Scopri Qwen3.8-Flash: un MoE multimodale open-weight che anticipa l'architettura Qwen4 — $0,15/$0,47 per 1M di token su QwenCloud

Il 26 agosto 2026, il team di Qw​en ha rilasciato come open source i pesi alla base di Qwen3.8-Flash — pubblicati su Hugging Face e ModelScope con il nome Qwen3.8-Flash-Next — e ha lanciato il modello di produzione che porta il nome Qwen3.8-Flash sull'API QwenCloud, confermando i prezzi ufficiali il giorno successivo. Il dato principale — confermato ufficialmente nell'annuncio di Alibaba del 28 agosto — è un mixture-of-experts multimodale da 125 miliardi di parametri che ne attiva solo circa 6 miliardi per token, con una sparsità di circa il 95%, costruito su un'architettura che Alibaba descrive esplicitamente come un'anteprima anticipata della generazione Qwen4. L'API di produzione è attiva su QwenCloud a $0,15 per milione di token in input, $0,47 per milione di token in output e $0,016 per milione in caso di cache hit — il modo più economico per eseguire qualcosa che discende strutturalmente dal prossimo modello di punta di Alibaba, e la prima volta che il laboratorio ha distribuito un'anteprima dell'architettura come pesi pubblici open source prima che esista l'intera famiglia di modelli.

Un numero conta più di tutto il resto della scheda tecnica: 6B. Qwen3.8-Flash non ottiene le sue capacità dalle dimensioni brute — le ottiene da dove mette il calcolo. Un corpo MoE da 125B, una tabella di embedding N-gram da 51B e un piccolo modulo di previsione multi-token memorizzano su disco quasi 180B di parametri, eppure ogni token passa attraverso solo 6B di essi. È questa la scommessa su cui si basa l'intera release, ed è il motivo per cui la spesa per l'addestramento è scesa così tanto.

Cosa è stato effettivamente spedito

Qwen3.8-Flash, senza suffisso, è il modello in produzione ora disponibile sull'API QwenCloud e all'interno del prodotto Qw​en Office di Alibaba; viene fornito con un contesto predefinito di 1 milione di token e strumenti integrati, a $0.15/$0.47 per milione di token, con cache hit a $0.016. Il 28 agosto l'elenco delle disponibilità si è ampliato: secondo l'annuncio di Alibaba, Qwen3.8-Flash è ora raggiungibile anche tramite OpenCode Go, l'abbonamento flat-rate dell'agente di codifica da terminale open-source — la lista dei modelli di OpenCode lo include come qwen3.8-flash alle stesse tariffe di $0.15/$0.47 per milione.

L'annuncio ufficiale di Qw​en Studio inquadra il rilascio dei pesi aperti come un invito all'ecosistema: pubblicare subito i cambiamenti strutturali così che la community e gli stack di inferenza possano adattarsi prima che venga costruita l'intera gamma Qwen4. Il primo segnale che ha funzionato è SGLang — il motore di inferenza supportato da LMSYS — che ha pubblicato il supporto day-0 per Qwen3.8-Flash-Next lo stesso giorno, con il modello configurato anche per Transformers, vLLM e TokenSpeed.

L'architettura è la storia.

Questo non è un modello ridimensionato della generazione Qwen3.8. Qwen3.8-Flash introduce quattro modifiche che, secondo il team, la famiglia Qwen4 erediterà, e ciascuna affronta un diverso collo di bottiglia.

• Attenzione — Gated DeltaNet più Qwen Sparse Attention. Gated DeltaNet (GDN) comprime la storia in stati di dimensione fissa in tre layer su quattro, così il modello non rilegge tutto a ogni passaggio; QSA tratta quindi il contesto lungo come un problema di ricerca: un indicizzatore leggero aggrega la sequenza in micro-blocchi, valuta l'importanza a livello di blocco e instrada l'attenzione verso le regioni più rilevanti. Secondo le misurazioni di Alibaba, il kernel di attenzione QSA raggiunge fino a 7.6× più veloce in prefill e 4.9× più veloce in decode con contesto da 1M token (dato fornito dal vendor).

• Residual — Gated Residual. Il singolo flusso residuale diventa quattro rami paralleli con gating elemento per elemento, consentendo alla rete di decidere per ogni token quanto leggere e scrivere su ciascun ramo; un ramo si stabilizza in un canale a lunga distanza che collega i primi strati di attenzione a quelli profondi. Gli stati residuali sono memorizzati in FP8 per ridurre la larghezza di banda della memoria.

• Embedding — embedding n-grammi. Una tabella di ricerca da 51 miliardi di parametri indicizzata sul token corrente e su diversi precedenti. Aggiunge capacità senza aumentare il calcolo per token e, poiché la tabella può risiedere nella memoria host ed essere precaricata in modo asincrono, non occupa permanentemente la memoria GPU.

• Optimizer — Muon. I grandi parametri lineari 2D (attention, GDN, esperti MoE) vengono addestrati con Muon, mentre embeddings, router e le parti low-rank del Gated Residual mantengono AdamW; il team ha riadattato la legge di scaling per la nuova architettura in base alla combinazione.

Per uno sviluppatore, due di questi contano immediatamente: lo stack di attenzione è il motivo per cui un contesto da 1M token può essere un'impostazione predefinita piuttosto che un obiettivo ambizioso, e la tabella N-gram è il motivo per cui un modello da 125B può ancora essere servito in modo snello. Il resto è materiale in anteprima per Qwen4 — che è esattamente come Alibaba lo sta posizionando.

