Qwen3.8-Max : le modèle de codage à poids ouverts de 2,4 T d’Alibaba

Qwen3.8-Max est le nouveau grand modèle de langage phare d’Alibaba — un modèle Mixture-of-Experts (MoE) de 2,4 billions de paramètres que l’équipe Qwen présente comme son « modèle le plus performant à ce jour ». Il vise directement le codage et le « travail collaboratif » : des tâches autonomes de longue durée où un agent planifie, exécute et se corrige avec peu d’intervention humaine. Pour les développeurs, l’annonce majeure est l’ouverture prochaine des poids. Voici ce qu’est réellement Qwen3.8-Max, son coût, les éléments confirmés et encore incertains, ainsi que sa place dans une véritable pile d’agents.

Qu’est-ce que Qwen3.8-Max ?

Qwen3.8-Max est un modèle MoE creux de 2,4 billions de paramètres conçu par l’équipe Qwen d’Alibaba et positionné comme le membre le plus puissant de la famille Qwen. Alibaba le propose déjà largement via ses services hébergés et a confirmé que les poids ouverts seraient publiés peu après le lancement, avec un second checkpoint beaucoup plus petit — Qwen3.8-27B — destiné aux équipes qui souhaitent exécuter un modèle sur leur propre matériel. (MarkTechPost)

Deux éléments rendent ce lancement remarquable. D’abord, si les poids sont publiés comme prévu, ce sera la première fois qu’Alibaba ouvre un modèle Qwen de classe Max — le niveau phare, et non une variante distillée. (How2Shout) Ensuite, le modèle est multimodal par conception : il accepte du texte, des images et des vidéos en entrée et renvoie du texte, la vision étant intégrée à la boucle d’exécution plutôt que limitée à un canal d’entrée unidirectionnel. (MarkTechPost)

Caractéristiques principales

D’après l’annonce d’Alibaba et les premiers articles consacrés au lancement, voici ce que nous savons :

• 2,4 T de paramètres au total dans une architecture MoE creuse. Ce chiffre placerait Qwen3.8-Max parmi les plus grands modèles à poids ouverts annoncés à ce jour — plus grand que DeepSeek V4 Pro (~1,6 T), mais plus petit que Kimi K3 et ses 2,8 T. (techsy)
• Les premiers articles font état d’un contexte d’environ un million de tokens, suffisant pour conserver une base de code complète ou un vaste corpus documentaire dans le contexte. (How2Shout)
• Entrée multimodale native — texte, images et vidéos en entrée, texte en sortie. (MarkTechPost)
• API compatible avec OpenAI et DashScope, de sorte que l’intégration dans une pile existante consiste principalement à changer l’URL de base et l’identifiant du modèle. (MarkTechPost)
• Qwen3.8-27B — un second checkpoint également publié avec des poids ouverts, dont la taille est bien plus adaptée aux GPU locaux courants. (How2Shout)

Une donnée importante manque : Alibaba n’a pas communiqué le nombre de paramètres activés, c’est-à-dire la part des 2,4 T réellement sollicitée pour chaque token. Dans un MoE creux, ce chiffre, et non le total annoncé, détermine le coût du service. Sans lui, il est encore impossible d’estimer le coût d’inférence des poids ouverts. (MarkTechPost)

Les capacités mises en avant par Alibaba

L’équipe Qwen a présenté Qwen3.8-Max comme un modèle destiné au travail autonome de longue durée plutôt qu’aux conversations ponctuelles. Selon les supports de lancement d’Alibaba, les principales démonstrations comprennent : (latent.space)

