Qwen3.8-Flash-Next: Lo que está confirmado, lo que realmente puedes descargar y qué ejecutar en su lugar

Si buscas Qwen3.8-Flash-Next porque esperas que llegue, la frase más útil aquí es la que te evita desperdiciar una sesión: ya llegó. Los pesos se pueden descargar desde finales de agosto de 2026, y el modelo es una vista previa de mezcla de expertos, de pesos abiertos y con capacidad de visión, de la arquitectura que Alibaba dice que sustentará Qwen4. Lo que no existe —y esta es la parte que la mayoría de las búsquedas de «flash next» asumen en silencio— es una iteración siguiente anunciada más allá de él. No hay una segunda vista previa, ni un sucesor con fecha, ni una declaración del proveedor que prometa uno. Esta página es la respuesta permanente a la pregunta que la gente sigue escribiendo: qué es Qwen3.8-Flash-Next, qué se ha confirmado sobre él, qué archivos existen para él, qué permite su licencia y qué ejecutar hoy si quieres un modelo invocable en lugar de una descarga —el hermano de producción Qwen3.8-Flash, o el denso Qwen3.8-27B con Apache-2.0—.

Confirmado, esperado e inferido: mantén los tres separados

La distinción importa aquí más de lo habitual, porque el nombre de este modelo invita a la gente a leer en él una hoja de ruta. A continuación se presentan tres grados de declaración, y cada uno está etiquetado.

Confirmado, a partir del propio material del proveedor. Qwen3.8-Flash-Next es un modelo de lenguaje causal con un codificador de visión, publicado como pesos postentrenados y archivos de configuración en formato Hugging Face Transformers. Su repositorio bajo la Qwen organización se creó el 24 de agosto de 2026 y se modificó por última vez el 27 de agosto de 2026; el lanzamiento formal en ModelScope llegó el 26 de agosto. La propia ficha de Alibaba lo llama "esta vista previa experimental de la arquitectura que sustentará Qwen4" y afirma que el primer lanzamiento de pesos abiertos bajo esa arquitectura es este modelo. Los parámetros almacenados se desglosan en un cuerpo de mezcla de expertos de 125B, una tabla de incrustaciones de n-gramas separada de 51B y aproximadamente 4B de capas de predicción de múltiples tokens, con 6B activados por token. El contexto es de 262.144 tokens de forma nativa, ampliable a 1.000.000. El modo de pensamiento está activado de forma predeterminada. La ficha informa compatibilidad con Hugging Face Transformers, vLLM, SGLang y TokenSpeed, y el propio repositorio contiene 131 fragmentos de safetensors en BF16.

Confirmado, y es fácil pasarlo por alto. El modelo de producción servido es un artefacto distinto con un nombre similar. Qwen3.8-Flash es la versión de API derivada de estos pesos; la propia ficha del checkpoint FP8 lo describe como «la versión oficial basada en Qwen3.8-Flash-Next con más funciones de producción». Si tu pregunta es «¿puedo llamar a esto desde una API?», ese es el nombre que quieres, no el del preview.

Es de esperar y, por lo tanto, no se indica aquí. Un modelo llamado "Next" implica una iteración posterior. Nada de lo publicado respalda una fecha, un recuento de parámetros, una licencia o una capacidad para uno. Cualquier artículo que te dé una ventana de lanzamiento para un sucesor está infiriendo, y puedes comprobarlo buscando la fuente. No hay ninguna en el material propio de Alibaba.

Las dos preguntas con verdadera demanda detrás de ellas: GGUF y nvfp4

Las búsquedas de este modelo se concentran marcadamente en dos cosas — «flash next gguf» y «flash next nvfp4» — y ambas tienen respuestas concretas y verificables en lugar de especulativas. Ninguna se responde adivinando una tabla de tamaños, así que esto es lo que se publica en realidad.

GGUF existe, de varios conversores independientes. Las principales fuentes son ggml-org/Qwen3.8-Flash-Next-GGUF, unsloth/Qwen3.8-Flash-Next-GGUF, bartowski/Qwen3.8-Flash-Next-GGUF y AtomicChat/Qwen3.8-Flash-Next-GGUF, junto con una larga cola de repositorios más pequeños. No son el mismo producto, y la diferencia importa más de lo habitual a este tamaño.

El ggml-org repositorio es el mínimo: una compilación IQ4_NL, una compilación Q8_0, un archivo proyector multimodal separado (mmproj-Qwen3.8-Flash-Next-Q8_0.gguf, de unos 0,6 GB) que necesitas si quieres la ruta de visión, y tres archivos borrador de predicción multi-token en BF16, Q4_0 y Q8_0. Si solo quieres ejecutar texto, ese repositorio es suficiente.

