Qwen3.8-Max: Alibabas 2,4T-Open-Weight-Modell für Coding

Qwen3.8-Max ist Alibabas neues Flaggschiff unter den großen Sprachmodellen — ein Mixture-of-Experts-Modell (MoE) mit 2,4 Billionen Parametern, das das Qwen-Team als sein „bisher leistungsstärkstes Modell“ bezeichnet. Es zielt direkt auf Coding und „Cowork“: autonome Langzeitaufgaben, bei denen ein Agent mit wenig menschlicher Unterstützung plant, ausführt und sich selbst korrigiert. Die wichtigste Nachricht für Entwickler ist, dass die Gewichte geöffnet werden. Dieser Beitrag erklärt, was Qwen3.8-Max tatsächlich ist, was es kostet, was bestätigt und was noch offen ist und wie es in einen realen Agenten-Stack passt.

Was ist Qwen3.8-Max?

Qwen3.8-Max ist ein spärliches MoE-Modell mit 2,4 Billionen Parametern aus Alibabas Qwen-Team und wird als leistungsstärkstes Mitglied der Qwen-Familie positioniert. Alibaba stellt es bereits breit über seine gehosteten Angebote bereit und hat bestätigt, dass die offenen Gewichte kurz nach dem Start folgen. Gleichzeitig soll mit Qwen3.8-27B ein zweiter, wesentlich kleinerer Open-Weight-Checkpoint für Teams erscheinen, die ein Modell auf eigener Hardware betreiben möchten. (MarkTechPost)

Zwei Aspekte machen die Veröffentlichung bemerkenswert. Erstens wäre dies bei planmäßiger Freigabe der Gewichte das erste Max-Klasse-Modell von Qwen, das Alibaba öffnet — also die Flaggschiff-Stufe und nicht eine destillierte Variante. (How2Shout) Zweitens ist das Modell von Grund auf multimodal: Es verarbeitet Text, Bilder und Video und gibt Text aus. Visuelle Informationen dienen dabei als Teil des Ausführungszyklus und nicht nur als einmaliger Eingangskanal. (MarkTechPost)

Spezifikationen im Überblick

Aus Alibabas Ankündigung und der frühen Berichterstattung ergeben sich folgende Eckdaten:

• 2,4T Gesamtparameter in einem spärlichen MoE. Damit wäre Qwen3.8-Max eines der größten bisher angekündigten Open-Weight-Modelle — größer als DeepSeek V4 Pro (~1,6T), aber kleiner als Kimi K3 mit 2,8T. (techsy)
• Die Startberichte nennen einen Kontext von rund einer Million Token — genug, um eine vollständige Codebasis oder einen großen Dokumentenbestand im Kontext zu halten. (How2Shout)
• Native multimodale Eingabe — Text, Bilder und Video hinein, Text heraus. (MarkTechPost)
• OpenAI- und DashScope-kompatible API, sodass die Einbindung in einen bestehenden Stack im Wesentlichen den Austausch von Basis-URL und Modell-ID erfordert. (MarkTechPost)
• Qwen3.8-27B — ein zweiter Open-Weight-Checkpoint, der realistisch auf üblicher lokaler GPU-Hardware betrieben werden kann. (How2Shout)

Eine wichtige Angabe fehlt: Alibaba hat die Zahl der aktivierten Parameter nicht offengelegt — also wie viele der 2,4T Parameter pro Token tatsächlich zum Einsatz kommen. Bei einem spärlichen MoE bestimmt diese Zahl und nicht die Gesamtsumme die Serving-Kosten. Ohne sie lassen sich die Inferenzkosten der offenen Gewichte noch nicht modellieren. (MarkTechPost)

Die von Alibaba beworbenen Fähigkeiten

Das Qwen-Team positioniert Qwen3.8-Max für autonome Langzeitarbeit statt für einzelne Chats. Laut Alibabas Startmaterialien umfassen die wichtigsten Demos: (latent.space)

