Qwen3.8-Flash-Next vs Qwen3.8-27B: Noleggiare il throughput o possedere i pesi

Qwen3.8-Flash-Next e Qwen3.8-27B sono due risposte alla stessa domanda, pubblicate a sei giorni di distanza dallo stesso laboratorio, e la domanda è cosa dovrebbe effettivamente eseguire un team quando vuole un modello di questa generazione da mettere davanti al traffico di produzione. Qwen3.8-27B è arrivato il 13 agosto 2026: un modello denso da 27 miliardi di parametri sotto Apache 2.0 i cui 55,6 GB di pesi BF16 stanno su una singola scheda da 24 GB una volta quantizzati. Qwen3.8-Flash-Next è arrivato su Hugging Face il 24 agosto e su ModelScope il 26 agosto: circa 180 miliardi di parametri memorizzati, 6 miliardi attivati per token, sotto la più restrittiva Qwen Community License 1.0. Uno è un file. L'altro è un profilo di throughput. Scegliere tra i due è per lo più una questione di quale delle due cose il tuo carico di lavoro richieda effettivamente.

Sono parenti più stretti di quanto i nomi suggeriscano. Entrambi hanno una finestra di contesto nativa di 262.144 token estendibile a 1.000.000, entrambi accettano in ingresso testo, immagini e video e restituiscono testo, ed entrambi adottano la stessa idea di attenzione ibrida che Alibaba propone fin dalla generazione Qwen3.5 — una maggioranza di layer ad attenzione lineare che svolgono a basso costo il lavoro sul contesto lungo, una minoranza di layer ad attenzione completa che gestiscono il recupero preciso, quello in cui l'attenzione lineare è debole. Il punto in cui smettono di essere identici è tutto ciò che ne consegue: licenza, dimensioni, prezzo per token e cosa bisogna fare per metterne uno in funzione.

Che cos'è ognuno, in un paragrafo ciascuno

Qwen3.8-27B è un modello linguistico causale denso con un encoder visivo: 64 livelli, dimensione nascosta 5120, una dimensione intermedia di 17.408 e un vocabolario di 248.320 token, con lo stack di attenzione diviso in 48 livelli lineari Gated DeltaNet contro 16 livelli Gated Attention. A​libaba lo ha addestrato con la previsione multi-token. La modalità Thinking è attiva per impostazione predefinita con livelli `reasoning_effort` di xhigh, medium e low, e le righe visive della model card coprono l'analisi di documenti (OmniDocBench 1.5 a 91,1), il lavoro su GUI (OSWorld-Verified 84,3, AndroidWorld 81,9) e il ragionamento visivo generale (RealWorldQA 85,9, MathVision 90,0). È, in senso semplice, un modello scaricabile: un repository, diciotto shard safetensors, un file di licenza e una dimensione che una workstation seria può contenere.

Qwen3.8-Flash-Next è una miscela di esperti sull'architettura che Alibaba afferma sosterrà Qwen4: 48 livelli, 512 esperti con 10 instradati e uno condiviso, 125B parametri nel corpo degli esperti che ne attivano 6B per token, più una tabella di embedding n-gram separata da 51B e circa 4B di livelli di previsione multi-token. Il suo stack di attenzione è la stessa idea tre-a-uno su una scala diversa: 36 livelli Gated DeltaNet contro 12 che eseguono Qwen Sparse Attention. La scheda è esplicita sul fatto che questa è un'anteprima sperimentale dell'architettura, non un modello Qwen4, e che la variante di produzione servita è Qwen3.8-Flash tramite Qwen Cloud. Non è un file che possiedi senza pensarci — è un problema di serving che risolvi una volta e poi esegui a basso costo.

Dove i due divergono al di là del numero di parametri

La licenza è la prima divergenza e quella che sopravvive a ogni discussione sui benchmark in questa pagina. Qwen3.8-27B è Apache 2.0, punto e basta: uso commerciale, modifica, ridistribuzione, build derivate, nessuna soglia di ricavi e nessun accordo separato da negoziare. Qwen3.8-Flash-Next è Qwen Community License 1.0, che consente l'uso commerciale, inclusa la vendita di opere derivate, ma richiede un accordo commerciale separato con Alibaba se gestisci un'attività model-as-a-service o di assistente AI per il lavoro oltre una soglia definita di ricavi e utenti attivi mensili. Se stai costruendo un prodotto anziché uno strumento interno, quella clausola non è una nota a piè di pagina; è una voce a sé. Vale la pena leggere la licenza prima di leggere la tabella dei benchmark, perché può squalificare un modello che vince su ogni punteggio.

