Qwen3.8-Flash-Next מול Qwen3.8-27B: לשכור את התפוקה או להחזיק במשקולות

Qwen3.8-Flash-Next ו-Qwen3.8-27B הם שתי תשובות לאותה שאלה, שפורסמו בהפרש של שישה ימים על ידי אותו מעבדה, והשאלה היא מה צוות צריך להריץ בפועל כשהוא רוצה מודל מהדור הזה שהוא יכול להעמיד בפני תעבורת פרודקשן. Qwen3.8-27B הושק ב-13 באוגוסט 2026: מודל צפוף בן 27 מיליארד פרמטרים תחת Apache 2.0, שמשקלות ה-BF16 שלו בנפח 55.6 GB נכנסים בכרטיס בודד של 24 GB לאחר כימות. Qwen3.8-Flash-Next הגיע ל-Hugging Face ב-24 באוגוסט ול-ModelScope ב-26 באוגוסט: כ-180B פרמטרים מאוחסנים, 6B פעילים לכל טוקן, תחת רישיון Qwen Community License 1.0 המגביל יותר. האחד הוא קובץ. האחר הוא פרופיל תפוקה. הבחירה ביניהם היא בעיקר שאלה של איזה משני הדברים הללו עומס העבודה שלך באמת צריך.

הם קרובי משפחה קרובים יותר משמותיהם מרמזים. לשניהם יש חלון הקשר מקורי של 262,144 טוקנים שניתן להרחבה ל-1,000,000, שניהם מקבלים טקסט, תמונה ווידאו ומחזירים טקסט, ושניהם מריצים את אותו רעיון קשב היברידי שחברת Alibaba משחררת מאז דור Qwen3.5 — רוב שכבות הקשב הלינארי עושות את עבודת ההקשר הארוך בזול, ומיעוט שכבות הקשב המלא מטפלות באחזור המדויק שהקשב הלינארי גרוע בו. הנקודה שבה הם מפסיקים להיות זהים היא כל מה שבא בעקבות כך: רישיון, גודל, מחיר לטוקן, ומה שצריך לעשות כדי להריץ אחד.

מה כל אחד מהם, פסקה אחת לכל אחד

Qwen3.8-27B הוא מודל שפה סיבתי צפוף עם מקודד חזותי: 64 שכבות, ממד חבוי 5120, גודל ביניים של 17,408 ואוצר מילים של 248,320 טוקנים, כאשר מחסנית הקשב מפוצלת ל-48 שכבות ליניאריות Gated DeltaNet לעומת 16 שכבות Gated Attention. Alibaba אימנה אותו עם חיזוי מרובה טוקנים. מצב חשיבה פועל כברירת מחדל עם רמות `reasoning_effort` של xhigh, medium ו-low, ושורות הראייה של כרטיס המודל עצמו מכסות ניתוח מסמכים (OmniDocBench 1.5 ב-91.1), עבודת GUI (OSWorld-Verified 84.3, AndroidWorld 81.9) והסקה חזותית כללית (RealWorldQA 85.9, MathVision 90.0). זהו, במובן הפשוט, מודל שניתן להוריד: מאגר אחד, שמונה-עשר שברי safetensors, קובץ רישיון, וגודל שעמדת עבודה רצינית יכולה להכיל.

Qwen3.8-Flash-Next הוא תערובת מומחים בארכיטקטורה ש-Alibaba אומרת שתהווה את הבסיס ל-Qwen4 — 48 שכבות, 512 מומחים עם 10 מנותבים ואחד משותף, 125B פרמטרים בגוף המומחים שמפעילים 6B לכל טוקן, בתוספת טבלת הטמעת n-gram נפרדת של 51B וכ-4B של שכבות חיזוי ריבוי טוקנים. מערך הקשב שלו הוא אותו רעיון של שלוש לאחת בקנה מידה שונה: 36 שכבות Gated DeltaNet מול 12 שמפעילות Qwen Sparse Attention. הכרטיס מפורש שזהו תצוגה מקדימה ניסיונית של הארכיטקטורה ולא מודל Qwen4, ושהגרסה המיוצרת המוגשת היא Qwen3.8-Flash דרך Qwen Cloud. זה לא קובץ שאתה מחזיק בו באופן סתמי — זו בעיית הגשה שאתה פותר פעם אחת ואז מריץ בזול.

