Alibaba
Qwen3.8 Flash NextОткрытая
Alibaba Qwen3.8 Flash Next experimental high-throughput multimodal preview model.
Интеллект
66.8 #221
AAQI 61.5
Скорость вывода
168 t/s
TTFT 210 ms · ITL 6.0 ms/tok
Смешанная цена (3:1)
$0.19 /1M
Вход $0.12/M · Выход $0.4/M
Контекст
260K
≈ 650 стр. A4 · макс. выход 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Qwen3.8 Flash Next
Claude Mythos Preview (#1)
Average (68)
Оси радара приближены по категорийным оценкам там, где нет прямых бенчмарк-измерений — см. Методология.
Сильные стороны и компромиссы
Где модель выигрывает
- 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
Киллер-сценарии
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.
Быстрый старт для разработчика и API
Сначала задайте
DASHSCOPE_API_KEY — получить ключ 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);Официальные ресурсы и ссылки
Развёртывание API
Хосты и задержка
Пропускная способность, TTFT и цены на кэш у Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock и Azure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Оценки по источникам
Оценки по категориям
Результаты бенчмарков
Живые характеристики и архитектура
Под капотом
- Prompt caching supported — cached input reads at $0.02/1M tokens.
- Native multimodality: text, image, video in a single model.
Дата выпуска
18 авг. 2026 г.
Параметры
Not disclosed
Лицензия
Open Weights
Контекстное окно
260,000 tokens
Макс. вывод
8,192 tokens
Модальности
text + image + video
Цены кэша
чтение $0.02 · запись $0.16 /1M
Рассуждение
—
Цена ввода
$0.12/M
Цена вывода
$0.4/M
Скорость вывода
168 t/s
Время до первого токена
210 ms
Данные обновлены
28 авг. 2026 г.
Оценка ежемесячного счёта
Оценка расходов в месяц
$0.00
Считаем экономию против GPT-4o…
Цитирование и вставка
Бейдж GitHub Markdown
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}
}Бейдж оценки для README
Живой бейдж Podium Score для README на GitHub или Hugging Face — ведёт на актуальный рейтинг.
Превью
Markdown
Loading badge snippet...HTML
Loading badge snippet...Ещё от Alibaba
Альтернативные модели
Ближайшие альтернативы для Qwen3.8 Flash Next по возможностям, цене и бенчмаркам.