Qwen3.8-Flash-Next vs Qwen3.8-27B: Alugue a Capacidade de Processamento ou Possua os Pesos

Qwen3.8-Flash-Next e Qwen3.8-27B são duas respostas para a mesma pergunta, publicadas com seis dias de diferença pelo mesmo laboratório, e a pergunta é o que uma equipe deveria realmente executar quando quer um modelo desta geração que possa colocar na frente do tráfego de produção. Qwen3.8-27B chegou em 13 de agosto de 2026: um modelo denso de 27 bilhões de parâmetros sob a licença Apache 2.0, cujos 55,6 GB de pesos BF16 cabem em uma única placa de 24 GB depois de quantizados. Qwen3.8-Flash-Next chegou ao Hugging Face em 24 de agosto e ao ModelScope em 26 de agosto: aproximadamente 180B parâmetros armazenados, 6B ativados por token, sob a mais restritiva Qwen Community License 1.0. Um é um arquivo. O outro é um perfil de throughput. Escolher entre eles é, em grande parte, uma questão de qual dessas duas coisas sua carga de trabalho realmente precisa.

São parentes mais próximos do que os nomes sugerem. Ambos trazem um contexto nativo de 262.144 tokens, extensível a 1.000.000, ambos aceitam texto, imagem e vídeo como entrada e devolvem texto, e ambos usam a mesma ideia de atenção híbrida que a Alibaba vem implementando desde a geração Qwen3.5 — uma maioria de camadas de atenção linear fazendo o trabalho de contexto longo de forma barata, e uma minoria de camadas de atenção completa encarregada da recuperação precisa, na qual a atenção linear é ruim. O ponto em que deixam de ser iguais é tudo o que vem depois disso: licença, tamanho, preço por token e o que você precisa fazer para colocar um deles em funcionamento.

O que cada um é, em um parágrafo cada

Qwen3.8-27B é um modelo de linguagem causal denso com um codificador de visão: 64 camadas, dimensão oculta 5120, tamanho intermediário de 17.408 e vocabulário de 248.320 tokens, com a pilha de atenção dividida em 48 camadas lineares Gated DeltaNet contra 16 camadas Gated Attention. A​libaba o treinou com previsão multi-token. O modo de pensamento está ativado por padrão, com níveis de `reasoning_effort` xhigh, medium e low, e as próprias linhas de visão do model card cobrem análise de documentos (OmniDocBench 1.5 em 91,1), trabalho com GUI (OSWorld-Verified 84,3, AndroidWorld 81,9) e raciocínio visual geral (RealWorldQA 85,9, MathVision 90,0). É, no sentido mais simples, um modelo baixável: um repositório, dezoito shards de safetensors, um arquivo de licença e um tamanho que uma estação de trabalho robusta consegue suportar.

Qwen3.8-Flash-Next é uma mistura de especialistas na arquitetura que a Alibaba diz que servirá de base para o Qwen4 — 48 camadas, 512 especialistas com 10 roteados e um compartilhado, 125B de parâmetros no corpo de especialistas ativando 6B por token, além de uma tabela separada de embeddings n-gram de 51B e cerca de 4B de camadas de previsão multi-token. Sua pilha de atenção é a mesma ideia de três para um em outra escala: 36 camadas Gated DeltaNet contra 12 que rodam Qwen Sparse Attention. A ficha técnica deixa explícito que esta é uma prévia experimental da arquitetura, e não um modelo Qwen4, e que a variante de produção servida é o Qwen3.8-Flash por meio do Qwen Cloud. Não é um arquivo que você simplesmente possui — é um problema de serving que você resolve uma vez e depois executa com baixo custo.

Onde os dois divergem além da contagem de parâmetros

A licença é a primeira divergência e a que sobrevive a todo argumento de benchmark nesta página. Qwen3.8-27B é Apache 2.0, ponto final: uso comercial, modificação, redistribuição, builds derivados, sem limite de receita e sem acordo separado a negociar. Qwen3.8-Flash-Next é Qwen Community License 1.0, que permite uso comercial, inclusive a venda de obras derivadas, mas exige um acordo comercial separado com a Alibaba se você operar um negócio de modelo como serviço ou de assistente de trabalho com IA acima de um limite definido de receita e de usuários ativos mensais. Se você está construindo um produto, e não uma ferramenta interna, essa cláusula não é nota de rodapé; é um item de custo. Vale a pena ler a licença antes de ler a tabela de benchmarks, porque ela pode desqualificar um modelo que vence em todas as pontuações.