• Mehrere Tage autonomes Coding — ein sich selbst weiterentwickelnder Entwicklungslauf, der in einem leeren Ordner begann und über mehr als zehn Tage zu einem funktionierenden Projekt führte; der vollständige Trace wurde auf GitHub veröffentlicht.
• Langfristige Planung — autonome Planung auf Systemebene mit geschlossenem Lernkreislauf, gezeigt anhand von mehr als 500 Runden Chipdesign-Optimierung und einer 365-Tage-Simulation einer E-Commerce-Strategie.
• Autonome Forschung — Alibaba zufolge baute das Modell die Pipeline einer Forschungsarbeit von Grund auf nach und iterierte etwa 125 Stunden, bis eine Datenauswahlmethode den Benchmark der ursprünglichen Arbeit knapp übertraf. (latent.space)
• Multimodale Feedbackschleifen — visuelle Informationen werden fortlaufend für Planung, Ausführung und Selbstkorrektur genutzt, nicht nur als Eingabe. (MarkTechPost)

Dabei handelt es sich um Aussagen des Anbieters aus Startdemos. Sie weisen in eine interessante Richtung — die gesamte Branche arbeitet an Agenten, die stunden- oder tagelang unbeaufsichtigt laufen —, sind aber noch keine unabhängig geprüften Benchmarks. Sie sollten als Ausgangspunkt und nicht als abschließendes Urteil gelten.

Preise

Alibaba veröffentlichte gleichzeitig die API-Preise: (latent.space)

Damit unterbietet Alibaba die meisten US-amerikanischen Frontier-Modelle deutlich und liegt auch unter Kimi K3 (~3 $ Eingabe / 15 $ Ausgabe). Das setzt den intensiven Preiswettbewerb chinesischer Labore fort. Die günstige gecachte Eingabe belohnt Workloads, die einen großen festen Kontext wiederverwenden — genau die Form vieler Coding- und Dokumentenagenten.

Was bestätigt ist — und was nicht

Die Veröffentlichung entwickelte sich schnell und die Berichterstattung ist uneinheitlich. Deshalb lohnt sich eine klare Trennung.

Weitgehend bestätigt:

• 2,4T Gesamtparameter und der Plan, die Gewichte zu öffnen, laut Alibabas Ankündigung. (techsy)
• Die API ist heute verfügbar und mit OpenAI und DashScope kompatibel. (MarkTechPost)
• Veröffentlichte API-Preise von 2 / 6 / 0,25 $ pro Million Token. (latent.space)
• Ein zweiter Open-Weight-Checkpoint, Qwen3.8-27B. (How2Shout)

Noch nicht geklärt:

• Die Zahl der aktivierten Parameter und die vollständige MoE-Konfiguration; damit bleiben die tatsächlichen Serving-Kosten unbekannt. (MarkTechPost)
• Eine vollständige, unabhängige Benchmark-Tabelle. Die frühe Berichterstattung stellte fest, dass die Startmaterialien zum damaligen Zeitpunkt noch keinen vollständigen Satz enthielten. Warten Sie auf Resultate Dritter, bevor Sie einen kritischen Workflow darauf aufbauen. (MarkTechPost)
• Die genaue Lizenz und ob der veröffentlichte Checkpoint der Vorschau entspricht. „Open Weights“ bedeutet üblicherweise herunterladbare Gewichte, nicht zwingend Trainingsdaten, Trainingscode oder eine von der OSI anerkannte Lizenz. (coursiv)

Die ehrliche Einordnung: Qwen3.8-Max ist real und verfügbar, das Versprechen offener Gewichte ist dokumentiert. Die Zahlen für eine belastbare Produktionsplanung sind jedoch noch nicht vollständig öffentlich.

Können Sie das Modell wirklich selbst betreiben?

Für die meisten Teams ist das Self-Hosting des 2,4T-Flaggschiffs unrealistisch. Ein Checkpoint mit 2,4 Billionen Parametern ist ein Artefakt für Multi-Node-Rechenzentren — kein einzelner Entwickler betreibt ihn auf einer Workstation, und auch viele Unternehmen können ihn nicht hosten. (How2Shout)

Deshalb ist Qwen3.8-27B die praktischere Option. Dieser Checkpoint ist für übliche lokale GPUs dimensioniert und bei den meisten Self-Hosting-Szenarien der realistische Bereitstellungspfad — nicht das Flaggschiff. (MarkTechPost) Wenn Datenresidenz oder Kostenkontrolle auf eigener Hardware das Ziel sind, sollten Sie mit 27B planen. Wenn Sie die Leistungsgrenze des Flaggschiffs benötigen, ist die gehostete API vorerst der richtige Weg.