Il foglio di riferimento, etichettato onestamente.

Every number in this section is Alibaba's own evaluation, one day old and unreproduced by any independent lab at the time of writing. Take them as directional claims, not settled scores. On Alibaba's suite, Qwen3.8-Flash-Next (6B active) records SWE-bench Pro 62.5, DeepSWE 1.1 58.7, CoWorkBench 73.9, AndroidWorld 84.5, and MathVision 95.7, with a JobBench score of 55.7 — and the base variant, Qwen3.8-Flash-Next-Base, is reported as the best open model on 8 of 14 benchmarks in a head-to-head sweep, including MMLU-Pro, SuperGPQA, BBH, and MMMU.

Le affermazioni di Alibaba sul posizionamento nella famiglia dovrebbero essere etichettate per quello che sono: affermazioni. L'azienda afferma che Qwen3.8-Flash batte Claude Opus 4.6 di 9,1 punti su SWE-bench Pro e di circa 20 punti su JobBench, e si porta a un passo da Claude Opus 4.8. Tutto dichiarato dal fornitore, tutto non riprodotto. Ciò che è verificabile in modo indipendente oggi è più limitato: i pesi sono stati rilasciati, lo stack di inferenza li esegue già e SGLang ha rilasciato il supporto lo stesso giorno. La riproduzione indipendente della tabella dei benchmark è questione di giorni, non di settimane.

Quanto costa

Il prezzo è la parte più facile da verificare, perché è un prezzo pubblicato piuttosto che un benchmark — e il 27 agosto Alibaba ha confermato ufficialmente la tariffa di produzione di QwenCloud: $0,15 per milione di token di input, $0,47 per milione di token di output e $0,016 per milione di token sui cache hit, con la tariffa nazionale cinese a ¥0,8/¥2,7/¥0,1. Il dato dei cache hit è quello che conta per i carichi di lavoro agentici: un agente a lungo contesto che rilegge un ampio storico a ogni turno spende pochi centesimi per le riletture, che è esattamente il carico di lavoro a cui mira lo stack di attenzione di Qwen4-preview. La stampa cinese ha subito confrontato il prezzo di riferimento con quelli dei concorrenti — circa un terzo di quanto applica DeepSeek-V4-Flash, e un errore di arrotondamento rispetto ai modelli closed di frontiera. Secondo la stessa contabilità di Alibaba, la run di addestramento è costata circa un nono di quella di Qwen3.7-Plus, ed è quella leva strutturale che consente al prezzo delle API di mantenersi dov'è.

Accanto al resto della famiglia Qwen 3.8, il divario è netto: il modello di punta Qwen3.8-Max fattura a $2,00 e $6,00 per milione di token, ed è già disponibile su OrcaRouter al prezzo di listino del provider con margine zero. Ora che l'API di produzione Qwen3.8-Flash è aperta, lo stesso pass-through si applica alla tariffa ufficiale di $0,15/$0,47 e alla tariffa cache-hit di $0,016 — un livello di routing è la differenza tra leggere di un taglio di prezzo e averlo in una configurazione. Entrambi i modelli dietro un'unica chiave, failover tra di loro, nessun secondo contratto.

Cosa significa "anteprima di Qwen4"

Se si legge l'annuncio alla lettera, la posta in gioco è chiara: non si tratta di un nuovo livello di Qw​en 3.8 — è l'architettura di Qwen4 rilasciata in anticipo, sotto il marchio protettivo di un modello più piccolo ed economico. Le ragioni per farlo sono solide: i framework, la quantizzazione e i pattern di deployment hanno bisogno di tempo per maturare, e un modello con 6B di parametri attivi è un modo economico per la comunità di stress-testare GDN + QSA su larga scala prima che Alibaba ci costruisca sopra la versione costosa. Il rovescio della medaglia è che la Qwen3.8-Flash in produzione è un'API costruita su un'architettura che l'ecosistema più ampio sta ancora sottoponendo ad audit. Gli early adopter sono, per costruzione, il set di test.

Il percorso rapido per provarlo

Oggi hai quattro opzioni realistiche. Puoi fare self-hosting dei pesi open attraverso vLLM, SGLang, Transformers o TokenSpeed — la build FP8 è la prima tappa sensata su qualsiasi cosa che non sia un nodo completo. Chiama l'API QwenCloud, ora attiva alla tariffa ufficiale di $0,15/$0,47 con hit di cache a $0,016. Usala all'interno di OpenCode Go, l'abbonamento a tariffa fissa dell'agente di coding open-source da terminale, che questa settimana ha aggiunto Qwen3.8-Flash (annunciato da Alibaba il 28 agosto, confermato nella lista dei modelli di OpenCode). Oppure chiama la Flash di produzione tramite un router così come già chiami Qwen3.8-Max, con la tariffa ufficiale trasmessa senza alcun ricarico — nessuna integrazione personalizzata da mantenere.

La domanda aperta è quella onesta: un modello che attiva 6 miliardi dei suoi parametri può reggere in produzione su un'ampia gamma di carichi di lavoro, o la scheda di benchmark che oggi sembra fresca di giornata lo sembrerà ancora tra un mese? Non è un motivo per aspettare — è un motivo per metterlo dietro un failover piuttosto che davanti all'intero stack. I pesi sono pubblicati, il prezzo è fissato e l'architettura è la direzione dichiarata da Alibaba. Le prossime settimane decideranno se 6B è bastato.