Qwen3.8-Max: model Alibaba do kodowania z otwartymi wagami i 2,4 bln parametrów

Qwen3.8-Max to nowy flagowy duży model językowy Alibaba — Mixture-of-Experts (MoE) z 2,4 biliona parametrów, określany przez zespół Qwen jako „najbardziej zaawansowany model do tej pory”. Został ukierunkowany na kodowanie i „współpracę”: autonomiczne zadania długoterminowe, w których agent planuje, wykonuje pracę i koryguje własne działania przy niewielkim udziale człowieka. Najważniejszą wiadomością dla programistów jest zapowiedź otwarcia wag. Poniżej wyjaśniamy, czym rzeczywiście jest Qwen3.8-Max, ile kosztuje, co już potwierdzono, co pozostaje niewiadomą i gdzie model pasuje do prawdziwego stosu agentowego.

Czym jest Qwen3.8-Max?

Qwen3.8-Max to rzadki model MoE z 2,4 biliona parametrów opracowany przez zespół Qwen w Alibaba i pozycjonowany jako najpotężniejszy model w rodzinie Qwen. Alibaba udostępnia go już szeroko w usługach hostowanych i potwierdziła, że otwarte wagi pojawią się niedługo po premierze. Jednocześnie ma zostać opublikowany drugi, znacznie mniejszy checkpoint z otwartymi wagami — Qwen3.8-27B — przeznaczony dla zespołów, które chcą uruchamiać model na własnym sprzęcie. (MarkTechPost)

Wydanie jest istotne z dwóch powodów. Po pierwsze, jeśli wagi zostaną opublikowane zgodnie z zapowiedzią, będzie to pierwszy otwarty model Qwen klasy Max od Alibaba — poziom flagowy, a nie wersja destylowana. (How2Shout) Po drugie, model jest z założenia multimodalny: przyjmuje tekst, obrazy i wideo, a zwraca tekst. Informacje wizualne są częścią pętli wykonawczej, a nie jednorazowym kanałem wejściowym. (MarkTechPost)

Najważniejsze parametry

Na podstawie ogłoszenia Alibaba i pierwszych relacji z premiery wiadomo obecnie, że:

• Model ma łącznie 2,4 bln parametrów w rzadkiej architekturze MoE. Ta liczba czyniłaby Qwen3.8-Max jednym z największych ogłoszonych dotąd modeli z otwartymi wagami — większym niż DeepSeek V4 Pro (~1,6 bln), ale mniejszym niż Kimi K3 z 2,8 bln parametrów. (techsy)
• Relacje z premiery mówią o kontekście liczącym około miliona tokenów, wystarczającym do utrzymania całej bazy kodu lub dużego zbioru dokumentów w kontekście. (How2Shout)
• Natywne wejście multimodalne — tekst, obrazy i wideo na wejściu, tekst na wyjściu. (MarkTechPost)
• API zgodne z OpenAI i DashScope, więc integracja z istniejącym stosem sprowadza się głównie do zmiany bazowego adresu URL i identyfikatora modelu. (MarkTechPost)
• Qwen3.8-27B — drugi checkpoint, którego wagi również zostaną otwarte, a którego rozmiar znacznie lepiej pasuje do typowych lokalnych GPU. (How2Shout)

Brakuje jednej ważnej informacji: Alibaba nie ujawniła liczby aktywowanych parametrów, czyli tego, ile z 2,4 bln parametrów rzeczywiście pracuje przy każdym tokenie. W rzadkim MoE to właśnie ta wartość, a nie łączna liczba, decyduje o kosztach udostępniania. Bez niej nie można jeszcze oszacować kosztu inferencji otwartych wag. (MarkTechPost)

Możliwości promowane przez Alibaba

Zespół Qwen zaprezentował Qwen3.8-Max jako model do autonomicznej pracy długoterminowej, a nie pojedynczych rozmów. Według materiałów premierowych Alibaba najważniejsze demonstracje obejmują: (latent.space)

