Alibaba
Qwen3.8 Flash NextAberto
Alibaba Qwen3.8 Flash Next experimental high-throughput multimodal preview model.
Inteligência
66.8 #221
AAQI 61.5
Velocidade de saída
168 t/s
TTFT 210 ms · ITL 6.0 ms/tok
Preço combinado (3:1)
$0.19 /1M
Entrada $0.12/M · Saída $0.4/M
Contexto
260K
≈ 650 páginas A4 · saída máx. 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Qwen3.8 Flash Next
Claude Mythos Preview (#1)
Average (68)
Os eixos do radar são aproximados a partir dos scores de categoria quando faltam medições diretas — veja Metodologia.
Pontos fortes e trade-offs
Onde vence
- 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
Casos de uso matadores
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.
Quickstart do desenvolvedor e API
Defina primeiro
DASHSCOPE_API_KEY — obter uma chave de 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);Recursos e links oficiais
Implantação de API
Comparar hosts e latência
Throughput, TTFT e preços de cache na Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock e Azure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Pontuações por fonte
Pontuações por categoria
Resultados de benchmarks
Especificações ao vivo e arquitetura
Por baixo do capô
- Prompt caching supported — cached input reads at $0.02/1M tokens.
- Native multimodality: text, image, video in a single model.
Data de lançamento
18 de ago. de 2026
Parâmetros
Not disclosed
Licença
Open Weights
Janela de contexto
260,000 tokens
Saída máx.
8,192 tokens
Modalidades
text + image + video
Preços de cache
leitura $0.02 · escrita $0.16 /1M
Raciocínio
—
Preço de entrada
$0.12/M
Preço de saída
$0.4/M
Velocidade de saída
168 t/s
Tempo até o primeiro token
210 ms
Dados atualizados
28 de ago. de 2026
Fatura mensal estimada
Gasto mensal estimado
$0.00
Calculando economia vs GPT-4o…
Citar e incorporar
Badge de Markdown do 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}
}Incorporar selo de pontuação
Adicione um selo de Podium Score ao seu README no GitHub ou Hugging Face — ele aponta para o ranking ao vivo.
Pré-visualização
Markdown
Loading badge snippet...HTML
Loading badge snippet...Mais de Alibaba
Modelos alternativos
Principais alternativas para Qwen3.8 Flash Next com base em recursos, preço e benchmarks.