Resumo
O Qwen 3.8 Flash Next é a prévia de pesos abertos que a equipe da Qwen lançou da sua arquitetura de próxima geração, a Qwen4. Depois de uma semana rodando, minha conclusão é: é um dos melhores modelos em inteligência por dólar que você pode conseguir agora, e também é uma prévia de pesquisa que a Qwen deliberadamente subtreinou. As duas coisas são verdadeiras ao mesmo tempo.
O que ele faz bem é real. É um modelo de mistura de especialistas de 125B que ativa apenas 6B parâmetros por token, então roda rápido em hardware que jamais comportaria um modelo denso desse tamanho, e a versão hospedada custa apenas $0.15 de entrada / $0.47 de saída por milhão de tokens. A Artificial Analysis o coloca em 5º de 111 em inteligência na sua classe.
Os problemas são igualmente reais. A Qwen diz que ele é intencionalmente subtreinado, a quantização de poucos bits necessária para rodar localmente custa qualidade de forma visível, e ele é muito verboso, o que infla silenciosamente a conta de tokens de saída. Se você quer um modelo finalizado nessa faixa de peso hoje, o GLM 5.3 Flash é a aposta mais segura.
E se você está lendo isto porque quer IA barata para atendimento ao cliente: o modelo é a parte fácil. Um modelo bruto não lê seus tickets nem redige respostas. Isso é trabalho de plataforma, e é o que a eesel cuida em cima de modelos como este.
O que eu estava realmente analisando
Eu construo agentes de IA na eesel, então o lançamento de um modelo é um problema de trabalho, não um esporte para espectadores: a pergunta é sempre se eu o colocaria diante de uma carga de trabalho real. Quando a equipe da Qwen lançou o Qwen 3.8 Flash Next em 26 de agosto de 2026, a primeira hora foi gasta desembaraçando o nome, porque ele confunde as pessoas.
Aqui está a versão limpa. Qwen3.8-Flash-Next é a prévia de pesos abertos que você hospeda por conta própria; Qwen3.8-Flash é a futura API hospedada com 1M de contexto e ferramentas integradas. "Next" não é um Flash maior. É o rótulo que a Qwen coloca em uma prévia de arquitetura, lançada para que a comunidade possa mexer na nova estrutura antes de a família Qwen4 completa ser construída em cima dela. Todo veredito abaixo depende dessa palavra.
Esse enquadramento importa porque "prévia subtreinada" não é uma crítica que eu inventei. É a descrição da própria Qwen, repetida em todo lugar onde a comunidade se reuniu. A explicação mais clara veio do tópico de lançamento no Hacker News:
"This model is a preview of Qwen's upcoming Qwen4 architecture... They said the model is intentionally under-trained since it is mainly for R&D purposes of proving the new architecture."
Então a forma justa de analisá-lo não é "é o melhor modelo?", e sim "a aposta na arquitetura está valendo a pena, e este checkpoint específico vale a pena rodar?". Perguntas diferentes, respostas diferentes.
O que é realmente bom
O número principal se sustenta sob escrutínio independente, o que é mais raro do que deveria. A Artificial Analysis dá ao Flash Next 56 no seu Intelligence Index, ficando em 5º de 111 na sua classe, contra uma mediana de 29. O veredito deles é que ele está "amongst the leading models in intelligence and reasonably priced". Com cerca de $0.10 por tarefa do Index, a história de custo-benefício não é exagero.
Na tabela de benchmarks da própria Qwen, que você deve ler como dados informados pelo fornecedor, ele é especialmente forte em programação e trabalho com agentes:
| Benchmark | Qwen3.8-Flash-Next | Qwen3.7-Plus | DeepSeek-V4-Flash | Claude-Opus-4.6 |
|---|---|---|---|---|
| SWE-bench Pro | 62.5 | 55.8 | 56.0 | 53.4 |
| LiveCodeBench v6 | 91.9 | 89.6 | 90.6 | 88.8 |
| GPQA Diamond | 91.7 | 90.3 | 90.8 | 91.3 |
| IFBench (seguimento de instruções) | 81.3 | 79.1 | 79.2 | 62.5 |
| CoWorkBench (tarefas longas de escritório) | 73.9 | 65.1 | 45.1 | 68.2 |
| Humanity's Last Exam | 35.9 | 34.7 | 33.8 | 40.0 |
Fonte: tabelas de benchmark da Qwen. Duas leituras honestas. Ele supera modelos muito maiores no SWE-bench Pro, um resultado real para esse tamanho. E não é uma vitória completa: o Claude Opus 4.6 ainda leva o Humanity's Last Exam, e o DeepSeek V4 Flash o supera em geração no nível de repositório.