היכן שהשניים נבדלים מעבר למספר הפרמטרים

הרישיון הוא נקודת השונות הראשונה, וזו שתאריך ימים יותר מכל טיעון בנצ'מרק בעמוד הזה. Qwen3.8-27B הוא Apache 2.0, נקודה: שימוש מסחרי, שינוי, הפצה מחדש, בניות נגזרות, בלי סף הכנסות ובלי הסכם נפרד שיש לנהל משא ומתן עליו. Qwen3.8-Flash-Next הוא Qwen Community License 1.0, המתיר שימוש מסחרי, כולל מכירת יצירות נגזרות, אך דורש הסכם מסחרי נפרד עם Alibaba אם אתם מפעילים עסק של מודל-כשירות (model-as-a-service) או עוזר עבודה מבוסס AI (AI-work-assistant) מעבר לסף מוגדר של הכנסות ומשתמשים פעילים חודשיים. אם אתם בונים מוצר ולא כלי פנימי, הסעיף הזה אינו הערת שוליים; הוא שורת תקציב. כדאי לקרוא את הרישיון לפני שקוראים את טבלת הבנצ'מרק, כי הוא יכול לפסול מודל שמנצח בכל ציון.

הפער השני הוא מה שמשמעות "מקומי". עבור 27B, מקומי פירושו מכונה אחת: לכמת לארבעה ביטים והמודל נכנס לכרטיס של 24 GB, כשסולם הפורמטים — רמות הכימות של GGUF, ‏MLX ל-Apple Silicon, וחשבון ה-VRAM בפועל — מכוסה בפירוט בעמוד אחות ולא חוזר כאן. עבור Flash-Next, מקומי פירושו הקצאת משאבים לצ'קפוינט בן 180B פרמטרים. vLLM מגיש אותו מהיום הראשון עם מסלול offload ששומר את טבלת ה-n-gram בת 51B הפרמטרים בזיכרון המארח במקום ב-VRAM קבוע, SGLang ו-TensorRT-LLM נמצאים ברשימת Day 0 של N​VIDIA, והספרייה של Ollama כוללת build של MLX ל-Apple Silicon — אבל "רץ" ו"רץ על המכונה שיש לך" הם משפטים שונים, ורק ה-27B זוכה לטעון את המשפט השני.

מה אומרים המספרים הפומביים, ומה הם לא אומרים

שני המודלים נושאים נתונים של Artificial Analysis, מאותו מדד, מה שהופך את זה להשוואה הנדירה בתוך המשפחה שבה לפחות אפשר לקרוא את המספרים הבלתי תלויים זה לצד זה. Qwen3.8-27B צובר 33.7 במדד האינטליגנציה — מקום 47 בסך הכול, אחוזון 66 — ו-68.1 במדד הקידוד AA, מקום 35 בסך הכול. תצוגת התצוגה המקדימה Flash-Next במשקל פתוח צוברת 40 במדד האינטליגנציה, חמישית מבין 113 המודלים במחלקת ההשוואה שלה. הערכים הללו הוערכו בתאריכים שונים, לכן יש לקרוא את הפער ככיווני ולא כתוצאה מבוקרת.

הפרטים שמאחורי שני הציונים מעניינים יותר מהציונים עצמם. בהערכות הבודדות, הכרטיס של 27B עצמו מדווח על 90.3 ב-LiveCodeBench v6, 89.2 ב-GPQA Diamond ו-79.0 ב-QwenSWEBench, בעוד שהכרטיס של Flash-Next preview מדווח על 91.9, 91.7 ו-— על המבחן של אותה משפחה — 81.0 ב-SWE-bench Multilingual ו-62.5 ב-SWE-bench Pro. כל אלו הם המספרים של הספק עצמו, שהופקו על ידי הספק, ואף אחד מהם לא שוחזר על ידי צד שלישי על מערכת בדיקה תואמת. התמונה הבלתי-תלויה צרה יותר ומצביעה בכיוון ההפוך בחלק מהשורות: ה-preview חזק בעבודת ידע ובמשימות טרמינל וחלש ביצירת מאגרי קוד לטווח ארוך, בעוד שמדד הקידוד הבלתי-תלוי של 27B, 68.1, נמוך ממה שמספרי ה-SWE המדווחים על ידי הספק שלו היו מרמזים.