• Wielodniowe autonomiczne kodowanie — samodoskonalący się proces programistyczny, który rozpoczął się od pustego folderu i przez ponad 10 dni rozwijał działający projekt; pełny przebieg opublikowano na GitHubie.
• Planowanie długoterminowe — autonomiczne planowanie na poziomie systemu z uczeniem w zamkniętej pętli, pokazane w ponad 500 turach optymalizacji projektu układu scalonego i 365-dniowej symulacji strategii e-commerce.
• Autonomiczne badania — według Alibaba model odtworzył od zera proces opisany w artykule naukowym i iterował przez około 125 godzin, tworząc metodę doboru danych, która nieznacznie pobiła benchmark z oryginalnej pracy. (latent.space)
• Multimodalne pętle informacji zwrotnej — ciągłe używanie informacji wizualnych do planowania, wykonywania i samokorekty, a nie tylko jako danych wejściowych. (MarkTechPost)

Są to deklaracje producenta oparte na demonstracjach premierowych. Wskazują ciekawy kierunek — cała branża pracuje nad agentami działającymi bez nadzoru przez godziny lub dni — ale nie stanowią jeszcze benchmarków zweryfikowanych przez niezależne podmioty. Należy traktować je jako punkt wyjścia, a nie ostateczny werdykt.

Ceny

Alibaba opublikowała ceny API wraz z premierą: (latent.space)

To znacznie mniej niż w przypadku większości amerykańskich modeli frontier, a także mniej niż hostowana stawka Kimi K3 (~3 USD za wejście / 15 USD za wyjście). Alibaba kontynuuje w ten sposób silną konkurencję cenową chińskich laboratoriów. Tanie wejście z pamięci podręcznej sprzyja obciążeniom, które wielokrotnie wykorzystują duży stały kontekst — dokładnie tak działa wiele agentów do kodowania i dokumentów.

Co jest potwierdzone, a co nie

Premiera rozwijała się szybko, a relacje nie są jednolite, dlatego warto oddzielić obie kategorie.

W dużej mierze potwierdzone:

• Łącznie 2,4 bln parametrów i plan otwarcia wag, zgodnie z ogłoszeniem Alibaba. (techsy)
• API jest już dostępne i zgodne z OpenAI oraz DashScope. (MarkTechPost)
• Opublikowane ceny API wynoszą 2 / 6 / 0,25 USD za milion tokenów. (latent.space)
• Drugi checkpoint z otwartymi wagami, Qwen3.8-27B. (How2Shout)

Nadal nieustalone:

• Liczba aktywowanych parametrów i pełna konfiguracja MoE, a zatem rzeczywiste koszty udostępniania. (MarkTechPost)
• Pełna, niezależna tabela benchmarków. Wczesne relacje wskazywały, że materiały premierowe nie zawierały jeszcze kompletnego zestawu. Zanim powierzysz modelowi krytyczny proces, zaczekaj na wyniki stron trzecich. (MarkTechPost)
• Dokładna licencja i to, czy opublikowany checkpoint odpowiada wersji podglądowej. „Otwarte wagi” zwykle oznaczają możliwość ich pobrania, ale niekoniecznie publikację danych i kodu treningowego ani licencję zatwierdzoną przez OSI. (coursiv)

Uczciwa ocena jest taka: Qwen3.8-Max istnieje i jest dostępny, a obietnica otwarcia wag została publicznie zapisana. Nie wszystkie liczby potrzebne do planowania środowiska produkcyjnego są jednak znane.

Czy naprawdę da się go uruchomić samodzielnie?

Dla większości zespołów samodzielne hostowanie flagowego modelu 2,4T jest nierealne. Checkpoint z 2,4 biliona parametrów wymaga wielowęzłowego centrum danych — nie uruchomi go pojedynczy programista na stacji roboczej, a wiele firm także nie będzie w stanie go hostować. (How2Shout)

Dlatego Qwen3.8-27B jest bardziej praktyczną opcją. Jego rozmiar pasuje do typowych lokalnych GPU i w większości scenariuszy samodzielnego hostowania to 27B — nie model flagowy — stanowi realistyczną ścieżkę wdrożenia. (MarkTechPost) Jeśli zależy Ci na lokalizacji danych lub kontroli kosztów na własnym sprzęcie, planuj wokół 27B. Jeśli potrzebujesz maksymalnych możliwości modelu flagowego, krótkoterminowym rozwiązaniem jest hostowane API.

