Qwen3.8-Max: el modelo de codificación de pesos abiertos de 2,4T de Alibaba

Qwen3.8-Max es el nuevo modelo de lenguaje grande insignia de Alibaba: un modelo Mixture-of-Experts (MoE) de 2,4 billones de parámetros que el equipo de Qwen denomina su «modelo más capaz hasta la fecha». Está orientado directamente a la codificación y al «trabajo colaborativo»: tareas autónomas de largo horizonte en las que un agente planifica, ejecuta y se autocorrige con poca intervención humana. La gran noticia para los desarrolladores es que los pesos se abrirán. A continuación explicamos qué es realmente Qwen3.8-Max, cuánto cuesta, qué está confirmado y qué sigue sin resolverse, y dónde encaja en una pila de agentes real.

¿Qué es Qwen3.8-Max?

Qwen3.8-Max es un modelo MoE disperso de 2,4 billones de parámetros del equipo Qwen de Alibaba, posicionado como el integrante más potente de la familia Qwen. Alibaba ya lo ofrece ampliamente mediante sus servicios alojados y ha confirmado que los pesos abiertos llegarán poco después del lanzamiento, junto con un segundo checkpoint mucho más pequeño, Qwen3.8-27B, dirigido a equipos que quieren ejecutar un modelo en su propio hardware. (MarkTechPost)

Dos elementos hacen que el lanzamiento sea relevante. Primero, si los pesos se publican como se prometió, será la primera vez que Alibaba abra un modelo Qwen de clase Max: el nivel insignia, no una variante destilada. (How2Shout) Segundo, el modelo es multimodal por diseño: acepta texto, imágenes y vídeo como entrada y devuelve texto, con la visión integrada en el bucle de ejecución en lugar de limitarse a un canal de entrada unidireccional. (MarkTechPost)

Especificaciones principales

Según el anuncio de Alibaba y la cobertura inicial del lanzamiento, esto es lo que sabemos:

• 2,4T de parámetros totales en un MoE disperso. Esa cifra convertiría a Qwen3.8-Max en uno de los mayores modelos de pesos abiertos anunciados hasta ahora: más grande que DeepSeek V4 Pro (~1,6T), aunque más pequeño que Kimi K3, con 2,8T. (techsy)
• La cobertura del lanzamiento apunta a un contexto de aproximadamente 1 millón de tokens, suficiente para mantener a la vista un repositorio completo o una gran colección documental. (How2Shout)
• Entrada multimodal nativa: texto, imágenes y vídeo como entrada; texto como salida. (MarkTechPost)
• API compatible con OpenAI y DashScope, por lo que integrarlo en una pila existente consiste principalmente en cambiar la URL base y el ID del modelo. (MarkTechPost)
• Qwen3.8-27B, un segundo checkpoint que también se publicará con pesos abiertos y que sí cabe de forma realista en hardware GPU local convencional. (How2Shout)

Hay una ausencia importante: Alibaba no ha revelado el número de parámetros activados, es decir, cuántos de los 2,4T se utilizan realmente por token. En un MoE disperso, ese número, y no el total anunciado, determina el coste de servicio. Sin él, todavía no se puede calcular el coste de inferencia de los pesos abiertos. (MarkTechPost)

Las capacidades que promociona Alibaba

El equipo Qwen presentó Qwen3.8-Max para trabajos autónomos de largo horizonte, no para conversaciones aisladas. Según los materiales de lanzamiento de Alibaba, las demostraciones principales incluyen: (latent.space)

• Codificación autónoma durante varios días: una ejecución de desarrollo autoevolutiva que partió de una carpeta vacía y avanzó hacia un proyecto funcional durante más de 10 días, con el trazado completo publicado en GitHub.
• Planificación de largo horizonte: planificación autónoma a nivel de sistema con aprendizaje de bucle cerrado, ilustrada mediante más de 500 turnos de optimización de diseño de chips y una simulación de estrategia de comercio electrónico de 365 días.
• Investigación autónoma: Alibaba afirma que el modelo reconstruyó desde cero el proceso de un artículo científico e iteró durante unas 125 horas para producir un método de selección de datos que superó ligeramente el benchmark original. (latent.space)
• Bucles de retroalimentación multimodales: uso continuo de la visión para planificar, ejecutar y autocorregirse, no solo como una entrada. (MarkTechPost)

Estas son afirmaciones del proveedor basadas en demostraciones de lanzamiento. Son interesantes como dirección —toda la industria avanza hacia agentes que funcionen durante horas o días sin supervisión—, pero todavía no son benchmarks verificados por terceros. Conviene tratarlas como punto de partida, no como veredicto definitivo.

Precios

Alibaba publicó los precios de la API junto con el lanzamiento: (latent.space)

La tarifa es muy inferior a la de la mayoría de los modelos frontier estadounidenses y también queda por debajo de Kimi K3 (~$3 de entrada / $15 de salida), siguiendo la intensa competencia de precios entre laboratorios chinos. El bajo precio de la entrada en caché favorece las cargas que reutilizan un contexto fijo grande, precisamente el patrón de muchos agentes de codificación y documentos.

Qué está confirmado y qué no

El lanzamiento avanzó con rapidez y la cobertura no es uniforme, así que conviene separar ambos grupos.

