruf beruht.

Die Kosten von Qwens Gründlichkeit waren Latenz und Tokens. Rezensenten der Preview-Ära fanden es „sehr gut und sehr langsam“ – 30+ Minuten für einen Website-Build, über eine Stunde für eine Pokersimulation, das langsamste Modell, das dieser Rezensent je verwendet hatte. Zwei Einschränkungen gelten nun. Das war Preview-Infrastruktur, und das GA-Serving ist ein anderes System; die 7-Tage-Telemetrie von OrcaRouter zeigt derzeit eine p50-Zeit bis zum ersten Token von 1,64 Sekunden, obwohl TTFT und End-to-End-Durchsatz bei stundenlangen Builds unterschiedliche Größen sind. Der Befund verdient eher eine erneute Überprüfung als eine Wiederholung.

Es gibt auch ein strukturelles Problem, das erwähnenswert ist: Alibabas eigener schwächster gemeldeter Wert ist IFBench 82.8, das Befolgen von Anweisungen unter Einschränkung. Für agentische Pipelines, die die Modellausgabe bei jedem Schritt parsen, ist ein Modell, das den Rahmen überschreitet und unangeforderte Arbeit hinzufügt, ein Risiko, unabhängig davon, wie gründlich es ist. Genau hier zahlt sich Opus' Disziplin aus.

Kosten in der Praxis: wo die 4× Token-Lücke zuschlägt

Nehmen Sie einen mehrstufigen Agentenlauf: 80.000 Eingabetokens Kontext und – das ist die entscheidende Variable – unterschiedliche Ausgabevolumina, da Opus laut Berichten etwa 4× mehr ausgibt.

• Qwen3.8-Max bei 8.000 Ausgabetokens: 0,08M × $2 = $0,16, plus 0,008M × $6 = $0,048. ≈ $0,21 pro Lauf.

• Opus 4.8 bei einem Mischpreis von ~3,85 $/1M für 80.000 Input- und ~32.000 Output-Token (4× die Token): etwa 0,43 $ pro Lauf bei Mischpreis — und deutlich mehr, wenn man Input und Output getrennt zu Premium-Tarifen berechnet.

• Bei 3.000 Läufen/Tag: Qwen ≈ $630/Tag; Opus ≈ $1.290/Tag oder mehr.

• Bei Qwens gecachtem Input von 0,25 $/1M bei stabilem Kontext sinkt der Lauf auf ≈ 0,07 $ — etwa 6× günstiger als Opus.

Das ehrliche Gegengewicht ist dasjenige, das bei Opus-Vergleichen immer greift: Wenn Opus eine Aufgabe in einem Versuch löst, während ein günstigeres Modell zwei Versuche plus menschliche Überprüfung braucht, ist das günstigere Modell nicht wirklich günstiger. Opus' Ausführlichkeit ist teilweise der Mechanismus seiner Zuverlässigkeit — es denkt laut nach, und das kostet Tokens. Für deinen Workload stellt sich die Frage, ob du für Überlegung zahlst, die du brauchst. Bei hochriskanten Denkaufgaben mit geringem Aufkommen ist das wahrscheinlich der Fall. Bei Analysen mit hohem Volumen, bei denen du ohnehin nachgelagert verifizierst, wahrscheinlich nicht.

Offenheit und die On-Premise-Frage

Opus 4.8 ist geschlossen und ausschließlich über die API verfügbar, dauerhaft. Qwen3.8-Max ist das möglicherweise nicht – die Gewichte werden innerhalb der Woche versprochen –, aber das Flaggschiff ist kein realistisches Ziel für Selbsthosting: Etwa 1,2 TB bei 4-Bit gegenüber rund 141 GB pro H200 bedeutet acht oder mehr High-End-Beschleuniger, und da die Anzahl der aktiven Parameter weiterhin nicht offengelegt ist, lässt sich der Durchsatz, den diese Ausgabe kaufen würde, nicht modellieren. Es gibt auch noch keinen Lizenztext, daher ist die kommerzielle Nutzbarkeit formal nicht festgelegt.

Das gleichzeitig angekündigte Qwen3.8-27B ist die praktische Veröffentlichung für Teams, deren Interesse Kontrolle statt roher Leistung ist. Da es ebenfalls offene Gewichte hat, läuft es Berichten zufolge mit etwa 17GB VRAM — eine einzelne High-End-Karte. Wenn Sie mit Opus vergleichen, weil Sie Reasoning in Ihrem eigenen Netzwerk benötigen, ist 27B das Modell, das Sie bewerten sollten; die Offenheit des 2.4T-Flaggschiffs ist größtenteils theoretisch.

FAQ

Ist Qwen 3.8 besser als Claude Opus 4.8?

Nicht aufgrund der vorhandenen Belege. Opus 4.8 liegt in der obersten Gruppe des geprüften Artificial Analysis Intelligence Index und ist in der Praxis durch tiefes agentisches Denken bewiesen. Qwen3.8-Max hat eine starke selbst gemeldete Tabelle (Terminal-Bench 2.1 86.6, OSWorld-Verified 86.1) und einen günstigen Drittanbieter-Agentiktest, aber keinen unabhängigen Wert. Qwen gewinnt beim Preis; Opus gewinnt bei Beweisen und Zuverlässigkeit des Denkens.

