Qwen3.8-Flash-Next : ce qui est confirmé, ce que vous pouvez réellement télécharger et ce qu'il faut exécuter à la place

Si vous cherchez Qwen3.8-Flash-Next parce que vous vous attendez à ce qu'il arrive, la phrase la plus utile ici est celle qui vous évite de gaspiller une session : il est déjà arrivé. Les poids sont téléchargeables depuis fin août 2026, et le modèle est un aperçu à poids ouverts, capable de vision et à mélange d'experts, de l'architecture sur laquelle A​libaba affirme que Qwen4 s'appuiera. Ce qui n'existe pas — et c'est la partie que la plupart des recherches sur « flash next » présupposent silencieusement — c'est toute itération suivante annoncée au-delà de celui-ci. Il n'y a pas de second aperçu, pas de successeur daté, et aucune déclaration du fournisseur promettant un tel successeur. Cette page est la réponse de référence à la question que les gens tapent encore : ce qu'est Qwen3.8-Flash-Next, ce qui est confirmé à son sujet, quels fichiers existent pour lui, ce que sa licence autorise, et quoi exécuter aujourd'hui si vous voulez un modèle appelable plutôt qu'un téléchargement — le frère de production Qwen3.8-Flash, ou le modèle dense Qwen3.8-27B sous Apache-2.0.

Confirmé, attendu et inféré — distinguez bien les trois

La distinction compte ici plus qu’à l’accoutumée, car le nom de ce modèle invite à y lire une feuille de route. Trois degrés d’énoncé suivent, et chacun est étiqueté.

Confirmé, d'après les propres documents du fournisseur. Qwen3.8-Flash-Next est un modèle de langage causal doté d'un encodeur de vision, publié sous forme de poids post-entraînés et de fichiers de configuration au format Hugging Face Transformers. Son dépôt au sein de l'organisation Qwen a été créé le 24 août 2026 et modifié pour la dernière fois le 27 août 2026 ; la publication officielle sur ModelScope a eu lieu le 26 août. La fiche d'Alibaba elle-même le qualifie de « cet aperçu expérimental de l'architecture qui servira de fondement à Qwen4 », et précise que la première publication à poids ouverts sous cette architecture est ce modèle. Les paramètres stockés se décomposent en un corps mixture-of-experts de 125 B, une table d'embeddings n-grammes distincte de 51 B, et environ 4 B de couches de prédiction multi-tokens, avec 6 B activés par token. Le contexte est de 262 144 tokens nativement, extensible à 1 000 000. Le mode réflexion est activé par défaut. La fiche signale la compatibilité avec Hugging Face Transformers, vLLM, SGLang et TokenSpeed, et le dépôt contient lui-même 131 shards safetensors en BF16.

Confirmé, et facile à manquer. Le modèle de production servi est un artefact différent portant un nom similaire. Qwen3.8-Flash est la version API dérivée de ces poids ; la fiche du checkpoint FP8 le décrit comme « la version officielle basée sur Qwen3.8-Flash-Next, avec davantage de fonctionnalités de production ». Si votre question est « puis-je l'appeler depuis une API », c'est ce nom-là qu'il vous faut, pas celui de l'aperçu.

Attendu, et donc non précisé ici. Un modèle appelé « Next » implique une itération suivante. Rien de publié n’étaye une date, un nombre de paramètres, une licence ou une capacité pour un tel modèle. Tout article qui vous donne une fenêtre de sortie pour un successeur fait une inférence, et vous pouvez le vérifier en cherchant la source. Il n’y en a aucune dans la documentation propre d’A​libaba.

Les deux questions qui ont une réelle demande derrière elles : GGUF et nvfp4

Les recherches pour ce modèle se concentrent fortement sur deux choses — « flash next gguf » et « flash next nvfp4 » — et toutes deux ont des réponses concrètes et vérifiables plutôt que spéculatives. Aucune ne trouve de réponse en devinant une table des tailles, voici donc ce qui est réellement publié.

