Qwen3.8-Flash-Next vs Qwen3.8-27B: Hyr genomströmningen eller äg vikterna

Qwen3.8-Flash-Next och Qwen3.8-27B är två svar på samma fråga, publicerade sex dagar isär av samma labb, och frågan är vad ett team faktiskt ska köra när det vill ha en modell från den här generationen som det kan sätta framför produktionstrafik. Qwen3.8-27B landade den 13 augusti 2026: en dense modell med 27 miljarder parametrar under Apache 2.0, vars 55,6 GB BF16-vikter får plats på ett enda 24 GB-kort efter kvantisering. Qwen3.8-Flash-Next anlände till Hugging Face den 24 augusti och till ModelScope den 26 augusti: ungefär 180B parametrar lagrade, 6B aktiverade per token, under den mer restriktiva Qwen Community License 1.0. Den ena är en fil. Den andra är en genomströmningsprofil. Att välja mellan dem handlar mest om vilken av dessa två saker din arbetsbelastning faktiskt behöver.

De är närmare släktingar än namnen antyder. Båda har en inbyggd kontext på 262 144 tokens som kan utökas till 1 000 000, båda tar emot text, bild och video och returnerar text, och båda använder samma hybrida attention-idé som Alibaba har levererat sedan Qwen3.5-generationen – en majoritet av linjära attention-lager gör långkontextarbetet billigt, en minoritet av full-attention-lager hanterar den precisa hämtning som linjär attention är dålig på. Där de upphör att vara desamma är allt nedströms om det: licens, storlek, pris per token och vad du måste göra för att få en att köra.

Vad var och en av dem är, i ett stycke vardera

Qwen3.8-27B är en tät kausal språkmodell med en visionskodare: 64 lager, dold dimension 5120, en mellanstorlek på 17 408 och en vokabulär på 248 320 token, där attention-stacken är uppdelad i 48 linjära Gated DeltaNet-lager mot 16 Gated Attention-lager. A​libaba tränade den med multi-token-prediktion. Tankeläget är på som standard med `reasoning_effort`-nivåerna xhigh, medium och low, och modellkortets egna vision-rader täcker dokumenttolkning (OmniDocBench 1.5 vid 91,1), GUI-arbete (OSWorld-Verified 84,3, AndroidWorld 81,9) och allmänt visuellt resonemang (RealWorldQA 85,9, MathVision 90,0). Det är, i enkel mening, en nedladdningsbar modell: ett repository, arton safetensors-shards, en licensfil och en storlek som en seriös arbetsstation kan rymma.

Qwen3.8-Flash-Next är en blandning av experter på den arkitektur som Alibaba säger kommer att ligga till grund för Qwen4 — 48 lager, 512 experter med 10 routade och en delad, 125B parametrar i expertkroppen som aktiverar 6B per token, plus en separat 51B n-gram-inbäddningstabell och omkring 4B lager för multi-token-förutsägelse. Dess uppmärksamhetsstack är samma tre-till-ett-idé i en annan skala: 36 Gated DeltaNet-lager mot 12 som kör Qwen Sparse Attention. Modellkortet säger uttryckligen att detta är en experimentell förhandsvisning av arkitekturen snarare än en Qwen4-modell, och att den produktionsvariant som serveras är Qwen3.8-Flash via Qwen Cloud. Det är inte en fil du bara äger — det är ett serveringsproblem du löser en gång och sedan kör billigt.

Där de två skiljer sig åt utöver parameterantalet

Licensen är den första skillnaden och den som överlever varje benchmarkargument på den här sidan. Qwen3.8-27B är Apache 2.0, punkt slut: kommersiell användning, modifiering, vidaredistribution, derivatbyggen, ingen intäktströskel och inget separat avtal att förhandla om. Qwen3.8-Flash-Next omfattas av Qwen Community License 1.0, som tillåter kommersiell användning, inklusive försäljning av derivatverk, men kräver ett separat kommersiellt avtal med Alibaba om du driver en model-as-a-service- eller AI-arbetsassistentverksamhet över en definierad tröskel för intäkter och månatligt aktiva användare. Om du bygger en produkt snarare än ett internt verktyg är den klausulen inte en fotnot; den är en egen post. Det är värt att läsa licensen innan du läser benchmarktabellen, eftersom den kan diskvalificera en modell som vinner på varje poäng.