Warum wird die Benchmark-Zahl von Opus 4.8 so vage beschrieben?

Weil Tracker tatsächlich widersprüchlich sind. Bei AA v4.1 wird Kimi K3 (57.1) knapp über Opus 4.8 gemeldet, was Opus in die oberste Gruppe einordnet, aber unter die Spitzenreiter Fable 5 / GPT-5.6 Sol — doch verschiedene Quellen berichten unterschiedlich, sodass die Angabe einer einzelnen festen Zahl irreführend wäre. Seine relative Position ist die zuverlässige Aussage.

Wie viel günstiger ist Qwen 3.8 als Claude Opus 4.8?

Erheblich, und die Lücke vergrößert sich bei langen Läufen. Qwen3.8-Max kostet 2 $ / 6 $ pro 1M pauschal, mit gecachtem Input bei 0,25 $. Artificial Analysis beziffert Opus’ gemischte Kosten auf etwa 3,85 $/1M bei maximalem Aufwand, und Opus ist Berichten zufolge etwa 4× token-intensiver als Grok 4.5 – die Preisunterschiede multiplizieren sich also mit dem Ausgabevolumen. Bei einem typischen mehrstufigen Lauf ist Qwen je nach Caching etwa 2–6× günstiger.

Hat Qwen 3.8 Max die Vorschauphase verlassen?

Ja, am 3. August 2026. Es verfügt über eine veröffentlichte Preisliste und einen OpenAI- und DashScope-kompatiblen Endpunkt, sodass die Qoder-Credits-Kampagne vom Juli und die 90%-Rabatt-Darstellung nicht mehr beschreiben, wie es verkauft wird.

Ist Qwen 3.8 für agentische Arbeit zuverlässig?

Die frühen Signale sind ermutigend, aber dünn. Alibaba meldet Terminal-Bench 2.1 86.6 und OSWorld-Verified 86.1, und in einem Drittanbieter-Test verzeichnete es null fehlgeschlagene Tool-Aufrufe gegenüber zwei beim Konkurrenten. Demgegenüber ist sein schwächster selbstberichteter Wert IFBench 82.8 beim Befolgen von Anweisungen, und Vorschau-Tester sahen wiederholt, dass es den Rahmen sprengte – ein echtes Risiko für Pipelines, die die Ausgabe jedes Schritts parsen.

Kann ich Qwen 3.8 selbst hosten, um Opus' Premium-Preise zu vermeiden?

Realistisch gesehen nicht das Flaggschiff. Die Gewichte werden innerhalb der Woche versprochen, aber es ist keine Lizenz veröffentlicht, und bei ~1,2 TB in 4-Bit bräuchte man acht oder mehr GPUs der H200-Klasse. Das gleichzeitig angekündigte Qwen3.8-27B, angeblich ~17 GB VRAM, ist die praktikable Option. Opus 4.8 ist geschlossen, also gibt es dort überhaupt keinen Weg zum Selbsthosting.

Welches sollte ich heute verwenden?

Opus 4.8 für reasoning-kritische oder agentische Produktionsarbeit, der Sie vertrauen können müssen, wo eine falsche mehrstufige Antwort teuer ist. Qwen3.8-Max für kostenbewusste, gründlichkeitsorientierte Arbeit — besonders für Long-Context-Analysen, wo sein pauschaler 1M-Preis und $0,25 für gecachten Input wirtschaftlich kaum zu schlagen sind.

Fazit

Qwen 3.8 vs Claude Opus 4.8 ist immer noch ein Gegensatz der Philosophien, aber die wirtschaftlichen Aspekte sind nicht mehr hypothetisch. Qwen3.8-Max ist zur GA mit echten Preisen erschienen, die Opus deutlich unterbieten, und die Kluft vergrößert sich, weil Opus sowohl einen Premium-Preis als auch einen hohen Token-Verbrauch hat. Qwen hat außerdem Zahlen zu agentischen Fähigkeiten veröffentlicht, die direkt auf Opus' Heimrevier zielen, und sein Drittanbieter-Agentiktest zeigte eine sauberere Werkzeugnutzung als ein starker Konkurrent.

Opus behält den Vorteil dort, wo er immer lag: eine geprüfte Position in der Spitzengruppe und eine Produktionsbilanz für zuverlässiges mehrstufiges Denken, die keine Anbietertabelle ersetzen kann. Qwens verbleibende Lücken sind die üblichen – kein unabhängiger Score, keine offengelegte Anzahl aktiver Parameter, noch keine Lizenz und eine selbstberichtete Schwäche bei der Befolgung von Anweisungen, die genau in den agentischen Pipelines eine Rolle spielt, für die Opus gewählt wird. Achten Sie auf zwei Ereignisse: den ersten unabhängigen Intelligence-Index-Score und die Veröffentlichung der Gewichte mit einer Lizenz. Bis dahin ist Opus das Modell, dem Sie teure Entscheidungen anvertrauen, und Qwen 3.8 das, über das Sie das Volumen leiten – getestet in Ihren eigenen Workflows.