Qwen3.8-Flash-Next vs Qwen3.8-27B: Sewa Throughput atau Miliki Bobotnya

Qwen3.8-Flash-Next dan Qwen3.8-27B adalah dua jawaban untuk pertanyaan yang sama, diterbitkan dengan selisih enam hari oleh lab yang sama, dan pertanyaannya adalah apa yang sebenarnya harus dijalankan oleh sebuah tim ketika ingin model dari generasi ini yang bisa mereka hadapkan ke lalu lintas produksi. Qwen3.8-27B mendarat pada 13 Agustus 2026: model padat 27 miliar parameter di bawah Apache 2.0 yang bobot BF16-nya sebesar 55,6 GB muat di satu kartu 24 GB setelah dikuantisasi. Qwen3.8-Flash-Next tiba di Hugging Face pada 24 Agustus dan di ModelScope pada 26 Agustus: sekitar 180B parameter tersimpan, 6B diaktifkan per token, di bawah Qwe​n Community License 1.0 yang lebih restriktif. Yang satu adalah file. Yang lainnya adalah profil throughput. Memilih di antara keduanya sebagian besar adalah pertanyaan tentang mana dari dua hal itu yang sebenarnya dibutuhkan beban kerja Anda.

Mereka adalah kerabat yang lebih dekat daripada yang disiratkan oleh nama-nama itu. Keduanya memiliki konteks native 262.144 token yang dapat diperluas hingga 1.000.000, keduanya menerima teks, gambar, dan video lalu mengembalikan teks, dan keduanya menjalankan gagasan attention hibrida yang sama yang telah Alibaba terapkan sejak generasi Qwen3.5 — mayoritas lapisan linear attention mengerjakan pekerjaan konteks panjang dengan murah, minoritas lapisan full attention menangani retrieval presisi yang tidak dikuasai linear attention. Titik ketika keduanya tidak lagi sama adalah semua hal di hilirnya: lisensi, ukuran, harga per token, dan apa yang harus Anda lakukan agar salah satunya dapat berjalan.

Apa masing-masingnya, dalam satu paragraf masing-masing.

Qwen3.8-27B adalah model bahasa kausal padat dengan encoder visi: 64 lapisan, dimensi tersembunyi 5120, ukuran intermediate 17.408, dan kosakata 248.320 token, dengan tumpukan attention dibagi menjadi 48 lapisan linear Gated DeltaNet berbanding 16 lapisan Gated Attention. Alibaba melatihnya dengan prediksi multi-token. Mode berpikir aktif secara bawaan dengan level `reasoning_effort` xhigh, medium, dan low, dan baris visi pada kartu model itu sendiri mencakup penguraian dokumen (OmniDocBench 1.5 pada 91,1), pekerjaan GUI (OSWorld-Verified 84,3, AndroidWorld 81,9) dan penalaran visual umum (RealWorldQA 85,9, MathVision 90,0). Dalam arti sederhana, ini adalah model yang dapat diunduh: satu repositori, delapan belas shard safetensors, satu berkas lisensi, dan ukuran yang dapat ditampung workstation serius.

Qwen3.8-Flash-Next adalah campuran pakar pada arsitektur yang menurut Alibaba akan menjadi dasar Qwen4 — 48 lapisan, 512 pakar dengan 10 routed dan satu shared, 125B parameter di badan pakar yang mengaktifkan 6B per token, ditambah tabel embedding n-gram terpisah berukuran 51B dan sekitar 4B lapisan prediksi multi-token. Tumpukan attention-nya adalah gagasan tiga-ke-satu yang sama pada skala berbeda: 36 lapisan Gated DeltaNet dibandingkan 12 yang menjalankan Qwen Sparse Attention. Kartu model itu menyatakan secara eksplisit bahwa ini adalah pratinjau eksperimental arsitektur tersebut, bukan model Qwen4, dan bahwa varian produksi yang dilayani adalah Qwen3.8-Flash melalui Qwen Cloud. Ini bukan berkas yang Anda miliki begitu saja — ini adalah masalah serving yang Anda selesaikan sekali lalu jalankan dengan murah.