Den andra skillnaden är vad "lokalt" innebär. För 27B betyder lokalt en maskin: kvantisera till fyra bitar och modellen får plats på ett 24 GB-kort; format-trappan – GGUF-kvantiseringsnivåer, MLX för Apple Silicon, den faktiska VRAM-beräkningen – behandlas i detalj på en syskonsida i stället för att upprepas här. För Flash-Next betyder lokalt att dimensionera för en checkpoint med 180B parametrar. vLLM serverar den från dag ett med en offload-väg som håller n-gram-tabellen med 51B parametrar i värdminnet i stället för permanent VRAM, SGLang och TensorRT-LLM finns med i NVIDIAs Day 0-lista, och Ollamas bibliotek har en MLX-build för Apple Silicon – men "körs" och "körs på maskinen du har" är olika meningar, och bara 27B får göra anspråk på den andra.

Vad de offentliga siffrorna säger, och vad de inte säger

Båda modellerna har siffror från Artificial Analysis, från samma index, vilket gör detta till den sällsynta jämförelsen inom samma familj där de oberoende siffrorna åtminstone kan läsas sida vid sida. Qwen3.8-27B får 33,7 på Intelligence Index — 47:e totalt, 66:e percentilen — och 68,1 på AA Coding Index, 35:e totalt. Förhandsversionen av Flash-Next med öppna vikter får 40 på Intelligence Index, femte bland de 113 modellerna i sin jämförelseklass. De posterna utvärderades vid olika datum, så läs gapet som riktningsgivande snarare än som ett kontrollerat resultat.

Detaljerna bakom de två poängen är mer intressanta än poängen. I de individuella utvärderingarna rapporterar 27B:s eget kort 90,3 på LiveCodeBench v6, 89,2 på GPQA Diamond och 79,0 på QwenSWEBench, medan Flash-Next-förhandsvisningens kort rapporterar 91,9, 91,7 och – på samma familjs benchmark – 81,0 på SWE-bench Multilingual och 62,5 på SWE-bench Pro. Alla dessa är leverantörens egna siffror, framställda av leverantören, och ingen av dem har reproducerats av en tredje part i en matchad testmiljö. Den oberoende bilden är snävare och pekar i motsatt riktning på vissa rader: förhandsvisningen är stark på kunskapsarbete och terminaluppgifter och svag på långsiktig repositoriegenerering, medan 27B:s oberoende kodningsindex på 68,1 ligger under vad dess egna leverantörsrapporterade SWE-siffror skulle antyda.

En praktisk skillnad som indexet faktiskt fångar: förhandsversionen är mångordig. Artificial Analysis mäter den till 53 utdatatokens per sekund med 2,80 sekunders tid till första token och kallar den "mycket mångordig"; den förbrukar 108k utdatatokens per uppgift, varav 72k är resonemangstokens. 27B-modellen, mätt via vår egen testmiljö under de senaste sju dagarna, ger drygt 200 utdatatokens per sekund vid en median på 4,97 sekunder för första token. Olika testramverk, så betrakta hastigheterna som vägledande – men de beskriver samma form som arkitekturen antyder. Den ena gör av med tokens för att nå ett svar; den andra gör av med färre, och den täta designen gör var och en av dem billigare att producera.

Priset, på båda enheterna som spelar roll

Per token ligger de två så nära varandra att beslutet inte fattas här. Qwen3.8-27B routas till $0,33 per miljon indatatokener och $2,40 per miljon utdatatokener; den serverade Qwen3.8-Flash routas till $0,15 och $0,47, båda enligt leverantörens listpris som förs vidare utan påslag. Produktionsvarianten Flash är alltså ungefär 2,2 gånger billigare på indata och 5,1 gånger billigare på utdata.

Per byte på disk ligger de inte alls nära varandra, och det är den siffra som läsare som underskattar lokal driftsättning vanligtvis missar. 27B:n är 55,6 GB BF16-vikter fördelade över arton shards och kan komprimeras till något som körs på ett enda konsumentkort. Förhandsversionen är en checkpoint med 180B parametrar i samma precision – flera gånger så mycket lagringsutrymme, flera gånger så mycket minnesbandbredd och en serveringskonfiguration som förutsätter avlastning till värdminne i stället för en enda enhet. Om din begränsning är en maskin du redan äger, är 27B:n inte det billigare alternativet; det är det enda alternativet.

Vilken ska köras?