El unsloth repositorio es la escalera amplia, y es donde la cuestión del tamaño realmente se responde. Sus archivos publicados van desde 72,5 GB (UD-IQ1_S) y 74,5 GB (UD-IQ1_M) en la parte inferior, pasando por 78,9 GB (UD-Q2_K_XL), 82 GB (UD-IQ3_XXS) y 90 GB (UD-Q3_K_XL), hasta 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) y alrededor de 354 GB en BF16. También incluye sus propios archivos de borrador MTP y dos archivos mmproj.

Interpreta esa escala tal como es. La cuantización más pequeña que alguien publica para este modelo sigue siendo mayor de 70 GB en disco. No hay ninguna build que quepa en una sola tarjeta de consumo como lo hace un 27B denso, y el repositorio no ofrece ninguna orientación de VRAM por cuantización en absoluto — su sección de hardware es un mensaje vacío de «inicia sesión para añadir tu hardware». Así que la respuesta honesta a «¿esto cabrá en mi máquina?» es que debes dimensionar según los tamaños de archivo publicados arriba y según el propio truco de la arquitectura: la tabla de embeddings de n-gramas de 51B se direcciona mediante claves de búsqueda conocidas de antemano, que es precisamente lo que permite que un checkpoint de este tamaño se ejecute con la tabla de embeddings residente en la memoria del host en lugar de fijada en la VRAM. Eso es una característica de diseño, no una afirmación sobre tu equipo concreto, y es la razón por la que el mínimo práctico aquí es una máquina con mucha RAM de sistema y una cantidad menor de memoria de acelerador, no al revés.

nvfp4 también existe, y conlleva una licencia diferente. nvidia/Qwen3.8-Flash-Next-NVFP4 se publicó el 2 de septiembre de 2026, se generó con la cadena de herramientas Model Optimizer de NVIDIA y suma aproximadamente 133 GB repartidos en diez fragmentos, además de un archivo FP8 de 53,7 GB de predicción multitoken y embedding por capa. Su ficha indica la NVIDIA Open Model License, no la licencia de Qwen — un punto que conviene leer dos veces si tienes previsto redistribuirlo. Existen otras compilaciones NVFP4 de Red Hat AI, RadixArk y local-inference-lab; Intel publica una compilación W4A16 AutoRound; hay compilaciones MLX para Apple silicon de varios publicadores de la comunidad.

Merece la pena mencionar un formato más, porque es el propio del proveedor: Qwen/Qwen3.8-Flash-Next-FP8. Se trata de una cuantización FP8 de grano fino con un tamaño de bloque de 128, y su ficha afirma que sus métricas de rendimiento son «casi idénticas a las del modelo original». Lleva la misma licencia comunitaria que los pesos base, y es el checkpoint que utiliza el propio pipeline de benchmarks de Alibaba.

Lo que permite la licencia — y por qué eso responde a la pregunta sin censura

El mayor grupo único de consultas en torno a este modelo no gira en torno a los benchmarks. Gira en torno a las versiones sin censura y "abliterated", y la forma correcta de responder a ello es leer la licencia y examinar lo que se ha publicado, porque esas dos cosas determinan lo que un lector puede obtener realmente.

Qwen3.8-Flash-Next se distribuye bajo la Qwen Community License 1.0. El texto de la licencia concede, de forma gratuita, el derecho de usar, copiar, modificar, fusionar, publicar, distribuir, sublicenciar, vender, desplegar, alojar, afinar y crear obras derivadas a partir de los pesos, los parámetros, los archivos de configuración y el código de inferencia. Exige que el aviso de derechos de autor y de permiso acompañe a las copias o a porciones sustanciales. Establece un umbral de denominación: si usas el software o sus derivados en un producto o servicio comercial con más de 100 millones de usuarios activos mensuales o 20 millones de dólares estadounidenses en ingresos mensuales, el nombre del modelo debe mostrarse de forma destacada en la interfaz de ese producto. Y separa los negocios de servicios: un negocio de "Model as a Service" o "AI Work Assistant" requiere una licencia separada de Qwen antes del uso comercial, con una excepción de uso interno para despliegues que no expongan el modelo, sus resultados ni sus capacidades a terceros.

Tres consecuencias se siguen directamente, y son toda la respuesta a las consultas sin censura:

• Los pesos son abiertos y la licencia permite expresamente obras derivadas. Por lo tanto, las abliteraciones comunitarias son legales, no de mercado gris, y existen en cantidad — huihui-ai publica varias, y la propia familia Qwen3.8-Flash-Next-Uncensored de OrcaRouter se publica bajo Apache 2.0 con compilaciones GGUF, FP8, NVFP4 y MLX derivadas de ella.

• Una obra derivada no siempre hereda la licencia original. La compilación NVIDIA NVFP4 lleva la NVIDIA Open Model License; una cuantización de una abliteración comunitaria puede llevar Apache 2.0. Si los términos de la licencia son la razón por la que eliges un archivo en lugar de otro, lee la ficha del repositorio específico que estás a punto de descargar en lugar de la ficha del modelo base.