Confirmado con bastante certeza:

• 2,4T de parámetros totales y el plan de abrir los pesos, según el anuncio de Alibaba. (techsy)
• La API ya está disponible y es compatible con OpenAI y DashScope. (MarkTechPost)
• Precios publicados de $2 / $6 / $0.25 por millón de tokens. (latent.space)
• Un segundo checkpoint de pesos abiertos, Qwen3.8-27B. (How2Shout)

Todavía sin resolver:

• El número de parámetros activados y la configuración MoE completa, por lo que se desconoce el coste real de servicio. (MarkTechPost)
• Una tabla de benchmarks completa e independiente. La cobertura inicial señaló que los materiales de lanzamiento aún no incluían un conjunto completo; conviene esperar resultados de terceros antes de confiarle un flujo de trabajo crítico. (MarkTechPost)
• La licencia exacta y si el checkpoint publicado coincide con la vista previa. «Pesos abiertos» suele significar que se pueden descargar, no necesariamente que se publiquen los datos y el código de entrenamiento ni que exista una licencia aprobada por la OSI. (coursiv)

La lectura más honesta es que Qwen3.8-Max existe y está disponible, y la promesa de pesos abiertos consta públicamente, pero todavía faltan datos necesarios para planificar capacidad de producción.

¿Puedes ejecutarlo realmente?

Para la mayoría de los equipos, autoalojar el modelo insignia de 2,4T no es realista. Un checkpoint de 2,4 billones de parámetros requiere una infraestructura de centro de datos con varios nodos: ningún desarrollador individual lo ejecutará en una estación de trabajo y muchas empresas tampoco podrán alojarlo. (How2Shout)

Por eso Qwen3.8-27B es la opción más práctica. Tiene un tamaño adecuado para GPU locales convencionales y, en la mayoría de escenarios de autoalojamiento, el 27B —no el insignia— será la vía de despliegue realista. (MarkTechPost) Si buscas residencia de datos o control de costes en hardware propio, planifica en torno al 27B; si necesitas el techo de capacidad del modelo insignia, la API alojada es la opción inmediata.

El lugar de Qwen3.8-Max en la carrera de pesos abiertos

Qwen3.8-Max llega tras unas semanas repletas de grandes modelos de pesos abiertos. Sigue a Kimi K3 de Moonshot AI (2,8T) y a Inkling de Thinking Machines, y supera a DeepSeek V4 Pro en número total de parámetros. (techsy) La señal competitiva es clara: los modelos de pesos abiertos a escala frontier están apareciendo con una cadencia casi mensual, y la brecha entre modelos abiertos y cerrados continúa reduciéndose.

Para los desarrolladores, la conclusión práctica no es elegir un único «ganador». Ahora existen varios modelos frontier creíbles, rentables y, en principio, autoalojables. La ventaja consiste en asignar cada tarea al modelo adecuado.

Usa un modelo como Qwen3.8-Max en tu propio equipo de IA

Un modelo frontier aporta valor cuando se conecta al trabajo real —repositorios, documentos, terminales y planes de varios pasos—, no cuando se queda en un cuadro de chat. Esa es la función de una plataforma multiagente independiente del modelo: enviar la codificación de largo horizonte a un modelo como Qwen3.8-Max, reservar modelos más económicos para los pasos rutinarios y orquestarlos sobre tareas reales. Eigent es una aplicación de escritorio Cowork de código abierto que ejecuta localmente un equipo de IA multiagente, para que puedas elegir el mejor modelo por tarea y conservar los datos sensibles en tu propia máquina. Descubre cómo los agentes pueden revisar PR de GitHub de principio a fin y después descarga Eigent para probarlo.

Preguntas frecuentes

¿Qué es Qwen3.8-Max?

Qwen3.8-Max es el modelo de lenguaje grande insignia de Alibaba: un Mixture-of-Experts disperso de 2,4 billones de parámetros creado para codificación y trabajo agéntico de largo horizonte. Alibaba lo denomina su modelo más capaz hasta la fecha y se ha comprometido a abrir sus pesos junto con un checkpoint Qwen3.8-27B más pequeño.

¿Qwen3.8-Max es de código abierto?

Alibaba ha anunciado que publicará los pesos de Qwen3.8-Max y Qwen3.8-27B. «Pesos abiertos» suele significar que los pesos se pueden descargar, no necesariamente que se publiquen los datos o el código de entrenamiento ni que la licencia esté aprobada por la OSI. La licencia exacta no estaba completamente detallada en el lanzamiento, por lo que debes confirmar los términos antes de depender de derechos de redistribución.

¿Cuánto cuesta Qwen3.8-Max?

Los precios publicados por Alibaba son $2.00 por millón de tokens de entrada, $6.00 por millón de tokens de salida y $0.25 por millón de tokens de entrada en caché, muy por debajo de la mayoría de los modelos frontier estadounidenses.

¿Puedo ejecutar Qwen3.8-Max por mi cuenta?

El modelo insignia de 2,4T requiere un centro de datos con varios nodos y queda fuera del alcance del autoalojamiento para la mayoría de personas y empresas. El checkpoint Qwen3.8-27B es la vía local realista para hardware GPU convencional; para el insignia, la opción inmediata es la API alojada.

¿Cómo se compara Qwen3.8-Max con Kimi K3?

Por número total de parámetros, Qwen3.8-Max (2,4T) es más pequeño que Kimi K3 (2,8T), pero más grande que DeepSeek V4 Pro (~1,6T). Sus precios de API son inferiores a los de K3. La comparación directa de calidad tendrá que esperar a benchmarks independientes que no estaban completos en el lanzamiento.

¿Puedo usar Qwen3.8-Max con una plataforma multiagente como Eigent?

Sí. La API es compatible con OpenAI y DashScope, de modo que una plataforma independiente del modelo como Eigent puede asignar tareas de codificación y conocimiento a Qwen3.8-Max, utilizar otros modelos para pasos rutinarios y mantener los datos en local cuando sea necesario.