Qwen3.8-Flash-Next: a Alibaba antecipa a arquitetura do Qwen4

A equipa Qwen da Alibaba lançou, a 26 de agosto de 2026, o Qwen3.8-Flash-Next, um modelo multimodal de mistura de especialistas (MoE) de pesos abertos que o MarkTechPost descreve como concebido “para o custo por token”. O checkpoint assenta numa base de 125 mil milhões de parâmetros, dos quais apenas 6 mil milhões se ativam por cada token — um rácio que a equipa Qwen apresenta como uma antevisão precoce da arquitetura que sustentará o Qwen4, o mesmo papel que o Qwen3-Next desempenhou antes do Qwen3.5, segundo o MarkTechPost.

O total de parâmetros em disco chega aos 180 mil milhões quando se soma à base principal uma tabela de embeddings N-gram de 51 mil milhões de parâmetros e um módulo de previsão multi-token de 4 mil milhões, relata o MarkTechPost. O The Decoder descreve a camada N-gram como uma espécie de “dicionário de expressões” que guarda grupos de palavras comuns como entradas autónomas e pode residir na memória RAM comum em vez da GPU, a um custo que a Qwen classifica como “relativamente baixo”.

Quatro mudanças sustentam este lançamento

O MarkTechPost identifica quatro alterações arquitetónicas por detrás do Qwen3.8-Flash-Next. A primeira é um esquema de atenção híbrido: três em cada quatro camadas correm o Gated DeltaNet, um mecanismo de atenção linear que comprime o histórico num estado recorrente de tamanho fixo, enquanto a quarta camada corre o Qwen Sparse Attention (QSA), que seleciona o contexto com granularidade de microbloco através de um indexador leve. Ao longo das 48 camadas do modelo, o padrão repete-se em 12 blocos de três camadas Gated DeltaNet seguidas de uma camada QSA, com um orçamento QSA limitado a 512 blocos ou 2048 tokens.

A segunda alteração, Gated Residual, alarga o fluxo residual em quatro ramos paralelos regidos por uma porta de leitura elemento a elemento e uma porta de escrita por ramo, com rank de estrangulamento 320. A terceira é o embedding N-gram descrito acima. A quarta é uma receita de treino que aplica o otimizador Muon a par do AdamW a categorias específicas de pesos, elimina o aquecimento do tamanho de lote e reajusta as leis de escala do modelo, relata o MarkTechPost. A própria camada de mistura de especialistas encaminha entre 512 especialistas, ativando 10 especialistas encaminhados mais um especialista partilhado por token, com uma dimensão intermédia de especialista de 640.

• 125 mil milhões de parâmetros totais na base principal, apenas 6 mil milhões ativos por token
• Tabela de embeddings N-gram de 51 mil milhões de parâmetros mais módulo de previsão multi-token de 4 mil milhões — 180 mil milhões de parâmetros em disco no total
• 512 especialistas na camada MoE, com 10 encaminhados mais 1 partilhado ativos por token
• Janela de contexto nativa de 262 144 tokens, extensível a 1 milhão de tokens via YaRN
• Checkpoint FP8: 172,78 GiB; checkpoint BF16: 335,28 GiB

Resultados à frente de rivais maiores — mas nem sempre

Em codificação agêntica, a Qwen relata que o Flash-Next obtém 58,7 no DeepSWE 1.1 e 62,5 no SWE-bench Pro, à frente do DeepSeek-V4-Flash e do Claude Opus 4.6 (Max), segundo o The Decoder. Em tarefas de escritório e de fluxos de trabalho profissionais, a diferença aumenta ainda mais: o Flash-Next regista 73,9 no CoWorkBench contra 45,1 do DeepSeek-V4-Flash, e 55,7 no JobBench, quase o dobro dos 27,6 do Qwen3.7-Plus, relata o The Decoder. O próprio Qwen3.7-Plus tem 397 mil milhões de parâmetros totais com 17 mil milhões ativos por token — quase o triplo dos parâmetros ativos do Flash-Next —, enquanto o DeepSeek-V4-Flash tem 284 mil milhões de parâmetros com 13 mil milhões ativos, segundo o relato do The Decoder sobre as comparações de referência publicadas pela Alibaba.