Di mana keduanya berbeda di luar jumlah parameter

Lisensi adalah perbedaan pertama dan yang bertahan lebih lama dari setiap argumen benchmark di halaman ini. Qwen3.8-27B berlisensi Apache 2.0, titik: penggunaan komersial, modifikasi, redistribusi, build turunan, tanpa ambang pendapatan dan tanpa perjanjian terpisah yang perlu dinegosiasikan. Qwen3.8-Flash-Next menggunakan Qwen Community License 1.0, yang mengizinkan penggunaan komersial termasuk menjual karya turunan tetapi mensyaratkan perjanjian komersial terpisah dengan Alibaba jika Anda menjalankan bisnis model-as-a-service atau asisten kerja AI yang melewati ambang pendapatan dan pengguna aktif bulanan yang ditentukan. Jika Anda membangun produk dan bukan alat internal, klausul itu bukan catatan kaki; itu adalah pos tersendiri. Ada baiknya membaca lisensinya sebelum Anda membaca tabel benchmark, karena lisensi dapat mendiskualifikasi model yang menang di setiap skor.

Perbedaan kedua adalah apa yang dimaksud dengan "local". Bagi 27B, local berarti satu mesin: kuantisasi ke empat bit dan modelnya muat dalam kartu 24 GB, dengan tangga format — tingkat kuantisasi GGUF, MLX untuk Apple Silicon, aritmetika VRAM yang sebenarnya — dibahas secara rinci di halaman terkait alih-alih diulang di sini. Bagi Flash-Next, local berarti penyediaan untuk checkpoint berparameter 180B. vLLM menyajikannya sejak hari pertama dengan jalur offload yang menyimpan tabel n-gram 51B parameter di memori host alih-alih VRAM permanen, SGLang dan TensorRT-LLM ada dalam daftar Day 0 NVIDIA, dan pustaka Ollama membawa build MLX untuk Apple Silicon — tetapi "runs" dan "runs di mesin yang Anda miliki" adalah kalimat yang berbeda, dan hanya 27B yang bisa mengklaim kalimat kedua.

Apa yang dikatakan angka-angka publik, dan apa yang tidak mereka katakan

Kedua model memuat angka Artificial Analysis, dari indeks yang sama, yang menjadikan ini perbandingan intra-keluarga langka di mana angka-angka independen setidaknya dapat dibaca berdampingan. Qwen3.8-27B mencetak 33,7 pada Intelligence Index — ke-47 secara keseluruhan, persentil ke-66 — dan 68,1 pada AA Coding Index, ke-35 secara keseluruhan. Pratinjau Flash-Next dengan bobot terbuka mencetak 40 pada Intelligence Index, kelima di antara 113 model dalam kelas perbandingannya. Entri-entri tersebut dievaluasi pada tanggal yang berbeda, jadi bacalah selisihnya sebagai indikasi arah, bukan sebagai hasil yang terkontrol.

Rincian di balik kedua skor itu lebih menarik daripada skornya. Pada evaluasi individual, kartu milik 27B sendiri melaporkan 90,3 pada LiveCodeBench v6, 89,2 pada GPQA Diamond, dan 79,0 pada QwenSWEBench, sedangkan kartu pratinjau Flash-Next melaporkan 91,9, 91,7 dan — pada tolok ukur dari keluarga yang sama — 81,0 pada SWE-bench Multilingual serta 62,5 pada SWE-bench Pro. Semua itu adalah angka milik vendor sendiri, yang dihasilkan oleh vendor, dan tidak satu pun telah direproduksi oleh pihak ketiga pada harness yang setara. Gambaran independennya lebih sempit dan pada beberapa baris mengarah ke arah sebaliknya: pratinjau ini kuat dalam pekerjaan pengetahuan dan tugas terminal serta lemah dalam pembuatan repositori jangka panjang, sementara indeks coding independen 27B sebesar 68,1 berada di bawah apa yang disarankan oleh angka SWE yang dilaporkan vendor sendiri.

