Qwen3.8-Flash-Next: o que está confirmado, o que você pode realmente baixar e o que executar em vez disso

Se você está procurando Qwen3.8-Flash-Next porque espera que ele chegue, a frase mais útil aqui é a que impede você de desperdiçar uma sessão: ele já chegou. Os pesos estão disponíveis para download desde o final de agosto de 2026, e o modelo é uma prévia de mistura de especialistas, com pesos abertos e capacidade de visão, da arquitetura que a A​libaba diz que sustentará o Qwen4. O que não existe — e esta é a parte que a maioria das buscas por "flash next" assume silenciosamente — é qualquer próxima iteração anunciada além dele. Não há uma segunda prévia, nenhum sucessor com data definida e nenhuma declaração do fornecedor prometendo um. Esta página é a resposta permanente à pergunta que as pessoas ainda digitam: o que é o Qwen3.8-Flash-Next, o que está confirmado sobre ele, quais arquivos existem para ele, o que sua licença permite e o que executar hoje se você quer um modelo chamável em vez de um download — o irmão de produção Qwen3.8-Flash, ou o denso Qwen3.8-27B Apache-2.0.

Confirmado, esperado e inferido — mantenha os três separados

A distinção importa aqui mais do que o habitual, porque o nome deste modelo convida as pessoas a enxergar nele um roteiro. Seguem-se três graus de afirmação, e cada um está rotulado.

Confirmado, pelo próprio material do fornecedor. O Qwen3.8-Flash-Next é um modelo de linguagem causal com um codificador de visão, publicado como pesos pós-treinados e ficheiros de configuração no formato Hugging Face Transformers. O seu repositório sob a Qwen foi criado a 24 de agosto de 2026 e modificado pela última vez a 27 de agosto de 2026; o lançamento formal no ModelScope ocorreu a 26 de agosto. O próprio cartão da Alibaba chama-lhe «esta pré-visualização experimental da arquitetura que servirá de base ao Qwen4» e afirma que a primeira versão de pesos abertos sob essa arquitetura é este modelo. Os parâmetros armazenados decompõem-se num corpo de mistura de especialistas de 125B, numa tabela separada de embeddings de n-gramas de 51B e em cerca de 4B de camadas de previsão multi-token, com 6B ativados por token. O contexto é de 262 144 tokens nativamente, extensível a 1 000 000. O modo de pensamento está ativado por predefinição. O cartão indica compatibilidade com Hugging Face Transformers, vLLM, SGLang e TokenSpeed, e o próprio repositório contém 131 fragmentos safetensors em BF16.

Confirmado, e fácil de passar despercebido. O modelo de produção em serviço é um artefacto diferente com um nome semelhante. O Qwen3.8-Flash é a versão de API derivada destes pesos; a própria ficha do checkpoint FP8 descreve-o como "a versão oficial baseada no Qwen3.8-Flash-Next com mais funcionalidades de produção". Se a sua pergunta é "posso chamar isto a partir de uma API", esse é o nome que quer, não o da pré-visualização.

Esperado e, portanto, não declarado aqui. Um modelo chamado "Next" implica uma iteração seguinte. Nada publicado sustenta uma data, uma contagem de parâmetros, uma licença ou uma capacidade para um. Qualquer artigo que lhe dê uma janela de lançamento para um sucessor está inferindo, e você pode verificar isso procurando a fonte. Não há nenhuma no próprio material da Alibaba.

As duas perguntas com demanda real por trás delas: GGUF e nvfp4

As buscas por esse modelo se concentram fortemente em duas coisas — "flash next gguf" e "flash next nvfp4" — e ambas têm respostas concretas e verificáveis, em vez de especulativas. Nenhuma delas é respondida adivinhando uma tabela de tamanhos, então aqui está o que realmente foi publicado.

O GGUF existe, proveniente de vários conversores independentes. As principais fontes são ggml-org/Qwen3.8-Flash-Next-GGUF, unsloth/Qwen3.8-Flash-Next-GGUF, bartowski/Qwen3.8-Flash-Next-GGUF e AtomicChat/Qwen3.8-Flash-Next-GGUF, juntamente com uma longa cauda de repositórios menores. Não são o mesmo produto, e a diferença importa mais do que o habitual neste tamanho.

O ggml-org repositório é o minimalista: uma build IQ4_NL, uma build Q8_0, um arquivo de projetor multimodal separado (mmproj-Qwen3.8-Flash-Next-Q8_0.gguf, cerca de 0,6 GB) de que você precisa se quiser o caminho de visão, e três arquivos draft de previsão de múltiplos tokens em BF16, Q4_0 e Q8_0. Se você só quiser executar texto, esse repositório é suficiente.

