Qwen3.8-Flash-Next vs Qwen3.8-27B : louer le débit ou posséder les poids

Qwen3.8-Flash-Next et Qwen3.8-27B sont deux réponses à la même question, publiées à six jours d'intervalle par le même laboratoire, et cette question est de savoir ce qu'une équipe devrait réellement exécuter lorsqu'elle veut un modèle de cette génération qu'elle peut placer devant du trafic de production. Qwen3.8-27B est sorti le 13 août 2026 : un modèle dense de 27 milliards de paramètres sous Apache 2.0, dont les 55,6 Go de poids BF16 tiennent sur une seule carte de 24 Go une fois quantifiés. Qwen3.8-Flash-Next est arrivé sur Hugging Face le 24 août et sur ModelScope le 26 août : environ 180 milliards de paramètres stockés, 6 milliards activés par token, sous la licence plus restrictive Qwen Community License 1.0. L'un est un fichier. L'autre est un profil de débit. Choisir entre les deux revient surtout à se demander lequel de ces deux éléments votre charge de travail a réellement besoin.

Ils sont des parents plus proches que leurs noms ne le suggèrent. Tous deux embarquent un contexte natif de 262 144 jetons, extensible à 1 000 000, tous deux acceptent du texte, des images et de la vidéo en entrée et renvoient du texte, et tous deux s'appuient sur la même idée d'attention hybride qu'A​libaba déploie depuis la génération Qwen3.5 — une majorité de couches d'attention linéaire accomplissant à moindre coût le travail sur le contexte long, une minorité de couches d'attention complète prenant en charge la récupération précise à laquelle l'attention linéaire est peu adaptée. Là où ils cessent d'être identiques, c'est pour tout ce qui en découle : la licence, la taille, le prix par jeton et ce qu'il faut faire pour en faire tourner un.

Ce que chacun est, en un paragraphe chacun

Qwen3.8-27B est un modèle de langage causal dense doté d'un encodeur visuel : 64 couches, une dimension cachée de 5 120, une taille intermédiaire de 17 408 et un vocabulaire de 248 320 tokens, avec la pile d'attention répartie entre 48 couches linéaires Gated DeltaNet et 16 couches Gated Attention. Alibaba l'a entraîné avec une prédiction multi-token. Le mode de réflexion est activé par défaut avec des niveaux `reasoning_effort` xhigh, medium et low, et les lignes vision de sa propre fiche modèle couvrent l'analyse de documents (OmniDocBench 1.5 à 91,1), les tâches GUI (OSWorld-Verified 84,3, AndroidWorld 81,9) et le raisonnement visuel général (RealWorldQA 85,9, MathVision 90,0). C'est, au sens simple, un modèle téléchargeable : un dépôt, dix-huit fragments safetensors, un fichier de licence et une taille qu'une station de travail sérieuse peut contenir.

Qwen3.8-Flash-Next est un mélange d'experts sur l'architecture qu'Alibaba affirme devoir sous-tendre Qwen4 — 48 couches, 512 experts dont 10 routés et un partagé, 125 milliards de paramètres dans le corps d'experts activant 6 milliards par token, plus une table d'embedding n-grammes distincte de 51 milliards et environ 4 milliards de couches de prédiction multi-token. Sa pile d'attention repose sur la même idée de trois pour un à une échelle différente : 36 couches Gated DeltaNet contre 12 exécutant Qwen Sparse Attention. La fiche précise explicitement qu'il s'agit d'un aperçu expérimental de l'architecture plutôt que d'un modèle Qwen4, et que la variante de production servie est Qwen3.8-Flash via Qwen Cloud. Ce n'est pas un fichier que vous possédez négligemment — c'est un problème de serving que vous résolvez une fois, puis que vous exécutez à moindre coût.

Là où les deux divergent au-delà du nombre de paramètres

La licence est la première divergence et celle qui survit à tous les arguments de benchmark de cette page. Qwen3.8-27B est sous Apache 2.0, point final : usage commercial, modification, redistribution, versions dérivées, aucun seuil de chiffre d’affaires et aucun accord distinct à négocier. Qwen3.8-Flash-Next est sous Qwen Community License 1.0, qui autorise l’usage commercial, y compris la vente d’œuvres dérivées, mais exige un accord commercial distinct avec A​libaba si vous exploitez une activité de modèle en tant que service ou d’assistant de travail IA au-delà d’un seuil défini de chiffre d’affaires et d’utilisateurs actifs mensuels. Si vous construisez un produit plutôt qu’un outil interne, cette clause n’est pas une note de bas de page ; c’est un poste budgétaire. Il vaut la peine de lire la licence avant de lire le tableau des benchmarks, car elle peut disqualifier un modèle qui gagne sur tous les scores.

