Qwen3.8-Flash-Next: Alibaba adelanta la arquitectura de Qwen4

El equipo Qwen de Alibaba publicó el 26 de agosto de 2026 Qwen3.8-Flash-Next, un modelo multimodal de mezcla de expertos (MoE) de pesos abiertos que MarkTechPost describe como construido «por coste por token». El punto de control tiene una base de 125.000 millones de parámetros, de los que solo 6.000 millones se activan por cada token — una proporción que el equipo Qwen presenta como un adelanto temprano de la arquitectura que sustentará Qwen4, el mismo papel que jugó Qwen3-Next antes de Qwen3.5, según MarkTechPost.

El total de parámetros en disco llega a 180.000 millones al sumar a la base principal una tabla de embeddings N-gram de 51.000 millones de parámetros y un módulo de predicción multi-token de 4.000 millones, informa MarkTechPost. The Decoder describe la capa N-gram como una especie de «diccionario de frases» que almacena grupos de palabras comunes como entradas independientes y puede residir en la memoria RAM del sistema en lugar de en la GPU, con lo que Qwen llama un «coste adicional relativamente bajo».

Cuatro cambios sustentan el lanzamiento

MarkTechPost identifica cuatro cambios arquitectónicos detrás de Qwen3.8-Flash-Next. El primero es un esquema de atención híbrido: tres de cada cuatro capas ejecutan Gated DeltaNet, un mecanismo de atención lineal que comprime el historial en un estado recurrente de tamaño fijo, mientras que la cuarta capa ejecuta Qwen Sparse Attention (QSA), que selecciona el contexto con granularidad de microbloque mediante un indexador ligero. A lo largo de las 48 capas del modelo, el patrón se repite en 12 bloques de tres capas Gated DeltaNet seguidas de una capa QSA, con un presupuesto QSA limitado a 512 bloques o 2.048 tokens.

El segundo cambio, Gated Residual, ensancha el flujo residual en cuatro ramas paralelas gobernadas por una puerta de lectura elemento a elemento y una puerta de escritura por rama, con rango de cuello de botella 320. El tercero es el embedding N-gram descrito antes. El cuarto es una receta de entrenamiento que aplica el optimizador Muon junto a AdamW a categorías de pesos específicas, elimina el calentamiento del tamaño de lote y reajusta las leyes de escala del modelo, informa MarkTechPost. La propia capa de mezcla de expertos enruta entre 512 expertos, activando 10 expertos enrutados más un experto compartido por token, con una dimensión intermedia de experto de 640.

• 125.000 millones de parámetros totales en la base principal, solo 6.000 millones activos por token
• Tabla de embeddings N-gram de 51.000 millones de parámetros más módulo de predicción multi-token de 4.000 millones — 180.000 millones de parámetros en disco en total
• 512 expertos en la capa MoE, con 10 enrutados más 1 compartido activos por token
• Ventana de contexto nativa de 262.144 tokens, ampliable a 1 millón de tokens mediante YaRN
• Punto de control FP8: 172,78 GiB; punto de control BF16: 335,28 GiB

Resultados por delante de rivales más grandes — no en todo

En codificación agéntica, Qwen informa que Flash-Next obtiene 58,7 en DeepSWE 1.1 y 62,5 en SWE-bench Pro, superando a DeepSeek-V4-Flash y a Claude Opus 4.6 (Max), según The Decoder. En tareas de oficina y flujos de trabajo profesionales, la brecha se amplía aún más: Flash-Next marca 73,9 en CoWorkBench frente a 45,1 de DeepSeek-V4-Flash, y 55,7 en JobBench, casi el doble de los 27,6 de Qwen3.7-Plus, informa The Decoder. El propio Qwen3.7-Plus tiene 397.000 millones de parámetros totales con 17.000 millones activos por token — casi el triple de los activos de Flash-Next —, mientras que DeepSeek-V4-Flash tiene 284.000 millones de parámetros con 13.000 millones activos, según el relato de The Decoder sobre las comparativas de referencia publicadas por Alibaba.