GGUF existe, produit par plusieurs convertisseurs indépendants. Les principales sources sont ggml-org/Qwen3.8-Flash-Next-GGUF, unsloth/Qwen3.8-Flash-Next-GGUF, bartowski/Qwen3.8-Flash-Next-GGUF et AtomicChat/Qwen3.8-Flash-Next-GGUF, ainsi qu'une longue traîne de dépôts plus petits. Ce ne sont pas les mêmes produits, et la différence compte plus que d'habitude à cette taille.

Le dépôt ggml-org est le plus minimal : une version IQ4_NL, une version Q8_0, un fichier de projecteur multimodal distinct (mmproj-Qwen3.8-Flash-Next-Q8_0.gguf, environ 0,6 Go) dont vous avez besoin si vous voulez le chemin de vision, et trois fichiers de brouillon de prédiction multi-token en BF16, Q4_0 et Q8_0. Si vous ne voulez exécuter que du texte, ce dépôt suffit.

Le dépôt unsloth est l'échelle étendue, et c'est là que la question de la taille trouve réellement sa réponse. Ses fichiers publiés s'échelonnent de 72,5 Go (UD-IQ1_S) et 74,5 Go (UD-IQ1_M) en bas, en passant par 78,9 Go (UD-Q2_K_XL), 82 Go (UD-IQ3_XXS) et 90 Go (UD-Q3_K_XL), jusqu'à 93,7 Go (UD-IQ4_XS), 111 Go (UD-Q4_K_XL), 158 Go (UD-Q5_K_XL), 169 Go (UD-Q6_K_XL), 188 Go (Q8_0) et environ 354 Go en BF16. Il fournit également ses propres fichiers de draft MTP et deux fichiers mmproj.

Prenez cette échelle pour ce qu'elle est. La plus petite quantification publiée pour ce modèle dépasse encore 70 Go sur disque. Aucune version ne tient sur une seule carte grand public comme le fait un modèle dense de 27B, et le dépôt ne donne absolument aucune indication de VRAM par quantification — sa section matérielle se résume à une invite vide « connectez-vous pour ajouter votre matériel ». La réponse honnête à « est-ce que ça tournera sur ma machine » est donc que vous devez dimensionner en fonction des tailles de fichiers publiées ci-dessus et de l'astuce propre à l'architecture : la table d'embedding n-gram de 51B est adressée par des clés de recherche connues à l'avance, ce qui permet précisément à un checkpoint de cette taille de tourner avec la table d'embedding résidente en mémoire hôte plutôt qu'épinglée dans la VRAM. C'est une caractéristique de conception, et non une affirmation à propos de votre machine en particulier, et c'est la raison pour laquelle le seuil pratique ici est une machine dotée de beaucoup de RAM système et d'une quantité moindre de mémoire d'accélérateur, et non l'inverse.

nvfp4 existe aussi, et il est sous une licence différente. nvidia/Qwen3.8-Flash-Next-NVFP4 a été publié le 2 septembre 2026, produit avec la chaîne d'outils Model Optimizer de NVIDIA, et totalise environ 133 Go répartis sur dix shards, plus un fichier FP8 de 53,7 Go pour la prédiction multi-token et l'embedding par couche. Sa fiche indique la licence NVIDIA Open Model, et non la licence Qwen — un point qui mérite d'être lu deux fois si vous envisagez de le redistribuer. D'autres builds NVFP4 existent, proposés par Red Hat AI, RadixArk et local-inference-lab ; Intel publie un build W4A16 AutoRound ; des builds MLX pour Apple silicon existent chez plusieurs diffuseurs communautaires.

Un format supplémentaire mérite d'être nommé, car il provient du fournisseur lui-même : Qwen/Qwen3.8-Flash-Next-FP8. Il s'agit d'une quantification FP8 à grain fin avec une taille de bloc de 128, et sa fiche annonce des performances « quasi identiques à celles du modèle original ». Il est couvert par la même licence communautaire que les poids de base, et c'est le checkpoint qu'utilise le propre pipeline de benchmark d'A​libaba.

