Qwen3.8-Flash-Next: Vad som är bekräftat, vad du faktiskt kan ladda ner och vad du bör köra i stället

Om du letar efter Qwen3.8-Flash-Next för att du förväntar dig att den ska komma, är den mest användbara meningen här den som hindrar dig från att slösa bort en session: den har redan kommit. Vikterna har gått att ladda ner sedan slutet av augusti 2026, och modellen är en förhandsvisning av mixture-of-experts-typ med öppna vikter och synförmåga av den arkitektur som Alibaba säger ska ligga till grund för Qwen4. Vad som inte existerar – och det är den delen som de flesta sökningar efter "flash next" tyst förutsätter – är någon annonserad nästa iteration bortom den. Det finns ingen andra förhandsvisning, ingen daterad efterträdare och inget uttalande från leverantören som lovar en. Den här sidan är det stående svaret på frågan som folk fortfarande skriver: vad Qwen3.8-Flash-Next är, vad som är bekräftat om den, vilka filer som finns för den, vad dess licens tillåter, och vad du kan köra idag om du vill ha en anropbar modell snarare än en nedladdning – produktionssyskonet Qwen3.8-Flash, eller den dense modellen Qwen3.8-27B under Apache-2.0.

Bekräftat, förväntat och härlett – håll isär de tre

Distinktionen spelar större roll här än vanligt, eftersom den här modellens namn inbjuder folk att läsa in en färdplan i det. Tre grader av utsaga följer, och var och en är märkt.

Bekräftat, från leverantörens eget material. Qwen3.8-Flash-Next är en kausal språkmodell med en vision-encoder, publicerad som eftertränade vikter och konfigurationsfiler i Hugging Face Transformers-format. Dess repo under Qwen-organisationen skapades den 24 augusti 2026 och ändrades senast den 27 augusti 2026; den formella ModelScope-lanseringen kom den 26 augusti. Alibabas eget modellkort kallar det "denna experimentella förhandsvisning av arkitekturen som kommer att ligga till grund för Qwen4" och anger att den första utgåvan med öppna vikter under den arkitekturen är denna modell. Lagrade parametrar delas upp i en 125B mixture-of-experts-kropp, en separat 51B n-gram-inbäddningstabell och ungefär 4B multi-token-prediction-lager, med 6B aktiverade per token. Kontexten är 262 144 token nativt och kan utökas till 1 000 000. Tänkläget är på som standard. Modellkortet rapporterar kompatibilitet med Hugging Face Transformers, vLLM, SGLang och TokenSpeed, och själva repot innehåller 131 safetensors-shards i BF16.

Bekräftat, och lätt att missa. Produktionsmodellen som serveras är en annan artefakt med ett liknande namn. Qwen3.8-Flash är API-bygget som härletts från dessa vikter; FP8-checkpointens eget kort beskriver den som ”den officiella versionen baserad på Qwen3.8-Flash-Next med fler produktionsfunktioner”. Om din fråga är ”kan jag anropa detta från ett API” är det namnet du vill ha, inte förhandsversionens.

Förväntat, och anges därför inte här. En modell som kallas "Next" antyder en efterföljande iteration. Inget som har publicerats stöder ett datum, ett parameterantal, en licens eller en förmåga hos en sådan. Varje artikel som ger dig ett lanseringsfönster för en efterträdare drar slutsatser, och du kan kontrollera det genom att leta efter källan. Det finns ingen i A​libabas eget material.

De två frågorna med verklig efterfrågan bakom sig: GGUF och nvfp4

Sökningar efter denna modell klustrar hårt kring två saker — "flash next gguf" och "flash next nvfp4" — och båda har konkreta, kontrollerbara svar snarare än spekulativa. Ingen av dem besvaras genom att gissa en storlekstabell, så här är vad som faktiskt är publicerat.

GGUF finns, från flera oberoende konverterare. De främsta källorna är ggml-org/Qwen3.8-Flash-Next-GGUF, unsloth/Qwen3.8-Flash-Next-GGUF, bartowski/Qwen3.8-Flash-Next-GGUF och AtomicChat/Qwen3.8-Flash-Next-GGUF, tillsammans med en lång svans av mindre repon. De är inte samma produkt, och skillnaden spelar större roll än vanligt i den här storleken.

Det ggml-org-repositoriet är det minimala: en IQ4_NL-build, en Q8_0-build, en separat multimodal projektorfil (mmproj-Qwen3.8-Flash-Next-Q8_0.gguf, cirka 0,6 GB) som du behöver om du vill använda vision-vägen, och tre utkastfiler för multi-token-prediktion i BF16, Q4_0 och Q8_0. Om du bara vill köra text är det repositoriet tillräckligt.