Välj Qwen3.8-27B om du behöver äga modellen i stället för att hyra den: driftsättning on-premise eller i luftgapad miljö, en Apache 2.0-licens som du kan bygga en produkt på utan att behöva diskutera intäkter, kostnader per begäran som inte skalar med någon annans prislista, och en driftlösning på en enda GPU som du kan sköta själv. Det är också rätt val i det här paret när du behöver finjustera, slå samman eller kvantisera – förrådet visar hundratals community-adaptrar, finjusteringar och kvantiseringar som redan har härletts från den, vilket är vad en viktutgåva under Apache 2.0 ger dig över tid.

Välj Qwen3.8-Flash-Next om din begränsning är genomströmning och kostnad per token snarare än kontroll: agentiska svep i hög volym, omfattande klassificerings- och extraheringsarbete, förståelse av skärmbilder och dokument i stor skala, och allt där en modell med 6B aktiva parametrar till en tredjedel av indatapriset förändrar vad som är ekonomiskt möjligt. Det är också rätt val om du specifikt vill utvärdera Qwen4-arkitekturen på dina egna data innan Qwen4 finns – det är precis vad förhandsversionen är till för, och det är ett skäl att testa snarare än ett skäl att binda sig.

Regeln: 27B är för läsare vars flaskhals är var modellen körs, och Flash-Next är för läsare vars flaskhals är vad modellen kostar att köra. Väldigt få team har båda flaskhalsarna, och den de faktiskt har avgör oftast detta i ett enda möte.

Att få igång någon av dem idag

Qwen3.8-27B är den av de två som är enklast att börja med, i två riktningar samtidigt. Ladda ner vikterna och servera dem själv under Apache 2.0, eller anropa den utan att röra en accelerator: den dirigeras som `qwen/qwen3.8-27b` i vår katalog till $0.33 och $2.40 per miljon tokens, och 27B serveras på vår egen infrastruktur i stället för att vidarebefordras från en leverantörs endpoint. Den andra vägen är det som gör den till en genuin standard för multimodalt arbete med hög volym — som en av fler än 200 modeller som kan nås via en enda OpenAI-kompatibel endpoint, med en enda nyckel, utan något andra avtal att skriva under.

Qwen3.8-Flash-Next är inte en väg vi erbjuder. Förhandsversionen med öppna vikter måste laddas ner och driftas av dig, och tillgänglighetsvägen för den går via Hugging Face och ModelScope snarare än via ett API. Det vi dirigerar är dess produktionssyskon: Qwen3.8-Flash, `qwen/qwen3.8-flash`, för $0,15 och $0,47 per miljon token med text-, bild- och videoindata i ett kontextfönster på 1 miljon token, prissatt enligt leverantörens publicerade prislista så att en prisändring hos Alibaba når din endpoint samma dag. Om du vill ha förhandsversionens arkitektur utan serveringsprojektet är det här det närmaste som går att anropa idag.

För ett team som vill ha båda är upplägget en trafikdelning snarare än ett beslut. Båda ligger bakom samma nyckel och samma SDK, så en andel av förfrågningarna kan gå till 27B medan resten går till Flash-endpointen, med automatisk failover som fångar upp stunderna då någon av sidorna krånglar. Det är ett billigare sätt att svara på den här jämförelsen än någon benchmark-tabell, eftersom den mäter din trafik i stället för någon annans.

Det som inte är avgjort är vad som händer när familjen är komplett. Qwen3.8-27B är en färdig, licensierbar, nedladdningsbar modell som sannolikt inte kommer att förändras under dig. Förhandsvisningen av Flash-Next är en kanariefågel för en arkitektur vars produktionsmodeller ännu inte har släppts, och den Flash-variant som erbjuds och som den åtföljer är uttryckligen positionerad som den officiella versionen av den arkitekturen. Om Qwen4-familjen följer det mönster som Qwen3-Next satte i slutet av 2025, kommer förhandsvisningens efterföljare att anlända inom några månader, och den här sidan kommer att utgöra ett beslut om en generation snarare än om en förhandsvisning.

Det enda faktum som oftast avgör den här kombinationen är licensen, inte benchmarken: Apache 2.0 låter dig bygga ett företag på 27B utan att fråga någon, och Qwen Community License 1.0 ger dig inte det för förhandsversionen. Allt annat på den här sidan – kontextfönstret, den hybrida attentionen, stödet för vision – har de båda gemensamt.