A segunda divergência está no que significa "local". Para o 27B, local significa uma única máquina: quantize para quatro bits e o modelo cabe numa placa de 24 GB, com a escada de formatos — níveis de quantização GGUF, MLX para Apple Silicon, a aritmética real de VRAM — coberta em detalhe numa página irmã, em vez de repetida aqui. Para o Flash-Next, local significa provisionar para um checkpoint de 180B parâmetros. O vLLM o serve desde o primeiro dia com um caminho de offload que mantém a tabela de n-gramas de 51B parâmetros na memória do host em vez da VRAM permanente, o SGLang e o TensorRT-LLM estão na lista Day 0 da NVIDIA, e a biblioteca do Ollama traz uma build MLX para Apple Silicon — mas "roda" e "roda na máquina que você tem" são frases diferentes, e só o 27B pode reivindicar a segunda.

O que os números públicos dizem, e o que não dizem

Ambos os modelos trazem números da Artificial Analysis, do mesmo índice, o que faz desta uma rara comparação intrafamiliar em que os números independentes podem ao menos ser lidos lado a lado. O Qwen3.8-27B pontua 33,7 no Intelligence Index — 47º no geral, percentil 66 — e 68,1 no AA Coding Index, 35º no geral. A prévia de pesos abertos do Flash-Next pontua 40 no Intelligence Index, ficando em quinto entre os 113 modelos de sua classe de comparação. Essas entradas foram avaliadas em datas diferentes, então leia a diferença como direcional, e não como um resultado controlado.

O detalhe por trás das duas pontuações é mais interessante do que as pontuações. Nas avaliações individuais, a própria ficha do 27B reporta 90,3 no LiveCodeBench v6, 89,2 no GPQA Diamond e 79,0 no QwenSWEBench, enquanto a ficha do preview do Flash-Next reporta 91,9, 91,7 e — no benchmark da mesma família — 81,0 no SWE-bench Multilingual e 62,5 no SWE-bench Pro. Todos esses são números do próprio fornecedor, produzidos pelo fornecedor, e nenhum deles foi reproduzido por terceiros em um harness equivalente. O quadro independente é mais restrito e aponta na direção oposta em algumas linhas: o preview é forte em trabalho de conhecimento e tarefas de terminal, e fraco em geração de repositórios de longo horizonte, enquanto o índice de codificação independente do 27B, de 68,1, fica abaixo do que seus próprios números de SWE informados pelo fornecedor sugeririam.

Uma diferença prática que o índice de fato captura: a prévia é verbosa. A Artificial Analysis mede-a em 53 tokens de saída por segundo, com 2,80 segundos até o primeiro token, e a chama de "muito verbosa", consumindo 108 mil tokens de saída por tarefa, dos quais 72 mil são de raciocínio. O 27B, medido através do nosso próprio playground ao longo dos últimos sete dias, retorna pouco mais de 200 tokens de saída por segundo, com mediana de 4,97 segundos para o primeiro token. São harnesses diferentes, então trate as taxas como indicativas — mas elas descrevem a mesma forma que a arquitetura implica. Um gasta tokens para chegar a uma resposta; o outro gasta menos, e o design denso torna cada um deles mais barato de produzir.

Preço, em ambas as unidades que importam

Por token, os dois são próximos o suficiente para que a decisão não seja tomada aqui. O Qwen3.8-27B é roteado a US$ 0,33 por milhão de tokens de entrada e US$ 2,40 por milhão de saída; o Qwen3.8-Flash servido é roteado a US$ 0,15 e US$ 0,47, ambos ao preço de tabela do provedor, repassado sem qualquer acréscimo. Assim, a variante Flash de produção é cerca de 2,2x mais barata na entrada e 5,1x mais barata na saída.

Por byte em disco, eles não chegam nem perto, e esse é o número que quem subestima a implantação local costuma ignorar. O 27B são 55,6 GB de pesos BF16 distribuídos em dezoito shards, compressíveis para algo que roda em uma única placa de consumidor. O preview é um checkpoint de 180B parâmetros na mesma precisão — várias vezes o armazenamento, várias vezes a largura de banda de memória e uma configuração de serving que assume offload para a memória do host em vez de um único dispositivo. Se sua restrição é uma máquina que você já possui, o 27B não é a opção mais barata; é a única opção.