O modelo não vence em tudo. O MarkTechPost nota que o Claude Opus 4.6 (Max) lidera no Humanity's Last Exam, com 40,0 contra 35,9 do Qwen, e que o DeepSeek-V4-Flash-0731 lidera no NL2Repo-Bench, 54,2 contra 48,1. O The Decoder acrescenta que o Claude Opus 4.6 é, em comparação, um modelo Anthropic “mais antigo”, de fevereiro de 2026, e avisa que as pontuações de referência e o desempenho real podem divergir.

Um nono do custo de treino, uma fração do preço

A Qwen afirma que treinar o Flash-Next custou cerca de um nono do que custou o Qwen3.7-Plus, segundo o MarkTechPost. Quanto à velocidade de serviço, as duas fontes divergem nos números exatos: o MarkTechPost relata que o próprio anúncio da Qwen cita acelerações do kernel QSA até 7,6 vezes no prefill e 4,9 vezes no decode a 1 milhão de tokens, enquanto receitas de implementação distintas do SGLang e do vLLM, citadas no mesmo artigo do MarkTechPost, apontam melhorias de 10,2 e 6,6 vezes, respetivamente — uma discrepância que o próprio MarkTechPost assinala, recomendando “tratar o intervalo como dado do fornecedor até ser medido de forma independente”. A Qwen reivindica ainda 8,6 vezes o débito de prefill do Qwen3.7-Plus a uma taxa de acerto de cache de prefixo de 90%, segundo o MarkTechPost.

Quanto a preços, o The Decoder relata que a versão de produção, Qwen3.8-Flash, está disponível através da QwenCloud a 0,16 dólares por milhão de tokens de entrada e 0,47 dólares por milhão de tokens de saída, com a API prevista para entrar em funcionamento brevemente. Isso coloca-o a cerca de um doze avos do preço do atual topo de gama da Alibaba, o Qwen3.8-Max, lançado no início de agosto e posicionado frente ao Claude Opus 4.8, ao Gemini 3.1 Pro e ao GPT-5.6 Sol, nota o The Decoder — ainda que o Flash-Next fique ligeiramente abaixo desse topo de gama nas próprias referências da Alibaba.

Implementável, mas não num posto de trabalho comum

Apesar do seu número reduzido de parâmetros ativos, o Flash-Next não é um modelo que um programador isolado consiga correr sem mais. O MarkTechPost relata que o checkpoint FP8 pesa 172,78 GiB e a versão BF16, 335,28 GiB; segundo as próprias receitas de implementação do vLLM, a configuração FP8 mínima validada exige dois GPU em paralelismo tensorial no GB300 da Nvidia, recomendando-se quatro, enquanto um nó de 8×H200 exige uma configuração mista tensor-especialista, porque o paralelismo tensorial padrão de 8 vias é incompatível com os blocos de quantização de 128 de largura do checkpoint. A ativação esparsa reduz o cálculo, nota o MarkTechPost, mas não o armazenamento. O modelo é distribuído sob a licença própria qwen-community-1.0 da Alibaba, e não sob Apache 2.0, o que significa que os usos comerciais têm de verificar os termos antes de qualquer implementação, acrescenta o MarkTechPost.

A aposta que a Alibaba faz com o Flash-Next é estrutural, não apenas numérica: manter poucos parâmetros ativos enquanto a capacidade total cresce através do encaminhamento de mistura de especialistas e de tabelas de consulta auxiliares permite a um modelo aproximar-se da qualidade de raciocínio de sistemas muito maiores e mais caros, servindo-o por uma fração do custo de computação por pedido. É por isso que a Qwen apresenta este lançamento não como um produto acabado, mas como uma “antevisão de arquitetura” — um ensaio público, num modelo mais pequeno, de ideias que a Alibaba planeia escalar para toda a gama Qwen4.

Para as empresas portuguesas e europeias que hesitam entre construir sobre APIs proprietárias ocidentais como o Claude ou o GPT e alternativas chinesas de pesos abertos, o Qwen3.8-Flash-Next torna essa escolha mais nítida: um modelo de pesos abertos cobrado a uma fração das tarifas proprietárias de topo, que iguala ou supera sistemas muito maiores em testes de código e de automação de escritório, está agora disponível para autoalojar ou alugar através da QwenCloud — ainda que continue a exigir um servidor com várias GPU, e não um portátil, e seja distribuído sob uma licença fora do padrão Apache que vale a pena ler com atenção antes de qualquer utilização comercial na Europa.