Qwen3.8-Max: o modelo de programação com pesos abertos de 2,4T da Alibaba

Qwen3.8-Max é o novo grande modelo de linguagem flagship da Alibaba — um Mixture-of-Experts (MoE) de 2,4 trilhões de parâmetros que a equipe do Qwen chama de seu “modelo mais capaz até hoje”. Ele foi projetado diretamente para programação e “trabalho colaborativo”: tarefas autônomas de longo horizonte nas quais um agente planeja, executa e se autocorrige com pouca intervenção humana. Para quem desenvolve, a grande notícia é que os pesos serão abertos. A seguir, explicamos o que o Qwen3.8-Max realmente é, quanto custa, o que está confirmado e o que ainda não foi resolvido, além de seu lugar em uma stack de agentes real.

O que é o Qwen3.8-Max?

O Qwen3.8-Max é um modelo MoE esparso de 2,4 trilhões de parâmetros criado pela equipe Qwen da Alibaba e posicionado como o integrante mais poderoso da família Qwen. A Alibaba já o disponibiliza amplamente em seus serviços hospedados e confirmou que os pesos abertos chegam pouco depois do lançamento, junto com um segundo checkpoint bem menor — o Qwen3.8-27B — voltado para equipes que pretendem executar o modelo em hardware próprio. (MarkTechPost)

Dois pontos tornam o lançamento relevante. Primeiro, se os pesos forem publicados como prometido, esta será a primeira vez que a Alibaba abre um modelo Qwen da classe Max: o nível flagship, e não um derivado destilado. (How2Shout) Segundo, o modelo é multimodal por design: recebe texto, imagem e vídeo e retorna texto, usando visão como parte do ciclo de execução, e não apenas como um canal de entrada unidirecional. (MarkTechPost)

Especificações em resumo

Com base no anúncio da Alibaba e na cobertura inicial, estes são os principais dados disponíveis:

• 2,4T de parâmetros totais em uma arquitetura MoE esparsa. Esse número colocaria o Qwen3.8-Max entre os maiores modelos de pesos abertos já anunciados — acima do DeepSeek V4 Pro (~1,6T), mas abaixo do Kimi K3, com 2,8T. (techsy)
• A cobertura do lançamento relata um contexto de aproximadamente 1 milhão de tokens, suficiente para manter um repositório inteiro ou um grande conjunto de documentos em contexto. (How2Shout)
• Entrada multimodal nativa — texto, imagem e vídeo entram; texto sai. (MarkTechPost)
• API compatível com OpenAI e DashScope, de modo que integrar o modelo em uma stack existente exige basicamente trocar a URL-base e o ID do modelo. (MarkTechPost)
• Qwen3.8-27B — um segundo checkpoint que também terá pesos abertos e cabe de forma muito mais realista em GPUs locais comuns. (How2Shout)

Há uma lacuna importante: a Alibaba não divulgou a quantidade de parâmetros ativados, ou seja, quantos dos 2,4T são usados de fato por token. Em um MoE esparso, é esse número, e não o total, que determina o custo de serving. Sem ele, ainda não é possível estimar o custo de inferência dos pesos abertos. (MarkTechPost)

As capacidades que a Alibaba está promovendo

A equipe Qwen apresentou o Qwen3.8-Max para trabalhos autônomos de longo horizonte, não para conversas isoladas. Segundo os materiais de lançamento da Alibaba, as principais demonstrações incluem: (latent.space)

• Programação autônoma por vários dias — uma execução de desenvolvimento autoevolutiva que começou em uma pasta vazia e avançou em direção a um projeto funcional por mais de 10 dias, com o rastreamento completo publicado no GitHub.
• Planejamento de longo horizonte — planejamento autônomo em nível de sistema com aprendizado em ciclo fechado, demonstrado por mais de 500 turnos de otimização de design de chips e uma simulação de estratégia de e-commerce de 365 dias.
• Pesquisa autônoma — a Alibaba afirma que o modelo reconstruiu do zero o pipeline de um artigo científico e iterou por cerca de 125 horas para produzir um método de seleção de dados que superou por pequena margem o benchmark original. (latent.space)
• Ciclos de feedback multimodais — uso contínuo da visão para planejar, executar e se autocorrigir, e não apenas como entrada. (MarkTechPost)

Essas são alegações do fornecedor baseadas em demonstrações de lançamento. Elas apontam uma direção interessante — toda a indústria busca agentes capazes de funcionar por horas ou dias sem supervisão —, mas ainda não são benchmarks verificados por terceiros. Trate-as como ponto de partida, não como veredicto definitivo.

Preços

A Alibaba publicou os preços da API junto com o lançamento: (latent.space)

O valor fica muito abaixo da maioria dos modelos frontier dos Estados Unidos e também é inferior ao preço hospedado do Kimi K3 (~$3 de entrada / $15 de saída), mantendo a forte competição de preços entre laboratórios chineses. A entrada em cache barata favorece cargas que reutilizam um contexto fixo grande — exatamente o padrão de muitos agentes de programação e documentos.

O que está confirmado e o que não está

O lançamento avançou rapidamente e a cobertura é desigual, por isso vale separar as duas categorias.

