Qwen3.8 Flash: Più veloce e più economico

Il team Qwen di Alibaba ha rilasciato Qwen3.8-Flash-Next con pesi open.

Questa uscita vale la pena di seguirla non solo per la velocità o il prezzo.

Qwen dice che Qwen3.8-Flash-Next è anche un anteprima iniziale dell’architettura prevista per Qwen4. Introduce cambiamenti ad attenzione, connessioni residue, embedding e ottimizzazione del modello, con un obiettivo chiaro: fare di più con meno computazione.

Per la maggior parte degli utenti, non c’è bisogno di capire ogni dettaglio tecnico.

I cambiamenti importanti sono più facili da spiegare:

• Circa 6B parametri sono attivati per token
• Il contesto può arrivare a circa 1 milione di token
• Benchmark di codifica e agent più solidi
• Migliorate le capacità multimodali e di utilizzo del computer
• QSA riduce il costo dell’elaborazione a lungo contesto
• Il pricing API è pensato per carichi di lavoro ad alto volume

Qwen3.8 Flash non è semplicemente un altro modello più veloce.

Sembra sempre più progettato per compiti lunghi, agent AI e flussi di lavoro che devono elaborare molte informazioni.

Cos’è Qwen3.8 Flash?

Qwen3.8-Flash-Next è un modello multimodale Mixture-of-Experts (MoE).

Il modello principale ha 125B parametri, più altri 51B parametri per embedding N-gram.

Ma non attiva l’intero modello per ogni token.

Solo circa 6B parametri sono attivati per token.

L’idea di base è semplice:

Il modello è grande, ma usa solo le parti di cui ha bisogno per ogni passaggio.

Questo è uno dei principali vantaggi di un’architettura MoE.

Qwen afferma che Qwen3.8-Flash-Next richiede solo circa un nono del costo di training di Qwen3.7-Plus, offrendo però risultati più solidi nella codifica e in attività d’ufficio.

Per gli utenti, questo indica un cambiamento più ampio nello sviluppo dell’AI.

I modelli non hanno sempre bisogno di diventare più costosi per diventare più capaci.

Un uso più intelligente della computazione può contare quanto, se non più, la dimensione del modello.

## Fino a 1 milione di token di contesto

Qwen3.8-Flash-Next supporta 262.144 token nativamente e può essere esteso a circa 1 milione di token con YaRN.

Questo lo rende utile per attività come:

• PDF e report lunghi
• basi di codice di grandi dimensioni
• ricerca su molte fonti
• agent AI a esecuzione prolungata
• conversazioni estese
• analisi cross-documento

Il lungo contesto, però, normalmente ha un costo.

Più informazione serve a un modello da elaborare, più costosa può diventare l’attenzione.

Qwen affronta questo problema con la Qwen Sparse Attention (QSA).

Invece di dare la stessa quantità di attenzione a tutto nel contesto, la QSA identifica prima le regioni più rilevanti e dedica più computazione proprio lì.

Un modo semplice per pensarci:

Invece di rileggere ogni pagina di un libro da 500 pagine, il modello prima individua i capitoli più probabilmente contenenti la risposta.

Qwen ha già pubblicato test di performance per questo sistema.

A una lunghezza di contesto da 1M token, il kernel di attenzione della QSA ha fornito:

• fino a 7,6× più veloce Prefill
• fino a 4,9× più veloce Decode

In un test di serving con un tasso di hit della Prefix Cache del 90%, Qwen3.8-Flash-Next ha raggiunto 8,6× la capacità di Prefill di Qwen3.7-Plus a 1M token.

Quindi la finestra di contesto da 1M non serve solo a supportare un numero più grande.

Qwen sta anche cercando di rendere l’AI a lungo contesto molto più efficiente.

Come si comporta Qwen3.8 Flash?

Qwen ha pubblicato una serie ampia di risultati di benchmark che coprono codifica, agent, ragionamento e attività professionali.

Alcuni dei risultati più notevoli includono:

Un punto importante emerge subito:

Qwen3.8 Flash non è focalizzato solo sulla codifica.

Si comporta bene anche nel lavoro d’ufficio, nelle attività degli agent, nell’uso di strumenti e nei flussi di lavoro professionali.

Ad esempio, su CoWorkBench, che misura attività d’ufficio e di produttività su orizzonti lunghi, Qwen riporta:

Questi risultati provengono dalla tabella di benchmark pubblicata da Qwen. Sono utili per confrontare le prestazioni su test specifici, più che per sostenere in modo generico che un modello sia il migliore in assoluto in tutto.

Anche le prestazioni multimodali stanno migliorando

Qwen3.8 Flash è anche un modello multimodale.

I suoi risultati ufficiali includono:

Il punteggio 84,5 su AndroidWorld è particolarmente interessante.

AndroidWorld misura quanto bene un modello riesca a interagire con ambienti Android e a completare compiti.

Questo mostra dove sta andando Qwen.

I modelli di IA stanno andando oltre:

rispondere a una domanda

a:

comprendere un compito, usare strumenti e completare il lavoro.

Questo sta diventando una parte importante della corsa agli agent AI.

Che cosa stanno guardando gli utenti di Reddit e X?

I benchmark ufficiali raccontano una parte della storia.