La seconda divergenza riguarda cosa significa "locale". Per il 27B, locale significa una sola macchina: quantizzi a quattro bit e il modello entra in una scheda da 24 GB, con la scala dei formati — livelli di quantizzazione GGUF, MLX per Apple Silicon, l'aritmetica effettiva della VRAM — trattata in dettaglio in una pagina gemella anziché ripetuta qui. Per Flash-Next, locale significa fare provisioning per un checkpoint da 180 miliardi di parametri. vLLM lo serve fin dal primo giorno con un percorso di offload che mantiene la tabella di n-gram da 51 miliardi di parametri nella memoria dell'host anziché nella VRAM permanente, SGLang e TensorRT-LLM figurano nella lista Day 0 di NVIDIA, e la libreria di Ollama include una build MLX per Apple Silicon — ma "funziona" e "funziona sulla macchina che hai" sono frasi diverse, e solo il 27B può rivendicare la seconda.

Cosa dicono i numeri pubblici, e cosa non dicono

Entrambi i modelli riportano dati di Artificial Analysis, dallo stesso indice, il che rende questo il raro confronto all'interno della stessa famiglia in cui i numeri indipendenti possono almeno essere letti fianco a fianco. Qwen3.8-27B ottiene 33,7 sull'Intelligence Index — 47º in assoluto, 66º percentile — e 68,1 sull'AA Coding Index, 35º in assoluto. L'anteprima open-weight Flash-Next ottiene 40 sull'Intelligence Index, quinto tra i 113 modelli della sua classe di confronto. Quelle voci sono state valutate in date diverse, quindi leggi il divario come indicativo anziché come risultato controllato.

Il dettaglio dietro i due punteggi è più interessante dei punteggi stessi. Nelle valutazioni individuali, la scheda dello stesso 27B riporta 90,3 su LiveCodeBench v6, 89,2 su GPQA Diamond e 79,0 su QwenSWEBench, mentre la scheda dell'anteprima di Flash-Next riporta 91,9, 91,7 e — sul benchmark della stessa famiglia — 81,0 su SWE-bench Multilingual e 62,5 su SWE-bench Pro. Tutti questi sono numeri del fornitore stesso, prodotti dal fornitore, e nessuno di essi è stato riprodotto da terzi su un harness equivalente. Il quadro indipendente è più ristretto e su alcune righe indica la direzione opposta: l'anteprima è forte nelle attività basate sulla conoscenza e nei compiti da terminale, e debole nella generazione di repository a lungo orizzonte, mentre l'indice di coding indipendente del 27B, pari a 68,1, si colloca al di sotto di quanto suggerirebbero le sue stesse cifre SWE riportate dal fornitore.

Una differenza pratica che l'indice coglie: l'anteprima è prolissa. Artificial Analysis la misura a 53 token di output al secondo, con un tempo al primo token di 2,80 secondi, e la definisce "molto prolissa", bruciando 108k token di output per attività, di cui 72k di ragionamento. Il 27B, misurato tramite il nostro playground negli ultimi sette giorni, restituisce poco più di 200 token di output al secondo, con una mediana di 4,97 secondi al primo token. Harness diversi, quindi considera i tassi indicativi — ma descrivono la stessa forma che l'architettura implica. Uno spende token per arrivare a una risposta; l'altro ne spende meno, e il design denso rende ciascuno di essi meno costoso da produrre.

Prezzo, su entrambe le unità che contano

Per token, i due sono abbastanza vicini che la decisione non viene presa qui. Qwen3.8-27B è instradato a $0,33 per milione di token in input e $2,40 per milione in output; il Qwen3.8-Flash servito è instradato a $0,15 e $0,47, entrambi al prezzo di listino del fornitore passato senza ricarico. Quindi la variante Flash di produzione è circa 2,2 volte più economica sull'input e 5,1 volte più economica sull'output.

Per byte su disco, non sono affatto vicini, e questo è il numero che chi sottovaluta il deployment locale di solito trascura. Il 27B è 55,6 GB di pesi BF16 distribuiti su diciotto shard, comprimibili fino a qualcosa che gira su una singola scheda consumer. La preview è un checkpoint da 180 miliardi di parametri nella stessa precisione — diverse volte lo spazio di archiviazione, diverse volte la larghezza di banda della memoria, e una configurazione di serving che presuppone l'offload sulla memoria host anziché un singolo dispositivo. Se il tuo vincolo è una macchina che possiedi già, il 27B non è l'opzione più economica; è l'unica opzione.

Quale eseguire?

