Qwen3.8-Maxとは:アリババの2.4兆パラメータ新フラッグシップ プレビュー

Qwen3.8-Maxの正体

Qwen(通義千問)はアリババクラウドのモデルファミリーで、テキスト、ビジョン、音声、コード、エージェントにまたがっています。「Max」階層は上位のプロプライエタリなフラッグシップラインで、廉価なPlusやTurbo階層、そしてオープンウェイトのQwen3チェックポイントより上に位置します。Qwen3.8-Maxはその最新版で、アリババは2026年7月19日に「Qwen3.8-Max-Preview」としてプレビューしました。

ここで正直な話をしておきます。今回のローンチ自体が異例に薄いものだったからです。プレビュー時点で正式なブログ記事もモデルカードもベンチマーク表もなく、あったのはQwenチームによるXへの2件の投稿と、実際に動作する有料プレビューのエンドポイントだけでした。以下の内容の大半はアリババ自身の説明であり、外部の誰も独自に検証していないという点は押さえておいてください。

アリババが述べているスペックは以下の通りです。

• 総パラメータ2.4兆、スパースなMixture-of-Experts設計(Qwenの X投稿)。
• 1兆パラメータを超える初のマルチモーダルQwenで、テキスト、画像、動画、文書を扱えると、リード研究者のShuai Bai氏が述べています。
• 100万トークンのコンテキストウィンドウで、これは前身のQwen3.7-Maxから引き継がれたものです。
• コーディング、エージェント的ワークフロー、長時間にわたる「プロフェッショナルな協働」タスクを主眼としており、アリババによればここでQwen3.7-Maxを上回るとしています。

トークンあたりのアクティブパラメータ数、完全なベンチマーク一式、ライセンスはいずれもプレビュー時点では未公開でした。アリババは今後公開すると述べています。それが出そろうまでは、内部仕様は測定値ではなくマーケティングとして扱ってください。

内部を見る:Qwen3.8-Maxの仕組み

ここが、巨大なパラメータ数だけでは見出しにならなくなるポイントです。2.4兆の密結合モデルでは運用コストが高すぎるため、Qwen3.8-MaxはMixture-of-Expertsモデルになっています。つまり、どのトークンでもほとんどのパラメータは休止していて、ごく一部だけが発火します。これはQwenの廉価な階層が競合を下回る価格を実現しているのと同じ仕組みを、規模を大きくして使ったものです。

マルチモーダル対応こそが、Maxラインにとっての本当の飛躍です。これまでのMaxモデルはテキスト優先でしたが、今回アリババはこのモデルが画像、動画、文書をテキストと並んでネイティブに取り込めると述べており、これはShuai Bai氏が「その種のモデルとして初」だと指摘した点です。

"Qwen3.8-Max Preview is now available for early access! This is our first trillion-parameter multimodal model."

Shuai Bai, X

繰り返し指摘しておくべき点があります。スパース比率、エキスパート数、トレーニングのレシピは公開されていません。つまり、アリババが説明する形状(巨大で、スパースで、マルチモーダル)はわかっても、それを再現したり順位づけしたりできる数値はわからないということです。トップ2を名乗るモデルとしては、これは実質的な穴です。

アリババが主張する性能

誰もが引用した一文がここにあります。Qwenチーム自身のローンチ投稿は、業界トップとの比較でこう言い切っています。

"Qwen3.8 is launching and going open-weight soon! With a massive 2.4T parameters, this model is continuously evolving. We believe it's one of the most powerful models available today... second only to Fable 5."

Qwen, X

「Fable 5に次ぐ」というのは大きな主張です。Fable 5は現行の最上位Claudeモデルです。問題は、その裏付けが今のところ何もないことです。ベンチマークチャートも、独立指標のスコアも、モデルカードもありません。参考までに、前フラッグシップのQwen3.7-Maxは2026年5月に、SWE-bench Verifiedで80.4%、当時のArtificial Analysisインテリジェンス指数で中国モデル最上位という実数値付きでローンチしました。Qwen3.8-Maxは自信だけを引っさげて登場し、裏付けは伴っていません。

もう一つ、控えめに指摘しておくべきパターンがあります。Qwenはオープンモデルのダウンロードランキングの首位を長く維持し、強いベンチマーク結果を出し続けてきましたが、評価では強く見えても実際の乱雑な利用では見劣りするという批判も繰り返されてきました。つまり、第三者検証より先に自己申告で「トップ2」を名乗るのは、まさに慎重に受け止めるべき主張だということです。

Qwen3.8-Maxの料金

ここが実際に開発者の関心を引いた部分です。プレビュー期間中、Qwen3.8-Maxは通常価格の10%で、アリババのToken Planサブスクリプション、そしてエージェント型コーディング製品のQoderとQoderWorkという3つの経路で販売されています。単体のトークン単価はまだ公表されておらず、Maxモデルとしては珍しいことです。

Token PlanのPersonal階層は以下の通りです。

出典:アリババクラウド Token Plan(Personal Edition)。10%のプレビュー価格に加えて、アリババはナイトディスカウント、つまり22:00から08:00(UTC+8)の間のクレジット消費を追加で80%割り引く仕組みを重ねており、これによりオフピーク時の実行コストは通常料金の約0.2%になります。かなり思い切った割引で、明らかに人々に安くプレビューを試させることを狙っています。

このサブスクリプション型クレジットモデルは、以前からQwenユーザーが不満を漏らしてきたまさにその点でもあります。前世代では、Redditのユーザーがクレジットが想定より早く尽きると報告しており、Qwenのモデルは同格の他モデルよりタスクごとに出力トークンを多く生成する傾向があるため、表面上の単価が低く見えても実際のコストは静かに膨らみます。プレビューの割引は今のところそれを覆い隠していますが、割引が終わったときのために備えておくべきです。

もう一つ役立つ情報として、Token PlanのエンドポイントはOpenAIとAnthropicの両方のAPIプロトコルに対応しているため、Claude Code、Cursor、Cline、Codexといったサードパーティ製クライアントはキーを発行すればそのまま動作します。すでにこれらのツールのどれかを日常的に使っているなら、プレビューを試すのは5分の作業です。

今すぐQwen3.8-Maxに飛びつくべきか?