El modelo no gana en todo. MarkTechPost señala que Claude Opus 4.6 (Max) lidera en Humanity's Last Exam, con 40,0 frente a 35,9 de Qwen, y que DeepSeek-V4-Flash-0731 lidera en NL2Repo-Bench, 54,2 frente a 48,1. The Decoder añade que Claude Opus 4.6 es, en comparación, un modelo «más antiguo» de Anthropic, de febrero de 2026, y advierte que las puntuaciones de referencia y el rendimiento real pueden diferir.

Una novena parte del coste de entrenamiento, una fracción del precio

Qwen afirma que entrenar Flash-Next costó aproximadamente una novena parte de lo que costó Qwen3.7-Plus, según MarkTechPost. En velocidad de servicio, las dos fuentes difieren en las cifras exactas: MarkTechPost informa de que el propio anuncio de Qwen cita aceleraciones del núcleo QSA de hasta 7,6 veces en prellenado y 4,9 veces en decodificación a 1 millón de tokens, mientras que recetas de despliegue independientes de SGLang y vLLM, citadas en el mismo artículo de MarkTechPost, sitúan la mejora en 10,2 y 6,6 veces respectivamente — una discrepancia que el propio MarkTechPost señala, instando a «tratar el rango como un dato del proveedor hasta que se mida de forma independiente». Qwen también reclama 8,6 veces el rendimiento de prellenado de Qwen3.7-Plus con una tasa de acierto de caché de prefijo del 90 %, según MarkTechPost.

En cuanto a precios, The Decoder informa de que la versión de producción, Qwen3.8-Flash, está disponible a través de QwenCloud a 0,16 dólares por millón de tokens de entrada y 0,47 dólares por millón de tokens de salida, con la API prevista para activarse en breve. Eso lo sitúa en torno a una doceava parte del precio del actual buque insignia de Alibaba, Qwen3.8-Max, lanzado a principios de agosto y posicionado frente a Claude Opus 4.8, Gemini 3.1 Pro y GPT-5.6 Sol, señala The Decoder — aunque Flash-Next rinde justo por debajo de ese buque insignia en las propias referencias de Alibaba.

Desplegable, pero no en una estación de trabajo

Pese a su reducido número de parámetros activos, Flash-Next no es un modelo que un desarrollador individual pueda ejecutar sin más. MarkTechPost informa de que el punto de control FP8 pesa 172,78 GiB y la versión BF16, 335,28 GiB; según las propias recetas de despliegue de vLLM, la configuración FP8 mínima validada necesita dos GPU en paralelismo tensorial sobre el GB300 de Nvidia, con cuatro recomendadas, mientras que un nodo de 8×H200 requiere una configuración mixta tensor-experto porque el paralelismo tensorial estándar de 8 vías es incompatible con los bloques de cuantización de 128 de ancho del punto de control. La activación dispersa reduce el cómputo, señala MarkTechPost, pero no el almacenamiento. El modelo se distribuye bajo la licencia propia qwen-community-1.0 de Alibaba y no bajo Apache 2.0, lo que significa que los usos comerciales deben revisar los términos antes de desplegarlo, añade MarkTechPost.

La apuesta que hace Alibaba con Flash-Next es estructural, no solo numérica: mantener bajos los parámetros activos mientras la capacidad total crece mediante el enrutado de mezcla de expertos y tablas de consulta auxiliares permite a un modelo acercarse a la calidad de razonamiento de sistemas mucho más grandes y costosos, sirviéndolo por una fracción del coste de cómputo por consulta. Por eso Qwen presenta este lanzamiento no como un producto terminado sino como un «adelanto de arquitectura» — un ensayo público, en un modelo más pequeño, de las ideas que Alibaba planea escalar a toda la gama Qwen4.

Para las empresas de habla hispana que dudan entre construir sobre API propietarias occidentales como Claude o GPT y alternativas chinas de pesos abiertos, Qwen3.8-Flash-Next agudiza esa decisión: un modelo de pesos abiertos con un precio que es una fracción de las tarifas propietarias de vanguardia, que iguala o supera a sistemas mucho más grandes en pruebas de código y automatización de oficina, ya está disponible para autoalojar o alquilar a través de QwenCloud — aunque sigue exigiendo un servidor con varias GPU, no un portátil, y se distribuye bajo una licencia distinta de Apache que conviene leer con atención antes de cualquier despliegue comercial.