Ce que la licence permet — et pourquoi cela répond à la question non censurée

Le plus grand groupe unique de requêtes autour de ce modèle ne porte pas sur les benchmarks. Il porte sur les versions non censurées et abliterated, et la bonne façon d’y répondre est de lire la licence et d’examiner ce qui a été publié, car ces deux éléments déterminent ce qu’un lecteur peut réellement obtenir.

Qwen3.8-Flash-Next est distribué sous la Licence communautaire Qwen 1.0. Le texte de la licence accorde, à titre gratuit, le droit d’utiliser, de copier, de modifier, de fusionner, de publier, de distribuer, de concéder en sous-licence, de vendre, de déployer, d’héberger, d’affiner et de créer des œuvres dérivées à partir des poids, des paramètres, des fichiers de configuration et du code d’inférence. Elle exige que l’avis de droit d’auteur et d’autorisation accompagne les copies ou les parties substantielles. Elle fixe un seuil de dénomination : si vous utilisez le logiciel ou des dérivés dans un produit ou service commercial comptant plus de 100 millions d’utilisateurs actifs mensuels ou 20 millions de dollars américains de chiffre d’affaires mensuel, le nom du modèle doit être affiché de manière bien visible dans l’interface de ce produit. Et elle distingue les activités de services — une activité de « modèle en tant que service » ou d’« assistant de travail IA » nécessite une licence distincte de Qwen avant toute utilisation commerciale, avec une exception pour l’usage interne des déploiements qui n’exposent pas le modèle, ses sorties ou ses capacités à des tiers.

Trois conséquences en découlent directement, et elles constituent toute la réponse aux requêtes non censurées :

• Les poids sont ouverts et la licence autorise expressément les œuvres dérivées. Les ablations communautaires sont donc légales, et non issues d'un marché gris, et elles existent en quantité — huihui-aien publie plusieurs, et la famille Qwen3.8-Flash-Next-Uncensored d'OrcaRouter elle-même est publiée sous Apache 2.0 avec des versions GGUF, FP8, NVFP4 et MLX qui en sont dérivées.

• Un dérivé n’hérite pas toujours de la licence d’origine. La version NVFP4 de NVIDIA est distribuée sous la NVIDIA Open Model License ; une quantification d’une abliteration communautaire peut être sous Apache 2.0. Si les conditions de licence sont la raison pour laquelle vous choisissez un fichier plutôt qu’un autre, lisez la fiche du dépôt spécifique que vous vous apprêtez à télécharger plutôt que celle du modèle de base.

• Le seuil commercial évolue avec votre activité, et non avec le modèle. Pour une équipe qui développe un outil interne, la contrainte pratique est l'obligation de notification. Pour une équipe qui vend l'accès à un modèle, la clause de licence distincte pour les activités de Model-as-a-Service est un poste à chiffrer avant de bâtir sur ces poids, et le Qwen3.8-27B sous Apache-2.0 évite entièrement cette conversation.

Ce que cette page ne fera pas, c'est caractériser la manière dont un service hébergé ou une version particulière répond à une invite particulière. Ce n'est pas ce que la licence régit, ni ce que nous avons mesuré. La licence et les fichiers de poids publiés sont ce qui détermine la disponibilité, et les deux sont des choses que vous pouvez vérifier vous-même en quelques clics.

Que courir aujourd'hui

C’est la partie qu’une page permanente doit à un lecteur arrivé en voulant construire quelque chose cet après-midi plutôt que de télécharger 90 Go.

Qwen3.8-Flash-Next n'est pas un modèle que nous routons, et vous aurez beau le souhaiter, cela ne le rendra pas tel — il n'existe aujourd'hui aucun identifiant de modèle correspondant à qwen3.8-flash-next dans notre catalogue, et cette page ne va pas laisser entendre qu'il y en aura un. Son mode de service est un mode de téléchargement et d'hébergement : récupérez les poids depuis Hugging Face ou ModelScope, choisissez entre les options safetensors, FP8, NVFP4 et GGUF ci-dessus, et exécutez-le sur du matériel que vous provisionnez.

