Alibaba
Qwen3.8 Flash Nextโอเพ่นซอร์ส
Alibaba Qwen3.8 Flash Next experimental high-throughput multimodal preview model.
ดัชนีปัญญา
66.8 #221
AAQI 61.5
ความเร็วขาออก
168 t/s
TTFT 210 ms · ITL 6.0 ms/tok
ราคาเฉลี่ย (3:1)
$0.19 /1M
ขาเข้า $0.12/M · ขาออก $0.4/M
บริบท
260K
≈ 650 หน้า A4 · ขาออกสูงสุด 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Qwen3.8 Flash Next
Claude Mythos Preview (#1)
Average (68)
แกนเรดาร์ประมาณจากคะแนนหมวดหมู่เมื่อไม่มีการวัดเบนช์มาร์กโดยตรง — ดู ระเบียบวิธี
จุดแข็งและข้อแลกเปลี่ยน
จุดที่ชนะ
- 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
กรณีใช้งานเด็ด
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.
ควิกสตาร์ตสำหรับนักพัฒนาและ API
ตั้งค่า
DASHSCOPE_API_KEY ก่อน — รับคีย์ 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);ทรัพยากรและลิงก์อย่างเป็นทางการ
การใช้งาน API
เปรียบเทียบโฮสต์และเวลาแฝง
อัตราความเร็ว TTFT และราคาแคชบน Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock และ Azure
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
คะแนนแยกตามแหล่งข้อมูล
คะแนนแยกตามหมวดหมู่
ผลการทดสอบ Benchmark
สเปกสดและสถาปัตยกรรม
ภายใต้ฝากระโปรง
- Prompt caching supported — cached input reads at $0.02/1M tokens.
- Native multimodality: text, image, video in a single model.
วันที่เปิดตัว
18 ส.ค. 2569
พารามิเตอร์
Not disclosed
สัญญาอนุญาต
Open Weights
ขนาดคอนเทกซ์
260,000 tokens
เอาต์พุตสูงสุด
8,192 tokens
โมดัลิตี
text + image + video
ราคาแคช
อ่าน $0.02 · เขียน $0.16 /1M
การให้เหตุผล
—
ราคาขาเข้า
$0.12/M
ราคาขาออก
$0.4/M
ความเร็วขาออก
168 t/s
เวลาถึงโทเค็นแรก
210 ms
อัปเดตข้อมูล
28 ส.ค. 2569
ค่าใช้จ่ายรายเดือนโดยประมาณ
ค่าใช้จ่ายรายเดือนโดยประมาณ
$0.00
กำลังคำนวณการประหยัดเทียบ GPT-4o…
อ้างอิงและฝัง
ป้าย 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}
}ฝังป้ายคะแนน
เพิ่มป้าย Podium Score แบบสดลงใน README ของ GitHub หรือ Hugging Face — ลิงก์กลับไปยังอันดับสด
ตัวอย่าง
Markdown
Loading badge snippet...HTML
Loading badge snippet...โมเดลอื่นจาก Alibaba
โมเดลทางเลือก
ทางเลือกที่ใกล้เคียงที่สุดสำหรับ Qwen3.8 Flash Next โดยอิงตามความสามารถ ราคา และคะแนนเบนช์มาร์ก