Satu perbedaan praktis yang memang ditangkap oleh indeks: preview ini verbose. Artificial Analysis mengukurnya pada 53 token output per detik dengan waktu ke token pertama 2,80 detik dan menyebutnya "very verbose", menghabiskan 108k token output per tugas, yang 72k di antaranya adalah penalaran. Model 27B, yang diukur melalui playground kami sendiri selama tujuh hari terakhir, menghasilkan sedikit di atas 200 token output per detik dengan median token pertama 4,97 detik. Harness-nya berbeda, jadi anggap laju tersebut sebagai indikatif — tetapi keduanya menggambarkan bentuk yang sama seperti yang tersirat oleh arsitekturnya. Yang satu menghabiskan token untuk mencapai jawaban; yang lain menghabiskan lebih sedikit, dan desain dense membuat masing-masingnya lebih murah untuk dihasilkan.

Harga, untuk kedua unit yang penting itu

Per token, keduanya cukup berdekatan sehingga keputusan tidak dibuat di sini. Qwen3.8-27B dikenai tarif $0,33 per juta token masukan dan $2,40 per juta token keluaran; Qwen3.8-Flash yang dilayani dikenai tarif $0,15 dan $0,47, keduanya pada harga daftar penyedia yang diteruskan tanpa markup. Jadi varian Flash untuk produksi sekitar 2,2x lebih murah pada masukan dan 5,1x lebih murah pada keluaran.

Dilihat dari byte di disk, keduanya sama sekali tidak berdekatan, dan inilah angka yang biasanya luput dari pembaca yang meremehkan deployment lokal. Model 27B adalah 55,6 GB bobot BF16 yang tersebar di delapan belas shard, yang dapat dikompresi menjadi ukuran yang bisa berjalan di satu kartu konsumen. Pratinjau tersebut adalah checkpoint berparameter 180B dengan presisi yang sama — beberapa kali lipat penyimpanan, beberapa kali lipat bandwidth memori, dan konfigurasi serving yang mengasumsikan offload memori host alih-alih satu perangkat. Jika kendala Anda adalah mesin yang sudah Anda miliki, 27B bukan opsi yang lebih murah; 27B adalah satu-satunya opsi.

Yang mana yang harus dijalankan

Pilih Qwen3.8-27B jika Anda perlu memiliki model tersebut, bukan menyewanya: deployment on-premise atau air-gapped, lisensi Apache 2.0 yang bisa Anda gunakan sebagai dasar membangun produk tanpa perlu pembicaraan soal pendapatan, biaya per permintaan yang tidak mengikuti daftar tarif pihak lain, dan kemampuan serving satu GPU yang bisa Anda operasikan sendiri. Model ini juga merupakan sisi yang tepat dalam pasangan ini saat Anda perlu melakukan fine-tuning, merge, atau kuantisasi — repositori tersebut menunjukkan ratusan adapter, finetune, dan kuantisasi komunitas yang sudah diturunkan darinya, yang merupakan nilai yang Anda dapatkan dari rilis bobot Apache 2.0 seiring waktu.

Pilih Qwen3.8-Flash-Next jika kendala Anda adalah throughput dan biaya per token, bukan kontrol: sapuan agentic bervolume tinggi, pekerjaan klasifikasi dan ekstraksi yang luas, pemahaman tangkapan layar dan dokumen dalam skala besar, serta apa pun yang membuat model aktif 6B dengan sepertiga harga input mengubah apa yang mungkin secara ekonomis. Ini juga pilihan yang tepat jika Anda secara khusus ingin mengevaluasi arsitektur Qwen4 pada data Anda sendiri sebelum Qwen4 ada — itulah gunanya pratinjau, dan itu menjadi alasan untuk menguji, bukan alasan untuk berkomitmen.