Razoavelmente confirmado:

• 2,4T de parâmetros totais e um plano de abrir os pesos, segundo o anúncio da Alibaba. (techsy)
• A API já está disponível e é compatível com OpenAI e DashScope. (MarkTechPost)
• Preços publicados de $2 / $6 / $0.25 por milhão de tokens. (latent.space)
• Um segundo checkpoint de pesos abertos, o Qwen3.8-27B. (How2Shout)

Ainda não definido:

• A quantidade de parâmetros ativados e a configuração MoE completa, portanto o custo real de serving permanece desconhecido. (MarkTechPost)
• Uma tabela completa e independente de benchmarks. A cobertura inicial observou que os materiais de lançamento ainda não traziam um conjunto completo; espere resultados de terceiros antes de apostar um fluxo de trabalho crítico no modelo. (MarkTechPost)
• A licença exata e se o checkpoint publicado corresponde à prévia. “Pesos abertos” normalmente significa que os pesos podem ser baixados, não necessariamente que os dados e o código de treinamento sejam publicados ou que exista uma licença aprovada pela OSI. (coursiv)

A leitura honesta é que o Qwen3.8-Max existe e já está disponível, e a promessa de pesos abertos está registrada. Porém, os números necessários para planejar capacidade de produção ainda não são totalmente públicos.

Você consegue executá-lo de verdade?

Para a maioria das equipes, auto-hospedar o flagship de 2,4T não é realista. Um checkpoint de 2,4 trilhões de parâmetros é um artefato de data center multinó; nenhum desenvolvedor individual o executará em uma workstation, e muitas empresas também não conseguirão hospedá-lo. (How2Shout)

É por isso que o Qwen3.8-27B é a opção mais prática. Seu tamanho é adequado para GPUs locais comuns e, para a maioria dos cenários de auto-hospedagem, o 27B — não o flagship — é o caminho realista de implantação. (MarkTechPost) Se o objetivo for residência de dados ou controle de custos em hardware próprio, planeje em torno do 27B; se você quer o limite de capacidade do flagship, a API hospedada é a opção imediata.

Como o Qwen3.8-Max se encaixa na corrida dos pesos abertos

O Qwen3.8-Max chega após algumas semanas movimentadas para grandes modelos de pesos abertos. Ele sucede o Kimi K3, de 2,8T, da Moonshot AI, e o Inkling da Thinking Machines, além de ficar acima do DeepSeek V4 Pro em número total de parâmetros. (techsy) O sinal competitivo é claro: modelos de pesos abertos em escala frontier estão surgindo quase mensalmente, e a distância entre modelos abertos e fechados continua diminuindo.

Para quem desenvolve, a conclusão prática não é escolher um único “vencedor”. Agora existem vários modelos frontier confiáveis, econômicos e, em princípio, auto-hospedáveis. A vantagem vem de direcionar cada tarefa ao modelo certo.

Coloque um modelo como o Qwen3.8-Max para trabalhar na sua própria equipe de IA

Um modelo frontier gera valor quando está conectado ao trabalho real — repositórios, documentos, terminais e planos de várias etapas —, não apenas a uma caixa de chat. É para isso que serve uma plataforma multiagente independente de modelo: direcionar programação de longo horizonte para um modelo como o Qwen3.8-Max, usar modelos mais baratos em etapas rotineiras e orquestrar todos eles em tarefas reais. Eigent é um aplicativo desktop Cowork de código aberto que executa localmente uma equipe de IA multiagente, permitindo escolher o melhor modelo para cada tarefa e manter dados sensíveis em sua própria máquina. Veja como agentes podem revisar PRs do GitHub do início ao fim e depois baixe o Eigent para experimentar.

Perguntas frequentes

O que é o Qwen3.8-Max?

Qwen3.8-Max é o grande modelo de linguagem flagship da Alibaba — um Mixture-of-Experts esparso de 2,4 trilhões de parâmetros, criado para programação e trabalho com agentes de longo horizonte. A Alibaba o chama de seu modelo mais capaz até hoje e se comprometeu a abrir seus pesos junto com um checkpoint Qwen3.8-27B menor.

O Qwen3.8-Max é open source?

A Alibaba afirmou que os pesos do Qwen3.8-Max e do Qwen3.8-27B serão publicados abertamente. “Pesos abertos” em geral significa que os pesos podem ser baixados — não necessariamente que os dados ou o código de treinamento sejam incluídos, nem que a licença seja aprovada pela OSI. A licença exata não estava totalmente detalhada no lançamento; confirme os termos antes de depender de direitos de redistribuição.

Quanto custa o Qwen3.8-Max?

Os preços publicados pela Alibaba são $2.00 por milhão de tokens de entrada, $6.00 por milhão de tokens de saída e $0.25 por milhão de tokens de entrada em cache — muito abaixo da maioria dos modelos frontier dos Estados Unidos.

Posso executar o Qwen3.8-Max por conta própria?

O flagship de 2,4T exige um data center multinó e está fora do alcance de auto-hospedagem para a maioria das pessoas e empresas. O checkpoint menor Qwen3.8-27B é o caminho local realista para GPUs comuns; para o flagship, a API hospedada é a opção de curto prazo.

Como o Qwen3.8-Max se compara ao Kimi K3?

Em número total de parâmetros, o Qwen3.8-Max (2,4T) é menor que o Kimi K3 (2,8T), mas maior que o DeepSeek V4 Pro (~1,6T). Seus preços de API são inferiores aos do K3. A comparação direta de qualidade terá de esperar por benchmarks independentes, que não estavam completos no lançamento.

Posso usar o Qwen3.8-Max com uma plataforma multiagente como o Eigent?

Sim. A API é compatível com OpenAI e DashScope, então uma plataforma independente de modelo como o Eigent pode direcionar tarefas de programação e conhecimento ao Qwen3.8-Max, usar outros modelos em etapas rotineiras e manter os dados localmente quando necessário.