Qwen3.8-Flash-Next è un modello open-weight da 125 miliardi di parametri che ne attiva solo 6 per token. Alibaba lo ha rilasciato il 26 agosto 2026 come anteprima dell'architettura Qwen4, è multimodale, costa 0,16 dollari per milione di token in ingresso e sui benchmark di coding batte Claude Opus 4.6. Il dettaglio che interessa davvero a chi lavora in locale è un altro: quel rapporto tra parametri totali e parametri attivi.
Ho letto la scheda tecnica ufficiale invece dei comunicati. Ci sono tre cose che nessuno sta raccontando in italiano, e una riguarda direttamente chi ha appena speso duemila euro in hardware per l'AI in casa.
Cosa ha rilasciato Alibaba, in concreto
Non è il modello di punta. Il team Qwen lo definisce apertamente un'anteprima sperimentale dell'architettura che reggerà Qwen4, non un prodotto finito. È una scelta insolita e va letta per quello che è: pubblicare l'architettura in anticipo perché gli sviluppatori si preparino alla famiglia completa.
I numeri della scheda ufficiale:
| Caratteristica | Valore |
|---|---|
| Parametri totali | 125 miliardi |
| Parametri attivi per token | 6 miliardi |
| N-gram embedding | 51 miliardi |
| MTP (multi-token prediction) | 4 miliardi |
| Esperti | 512, di cui 10 instradati + 1 condiviso |
| Layer | 48 |
| Contesto nativo | 262.144 token |
| Contesto estendibile | 1.000.000 token con YaRN |
| Licenza | qwen-community-1.0 |
È multimodale: accetta testo, immagini e video. E ragiona di default, con la modalità thinking attiva e tre livelli di sforzo (low, medium, xhigh).
Le tre novità architetturali che contano
Qwen Sparse Attention
La coppia Gated DeltaNet più Gated Attention è stata rifatta introducendo QSA. La differenza pratica: invece di selezionare i singoli token da elaborare, QSA lavora a livello di micro-blocco, con un budget di 512 blocchi o 2.048 token. Il risultato dichiarato è un taglio netto della latenza sui contesti lunghi.
Non è un dettaglio accademico. I carichi agentici — un agente che legge un repository, gira per venti minuti, accumula contesto — sono esattamente il caso in cui la latenza sui contesti lunghi ti ammazza. Qwen ha ottimizzato per quello.
N-gram Embedding
Questa è la parte più interessante, e ci torno tra poco. Il modello indicizza 20 milioni di bigrammi e trigrammi al secondo layer. Sono 51 miliardi di parametri in più, ma di un tipo particolare.
La scheda ufficiale è esplicita sul perché: gli embedding permettono di far crescere i parametri richiedendo meno calcolo, e sono più adatti all'offloading rispetto ai Mixture-of-Experts. Il modello è stato progettato pensando ad acceleratori con poca memoria.
Gated Residual
Modula le informazioni che scorrono nei residual stream allargati tramite un gate di lettura elemento per elemento e un gate di scrittura scalare per ramo. In pratica: più espressività tra i layer senza perdere stabilità durante l'addestramento, e con overhead trascurabile in inferenza.
I benchmark, letti con onestà
Le testate anglosassoni hanno titolato "batte Opus 4.6". È vero su diverse voci, ed è vero che questi numeri arrivano da un modello che attiva 6 miliardi di parametri contro modelli enormemente più grandi.
| Benchmark | Qwen3.8-Flash-Next | Claude Opus 4.6 |
|---|---|---|
| SWE-bench Pro | 62,5 | 53,4 |
| SWE-bench Multilingual | 81,0 | 77,5 |
| LiveCodeBench v6 | 91,9 | 88,8 |
| GPQA Diamond | 91,7 | 91,3 |
| IFBench | 81,3 | 62,5 |
| HLE | 35,9 | 40,0 |
Ora la parte che i titoli saltano.
Sono benchmark auto-riportati. È Qwen che li ha eseguiti, su Qwen. Non è una colpa, lo fanno tutti, ma va detto.
Due benchmark sono interni. CoWorkBench e RecreationBench sono definiti dalla stessa scheda come benchmark "in-house". Un test costruito in casa da chi presenta il modello non è verificabile da nessuno.
Su HLE perde. Il ragionamento multidisciplinare resta terreno di Opus, con 40,0 contro 35,9. E su NL2Repo-Bench il modello prende 48,1, dietro a DeepSeek-V4-Flash che fa 54,2.
Nota curiosa che dice molto sullo stato del settore: il punteggio HLE è stato giudicato da GPT-4o. Un modello che valuta un altro modello.
Il punto che riguarda chi lavora in locale
Qui arriviamo alla ragione per cui questo rilascio conta più di altri.
Nell'articolo sul mini PC Ryzen AI Max+ 395 ho spiegato la regola che governa la velocità di un LLM in locale: banda di memoria diviso dimensione del modello. Un modello denso da 70B quantizzato pesa 40 GB, e su 215 GB/s di banda reale ti dà circa 5 token al secondo. Lento.
Con un MoE il conto cambia radicalmente, perché a ogni token si attivano solo i parametri degli esperti selezionati. Qui parliamo di 6 miliardi attivi su 125. Il modello deve stare tutto in memoria, ma la banda che consuma per generare ogni token è quella di un modello piccolo.