Aturannya: 27B ditujukan untuk pembaca yang hambatan utamanya adalah tempat model dijalankan, dan Flash-Next untuk pembaca yang hambatan utamanya adalah biaya menjalankan model. Sangat sedikit tim yang memiliki kedua hambatan itu, dan hambatan yang sebenarnya mereka miliki biasanya menentukan hal ini dalam satu rapat.

Membuat salah satunya berjalan hari ini

Qwen3.8-27B adalah yang lebih mudah di antara keduanya untuk memulai, dalam dua arah sekaligus. Unduh bobotnya dan layani sendiri di bawah Apache 2.0, atau panggil tanpa perlu menyentuh akselerator: ia dirutekan sebagai `qwen/qwen3.8-27b` di katalog kami dengan harga $0.33 dan $2.40 per juta token, dan 27B dilayani di infrastruktur kami sendiri, bukan diproksikan dari endpoint vendor. Jalur kedua itulah yang menjadikannya default yang sesungguhnya untuk pekerjaan multimodal bervolume tinggi — sebagai salah satu dari lebih dari 200 model yang dapat dijangkau melalui satu endpoint yang kompatibel dengan OpenAI, dengan satu kunci, tanpa kontrak kedua yang perlu ditandatangani.

Qwen3.8-Flash-Next bukan rute yang kami tawarkan. Pratinjau open-weight harus diunduh dan di-host sendiri oleh Anda, dan jalur ketersediaannya melewati Hugging Face dan ModelScope, bukan melalui API. Yang kami rutekan adalah versi produksinya: Qwen3.8-Flash, `qwen/qwen3.8-flash`, dengan tarif $0,15 dan $0,47 per juta token, dengan input teks, gambar, dan video pada konteks 1 juta token, dipatok pada daftar yang dipublikasikan vendor sehingga perubahan tarif di sisi Alibaba sampai ke endpoint Anda pada hari yang sama. Jika Anda menginginkan arsitektur pratinjau tanpa proyek penyajiannya, itulah hal terdekat dengannya yang dapat dipanggil saat ini.

Bagi tim yang menginginkan keduanya, pengaturannya adalah pembagian lalu lintas, bukan keputusan. Keduanya berada di balik kunci yang sama dan SDK yang sama, sehingga sebagian persentase permintaan dapat diarahkan ke 27B sementara sisanya menuju endpoint Flash, dengan failover otomatis menyerap momen ketika salah satu sisi bermasalah. Itu cara yang lebih murah untuk menjawab perbandingan ini daripada tabel benchmark mana pun, karena mengukur lalu lintas Anda, bukan lalu lintas orang lain.

Yang belum pasti adalah apa yang terjadi ketika keluarga ini lengkap. Qwen3.8-27B adalah model yang sudah selesai, dapat dilisensikan, dan dapat diunduh yang kecil kemungkinannya berubah di bawah Anda. Pratinjau Flash-Next adalah kenari bagi arsitektur yang model produksinya belum dikirim, dan varian Flash yang dilayankan yang menyertainya secara eksplisit diposisikan sebagai versi resmi arsitektur tersebut. Jika keluarga Qwen4 mengikuti pola yang ditetapkan Qwen3-Next pada akhir 2025, keturunan pratinjau ini akan hadir dalam hitungan bulan dan halaman ini akan menjadi keputusan tentang sebuah generasi, bukan tentang sebuah pratinjau.

Satu fakta yang paling sering menentukan pemasangan ini adalah lisensinya, bukan tolok ukurnya: Apache 2.0 memungkinkan Anda membangun bisnis di atas 27B tanpa meminta izin kepada siapa pun, dan Qwen Community License 1.0 tidak memberi Anda hal itu untuk versi pratinjau. Semua hal lain di halaman ini — jendela konteks, attention hibrida, dukungan visi — dimiliki keduanya.