• El umbral comercial escala con tu negocio, no con el modelo. Para un equipo que desarrolla una herramienta interna, la restricción práctica es el requisito de notificación. Para un equipo que vende acceso a modelos, la cláusula de licencia separada para empresas de Model-as-a-Service es una partida que hay que presupuestar antes de construir sobre estos pesos, y Qwen3.8-27B, con licencia Apache-2.0, evita por completo esa conversación.

Lo que esta página no hará es caracterizar cómo responde cualquier servicio alojado o cualquier compilación concreta a cualquier prompt en particular. Eso no es lo que regula la licencia ni lo que hemos medido. La licencia y los archivos de pesos publicados son los que determinan la disponibilidad, y ambas son cosas que puedes verificar tú mismo en un par de clics.

Qué correr hoy

Esta es la parte que una página permanente le debe a un lector que llegó con ganas de construir algo esta tarde en lugar de descargar 90 GB.

Qwen3.8-Flash-Next no es un modelo que enrutemos, y por mucho que lo deseemos no se convertirá en uno — no hay ningún ID de modelo que coincida con qwen3.8-flash-next en nuestro catálogo actual, y esta página no va a insinuar que lo habrá. Su historia de servicio es una de descargar y alojar: obtén los pesos de Hugging Face o ModelScope, elige entre las rutas safetensors, FP8, NVFP4 y GGUF de arriba, y ejecútalo en hardware que aprovisiones.

Lo que sí enrutamos es la versión de producción de la misma arquitectura. Qwen3.8-Flash está disponible como qwen/qwen3.8-flash a $0.15 por millón de tokens de entrada y $0.47 por millón de tokens de salida, con entrada en caché a aproximadamente $0.018 por millón y un contexto de 1M de tokens que acepta texto, imagen y video y devuelve texto. Ese precio es la lista publicada por el proveedor, aplicada sin margen, así que un cambio por parte de Alibaba llega a tu endpoint el mismo día en lugar de en el siguiente ciclo de facturación. Si lo que querías de la vista previa era la arquitectura en producción en lugar del checkpoint en disco, eso es lo más cercano que se puede invocar y está a una sola clave de distancia.

Si tu limitación es la licencia y no la latencia, la otra respuesta es Qwen3.8-27B. Es un modelo denso de 27 mil millones de parámetros bajo Apache 2.0 —sin umbral de denominación, sin acuerdo aparte para empresas de servicios— y se enruta como qwen/qwen3.8-27b, así que puedes comparar las dos variantes con tu propio tráfico antes de decidirte por una u otra. Ambos están detrás de la misma clave y del mismo endpoint compatible con OpenAI, lo que significa que probar uno y luego el otro cuesta un cambio de id de modelo en lugar de una integración. Esa es la forma barata de responder «¿realmente necesito la arquitectura de 6B activos?», porque mide tu carga de trabajo en lugar del benchmark de otra persona.

Lo que no está resuelto

Que el "Next" en el nombre de este modelo sea una vista previa única o el primero de una línea numerada sigue sin resolverse, y nada de lo publicado permite responderlo. Lo único con lo que un lector puede contar es que el hermano de producción de la vista previa ya existe y tiene precio, lo cual es inusual: la mayoría de las vistas previas de arquitectura no se lanzan con una contraparte comercial el mismo día. Trata este modelo como una vista previa de una familia que está parcialmente aquí, no como una filtración de algo que no lo está.

La otra cuestión abierta es la de las herramientas, más que la del modelo. llama.cpp, vLLM y SGLang lo soportan todos, la versión FP8 es el checkpoint de evaluación del propio proveedor, y el ecosistema GGUF ya ha producido de todo, desde versiones de 1 bit hasta versiones de precisión completa; pero la calidad de cuantización de 1 a 3 bits en un modelo de mezcla de expertos almacenado en 176B no es una cuestión resuelta, y nadie ha publicado una comparación controlada de las versiones de pocos bits en hardware equivalente. Si estás eligiendo entre UD-IQ1_S y UD-Q2_K_XL para ahorrar 6 GB, estás tomando esa decisión con tu propia evaluación, que es la forma correcta de tomarla y también la razón por la que una tabla especulativa de tamaños en una página como esta sería peor que inútil.

Dos páginas hermanas cubren los ángulos que esta deliberadamente no cubre: la cobertura de la filtración, que informó lo que decían las señales previas al lanzamiento y está fechada en ese momento, y la comparativa cara a cara contra el modelo denso Apache-2.0, que es la que se encarga de la comparación. Lee esas si quieres la historia de cómo apareció este modelo o un argumento sobre cuál de los dos elegir. Esta página seguirá aquí, sin cambios, cuando ambas hayan quedado obsoletas.