Det unsloth-repoet är den breda stegen, och det är där storleksfrågan faktiskt besvaras. Dess publicerade filer sträcker sig från 72,5 GB (UD-IQ1_S) och 74,5 GB (UD-IQ1_M) längst ner, via 78,9 GB (UD-Q2_K_XL), 82 GB (UD-IQ3_XXS) och 90 GB (UD-Q3_K_XL), till 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) och cirka 354 GB vid BF16. Det levererar också sina egna MTP-utkastfiler och två mmproj-filer.

Läs den stegen för vad den är. Den minsta kvantisering som någon publicerar för den här modellen är fortfarande större än 70 GB på disk. Det finns ingen build som ryms på ett enda konsumentkort så som en dense 27B gör, och repot ger ingen vägledning om VRAM per kvantisering alls — dess hårdvaruavsnitt är en tom "logga in för att lägga till din hårdvara"-uppmaning. Så det ärliga svaret på "kommer detta att rymmas på min maskin" är att du bör dimensionera mot de publicerade filstorlekarna ovan och mot arkitekturens eget knep: 51B n-gram-inbäddningstabellen adresseras av uppslagsnycklar som är kända i förväg, vilket är precis det som låter en checkpoint av den här storleken köra med inbäddningstabellen resident i värdminnet i stället för fastnålad i VRAM. Det är en designegenskap, inte ett påstående om din specifika burk, och det är anledningen till att den praktiska lägstanivån här är en maskin med mycket system-RAM och en mindre mängd accelerator-minne, inte tvärtom.

nvfp4 finns också, och det har en annan licens. nvidia/Qwen3.8-Flash-Next-NVFP4 publicerades den 2 september 2026, framställdes med NVIDIAs Model Optimizer-verktygskedja och uppgår till ungefär 133 GB fördelat på tio shards plus en FP8-fil på 53,7 GB för multi-token-prediction och per-layer-embedding. Dess kort anger NVIDIAs Open Model License, inte Qwen-licensen – en punkt som är värd att läsa två gånger om du planerar att distribuera vidare. Andra NVFP4-byggen finns från Red Hat AI, RadixArk och local-inference-lab; Intel publicerar ett W4A16 AutoRound-bygge; MLX-byggen för Apple silicon finns från flera community-utgivare.

Ytterligare ett format förtjänar att nämnas eftersom det är leverantörens eget: Qwen/Qwen3.8-Flash-Next-FP8. Det är en finkornig FP8-kvantisering med blockstorlek 128, och dess modellkort uppger prestandamått "nästan identiska med originalmodellens." Det har samma community-licens som basvikterna, och det är den checkpoint som Alibaba använder i sin egen benchmark-pipeline.

Vad licensen tillåter – och varför det besvarar den ocensurerade frågan

Den största enskilda klungan av frågor kring den här modellen handlar inte om benchmarkresultat. Den handlar om ocensurerade och abliterade byggen, och det rätta sättet att besvara den är att läsa licensen och titta på vad som har publicerats, eftersom dessa två saker avgör vad en läsare faktiskt kan få tag på.

Qwen3.8-Flash-Next tillhandahålls under Qwen Community License 1.0. Licenstexten beviljar kostnadsfritt rätten att använda, kopiera, ändra, sammanfoga, publicera, distribuera, vidarelicensiera, sälja, driftsätta, vara värd för, finjustera och skapa derivatverk från vikterna, parametrarna, konfigurationsfilerna och inferenskoden. Den kräver att upphovsrätts- och tillståndsmeddelandet medföljer kopior eller väsentliga delar. Den fastställer en tröskel för namngivning: om du använder programvaran eller derivat i en kommersiell produkt eller tjänst med fler än 100 miljoner månatliga aktiva användare eller 20 miljoner US-dollar i månatliga intäkter, måste modellnamnet visas framträdande i den produktens gränssnitt. Och den skiljer ut tjänsteverksamheter — en "Model as a Service"- eller "AI Work Assistant"-verksamhet kräver en separat licens från Qwen före kommersiell användning, med ett undantag för intern användning för driftsättningar som inte exponerar modellen, dess utdata eller dess kapaciteter för tredje parter.

Tre konsekvenser följer direkt, och de är hela svaret på de ocensurerade frågorna:

• Vikterna är öppna och licensen tillåter uttryckligen derivatverk. Community-abliterationer är därför lagliga, inte gråmarknadsmässiga, och de finns i stor mängd — huihui-ai publicerar flera, och OrcaRouters egen Qwen3.8-Flash-Next-Uncensored-familj publiceras under Apache 2.0 med GGUF-, FP8-, NVFP4- och MLX-byggen som härrör från den.

• Ett derivat ärver inte alltid den ursprungliga licensen. NVIDIAs NVFP4-bygge omfattas av NVIDIA Open Model License; en kvantisering av en abliteration från communityt kan omfattas av Apache 2.0. Om det är licensvillkoren som gör att du väljer en fil framför en annan, läs modellkortet för det specifika repo du är på väg att ladda ner i stället för modellkortet för basmodellen.