Qual deles executar

Escolha o Qwen3.8-27B se precisar possuir o modelo em vez de alugá-lo: implantação on-premise ou em ambiente isolado (air-gapped), uma licença Apache 2.0 sobre a qual você pode construir um produto sem uma conversa sobre receita, custos por solicitação que não escalam com a tabela de preços de outra pessoa e uma estratégia de serving em uma única GPU que você mesmo pode operar. Também é a escolha certa deste par quando você precisa fazer fine-tuning, merge ou quantização — o repositório mostra centenas de adaptadores, finetunes e quantizações da comunidade já derivados dele, que é o que um lançamento de pesos Apache 2.0 lhe garante ao longo do tempo.

Escolha o Qwen3.8-Flash-Next se a sua restrição for produtividade e custo por token em vez de controle: varreduras agênticas de alto volume, trabalho amplo de classificação e extração, compreensão de capturas de tela e documentos em escala, e qualquer coisa em que um modelo com 6B ativos a um terço do preço de entrada mude o que é economicamente possível. Também é a escolha certa se você quiser especificamente avaliar a arquitetura Qwen4 nos seus próprios dados antes de o Qwen4 existir — é exatamente para isso que serve a prévia, e é um motivo para testar, não um motivo para se comprometer.

A regra: o 27B é para leitores cujo gargalo está em onde o modelo roda, e o Flash-Next é para leitores cujo gargalo está em quanto custa rodar o modelo. Muito poucas equipes têm os dois gargalos, e o gargalo que elas de fato têm geralmente decide isso em uma única reunião.

Conseguir fazer qualquer um dos dois funcionar hoje

O Qwen3.8-27B é o mais fácil dos dois para começar, em duas direções ao mesmo tempo. Baixe os pesos e sirva-os você mesmo sob a Apache 2.0, ou chame-o sem tocar em um acelerador: ele é roteado como `qwen/qwen3.8-27b` em nosso catálogo a US$ 0,33 e US$ 2,40 por milhão de tokens, e o 27B é servido em nossa própria infraestrutura, em vez de ser proxiado a partir do endpoint de um fornecedor. Esse segundo caminho é o que o torna um padrão genuíno para trabalho multimodal de alto volume — como um de mais de 200 modelos acessíveis através de um único endpoint compatível com OpenAI, em uma única chave, sem um segundo contrato para assinar.

O Qwen3.8-Flash-Next não é uma rota que oferecemos. A prévia de pesos abertos precisa ser baixada e servida por você, e o caminho de disponibilidade dela passa pelo Hugging Face e pelo ModelScope, e não por uma API. O que nós roteamos é seu irmão de produção: Qwen3.8-Flash, `qwen/qwen3.8-flash`, a $0,15 e $0,47 por milhão de tokens, com entrada de texto, imagem e vídeo em um contexto de 1M de tokens, com o preço da lista publicada pelo fornecedor, de modo que uma mudança de tarifa do lado da A​libaba chegue ao seu endpoint no mesmo dia. Se você quer a arquitetura da prévia sem o projeto de serving, essa é a coisa mais próxima dela que dá para chamar hoje.

Para uma equipa que quer ambos, a configuração é uma divisão de tráfego em vez de uma decisão. Ambos ficam atrás da mesma chave e do mesmo SDK, pelo que uma percentagem dos pedidos pode ir para o 27B enquanto o resto vai para o endpoint Flash, com failover automático a absorver os momentos em que qualquer dos lados se comporta mal. Essa é uma forma mais barata de responder a esta comparação do que qualquer tabela de benchmarks, porque mede o seu tráfego e não o de outra pessoa.

O que ainda não está definido é o que acontece quando a família se completa. O Qwen3.8-27B é um modelo finalizado, licenciável e disponível para download, que provavelmente não mudará debaixo de você. A prévia do Flash-Next é um canário para uma arquitetura cujos modelos de produção ainda não foram lançados, e a variante Flash servida que a acompanha é posicionada explicitamente como a versão oficial dessa arquitetura. Se a família Qwen4 seguir o padrão que o Qwen3-Next estabeleceu no final de 2025, os descendentes da prévia chegarão em alguns meses e esta página será uma decisão sobre uma geração, e não sobre uma prévia.

O único fato que decide esse pareamento na maioria das vezes é a licença, não o benchmark: a licença Apache 2.0 permite que você construa um negócio em cima do 27B sem pedir autorização a ninguém, e a Qwen Community License 1.0 não lhe dá isso para a pré-visualização. Todo o resto nesta página — a janela de contexto, a atenção híbrida, o suporte de visão — é compartilhado pelos dois.