プレビューは安価で試しやすいため、「乗り換えるべきか」ではなく「自分は実際に何をテストしているのか」を問うのが正しい姿勢です。何か重要なものをプレビューモデル任せで組み替える前に、下の判断フローを歩いてみてください。

全体像:中国系ラボによるオープンウェイト競争

細部を取り払えば、Qwen3.8-Maxが話題になった理由はこうです。MoonshotAIの2.4兆パラメータのKimi K3が発表された数日後に登場し、しかもアリババはMoonshotの株式を約36%保有しています。つまり、同じ勢力圏にある2つのラボが、近フロンティア級モデルのサイズの上限を競って引き上げ合っており、どちらもオープンウェイトを約束しています。Hacker Newsでは、トップコメントがまさにそのタイミングをこう読み解いていました。

"I assume that this announcement has been prompted by that of Moonshot AI... I wonder if Alibaba has always planned to make this big LLM open weights, or they have chosen to do this now, to better compete with Moonshot AI."

adrian_b, Hacker News

多くの人がたどり着いた見方は、フロンティア級の知能をコモディティ化すること自体が戦略であり、動機がどうであれ、それは下流にいる誰にとっても良いことだというものです。

"The Chinese firms seem to be working hard to commoditize intelligence which may be the most effective way to debase American frontier labs. And yeah: it also happens to be really good for humanity."

gardnr, Hacker News

買い手にとって重要なのは、どのラボが勝つかではありません。重要なのは、モデル層が数週間ごとに安く、そして高性能になっているという事実であり、賢い動き方は、周りの仕組みを配管し直さずにエンジンだけ差し替えられるように作っておくことです。

フロンティアモデルが終わり、サポート業務が始まる場所

ここからが、私が一番気にかけている部分です。私は日々AIエージェントを作っているからです。こうしたローンチを見て「よし、一番良いモデルを入れれば自分のサポートキューは自動的に解決する」と思いたくなる気持ちはわかります。しかし実際にはそうはいきません。そして、そのギャップこそが、多くのAIサポートプロジェクトが静かに失敗する場所です。

Qwen3.8-Maxのようなモデルが与えてくれるのは、生の推論力です。与えてくれないのは、あなたの返金ポリシーも、製品の細かな例外も、チケット#4021がすでに2度メールしてきたVIP顧客だという事実の把握もありません。過去のチケットの記憶もなく、自信満々に答えをでっち上げるのを止めるガードレールもなく、実際に業務が行われているヘルプデスクへの接続もありません。パラメータ数が大きいからといって、そのどれも解決しません。

私たちは何年もライブのサポートキューにAIを導入してきましたが、そこで得た教訓は、自信満々に間違った答えを出すモデルは、答えを出さないより悪いということです。ある有料顧客のボットは、データベースにない製品モデルにも対応していると自信たっぷりに認めてしまいました。理由は、ヘルプセンターに「すべてのモデルに対応しています」と書かれていたからです。これはまさに、生のプレビューモデルがもたらしやすい失敗のパターンです。あまりに自信満々に見えるせいで、むしろ悪化するのです。あるサポートリーダーは私にこう語りました。

"The AI will never be able to answer 100% of the questions, but if it tries and just answers wrong, I cannot go check all my 7,000 tickets to see if it made a good answer. I need an AI that only handles the tickets it's confident about, and leaves the rest alone."

a DTC brand CX lead handling 7,000 tickets a month

だからこそeesel AIは、実際に稼働させる前に過去のチケットに対するシミュレーションを実行し、顧客が実際に傷つく前に、解決率と実際の返信内容を過去の本物の会話で確認できるようにしています。また、回答が確信度によってルーティングされるのもそのためです。エージェントが確信を持てない場合は、推測するのではなく人間向けに下書きを作るか、エスカレーションします。そのやり方で、Gridwiseは導入初月にティア1チケットの73%を解決しました。

そして、Qwen3.8-Maxのようなモデルを自分たちのスタックに自前で組み込むこともできます。ただ、多くのチームにとって本当のコストはメンテナンスにあるとわかっており、これはある顧客がビルド対バイの判断を端的にまとめた言葉に表れています。「自前でLLMアプリケーションを書こうとすることもできましたが、そこに時間を投資したくありませんでした。メンテナンスの必要がないものが欲しかったのです。」下にあるモデル自体は、その上のラッパーほど重要ではありません。これがQwen3.8-Maxであれ、Kimi K3であれ、来月何が勝とうと、静かに良いニュースになる理由です。うまく作られたAIカスタマーサービスなら、周りを配管し直すことなく、あらゆるフロンティアの進歩をそのまま受け継げます。

eesel AIを試す

チケットを実際に解決してくれるAIモデルが欲しくてここに来たなら、それはまさにeesel AIの狙いそのものです。Zendesk、Freshdesk、Slackなど100以上のツールと連携し、あなたのヘルプセンターと過去のチケットから学習して、数週間ではなく数分でチケットの下書きや解決を始めます。

差別化のポイントは信頼構築のプロセスです。あなたの実際のチケット履歴でシミュレーションし、数値を確認し、下書きモードから始め、納得できたときだけ完全自律モードに移行できます。フロンティアモデルの賢さを、サポート向けに作られたガードレールとともに手に入れられます。eeselを試す、無料、クレジットカード不要です。