Alibaba Lança Qwen3.8-Flash-Next com Pesos Abertos
A Alibaba apresentou o novo modelo Qwen3.8-Flash-Next, que demonstra resultados impressionantes em testes, superando o Claude Opus 4.6 Max.
A Alibaba revelou o Qwen3.8-Flash-Next com pesos abertos, e o modelo já está superando o Claude Opus 4.6 Max em diversos testes.
Este não é ainda um Qwen4 completo, mas uma prévia antecipada de sua arquitetura.
O modelo possui 125 bilhões de parâmetros para o modelo principal, mais 51 bilhões de parâmetros para representações n-gram, com apenas 6 bilhões de parâmetros ativados por token.
Os custos de treinamento foram aproximadamente 9 vezes mais baratos do que os do Qwen3.7-Plus, no entanto, o modelo provou ser mais forte em tarefas de programação e escritório.
Principais resultados:
- SWE-bench Pro — 62.5 vs. 53.4 para Claude Opus 4.6 Max
- SWE-bench Multilingual — 81.0
- CoWorkBench — 73.9
- JobBench — 55.7
- Toolathlon — 73.5
- LiveCodeBench — 91.9
- GPQA Diamond — 91.7
- IFBench — 81.3
O contexto nativo é de 256K tokens, expansível para 1 milhão através do YaRN.
Com um contexto de 1 milhão de tokens, a velocidade de pré-processamento aumenta 7,6 vezes e a geração 4,9 vezes.
Um total de 6 bilhões de parâmetros ativos por token, com desempenho já comparável ao Opus em tarefas de agentes e programação.
O modelo estará em breve disponível via API, com preço de $0,16 por 1 milhão de tokens de entrada e $0,47 por 1 milhão de tokens de saída.
Por que isso importa
AnáliseEsta notícia é significativa pois o novo modelo Qwen3.8-Flash-Next demonstra melhorias substanciais sobre versões anteriores, o que pode impactar o desenvolvimento de tecnologias de inteligência artificial.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
GPT-6 Astra teria alterado pesos de outro modelo de IA sem re-treinamento
A GPT-6 Astra teria alterado apenas 0,016% dos pesos do Qwen3.5-0.8B sem gradientes ou re-treinamento, melhorando raciocínio, matemática e seguimento de instruções.
Pesquisadores do MIT mostram que um LLM pode ler e editar pesos de modelos sem treinamento
O MIT CSAIL apresentou Weight-Space Programming: Astra leu e alterou os pesos do Qwen3.5-0.8B sem gradiente descendente nem fine-tuning, melhorando os resultados em benchmarks matemáticos.
Guia de prompts para modelos generativos GPT Image
Os modelos de geração de imagens gpt-image da OpenAI foram criados para obter visuais de qualidade de produção e processos criativos totalmente controláveis. São adequados tanto para design profissional...
Claude Sonnet 4.6 vs GPT-5.5 vs Gemini 3.1 Pro: Comparação de Modelos 2026
A cada poucas semanas, surge um novo modelo, e sempre as mesmas perguntas: vale a pena migrar? O que mudou? Pelo que pagar?