הבדל מעשי אחד שהמדד אכן לוכד: התצוגה המקדימה מפורטת מדי. Artificial Analysis מודדת אותה ב־53 אסימוני פלט בשנייה, עם זמן של 2.80 שניות עד לאסימון הראשון, ומכנה אותה "מפורטת מאוד", כשהיא שורפת 108 אלף אסימוני פלט לכל משימה, מהם 72 אלף הם אסימוני הסקה. ה־27B, שנמדד דרך מגרש המשחקים שלנו בשבעת הימים האחרונים, מחזיר קצת יותר מ־200 אסימוני פלט בשנייה בזמן חציוני של 4.97 שניות לאסימון הראשון. מדובר במערכי בדיקה שונים, לכן יש להתייחס לקצבים כאל אינדיקטיביים — אך הם מתארים את אותה צורה שהארכיטקטורה מרמזת עליה. האחד מוציא אסימונים כדי להגיע לתשובה; האחר מוציא פחות, והעיצוב הצפוף הופך את ייצורו של כל אחד מהם לזול יותר.

מחיר, על שתי היחידות שחשובות

לכל טוקן, השניים קרובים מספיק עד כדי כך שההחלטה לא מתקבלת כאן. Qwen3.8-27B מנותב במחיר של $0.33 למיליון טוקני קלט ו-$2.40 למיליון טוקני פלט; Qwen3.8-Flash המוגש מנותב במחיר של $0.15 ו-$0.47, שניהם לפי מחיר המחירון של הספק כפי שהוא, ללא תוספת רווח. לכן גרסת ה-Flash בייצור זולה פי כ-2.2 בקלט ופי כ-5.1 בפלט.

לכל בייט בדיסק, הם כלל לא קרובים, וזה המספר שקוראים הממעיטים בפריסה מקומית בדרך כלל מפספסים. ה-27B הוא 55.6 GB של משקולות BF16 על פני שמונה עשר שברים, שניתן לדחוס למשהו שרץ על כרטיס צרכני בודד. ה-preview הוא צ'קפוינט של 180 מיליארד פרמטרים באותו דיוק — פי כמה מהאחסון, פי כמה מרוחב הפס של הזיכרון, ותצורת הגשה שמניחה פריקת זיכרון מארח במקום התקן בודד. אם האילוץ שלך הוא מכונה שכבר בבעלותך, ה-27B אינו האפשרות הזולה יותר; הוא האפשרות היחידה.

איזה מהם להריץ

בחרו ב-Qwen3.8-27B אם אתם צריכים להחזיק במודל ולא לשכור אותו: פריסה מקומית (on-premise) או בסביבה מבודדת (air-gapped), רישיון Apache 2.0 שאפשר לבנות עליו מוצר בלי שיחה על הכנסות, עלויות לפי בקשה שלא מתכווננות לפי תעריף המחירים של מישהו אחר, וסיפור הגשה על GPU יחיד שתוכלו לתפעל בעצמכם. זה גם הצד הנכון בזוג הזה כשאתם צריכים לעשות fine-tuning, מיזוג או קוונטיזציה — המאגר מציג מאות אדפטרים, פיין-טיונים וקוונטיזציות קהילתיים שכבר נגזרו ממנו, וזה מה ששחרור משקולות ברישיון Apache 2.0 קונה לכם עם הזמן.

בחרו ב-Qwen3.8-Flash-Next אם האילוץ שלכם הוא תפוקה ועלות לכל טוקן ולא שליטה: סריקות אג'נטיות בנפח גבוה, עבודות סיווג וחילוץ רחבות היקף, הבנת צילומי מסך ומסמכים בקנה מידה גדול, וכל דבר שבו מודל עם 6B פרמטרים פעילים בשליש ממחיר הקלט משנה את מה שאפשרי מבחינה כלכלית. זו גם הבחירה הנכונה אם אתם רוצים במיוחד להעריך את ארכיטקטורת Qwen4 על הנתונים שלכם לפני ש-Qwen4 קיים — לשם בדיוק נועד התצוגה המקדימה, וזו סיבה לבדוק ולא סיבה להתחייב.