La deuxième divergence porte sur ce que signifie « local ». Pour le 27B, local signifie une seule machine : quantifiez en quatre bits et le modèle tient dans une carte de 24 Go, l’échelle des formats — niveaux de quantification GGUF, MLX pour Apple Silicon, l’arithmétique réelle de la VRAM — étant traitée en détail sur une page sœur plutôt que répétée ici. Pour Flash-Next, local signifie provisionner pour un checkpoint de 180 milliards de paramètres. vLLM le sert dès le premier jour avec un chemin d’offload qui garde la table de n-grammes de 51 milliards de paramètres en mémoire hôte plutôt qu’en VRAM permanente, SGLang et TensorRT-LLM figurent dans la liste Day 0 de NVIDIA, et la bibliothèque d’Ollama embarque une version MLX pour Apple Silicon — mais « tourne » et « tourne sur la machine que vous avez » sont deux phrases différentes, et seul le 27B peut revendiquer la seconde.

Ce que disent les chiffres publics, et ce qu'ils ne disent pas

Les deux modèles affichent des chiffres d'Artificial Analysis, issus du même indice, ce qui en fait la rare comparaison intra-famille où les chiffres indépendants peuvent au moins être lus côte à côte. Qwen3.8-27B obtient 33,7 sur l'Intelligence Index — 47e au classement général, 66e percentile — et 68,1 sur l'AA Coding Index, 35e au classement général. L'aperçu à poids ouverts Flash-Next obtient 40 sur l'Intelligence Index, cinquième parmi les 113 modèles de sa classe de comparaison. Ces entrées ont été évaluées à des dates différentes ; il faut donc lire l'écart comme directionnel plutôt que comme un résultat contrôlé.

Le détail derrière les deux scores est plus intéressant que les scores eux-mêmes. Dans les évaluations individuelles, la fiche du 27B lui-même indique 90,3 sur LiveCodeBench v6, 89,2 sur GPQA Diamond et 79,0 sur QwenSWEBench, tandis que la fiche de la preview Flash-Next indique 91,9, 91,7 et — sur le benchmark de la même famille — 81,0 sur SWE-bench Multilingual et 62,5 sur SWE-bench Pro. Tous ces chiffres sont ceux du fournisseur, produits par le fournisseur, et aucun n’a été reproduit par un tiers sur un harnais identique. Le tableau indépendant est plus étroit et va dans l’autre sens sur certaines lignes : la preview est solide sur le travail de connaissance et les tâches en terminal, mais faible sur la génération de dépôts à long horizon, tandis que l’indice de codage indépendant du 27B, de 68,1, se situe en dessous de ce que suggéreraient ses propres chiffres SWE déclarés par le fournisseur.

Une différence pratique que l’indice capture bel et bien : la preview est verbeuse. Artificial Analysis la mesure à 53 jetons de sortie par seconde, avec un délai de 2,80 secondes jusqu’au premier jeton, et la qualifie de « très verbeuse », consommant 108 k jetons de sortie par tâche, dont 72 k de raisonnement. Le 27B, mesuré via notre propre playground sur les sept derniers jours, renvoie un peu plus de 200 jetons de sortie par seconde, avec une médiane de 4,97 secondes jusqu’au premier jeton. Les harnais étant différents, considérez ces débits comme indicatifs — mais ils décrivent la même forme que celle qu’implique l’architecture. L’un dépense des jetons pour parvenir à une réponse ; l’autre en dépense moins, et la conception dense rend chacun d’eux moins coûteux à produire.

Le prix, sur les deux unités qui comptent

Par token, les deux sont suffisamment proches pour que la décision ne se joue pas ici. Qwen3.8-27B est facturé 0,33 $ par million de tokens d'entrée et 2,40 $ par million de tokens de sortie ; le Qwen3.8-Flash servi est facturé 0,15 $ et 0,47 $, les deux au prix catalogue du fournisseur, répercuté sans marge. La variante Flash de production est donc environ 2,2 fois moins chère en entrée et 5,1 fois moins chère en sortie.

Par octet sur disque, ils ne sont pas du tout proches, et c’est le chiffre que les lecteurs qui sous-estiment le déploiement local manquent généralement. Le 27B, c’est 55,6 Go de poids BF16 répartis sur dix-huit shards, compressibles en quelque chose qui tourne sur une seule carte grand public. L’aperçu est un checkpoint de 180B paramètres dans la même précision — plusieurs fois le stockage, plusieurs fois la bande passante mémoire, et une configuration de service qui suppose un déchargement vers la mémoire hôte plutôt qu’un seul dispositif. Si votre contrainte est une machine que vous possédez déjà, le 27B n’est pas l’option la moins chère ; c’est la seule option.