• Codage autonome pendant plusieurs jours — une exécution de développement auto-évolutive, partie d’un dossier vide pour aboutir à un projet fonctionnel sur plus de dix jours, avec la trace complète publiée sur GitHub.
• Planification de long terme — une planification autonome au niveau du système avec apprentissage en boucle fermée, illustrée par plus de 500 tours d’optimisation de conception de puces et une simulation de stratégie e-commerce sur 365 jours.
• Recherche autonome — Alibaba affirme que le modèle a reconstruit de zéro le pipeline d’un article scientifique et itéré pendant environ 125 heures pour produire une méthode de sélection de données dépassant légèrement le benchmark de l’article d’origine. (latent.space)
• Boucles de rétroaction multimodales — la vision est utilisée en continu pour planifier, exécuter et s’autocorriger, et non simplement comme entrée. (MarkTechPost)

Il s’agit d’affirmations du fournisseur fondées sur des démonstrations de lancement. Elles sont intéressantes sur le plan de l’orientation — toute l’industrie cherche à créer des agents capables de fonctionner sans supervision pendant des heures ou des jours —, mais elles ne constituent pas encore des benchmarks vérifiés par des tiers. Il faut les considérer comme un point de départ, pas comme une conclusion définitive.

Tarification

Alibaba a publié les tarifs de l’API lors du lancement : (latent.space)

Ces prix sont nettement inférieurs à ceux de la plupart des modèles frontier américains et restent sous le tarif hébergé de Kimi K3 (~3 $ en entrée / 15 $ en sortie), poursuivant la forte concurrence tarifaire entre laboratoires chinois. Le faible prix des entrées en cache favorise les charges qui réutilisent un grand contexte fixe — précisément le profil de nombreux agents de codage et de traitement documentaire.

Ce qui est confirmé — et ce qui ne l’est pas

Le lancement a évolué rapidement et la couverture médiatique reste inégale. Il est donc utile de distinguer les deux catégories.

Éléments raisonnablement confirmés :

• 2,4 T de paramètres au total et un projet d’ouverture des poids, d’après l’annonce d’Alibaba. (techsy)
• L’API est déjà disponible et compatible avec OpenAI et DashScope. (MarkTechPost)
• Des tarifs API publiés de 2 / 6 / 0,25 $ par million de tokens. (latent.space)
• Un second checkpoint à poids ouverts, Qwen3.8-27B. (How2Shout)

Éléments encore incertains :

• Le nombre de paramètres activés et la configuration MoE complète, donc le coût réel du service. (MarkTechPost)
• Un tableau de benchmarks complet et indépendant. Les premiers articles indiquaient que les supports de lancement n’en comprenaient pas encore à la date de rédaction. Attendez des résultats tiers avant de confier un flux critique au modèle. (MarkTechPost)
• La licence exacte et la correspondance entre le checkpoint publié et la préversion. « Poids ouverts » signifie généralement que les poids sont téléchargeables, pas nécessairement que les données et le code d’entraînement sont publiés ni que la licence est approuvée par l’OSI. (coursiv)

En toute franchise, Qwen3.8-Max est réel et disponible, et la promesse d’ouverture des poids est publique. Mais les chiffres nécessaires pour dimensionner une mise en production ne sont pas encore tous connus.

Pouvez-vous réellement l’exécuter ?

Pour la plupart des équipes, auto-héberger le modèle phare de 2,4 T n’est pas réaliste. Un checkpoint de 2,4 billions de paramètres est un artefact de centre de données multinœud : aucun développeur individuel ne le fera fonctionner sur une station de travail et de nombreuses entreprises ne pourront pas non plus l’héberger. (How2Shout)

C’est pourquoi Qwen3.8-27B est l’option la plus pratique. Sa taille convient aux GPU locaux courants et, pour la plupart des scénarios d’auto-hébergement, le 27B — et non le modèle phare — représente la voie de déploiement réaliste. (MarkTechPost) Si votre objectif est la résidence des données ou la maîtrise des coûts sur votre propre matériel, planifiez autour du 27B. Si vous recherchez les capacités maximales du modèle phare, l’API hébergée est la solution à court terme.