הכלל: ה-27B מיועד לקוראים שצוואר הבקבוק שלהם הוא היכן שהמודל רץ, ו-Flash-Next מיועד לקוראים שצוואר הבקבוק שלהם הוא עלות ההרצה של המודל. למעט מאוד צוותים יש את שני צווארי הבקבוק, וזה שבאמת יש להם בדרך כלל מכריע את העניין בפגישה אחת.

להפעיל אחד מהשניים היום

Qwen3.8-27B הוא הקל מבין השניים להתחלה, בשני כיוונים בו-זמנית. הורד את המשקולות והגש אותן בעצמך תחת Apache 2.0, או קרא לו בלי לגעת במאיץ: הוא מנותב בתור `qwen/qwen3.8-27b` בקטלוג שלנו במחיר של $0.33 ו-$2.40 למיליון טוקנים, וה-27B מוגש בתשתית שלנו ולא דרך פרוקסי מנקודת קצה של ספק. הנתיב השני הזה הוא שהופך אותו לברירת מחדל אמיתית לעבודה מולטימודלית בנפח גבוה — כאחד מ-יותר מ-200 מודלים הנגישים דרך נקודת קצה אחת תואמת OpenAI, במפתח אחד, בלי חוזה נוסף לחתום עליו.

Qwen3.8-Flash-Next אינו נתיב שאנו מציעים. את תצוגת המשקולות הפתוחות יש להוריד ולהריץ בעצמך, ומסלול הזמינות שלה עובר דרך Hugging Face ו-ModelScope ולא דרך API. מה שכן אנו מנתבים הוא האח הייצורי שלה: Qwen3.8-Flash, `qwen/qwen3.8-flash`, במחירים של $0.15 ו-$0.47 למיליון טוקנים עם קלט טקסט, תמונה ווידאו בחלון הקשר של 1M טוקנים, במחיר לפי המחירון המפורסם של הספק כך ששינוי תעריף מצד Alibaba מגיע לנקודת הקצה שלך באותו היום. אם אתה רוצה את הארכיטקטורה של התצוגה המקדימה בלי פרויקט ההרצה, זה הדבר הקרוב ביותר אליה שאפשר לקרוא לו היום.

עבור צוות שרוצה את שניהם, ההסדר הוא פיצול תעבורה ולא החלטה. שניהם פועלים מאחורי אותו מפתח ואותו SDK, כך שאחוז מהבקשות יכול לעבור אל ה-27B בעוד שהשאר עוברות אל נקודת הקצה Flash, כאשר מעבר אוטומטי לגיבוי סופג את הרגעים שבהם אחד מהצדדים משתבש. זו דרך זולה יותר להשיב להשוואה הזו מכל טבלת בנצ'מרק, מפני שהיא מודדת את התעבורה שלכם ולא את זו של מישהו אחר.

מה שעדיין לא הוכרע הוא מה יקרה כאשר המשפחה תושלם. Qwen3.8-27B הוא מודל מוגמר, בר-רישוי וניתן להורדה, שסביר להניח שלא ישתנה מתחת לרגליך. התצוגה המקדימה של Flash-Next היא קנרית לארכיטקטורה שמודלי הייצור שלה טרם הושקו, וגרסת ה-Flash המוגשת שאותה מלווה התצוגה המקדימה ממוצבת במפורש כגרסה הרשמית של אותה ארכיטקטורה. אם משפחת Qwen4 תפעל לפי הדפוס ש-Qwen3-Next התוותה בסוף 2025, צאצאי התצוגה המקדימה יגיעו בתוך חודשים, והדף הזה יהפוך להחלטה על דור ולא על תצוגה מקדימה.

העובדה היחידה שמכריעה את ההתאמה הזו לרוב היא הרישיון, ולא המדד: Apache 2.0 מאפשר לך לבנות עסק על ה-27B בלי לבקש רשות מאף אחד, ואילו Qwen Community License 1.0 לא נותן לך זאת עבור ה-preview. כל השאר בעמוד הזה — חלון ההקשר, הקשב ההיברידי, התמיכה בראייה — משותף לשניהם.