Qwen3.8-Flash: уровень Opus 4.7 на железе за 320 тысяч — и 1M контекста

Год назад фраза «модель уровня флагмана Anthropic стоит у нас в офисе» была бы шуткой: флагманы жили в датацентрах, до офисных полок добирались только их огрызки. 26 августа 2026 Alibaba выпустила Qwen3.8-Flash — production-модель, доступную через API, — и в тот же день выложила открытые веса Qwen3.8-Flash-Next, экспериментальное превью архитектуры следующего поколения Qwen. По карточке вендора открытая модель идёт вровень с Claude Opus 4.6 Max на агентных и кодовых задачах — и при этом запускается на железе, которое покупается обычным счётом на компанию, а не тендером на датацентр.

Мы внедряем ИИ и держим своё железо — кластеры из DGX Spark со 128 ГБ единой памяти на узел, поэтому следим за такими релизами не из любопытства, а из практических соображений: что можно снять с API-счёта и посадить на собственный узел. Ниже — разбор без магии: что показывает вендор, что говорит независимый индекс, сколько нужно памяти и где у этой истории честные границы.

Что вышло 26 августа

В один день случились два релиза, и путать их не стоит. Qwen3.8-Flash — production-версия, рабочий инструмент в API, который можно брать и использовать в продукте уже сейчас. Qwen3.8-Flash-Next — открытые веса, но роль у них другая: это превью архитектуры следующего поколения Qwen, витрина того, куда вендор будет развивать линейку дальше.

Поэтому вопрос «не урезали ли открытую версию для халявщиков» поставлен неверно: Next — не облегчённая копия Flash, а другая архитектура. На ней Alibaba обкатывает решения будущих моделей, и для тех, кто планирует закупку железа под ИИ, такие превью — способ понять, куда смотреть.

Карточка с весами и бенчмарками лежит на Hugging Face — оттуда взяты все вендорские цифры ниже.

Что внутри: 125B параметров, из них 6B активных

Размер в духе современных флагманов: 125B параметров всего, но на каждый токен активируются только 6B — это MoE, смесь экспертов, когда под конкретный запрос работает лишь часть сети, а не весь массив весов. Помимо них в модели живут 51B параметров N-граммных эмбеддингов и 4B MTP — отдельные блоки, которые достраивают архитектуру.

Внимание здесь гибридное: Gated DeltaNet + QSA (Qwen Sparse Attention). QSA работает разреженно на уровне микроблоков — вместо отбора отдельных токенов по одному. В довесок идут Gated Residual и уже упомянутые N-граммные эмбеддинги: конструкция целиком собрана под длинный контекст.

Практический смысл простой: длинный контекст перестаёт быть роскошью. Благодаря разреженному вниманию на микроблоках латентность на длинных промптах падает — и работа с огромными документами в одном запросе перестаёт быть мучением.

Бенчмарки против Opus — и что при этом помнить

Полная таблица из карточки модели на Hugging Face. Вендор сравнивает Qwen3.8-Flash-Next с Claude Opus 4.6 Max:

Картина по строкам читается так. На агентном коде и рабочих сценариях открытая модель уверенно впереди: SWE-bench Pro 62.5 против 53.4, JobBench 55.7 против 36.6, AndroidWorld 84.5 против 62.0, IFBench 81.3 против 62.5. На «энциклопедических» тестах разрыв тает до символического — GPQA Diamond 91.7 против 91.3 — а на HLE переворачивается в минус.

Рядом в карточке есть цифры моделей поменьше — для масштаба:

То есть новая открытая модель не «чуть лучше младшей модели семейства», она играет в другой лиге — против флагмана Anthropic, а не против моделей своего размера. Подробный разбор одной из них у нас уже был: Qwen3.8-27B.

Что говорит независимый индекс

Вендорская таблица — только одна сторона медали. Другая — Artificial Analysis, независимый индекс моделей. В снимке от 19 октября 2026 у Qwen3.8-Flash-Next Intelligence Index 39.8, у Claude Opus 4.7 (Max) — 40.7: разница меньше одного пункта. И по отдельным метрикам того же индекса открытая модель даже впереди — GPQA 92.3 против 91.4, Terminal-Bench 2.1 86.1 против 83.1. Отстаёт там, где важна фактическая точность: HLE 38.0 против 42.3, AA-Omniscience accuracy 24.5% против 48.9%.