Lequel exécuter

Choisissez Qwen3.8-27B si vous avez besoin de posséder le modèle plutôt que de le louer : déploiement sur site ou en environnement isolé, une licence Apache 2.0 sur laquelle vous pouvez bâtir un produit sans discussion sur les revenus, des coûts par requête qui ne s'alignent pas sur la grille tarifaire de quelqu'un d'autre, et une histoire de service sur un seul GPU que vous pouvez exploiter vous-même. C'est aussi le bon choix de cette paire lorsque vous devez fine-tuner, fusionner ou quantifier — le dépôt montre des centaines d'adaptateurs, de fine-tunes et de quantifications communautaires déjà dérivés de ce modèle, ce qui est ce qu'une publication de poids sous Apache 2.0 vous apporte avec le temps.

Choisissez Qwen3.8-Flash-Next si votre contrainte est le débit et le coût par token plutôt que le contrôle : balayages agentiques à grand volume, vastes travaux de classification et d'extraction, compréhension de captures d'écran et de documents à grande échelle, et tout ce où un modèle à 6B de paramètres actifs, à un tiers du prix d'entrée, change ce qui est économiquement possible. C'est également le bon choix si vous souhaitez spécifiquement évaluer l'architecture Qwen4 sur vos propres données avant que Qwen4 n'existe — c'est précisément à cela que sert l'aperçu, et c'est une raison de tester plutôt qu'une raison de s'engager.

La règle : le 27B s’adresse aux lecteurs dont le goulot d’étranglement est l’endroit où le modèle s’exécute, tandis que Flash-Next s’adresse aux lecteurs dont le goulot d’étranglement est ce que coûte l’exécution du modèle. Très peu d’équipes ont les deux goulots d’étranglement, et celui qu’elles ont réellement tranche généralement la question en une seule réunion.

Réussir à faire fonctionner l’un ou l’autre aujourd’hui

Qwen3.8-27B est le plus facile des deux pour démarrer, et ce dans deux directions à la fois. Téléchargez les poids et servez-le vous-même sous Apache 2.0, ou appelez-le sans toucher à un accélérateur : il est routé comme `qwen/qwen3.8-27b` sur notre catalogue à 0,33 $ et 2,40 $ par million de tokens, et le 27B est servi sur notre propre infrastructure plutôt que relayé depuis un point de terminaison fournisseur. Cette seconde voie en fait un choix par défaut naturel pour le travail multimodal à fort volume — en tant que l'un des plus de 200 modèles accessibles via un unique point de terminaison compatible OpenAI, sur une seule clé, sans second contrat à signer.

Qwen3.8-Flash-Next n’est pas une route que nous proposons. L’aperçu à poids ouverts doit être téléchargé et servi par vos soins, et son chemin d’accès passe par Hugging Face et ModelScope plutôt que par une API. Ce que nous proposons, nous, c’est son pendant de production : Qwen3.8-Flash, `qwen/qwen3.8-flash`, à 0,15 $ et 0,47 $ par million de tokens avec entrée texte, image et vidéo sur un contexte de 1 M de tokens, facturé selon la grille tarifaire publiée par le fournisseur afin qu’un changement de tarif côté Alibaba atteigne votre endpoint le jour même. Si vous voulez l’architecture de l’aperçu sans le projet de service, c’est ce qui s’en rapproche le plus et qui est appelable aujourd’hui.

Pour une équipe qui veut les deux, la configuration est une répartition du trafic plutôt qu’un choix. Les deux se trouvent derrière la même clé et le même SDK, donc un pourcentage des requêtes peut être dirigé vers le 27B tandis que le reste va vers le point de terminaison Flash, avec un basculement automatique qui absorbe les moments où l’un ou l’autre se comporte mal. C’est une façon moins coûteuse de répondre à cette comparaison que n’importe quel tableau de benchmark, parce qu’elle mesure votre trafic plutôt que celui de quelqu’un d’autre.

Ce qui n'est pas réglé, c'est ce qui se passera lorsque la famille sera complète. Qwen3.8-27B est un modèle fini, sous licence et téléchargeable, qui ne devrait pas changer sous vos pieds. L'aperçu de Flash-Next est un canari pour une architecture dont les modèles de production n'ont pas encore été livrés, et la variante Flash servie qu'il accompagne est explicitement positionnée comme la version officielle de cette architecture. Si la famille Qwen4 suit le schéma établi par Qwen3-Next fin 2025, les descendants de l'aperçu arriveront d'ici quelques mois et cette page sera une décision portant sur une génération plutôt que sur un aperçu.

Le fait qui détermine le plus souvent ce duo, ce n'est pas le benchmark, c'est la licence : Apache 2.0 vous permet de bâtir une entreprise sur le 27B sans demander la permission à quiconque, alors que la Qwen Community License 1.0 ne vous accorde pas cela pour la preview. Tout le reste sur cette page — la fenêtre de contexte, l'attention hybride, la prise en charge de la vision — est partagé par les deux.