• Den kommersiella tröskeln skalar med din verksamhet, inte med modellen. För ett team som bygger ett internt verktyg är den praktiska begränsningen aviseringskravet. För ett team som säljer modellåtkomst är klausulen om separat licens för Model-as-a-Service-verksamheter en post att prissätta innan du bygger på dessa vikter, och Apache-2.0 Qwen3.8-27B undviker den diskussionen helt och hållet.

Det den här sidan inte kommer att göra är att karakterisera hur någon hostad tjänst eller någon viss build svarar på någon viss prompt. Det är inte vad licensen reglerar och inte vad vi mätte. Licensen och de publicerade viktfilerna är det som avgör tillgängligheten, och båda kan du själv verifiera med ett par klick.

Vad du ska springa idag

Det här är den del som en stående sida är skyldig en läsare som anlänt i avsikt att bygga något i eftermiddag snarare än att ladda ner 90 GB.

Qwen3.8-Flash-Next är inte en modell som vi routar, och hur mycket man än önskar blir den inte en sådan – det finns inget modell-id som matchar qwen3.8-flash-next i vår katalog i dag, och den här sidan kommer inte att antyda att det kommer att finnas ett. Dess serving-historia handlar om att ladda ner och hosta själv: hämta vikterna från Hugging Face eller ModelScope, välj mellan safetensors-, FP8-, NVFP4- och GGUF-vägarna ovan och kör den på hårdvara som du själv tillhandahåller.

Rutten för det vi gör är produktionsbygget av samma arkitektur. Qwen3.8-Flash är live som qwen/qwen3.8-flash till 0,15 USD per miljon indata-tokens och 0,47 USD per miljon utdata-tokens, med cachad indata på ungefär 0,018 USD per miljon och en kontext på 1 miljon tokens som tar in text, bild och video och returnerar text. Den prissättningen är leverantörens publicerade prislista som förs vidare utan påslag, så en ändring hos Alibaba når din slutpunkt samma dag i stället för vid nästa faktureringscykel. Om det du ville ha från förhandsversionen var arkitekturen i produktion snarare än checkpointen på disk, är det här det närmaste anropbara alternativet till den och det är bara en nyckel bort.

Om din begränsning är licens snarare än latens är det andra svaret Qwen3.8-27B. Det är en tät modell med 27 miljarder parametrar under Apache 2.0 – ingen namntröskel, inget separat avtal för tjänsteföretag – och den dirigeras som qwen/qwen3.8-27b, så du kan benchmarka de två varianterna mot din egen trafik innan du bestämmer dig för någon av dem. Båda ligger bakom samma nyckel och samma OpenAI-kompatibla endpoint, vilket innebär att testa den ena och sedan den andra kostar ett byte av modell-id snarare än en integration. Det är det billiga sättet att svara på "behöver jag 6B-aktiv arkitektur överhuvudtaget", eftersom det mäter din arbetsbelastning i stället för någon annans benchmark.

Vad är inte avgjort

Huruvida "Next" i den här modellens namn är en engångsförhandsvisning eller den första i en numrerad serie är oklart, och inget som har publicerats gör att du kan svara på det. Det enda en läsare kan lita på är att förhandsvisningens produktionssyskon redan finns och har ett pris, vilket är ovanligt – de flesta arkitekturförhandsvisningar släpps inte med en kommersiell motsvarighet samma dag. Betrakta den här modellen som en förhandsvisning av en familj som delvis är här, inte som en läcka av något som inte är här.

Den andra öppna frågan gäller verktyg snarare än modellen. llama.cpp, vLLM och SGLang når alla fram till den, FP8-bygget är leverantörens egen utvärderingscheckpoint, och GGUF-ekosystemet har redan producerat allt från 1-bitars till fullprecisionsbyggen – men kvantiseringskvaliteten vid 1 till 3 bitar på en 176B-lagrad mixture-of-experts-modell är inte en avgjord fråga, och ingen har publicerat en kontrollerad jämförelse av lågbitarsbyggena på matchad hårdvara. Om du väljer mellan UD-IQ1_S och UD-Q2_K_XL för att spara 6 GB, fattar du det beslutet utifrån din egen utvärdering, vilket är det korrekta sättet att fatta det och också anledningen till att en spekulativ storlekstabell på en sida som denna skulle vara sämre än värdelös.

Två systersidor bär de infallsvinklar som den här medvetet inte gör: rapporteringen om läckan, som beskrev vad signalerna före lanseringen sade och är daterad till det ögonblicket, och duellen mot den täta Apache-2.0-modellen, som äger jämförelsen. Läs dem om du vill ha berättelsen om hur den här modellen uppstod eller ett argument om vilken av de två du bör välja. Den här sidan kommer fortfarande att finnas här, oförändrad, när båda dessa har blivit inaktuella.