Le discussioni su Reddit e X tendono a concentrarsi di più sull’uso quotidiano.

Negli ultimi giorni sono emersi ripetutamente diversi temi:

Un modello da 125B può davvero funzionare in locale?

Cosa significa davvero “6B attivi”?

La tabella degli embedding N-gram può essere scaricata sulla RAM di sistema?

Quanto è veloce con un contesto lungo?

Nella community LocalLLaMA di Reddit, gran parte delle discussioni iniziali si è concentrata su quantizzazione, requisiti di memoria e sul fatto che gli embedding N-gram rendano questa architettura più facile da far girare su hardware locale.

Anche su X stanno comparendo test iniziali.

Un test su RTX 4090 che usava 110GB di RAM di sistema ha riportato circa 21 token al secondo di velocità di decode con una finestra di contesto di circa 250K token.

I risultati varieranno naturalmente in base a quantizzazione, GPU, RAM, configurazione di offloading e software di inferenza.

Ma lo spostamento interessante è già chiaro.

Un modello da 100B+ non significa più automaticamente:

solo data center.

Gli utenti di AI in locale stanno già testando questi modelli su hardware consumer di fascia alta.

Qwen3.8 Flash è più di un modello di codifica

È facile guardare SWE-bench e descrivere Qwen3.8 Flash come un altro modello di codifica.

I risultati ufficiali suggeriscono qualcosa di più ampio.

Qwen sta investendo molto anche in:

• attività d’ufficio a esecuzione prolungata
• uso di strumenti
• comprensione multimodale
• uso del computer
• agent mobili
• analisi a lungo contesto

Questo si allinea a un cambiamento più grande nel modo in cui le persone usano l’AI.

La richiesta “vecchia” era spesso:

"Rispondi a questa domanda."

La richiesta più nuova sta diventando:

"Porta a termine questo compito."

La seconda è molto più difficile.

Un agent AI potrebbe dover leggere file, capire una pagina web, esaminare un’immagine, usare uno strumento e poi continuare in base al risultato.

Ecco perché efficienza e lungo contesto contano così tanto.

Per documenti e ricerca: prova iWeaver

I benchmark sono utili, ma la maggior parte degli utenti non sceglie strumenti di AI solo per confrontare punteggi.

La domanda più grande è:

In che modo queste capacità del modello si inseriscono in un flusso di lavoro reale?

Se lavori regolarmente con:

• PDF
• documenti Word
• pagine web
• immagini
• audio
• video
• materiale di ricerca
• file multipli

puoi provare iWeaver.

iWeaver è pensato per il lavoro di conoscenza e per contenuti complessi.

Raccoglie diversi tipi di informazioni in un’unica area di lavoro AI, dove puoi seguire un flusso di lavoro come:

Riassumi → Comprendi → Analizza → Organizza → Crea

Potresti caricare un report lungo e ricavare i punti chiave.

Poi aggiungere diverse pagine web e confrontare ciò che dicono fonti diverse.

Oppure combinare audio di riunioni, PDF e immagini e trasformarli in note strutturate.

Sono esattamente i tipi di flussi di lavoro in cui diventano utili il lungo contesto e l’AI multimodale.

Perché gli utenti in realtà non hanno bisogno di “1 milione di token”.

Hanno bisogno di:

un modo più veloce per trasformare informazioni complesse in qualcosa di utile.

Per creazioni aperte: prova XPT

Non ogni flusso di lavoro con l’AI parte da un documento esistente.

A volte parte da un’idea.

Per esempio:

• brainstorming
• scrittura di storie
• roleplay
• creazione di personaggi
• generazione di immagini
• worldbuilding
• conversazioni a contenuto aperto

Per questi tipi di attività, puoi provare XPT per saperne di più sulla creazione di AI a contenuto aperto e sulle conversazioni in corso.

Il flusso di lavoro è più vicino a:

Idea → Chat → Storia → Personaggio → Immagine → Continua a esplorare

Se iWeaver è soprattutto su:

comprendere e organizzare informazioni esistenti

XPT è più su:

portare oltre una nuova idea

Man mano che Qwen, Claude, GPT, Gemini, DeepSeek e le altre famiglie di modelli continuano a migliorare, le differenze tra i modelli sottostanti continueranno a cambiare.

Per gli utenti di tutti i giorni, un’altra domanda sta diventando altrettanto importante:

il prodotto di AI può davvero aiutarmi a portare a termine il compito?

Perché conta Qwen3.8 Flash

La parte più interessante di Qwen3.8 Flash non è un singolo punteggio di benchmark.

È la direzione dietro all’intero rilascio.

Contesto più lungo.

Agent più solidi.

Capacità multimodali migliori.

Costi di computazione più bassi.

E un’architettura più efficiente.

I risultati pubblicati da Qwen mostrano già guadagni chiari nella codifica, nel lavoro d’ufficio, nell’uso di strumenti, nelle attività multimodali e nell’efficienza del lungo contesto.

E Qwen3.8-Flash-Next è anche una prima anteprima dell’architettura prevista per Qwen4.

Questo lo rende più di un semplice aggiornamento della serie Flash.

Ci dà una visione chiara di dove sta andando Qwen dopo:

non solo un’AI più grande, ma un’AI più capace che usa la computazione in modo più efficiente.