La place de Qwen3.8-Max dans la course aux poids ouverts

Qwen3.8-Max arrive après plusieurs semaines chargées en grands modèles à poids ouverts. Il succède à Kimi K3 de Moonshot AI (2,8 T) et à Inkling de Thinking Machines, tout en dépassant DeepSeek V4 Pro en nombre total de paramètres. (techsy) Le signal concurrentiel est clair : des modèles à poids ouverts de taille frontier apparaissent presque tous les mois, et l’écart entre modèles ouverts et fermés continue de se réduire.

Pour les développeurs, la conclusion pratique n’est pas de choisir un unique « gagnant ». Il existe désormais plusieurs modèles frontier crédibles, économiques et, en principe, auto-hébergeables. L’avantage vient de l’orientation de chaque tâche vers le bon modèle.

Faites travailler un modèle comme Qwen3.8-Max dans votre propre équipe IA

Un modèle frontier crée de la valeur lorsqu’il est relié au travail réel — dépôts, documents, terminaux et plans en plusieurs étapes —, et non lorsqu’il reste dans une fenêtre de chat. C’est le rôle d’une plateforme multi-agent indépendante des modèles : confier le codage de longue durée à un modèle comme Qwen3.8-Max, utiliser des modèles moins chers pour les étapes courantes et les orchestrer sur des tâches concrètes. Eigent est une application de bureau Cowork open source qui exécute localement une équipe IA multi-agent. Vous pouvez ainsi choisir le meilleur modèle pour chaque tâche et garder les données sensibles sur votre propre machine. Découvrez comment les agents peuvent examiner des PR GitHub de bout en bout, puis téléchargez Eigent pour l’essayer.

Questions fréquentes

Qu’est-ce que Qwen3.8-Max ?

Qwen3.8-Max est le grand modèle de langage phare d’Alibaba — un Mixture-of-Experts creux de 2,4 billions de paramètres conçu pour le codage et le travail agentique de longue durée. Alibaba le présente comme son modèle le plus performant à ce jour et s’est engagé à ouvrir ses poids avec un checkpoint Qwen3.8-27B plus petit.

Qwen3.8-Max est-il open source ?

Alibaba a annoncé que les poids de Qwen3.8-Max et Qwen3.8-27B seraient publiés ouvertement. « Poids ouverts » signifie généralement que les poids sont téléchargeables — pas nécessairement que les données et le code d’entraînement sont inclus ni que la licence est reconnue par l’OSI. La licence exacte n’était pas entièrement détaillée au lancement ; vérifiez les conditions avant de compter sur des droits de redistribution.

Combien coûte Qwen3.8-Max ?

Les tarifs API publiés par Alibaba sont de 2,00 $ par million de tokens d’entrée, 6,00 $ par million de tokens de sortie et 0,25 $ par million de tokens d’entrée en cache — bien moins que la plupart des modèles frontier américains.

Puis-je exécuter Qwen3.8-Max moi-même ?

Le modèle phare de 2,4 T nécessite un centre de données multinœud et reste hors de portée de l’auto-hébergement pour la plupart des particuliers et des entreprises. Le checkpoint Qwen3.8-27B est la voie locale réaliste pour du matériel GPU courant ; pour le modèle phare, l’API hébergée est la solution immédiate.

Comment Qwen3.8-Max se compare-t-il à Kimi K3 ?

En nombre total de paramètres, Qwen3.8-Max (2,4 T) est plus petit que Kimi K3 (2,8 T), mais plus grand que DeepSeek V4 Pro (~1,6 T). Ses tarifs API sont inférieurs à ceux de K3. La comparaison directe de la qualité devra attendre des benchmarks indépendants, qui n’étaient pas complets au lancement.

Puis-je utiliser Qwen3.8-Max avec une plateforme multi-agent comme Eigent ?

Oui. L’API est compatible avec OpenAI et DashScope. Une plateforme indépendante des modèles comme Eigent peut donc orienter les tâches de codage et de connaissance vers Qwen3.8-Max, utiliser d’autres modèles pour les étapes courantes et conserver les données localement si nécessaire.