Miejsce Qwen3.8-Max w wyścigu otwartych wag

Qwen3.8-Max pojawia się po kilku intensywnych tygodniach premier dużych modeli z otwartymi wagami. Następuje po Kimi K3 od Moonshot AI (2,8T) i Inkling od Thinking Machines, a łączną liczbą parametrów przewyższa DeepSeek V4 Pro. (techsy) Sygnał konkurencyjny jest jasny: modele z otwartymi wagami w skali frontier pojawiają się niemal co miesiąc, a różnica między modelami otwartymi i zamkniętymi nadal maleje.

Dla programistów praktycznym wnioskiem nie jest wybór jednego „zwycięzcy”. Istnieje już kilka wiarygodnych, opłacalnych i zasadniczo możliwych do samodzielnego hostowania modeli frontier. Przewagę daje kierowanie każdego zadania do właściwego modelu.

Wykorzystaj model taki jak Qwen3.8-Max we własnym zespole AI

Model frontier przynosi wartość, gdy zostanie podłączony do prawdziwej pracy — repozytoriów, dokumentów, terminali i wieloetapowych planów — a nie tylko do okna czatu. Do tego służy niezależna od modelu platforma wieloagentowa: kieruje długoterminowe kodowanie do modelu takiego jak Qwen3.8-Max, używa tańszych modeli do rutynowych etapów i koordynuje je w rzeczywistych zadaniach. Eigent to otwartoźródłowa aplikacja desktopowa Cowork, która lokalnie uruchamia wieloagentowy zespół AI. Pozwala dobrać najlepszy model do każdego zadania i w razie potrzeby zachować dane wrażliwe na własnym komputerze. Zobacz, jak agenci mogą kompleksowo przeglądać PR-y na GitHubie, a następnie pobierz Eigent i wypróbuj go.

Często zadawane pytania

Czym jest Qwen3.8-Max?

Qwen3.8-Max to flagowy duży model językowy Alibaba — rzadki Mixture-of-Experts z 2,4 biliona parametrów, stworzony do kodowania i długoterminowej pracy agentowej. Alibaba nazywa go swoim najbardziej zaawansowanym modelem i zobowiązała się otworzyć jego wagi wraz z mniejszym checkpointem Qwen3.8-27B.

Czy Qwen3.8-Max jest open source?

Alibaba zapowiedziała publiczne udostępnienie wag Qwen3.8-Max i Qwen3.8-27B. „Otwarte wagi” zazwyczaj oznaczają, że można je pobrać — niekoniecznie, że opublikowano dane lub kod treningowy albo zastosowano licencję zatwierdzoną przez OSI. Dokładne warunki licencyjne nie były w pełni opisane w chwili premiery, dlatego sprawdź je przed poleganiem na prawie do redystrybucji.

Ile kosztuje Qwen3.8-Max?

Opublikowane ceny API Alibaba wynoszą 2,00 USD za milion tokenów wejściowych, 6,00 USD za milion tokenów wyjściowych oraz 0,25 USD za milion tokenów wejściowych z pamięci podręcznej — znacznie mniej niż w przypadku większości amerykańskich modeli frontier.

Czy mogę samodzielnie uruchomić Qwen3.8-Max?

Flagowy model 2,4T wymaga wielowęzłowego centrum danych i pozostaje poza zasięgiem samodzielnego hostowania dla większości osób i firm. Mniejszy checkpoint Qwen3.8-27B jest realistyczną lokalną opcją dla typowego sprzętu GPU; w przypadku modelu flagowego krótkoterminową drogą jest hostowane API.

Jak Qwen3.8-Max wypada na tle Kimi K3?

Pod względem łącznej liczby parametrów Qwen3.8-Max (2,4T) jest mniejszy niż Kimi K3 (2,8T), ale większy niż DeepSeek V4 Pro (~1,6T). Ceny API są niższe niż stawki hostowanego K3. Bezpośrednie porównanie jakości musi poczekać na niezależne benchmarki, których brakowało w chwili premiery.

Czy mogę używać Qwen3.8-Max z platformą wieloagentową taką jak Eigent?

Tak. API jest zgodne z OpenAI i DashScope, więc niezależna od modelu platforma taka jak Eigent może kierować zadania związane z kodowaniem i wiedzą do Qwen3.8-Max, używać innych modeli do rutynowych etapów i w razie potrzeby przechowywać dane lokalnie.