Aggiungi il fatto che i 51 miliardi di n-gram embedding sono progettati per essere scaricati fuori dalla memoria dell'acceleratore, e ottieni un modello con la conoscenza di un 125B e il costo di banda di un 6B.
Sulla carta è la combinazione ideale per l'hardware a memoria unificata. Su una macchina con 128 GB, una quantizzazione aggressiva dovrebbe farlo entrare, e la velocità dovrebbe essere molto superiore a quella di un denso da 70B.
Dovrebbe. Non l'ho ancora provato e non esistono benchmark indipendenti su questa classe di hardware. Sono conti fatti sull'architettura, non misure. Quando avrò numeri veri li pubblico qui.
La buona notizia è che l'ecosistema si è già mosso: al momento in cui scrivo esistono già decine di quantizzazioni della community, utilizzabili con llama.cpp, Ollama, LM Studio e Jan. Chi vuole provare non deve aspettare.
Quanto costa via API
Alibaba ha prezzato Flash-Next a 0,16 dollari per milione di token in ingresso e 0,47 per milione in uscita. È un prezzo aggressivo, reso possibile proprio dall'efficienza in inferenza: tanti parametri, pochi attivi, costo basso.
Il modello è open-weight, quindi puoi anche self-hostarlo. E qui va fatta una considerazione che vale più del listino.
La domanda che un'azienda italiana deve porsi
Arun Chandrasekaran, analista Gartner, ha commentato il rilascio dicendo che le imprese dovrebbero valutare se abbia senso self-hostare il modello invece di consumarlo via API, e che vanno considerate la residenza dei dati e le implicazioni di sicurezza legate ai fornitori cinesi. La sua conclusione: il prezzo basso da solo non può essere il criterio di scelta.
Tradotto per una PMI italiana:
- Se usi l'API, i tuoi prompt viaggiano verso l'infrastruttura di Alibaba. Per dati aziendali sensibili questo è un tema di GDPR, non di preferenza tecnica
- Se scarichi i pesi e lo esegui tu, il problema sparisce del tutto. I dati non escono e il modello resta identico anche se domani cambiano i termini di servizio
È esattamente il ragionamento che faccio nell'analisi su quanto costa davvero l'AI in locale: la convenienza economica pura raramente giustifica il locale, ma il controllo sui dati sì.
Il fatto che un modello di questo livello sia open-weight sposta il calcolo. Fino a ieri chi voleva restare in casa doveva accettare modelli sensibilmente peggiori. Oggi meno.
Domande frequenti
Cos'è Qwen3.8-Flash-Next?
È un modello linguistico multimodale open-weight rilasciato da Alibaba il 26 agosto 2026. Ha 125 miliardi di parametri totali ma ne attiva solo 6 per token grazie all'architettura Mixture-of-Experts. È l'anteprima dell'architettura che verrà usata in Qwen4.
Qwen3.8-Flash-Next si può usare gratis?
I pesi sono scaricabili liberamente da Hugging Face e ModelScope con licenza qwen-community-1.0, quindi puoi eseguirlo sul tuo hardware senza pagare nulla. L'accesso via API di Qwen Cloud è invece a consumo.
Che differenza c'è tra Qwen3.8-Flash-Next e Qwen3.8-Flash?
Flash-Next è la versione open-weight sperimentale. Qwen3.8-Flash è la versione ufficiale in produzione, con un contesto da un milione di token attivo di default e strumenti integrati.
Serve una GPU potente per far girare Qwen3.8-Flash-Next?
Serve soprattutto molta memoria, perché i 125 miliardi di parametri devono essere caricati. Ma poiché ne attiva solo 6 per token, la banda di memoria richiesta durante la generazione è bassa. Questo lo rende adatto a sistemi con memoria unificata capiente più che a schede video con poca VRAM.
Qwen3.8-Flash-Next è meglio di Claude Opus 4.6?
Sui benchmark di coding pubblicati da Qwen sì, con 62,5 contro 53,4 su SWE-bench Pro. Su HLE, che misura il ragionamento multidisciplinare, perde con 35,9 contro 40,0. I punteggi sono auto-riportati e non ancora verificati da terze parti.
Leggi anche
- Mini PC Ryzen AI Max+ 395: 128 GB per l'AI in locale
- AI in locale: quanto costa davvero e quando conviene (2026)
- Xiaomi AI Cube: 120B parametri in locale, cosa c'è dentro
- CoPaw: Alibaba rilascia l'agente AI desktop open source
In sintesi
Qwen3.8-Flash-Next non è il modello più intelligente in circolazione, e Alibaba non sostiene che lo sia. È qualcosa di più utile: la dimostrazione che si può avere la qualità di un modello grande al costo computazionale di uno piccolo, con i pesi scaricabili.
Per chi sviluppa in Italia significa che l'opzione locale ha smesso di essere un compromesso. Restano da verificare i numeri veri su hardware reale, ed è il prossimo test che ho in programma.
Se stai valutando quale modello adottare per la tua azienda e ti serve capire se ha senso il cloud o il self-hosting, scrivimi. Trovi il quadro completo anche nei servizi di automazione AI che seguo per le PMI.