La route que nous exploitons correspond à la version de production de la même architecture. Qwen3.8-Flash est en ligne sous qwen/qwen3.8-flash à 0,15 $ par million de jetons d'entrée et 0,47 $ par million de jetons de sortie, avec l'entrée mise en cache à environ 0,018 $ par million et un contexte d'un million de jetons qui accepte du texte, des images et de la vidéo en entrée et renvoie du texte. Cette tarification correspond à la liste publiée par le fournisseur, transmise sans marge, de sorte qu'une modification côté Alibaba atteint votre endpoint le jour même plutôt qu'au cycle de facturation suivant. Si ce que vous attendiez de l'aperçu était l'architecture en production plutôt que le checkpoint sur disque, c'est l'élément appelable qui s'en rapproche le plus, et il ne vous manque qu'une clé.

Si votre contrainte est la licence plutôt que la latence, l'autre réponse est Qwen3.8-27B. Il s'agit d'un modèle dense de 27 milliards de paramètres sous Apache 2.0 — pas de seuil de nommage, pas d'accord distinct pour les entreprises de services — et il est routé en tant que qwen/qwen3.8-27b, ce qui vous permet de comparer les deux formes à votre propre trafic avant de vous engager pour l'une ou l'autre. Les deux se trouvent derrière la même clé et le même point de terminaison compatible OpenAI, ce qui signifie qu'essayer l'un puis l'autre coûte un changement d'identifiant de modèle plutôt qu'une intégration. C'est la façon la moins coûteuse de répondre à « ai-je vraiment besoin de l'architecture à 6B actifs », parce que cela mesure votre charge de travail plutôt que le benchmark de quelqu'un d'autre.

Qu’est-ce qui n’est pas réglé ?

Que le « Next » dans le nom de ce modèle soit un aperçu ponctuel ou le premier d’une gamme numérotée reste en suspens, et rien de publié ne permet d’y répondre. La seule chose sur laquelle un lecteur peut compter, c’est que la version de production de cet aperçu existe déjà et qu’elle a un prix, ce qui est inhabituel — la plupart des aperçus d’architecture ne sortent pas avec une contrepartie commerciale le jour même. Considérez ce modèle comme l’aperçu d’une famille partiellement présente, et non comme la fuite de quelque chose qui n’existe pas.

L'autre question ouverte relève de l'outillage plutôt que du modèle. llama.cpp, vLLM et SGLang y parviennent tous, la version FP8 est le point de contrôle d'évaluation du fournisseur lui-même, et l'écosystème GGUF a déjà produit tout, des versions 1 bit aux versions en précision complète — mais la qualité de quantification à 1 à 3 bits sur un modèle à mélange d'experts stocké sur 176B n'est pas une question réglée, et personne n'a publié de comparaison contrôlée des versions à faible nombre de bits sur du matériel identique. Si vous choisissez entre UD-IQ1_S et UD-Q2_K_XL pour économiser 6 Go, vous prenez cette décision sur la base de votre propre évaluation, ce qui est la bonne façon de procéder, et c'est aussi la raison pour laquelle un tableau spéculatif des tailles sur une page comme celle-ci serait pire qu'inutile.

Deux pages sœurs couvrent les angles que celle-ci omet délibérément : la couverture des fuites, qui rapportait ce que disaient les signaux de pré-lancement et qui est datée de ce moment-là, et le face-à-face avec le modèle dense Apache-2.0, auquel revient la comparaison. Lisez-les si vous voulez l’histoire de l’apparition de ce modèle ou un argumentaire sur lequel des deux choisir. Cette page sera toujours là, inchangée, lorsque ces deux pages auront perdu leur actualité.