O unsloth repositório é a ampla escada, e é onde a questão do tamanho realmente é respondida. Seus arquivos publicados vão de 72,5 GB (UD-IQ1_S) e 74,5 GB (UD-IQ1_M) na base, passando por 78,9 GB (UD-Q2_K_XL), 82 GB (UD-IQ3_XXS) e 90 GB (UD-Q3_K_XL), até 93,7 GB (UD-IQ4_XS), 111 GB (UD-Q4_K_XL), 158 GB (UD-Q5_K_XL), 169 GB (UD-Q6_K_XL), 188 GB (Q8_0) e cerca de 354 GB em BF16. Ele também inclui seus próprios arquivos de rascunho MTP e dois arquivos mmproj.

Leia essa escada pelo que ela é. A menor quantização que alguém publica para este modelo ainda é maior que 70 GB em disco. Não existe uma build que caiba em uma única placa de consumidor como um 27B denso cabe, e o repositório não fornece nenhuma orientação de VRAM por quantização — sua seção de hardware é um aviso vazio de "faça login para adicionar seu hardware". Então, a resposta honesta para "isso vai caber na minha máquina" é que você deve se dimensionar com base nos tamanhos de arquivo publicados acima e no truque da própria arquitetura: a tabela de embeddings n-gram de 51B é endereçada por chaves de consulta conhecidas de antemão, que é exatamente o que permite que um checkpoint desse tamanho rode com a tabela de embedding residente na memória do host, em vez de fixada na VRAM. Isso é uma característica de projeto, não uma afirmação sobre a sua máquina específica, e é a razão pela qual o piso prático aqui é uma máquina com muita RAM de sistema e uma quantidade menor de memória de acelerador, e não o contrário.

nvfp4 também existe e tem uma licença diferente. nvidia/Qwen3.8-Flash-Next-NVFP4 foi publicado em 2 de setembro de 2026, produzido com a toolchain Model Optimizer da N​VIDIA, e totaliza aproximadamente 133 GB em dez shards, além de um arquivo FP8 de previsão multi-token e embedding por camada de 53,7 GB. Sua ficha lista a N​VIDIA Open Model License, não a licença Qwen — um ponto que vale a pena ler duas vezes se você pretende redistribuir. Existem outras builds NVFP4 da Red Hat AI, RadixArk e local-inference-lab; a Intel publica uma build W4A16 AutoRound; existem builds MLX para Apple silicon de vários publicadores da comunidade.

Vale a pena mencionar mais um formato, porque é do próprio fornecedor: Qwen/Qwen3.8-Flash-Next-FP8. Trata-se de uma quantização FP8 de granularidade fina, com um tamanho de bloco de 128, e a sua ficha de modelo afirma métricas de desempenho "idênticas às do modelo original". Tem a mesma licença comunitária que os pesos base e é o checkpoint que o próprio pipeline de benchmark da Alibaba utiliza.

O que a licença permite — e por que isso responde à questão não censurada

O maior agrupamento único de consultas em torno deste modelo não é sobre benchmarks. É sobre builds sem censura e abliterated, e a forma correta de responder a isso é ler a licença e ver o que foi publicado, porque essas duas coisas determinam o que um leitor pode de fato obter.

O Qwen3.8-Flash-Next é distribuído sob a Qwen Community License 1.0. O texto da licença concede, gratuitamente, o direito de usar, copiar, modificar, combinar, publicar, distribuir, sublicenciar, vender, implantar, hospedar, ajustar e criar obras derivadas a partir dos pesos, parâmetros, arquivos de configuração e código de inferência. Ela exige que o aviso de direitos autorais e de permissão acompanhe as cópias ou porções substanciais. Ela estabelece um limite de nomenclatura: se você usar o software ou derivados em um produto ou serviço comercial com mais de 100 milhões de usuários ativos mensais ou US$ 20 milhões em receita mensal, o nome do modelo deverá ser exibido de forma destacada na interface desse produto. E ela separa os negócios de serviços — um negócio de "Model as a Service" ou "AI Work Assistant" exige uma licença separada da Qwen antes do uso comercial, com uma exceção de uso interno para implantações que não exponham o modelo, seus resultados ou suas capacidades a terceiros.

Três consequências decorrem diretamente, e elas são a resposta completa às consultas não censuradas:

• Os pesos são abertos e a licença permite expressamente obras derivadas. As abliterações da comunidade são, portanto, legais, e não de mercado cinzento, e existem em quantidade — huihui-aia huihui-ai publica várias, e a própria família Qwen3.8-Flash-Next-Uncensored da OrcaRouter é publicada sob Apache 2.0, com builds GGUF, FP8, NVFP4 e MLX derivados dela.

• Uma obra derivada nem sempre herda a licença original. A build NVIDIA NVFP4 está sob a NVIDIA Open Model License; uma quantização de uma abliteração comunitária pode estar sob a Apache 2.0. Se os termos da licença são o motivo pelo qual você está escolhendo um arquivo em vez de outro, leia a ficha do repositório específico que você está prestes a baixar, em vez da ficha do modelo base.