Scegli Qwen3.8-27B se hai bisogno di possedere il modello anziché noleggiarlo: deployment on-premise o in air-gap, una licenza Apache 2.0 sulla quale puoi costruire un prodotto senza dover discutere di ricavi, costi per richiesta che non scalano con il listino prezzi di qualcun altro e una storia di serving su singola GPU che puoi gestire da solo. È anche la scelta giusta di questa coppia quando devi fare fine-tuning, merge o quantizzazione — il repository mostra centinaia di adapter, finetune e quantizzazioni della community già derivati da esso, ed è questo che un rilascio di pesi con licenza Apache 2.0 ti offre nel tempo.

Scegli Qwen3.8-Flash-Next se il tuo vincolo è il throughput e il costo per token anziché il controllo: sweep agentici ad alto volume, ampi lavori di classificazione ed estrazione, comprensione di screenshot e documenti su larga scala, e qualsiasi cosa in cui un modello con 6B di parametri attivi a un terzo del prezzo di input cambi ciò che è economicamente possibile. È anche la scelta giusta se vuoi valutare specificamente l'architettura Qwen4 sui tuoi dati prima che Qwen4 esista — è esattamente a questo che serve l'anteprima, ed è un motivo per testare anziché un motivo per impegnarsi.

La regola: il 27B è per i lettori il cui collo di bottiglia è dove gira il modello, e Flash-Next è per i lettori il cui collo di bottiglia è quanto costa far girare il modello. Pochissimi team hanno entrambi i colli di bottiglia, e quello che hanno davvero di solito decide la questione in una singola riunione.

Far funzionare uno dei due oggi

Qwen3.8-27B è il più semplice dei due per iniziare, in due direzioni contemporaneamente. Scarica i pesi e servili tu stesso sotto Apache 2.0, oppure richiamalo senza toccare un acceleratore: è instradato come `qwen/qwen3.8-27b` sul nostro catalogo a $0,33 e $2,40 per milione di token, e il 27B è servito sulla nostra infrastruttura anziché essere inoltrato da un endpoint di un fornitore. È questa seconda via a renderlo un vero default per il lavoro multimodale ad alto volume — in quanto uno tra oltre 200 modelli raggiungibili attraverso un unico endpoint compatibile con OpenAI, con una sola chiave, senza un secondo contratto da firmare.

Qwen3.8-Flash-Next non è una route che offriamo. L'anteprima open-weight deve essere scaricata e servita da te, e il percorso di disponibilità passa attraverso Hugging Face e ModelScope anziché tramite un'API. Quella che invece offriamo come route è la sua controparte di produzione: Qwen3.8-Flash, `qwen/qwen3.8-flash`, a $0,15 e $0,47 per milione di token con input di testo, immagini e video su un contesto da 1M token, prezzato secondo il listino pubblicato dal fornitore, così che una variazione di tariffa da parte di Alibaba raggiunga il tuo endpoint lo stesso giorno. Se vuoi l'architettura dell'anteprima senza il progetto di serving, è la cosa più vicina ad essa che sia richiamabile oggi.

Per un team che li vuole entrambi, la soluzione è una suddivisione del traffico anziché una decisione. Entrambi risiedono dietro la stessa chiave e lo stesso SDK, quindi una percentuale di richieste può andare al 27B mentre il resto va all'endpoint Flash, con il failover automatico che assorbe i momenti in cui una delle due parti si comporta male. Questo è un modo più economico per rispondere a questo confronto rispetto a qualsiasi tabella di benchmark, perché misura il tuo traffico e non quello di qualcun altro.

Ciò che non è stabilito è cosa succede quando la famiglia sarà completata. Qwen3.8-27B è un modello finito, disponibile su licenza e scaricabile, che difficilmente cambierà sotto di te. L'anteprima Flash-Next è un canarino per un'architettura i cui modelli di produzione non sono ancora stati rilasciati, e la variante Flash servita che la accompagna è esplicitamente posizionata come la versione ufficiale di quell'architettura. Se la famiglia Qwen4 segue lo schema stabilito da Qwen3-Next alla fine del 2025, i discendenti dell'anteprima arriveranno entro pochi mesi e questa pagina sarà una decisione su una generazione anziché su un'anteprima.

Il fatto che più spesso decide questo abbinamento è la licenza, non il benchmark: Apache 2.0 ti permette di costruire un business sul 27B senza chiedere il permesso a nessuno, mentre Qwen Community License 1.0 non te lo consente per la preview. Tutto il resto in questa pagina — la finestra di contesto, l'attenzione ibrida, il supporto alla visione — i due lo condividono.