Это не противоречит таблице выше, а уточняет её. «Уровень Opus 4.7» — про сводный индекс и агентные тесты; про фактологию — нет, и это честная граница модели. Вторая рамка важнее: сам Opus 4.7 к октябрю 2026 уже не фронтир — в индексе он помечен как устаревший и заменён 4.8, а актуальные Opus 5 и 5.5 дают 50.8 и 57.6. То есть «уровень 4.7» сегодня — это уровень прошлогоднего флагмана, который вы получаете на своём столе без счёта за токены.

Практический вывод: брать её стоит под конкретные рабочие сценарии — код, агенты, офисные задачи, работа с документами и графиками, — а не как «умнейшую модель на всё сразу».

Контекст: 262 144 нативно и миллион с расширением

Нативный контекст — 262 144 токена, с расширением — до 1 000 000. У API-версии режим на миллион токенов включён по умолчанию: сел и работаешь, ничего переключать не надо.

Что это меняет на практике: в один запрос помещается весь репозиторий целиком, весь пакет договоров по сделке или вся переписка с клиентом. Не «выборка фрагментов по релевантности», которую кто-то заранее нарезал, — а полный текст, который модель читает сама.

Для локального запуска это сдвигает границу задач, которые можно унести с API. Агент, который держит в контексте большой кодовый проект или архив документов, больше не требует датацентрового железа — как раз благодаря архитектуре внимания из предыдущего раздела, где длинный промпт не убивает латентность.

Железо: что покупать и за какие деньги

Модель со 125B параметров и единым пулом памяти ставит вопрос «на чём это вообще запускать». Ориентир по ценам в РФ — наши данные на октябрь 2026:

Ключевая мысль раздела: 128 ГБ единой памяти — это сценарий «модель целиком в памяти». Ничего не выгружается с диска и не гоняется по частям: весь массив весов живёт в LPDDR5X, к которой одинаково обращаются и процессор, и встроенная графика. Приятная деталь для линуксоидов: в Linux под графику и модель из этих 128 ГБ доступно до ~110 ГБ.

DGX Spark, кстати, решает ту же задачу другим корпусом: на узле с 128 ГБ единой памяти у нас работает 8 параллельных потоков — как мы раскладывали это по полочкам в статье про восемь агентов на GPU. Мини-ПК за 320 тысяч решает её же в офисном формфакторе, который не стыдно поставить под стол.

Что это значит для компании

Если собрать всё выше в три строки, полезность выглядит так:

• Один узел обслуживает команду. Машина с 128 ГБ единой памяти держит модель целиком в памяти — и работает на несколько рабочих мест сразу, без ожидания в очереди к чужому API.
• Плата за токены исчезает из модели затрат. Раз модель своя, счёт за каждый запрос не приходит в принципе; экономику своего ИИ против API мы разбирали отдельно в TCO-расчёте.
• Данные не уезжают. Договоры, переписка, код остаются в контуре компании — для юридических и финансовых документов это нередко решающий аргумент в пользу локальной модели.

Итог

• 26 августа 2026 вышли сразу две вещи: production-Qwen3.8-Flash в API и открытые веса Qwen3.8-Flash-Next — превью архитектуры следующего поколения Qwen, а не урезанная копия.
• По карточке вендора модель идёт вровень с Claude Opus 4.6 Max на агентном коде и офисных задачах, но проигрывает на HLE; независимый Artificial Analysis ставит её вплотную к Claude Opus 4.7 — 39.8 против 40.7 — при победе на GPQA и Terminal-Bench 2.1 и отставании по фактической точности. «Уровень Opus 4.7» здесь про рабочие задачи, а не про безошибочность.
• Внутри — 125B параметров при 6B активных на токен, контекст 262 144 токена с расширением до миллиона, гибридное внимание Gated DeltaNet + QSA на микроблоках.
• Железо — мини-ПК на Ryzen AI Max+ 395: 64 ГБ от 260 000 ₽, 128 ГБ от 320 000 ₽ (РФ, октябрь 2026); 128 ГБ единой памяти означают «модель целиком в памяти», без выгрузок.

Подбираем модель под задачу и переносим её в контур компании — на своём железе или гибридно: подробнее про внедрение ИИ.