• O limiar comercial escala com o seu negócio, não com o modelo. Para uma equipe que desenvolve uma ferramenta interna, a restrição prática é a exigência de notificação. Para uma equipe que vende acesso ao modelo, a cláusula de licença separada para empresas de Model-as-a-Service é um item de custo a precificar antes de você construir sobre esses pesos, e o Apache-2.0 Qwen3.8-27B evita totalmente essa conversa.

O que esta página não vai fazer é caracterizar como qualquer serviço alojado ou qualquer compilação específica responde a um determinado prompt. Não é isso que a licença rege nem o que medimos. A licença e os ficheiros de pesos publicados são o que determina a disponibilidade, e ambos são coisas que pode verificar por si mesmo em alguns cliques.

O que correr hoje

Esta é a parte que uma página permanente deve a um leitor que chegou querendo construir algo nesta tarde, em vez de baixar 90 GB.

Qwen3.8-Flash-Next não é um modelo que roteamos, e por mais que se deseje, isso não o torna um — não há nenhum id de modelo correspondente a qwen3.8-flash-next em nosso catálogo hoje, e esta página não vai dar a entender que haverá. A forma de disponibilizá-lo é uma história de baixar e hospedar: baixe os pesos do Hugging Face ou do ModelScope, escolha entre os caminhos safetensors, FP8, NVFP4 e GGUF acima, e execute-o em hardware que você provisiona.

A rota What we do é a build de produção da mesma arquitetura. Qwen3.8-Flash está disponível como qwen/qwen3.8-flash a US$ 0,15 por milhão de tokens de entrada e US$ 0,47 por milhão de tokens de saída, com entrada em cache a cerca de US$ 0,018 por milhão e um contexto de 1M de tokens que aceita texto, imagem e vídeo e retorna texto. Esse preço é a tabela publicada do provedor, repassada sem markup, então uma mudança do lado da Alibaba chega ao seu endpoint no mesmo dia, em vez de no próximo ciclo de cobrança. Se o que você queria do preview era a arquitetura em produção, e não o checkpoint no disco, essa é a coisa chamável mais próxima disso e está a apenas uma chave de distância.

Se a sua limitação é a licença e não a latência, a outra resposta é o Qwen3.8-27B. É um modelo denso de 27 mil milhões de parâmetros sob Apache 2.0 — sem limiar de nomenclatura, sem acordo separado para empresas de serviços — e é encaminhado como qwen/qwen3.8-27b, para que possa avaliar as duas formas com o seu próprio tráfego antes de se comprometer com qualquer uma. Ambos ficam atrás da mesma chave e do mesmo endpoint compatível com OpenAI, o que significa que experimentar um e depois o outro custa uma alteração de model-id em vez de uma integração. Essa é a forma barata de responder a "preciso mesmo da arquitetura de 6B ativos?", porque mede a sua carga de trabalho em vez do benchmark de outra pessoa.

O que não está resolvido

Se o "Next" no nome deste modelo é uma prévia isolada ou o primeiro de uma linha numerada permanece indefinido, e nada publicado permite responder a isso. A única coisa com que um leitor pode contar é que o equivalente de produção da prévia já existe e tem preço definido, o que é incomum — a maioria das prévias de arquitetura não é lançada com uma contraparte comercial no mesmo dia. Trate este modelo como uma prévia de uma família que está parcialmente aqui, não como um vazamento de algo que não está.

A outra questão em aberto é mais de ferramentas do que do modelo. O llama.cpp, o vLLM e o SGLang chegam todos lá, a build FP8 é o próprio checkpoint de avaliação do fornecedor, e o ecossistema GGUF já produziu tudo, desde builds de 1 bit até builds de precisão total — mas a qualidade da quantização em 1 a 3 bits num modelo de mistura de especialistas armazenado em 176B não é uma questão resolvida, e ninguém publicou uma comparação controlada das builds de baixa precisão em hardware equivalente. Se está a escolher entre UD-IQ1_S e UD-Q2_K_XL para poupar 6 GB, está a tomar essa decisão com base na sua própria avaliação, o que é a forma correta de o fazer e também a razão pela qual uma tabela especulativa de tamanhos numa página como esta seria pior do que inútil.

Duas páginas irmãs cobrem os ângulos que esta deliberadamente não cobre: a cobertura da fuga, que relatou o que os sinais de pré-lançamento diziam e está datada desse momento, e o confronto direto com o modelo denso Apache-2.0, que detém a comparação. Leia essas páginas se quiser a história de como este modelo surgiu ou um argumento sobre qual dos dois escolher. Esta página ainda estará aqui, inalterada, quando ambas tiverem ficado desatualizadas.