Alibaba
Qwen3.8 Flash NextOuvert
Alibaba Qwen3.8 Flash Next experimental high-throughput multimodal preview model.
Intelligence
66.8 #221
AAQI 61.5
Vitesse Sortie
168 t/s
TTFT 210 ms · ITL 6.0 ms/tok
Prix mixte (3:1)
$0.19 /1M
Entrée $0.12/M · Sortie $0.4/M
Contexte
260K
≈ 650 pages A4 · sortie max 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Qwen3.8 Flash Next
Claude Mythos Preview (#1)
Average (68)
Les axes du radar sont approximés depuis les scores par catégorie lorsque les mesures directes manquent — voir Méthodologie.
Points forts & compromis
Là où il gagne
- Open weights — self-host, fine-tune and audit with no vendor lock-in
- 168 tok/s output — fast enough for real-time agents
- Sub-400ms time-to-first-token
- Very low blended price — $0.19/1M mixed tokens
Cas d'usage clés
Real-time agents
Low-latency loops for voice, gaming and interactive copilots.
High-volume batch jobs
Classification, extraction and summarization at minimal cost per call.
Vision & document OCR
Extracts structure from scans, charts, screenshots and mixed-media inputs.
Démarrage rapide développeur & API
Définissez d’abord
DASHSCOPE_API_KEY — obtenir une clé APIcurl https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "content-type: application/json" \
-d '{
"model": "qwen3-8-flash-next",
"messages": [{"role": "user", "content": "Refactor this function for O(n) time and explain the change."}]
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
api_key=os.environ["DASHSCOPE_API_KEY"],
)
resp = client.chat.completions.create(
model="qwen3-8-flash-next",
messages=[{"role": "user", "content": "Refactor this function for O(n) time and explain the change."}],
)
print(resp.choices[0].message.content)const res = await fetch("https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.DASHSCOPE_API_KEY}`,
"content-type": "application/json",
},
body: JSON.stringify({
model: "qwen3-8-flash-next",
messages: [{ role: "user", content: "Refactor this function for O(n) time and explain the change." }],
}),
});
console.log((await res.json()).choices[0].message.content);Ressources & liens officiels
Déploiement API
Comparer hôtes et latence
Débit, TTFT et tarifs de cache chez Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock et Azure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Scores par Source
Scores par Catégorie
Résultats de Benchmarks
Specs en direct & architecture
Sous le capot
- Prompt caching supported — cached input reads at $0.02/1M tokens.
- Native multimodality: text, image, video in a single model.
Date de Sortie
18 août 2026
Paramètres
Not disclosed
Licence
Open Weights
Fenêtre de Contexte
260,000 tokens
Sortie max
8,192 tokens
Modalités
text + image + video
Tarifs du cache
lecture $0.02 · écriture $0.16 /1M
Raisonnement
—
Prix Entrée
$0.12/M
Prix Sortie
$0.4/M
Vitesse Sortie
168 t/s
Temps au Premier Token
210 ms
Données mises à jour
28 août 2026
Facture mensuelle estimée
Dépense mensuelle estimée
$0.00
Calcul des économies vs GPT-4o…
Citer et intégrer
Badge Markdown GitHub
Loading badge markdown...BibTeX
@misc{llmpodium2026qwen38flashnext,
title = {Benchmark Analysis and Intelligence Evaluation of Qwen3.8 Flash Next},
author = {LLMPodium Research},
year = {2026},
url = {https://llmpodium.com/models/qwen3-8-flash-next}
}Intégrer le badge de score
Ajoutez un badge Podium Score en direct à votre README GitHub ou Hugging Face — il renvoie vers le classement en direct.
Aperçu
Markdown
Loading badge snippet...HTML
Loading badge snippet...Plus de Alibaba
Modèles alternatifs
Meilleures alternatives à Qwen3.8 Flash Next selon les capacités, le prix et les benchmarks.