Qwen3.8-Max im Open-Weight-Wettlauf

Qwen3.8-Max erscheint nach einigen besonders ereignisreichen Wochen für große Open-Weight-Modelle. Es folgt auf Moonshot AIs Kimi K3 mit 2,8T und Thinking Machines' Inkling und liegt bei der Gesamtparameterzahl über DeepSeek V4 Pro. (techsy) Das Wettbewerbssignal ist klar: Open-Weight-Modelle im Frontier-Maßstab erscheinen annähernd monatlich, und die Lücke zwischen offenen und geschlossenen Modellen wird kleiner.

Für Entwickler besteht die praktische Konsequenz nicht darin, einen einzigen „Gewinner“ auszuwählen. Es gibt nun mehrere glaubwürdige, kostengünstige und grundsätzlich selbst hostbare Frontier-Modelle. Der Hebel entsteht, wenn jede Aufgabe an das passende Modell weitergeleitet wird.

Ein Modell wie Qwen3.8-Max im eigenen KI-Team einsetzen

Ein Frontier-Modell schafft Wert, wenn es mit realer Arbeit verbunden ist — Repositories, Dokumenten, Terminals und mehrstufigen Plänen — und nicht nur in einem Chatfenster steckt. Dafür ist eine modellunabhängige Multi-Agenten-Plattform gedacht: langfristiges Coding an ein Modell wie Qwen3.8-Max leiten, günstigere Modelle für Routineaufgaben verwenden und alle über echte Aufgaben orchestrieren. Eigent ist eine quelloffene Cowork-Desktop-App, die ein Multi-Agenten-KI-Team lokal ausführt. So können Sie für jede Aufgabe das beste Modell wählen und sensible Daten bei Bedarf auf dem eigenen Rechner behalten. Sehen Sie, wie Agenten GitHub-PRs vollständig prüfen, und laden Sie Eigent herunter, um es auszuprobieren.

Häufig gestellte Fragen

Was ist Qwen3.8-Max?

Qwen3.8-Max ist Alibabas großes Flaggschiff-Sprachmodell — ein spärliches Mixture-of-Experts-Modell mit 2,4 Billionen Parametern für Coding und langfristige Agentenarbeit. Alibaba bezeichnet es als sein bisher leistungsstärkstes Modell und hat zugesagt, die Gewichte zusammen mit einem kleineren Qwen3.8-27B-Checkpoint zu öffnen.

Ist Qwen3.8-Max Open Source?

Alibaba hat angekündigt, die Gewichte von Qwen3.8-Max und Qwen3.8-27B offen bereitzustellen. „Open Weights“ bedeutet normalerweise, dass die Gewichte heruntergeladen werden können — nicht zwingend, dass Trainingsdaten und Trainingscode enthalten sind oder eine OSI-anerkannte Lizenz gilt. Die genaue Lizenz war zum Start noch nicht vollständig beschrieben. Prüfen Sie deshalb die Bedingungen, bevor Sie auf Weiterverteilungsrechte bauen.

Was kostet Qwen3.8-Max?

Alibabas veröffentlichte API-Preise betragen 2,00 $ pro Million Eingabe-Token, 6,00 $ pro Million Ausgabe-Token und 0,25 $ pro Million gecachter Eingabe-Token — deutlich weniger als bei den meisten US-amerikanischen Frontier-Modellen.

Kann ich Qwen3.8-Max selbst betreiben?

Das 2,4T-Flaggschiff ist ein Multi-Node-Rechenzentrumsmodell, das die meisten Einzelpersonen und Unternehmen nicht selbst hosten können. Der kleinere Qwen3.8-27B-Checkpoint ist der realistische lokale Pfad für übliche GPU-Hardware; beim Flaggschiff bleibt kurzfristig die gehostete API.

Wie schneidet Qwen3.8-Max im Vergleich zu Kimi K3 ab?

Gemessen an der Gesamtparameterzahl ist Qwen3.8-Max (2,4T) kleiner als Kimi K3 (2,8T), aber größer als DeepSeek V4 Pro (~1,6T). Die API-Preise liegen unter den Hosting-Preisen von K3. Ein direkter Qualitätsvergleich muss auf unabhängige Benchmarks warten, die zum Start noch nicht vollständig vorlagen.

Kann ich Qwen3.8-Max mit einer Multi-Agenten-Plattform wie Eigent verwenden?

Ja. Die API ist mit OpenAI und DashScope kompatibel. Eine modellunabhängige Plattform wie Eigent kann Coding- und Wissensaufgaben an Qwen3.8-Max weiterleiten, für Routineschritte andere Modelle nutzen und Daten bei Bedarf lokal halten.