O segundo ponto forte real é a eficiência de hardware, e é a parte com que a comunidade realmente se importa. Como apenas 6B parâmetros ficam ativos por token e a tabela de consulta N-gram de 51B pode ser descarregada para a RAM comum do sistema, as pessoas estão rodando um modelo da classe de ~180B em máquinas modestas. O pessoal de ferramentas definiu o tom rápido:
"Qwen3.8-Flash can now be run locally! The 125B MoE model outperforms Claude-Opus-4.6 (Max). Run on 75GB RAM via Unsloth GGUFs. Qwen3.8-Flash-Next enables CPU RAM / unified mem setups to deliver near VRAM speeds."
Trate a frase "supera o Opus 4.6" como entusiasmo, não como fato medido, já que é deles e não foi verificada. Mas a afirmação de velocidade em hardware barato é real e repetida. Em contexto longo o ganho é maior: a Qwen informa que seu kernel de atenção esparsa chega a acelerações de até 7.6x no prefill e 4.9x no decode com 1M de tokens.
Onde a prévia aparece
Agora as partes que o mantêm fora de um lugar em produção.
A quantização machuca, visivelmente. Para encaixar um modelo da classe de ~180B em hardware de consumo, é preciso quantizar pesado, e o custo em qualidade não é sutil. Simon Willison o rodou em vários níveis de raciocínio em um DGX Spark e acabou preferindo o modelo denso menor:
"I ran some pelicans at the four different reasoning levels... Surprised I didn't get one I liked as much as the Qwen 3.8 27B one, maybe because of quantization."
Esse é o tema recorrente em todo tópico sobre execução local que li. A arquitetura permite que você rode o modelo barato; não promete que o checkpoint que você espreme na sua máquina equivale à tabela de benchmarks.
Ele pensa demais. Como a maioria dos modelos de raciocínio da Qwen, o Flash Next é um pensador intenso, e isso aparece nos traces.
"It's definitely a heavy thinker, like most Qwens. I see strings like 'write, now.' in the thinking traces then it goes on to think for a lot longer, so it's kind of weird."
Isso se liga ao alerta prático mais contundente de toda a análise.
A armadilha de custo da saída verbosa. A Artificial Analysis o marcou como "very verbose", gastando 200M de tokens de saída para concluir seu Index contra uma mediana de 110M. É quase o dobro. Na API hospedada, a saída é cobrada a $0.47 por milhão, então o título de entrada barata esconde uma conta de saída real em execuções longas com agentes. Para uma resposta curta de suporte é um erro de arredondamento; para um laço de agente com várias etapas, é o número que realmente decide o seu custo. Modele os tokens de saída antes de confiar no preço de tabela.
Quanto ele realmente custa
Os pesos abertos são gratuitos. Se você tem o hardware, paga computação e mais nada, que é todo o apelo para quem hospeda por conta própria.
Para a API hospedada do Qwen3.8-Flash, o preço é fixo, sem faixas por tamanho de contexto como o Qwen 3.7 Flash tinha:
| Item | Tarifa (USD / 1M de tokens) |
|---|---|
| Entrada | $0.15 |
| Saída | $0.47 |
| Entrada, leitura em cache | $0.016 |
| Criação explícita de cache | $0.20 |
Essa leitura em cache é cerca de 89% mais barata que a entrada nova, e não é teórico: a OpenRouter observou uma taxa de acerto de cache de 91.1% em tráfego real, reduzindo o preço de entrada efetivo para cerca de $0.028 por milhão. Um asterisco além da verbosidade: por ora há apenas um provedor de API, a Alibaba Cloud International, então ainda não há failover entre vários provedores. Pese isso contra o Kimi K3 ou o Qwen 3.8 Max se resiliência importar mais que o último centavo.
Então, você deve usá-lo?
É aqui que eu chego depois de uma semana. Percorra as duas perguntas abaixo e tudo se resolve.
Quero rodar modelos no meu próprio hardware
Um sim forte. Um Mac com memória unificada, um DGX Spark ou uma máquina com bastante RAM do sistema é exatamente a configuração que esse design recompensa. Espere velocidades próximas às da VRAM e espere perder alguma qualidade para a quantização. Escolha suas flags de orçamento de raciocínio para domar o excesso de pensamento.
Quero uma API hospedada barata e voltada a programação
Sim, de olhos abertos. Os números do SWE-bench são reais e o preço da entrada em cache é excelente. Modele primeiro os tokens de saída, porque a verbosidade é onde a conta realmente cai, e lembre-se de que hoje há um único provedor.
Preciso de um modelo estável para produção agora
Espere. A Qwen o chama de prévia subtreinada, e ele se comporta como uma. Recorra ao GLM 5.3 Flash, a um nível Claude Opus 5 ou ao Qwen 3.8 Max até a linha Qwen4 completa chegar.
Use se você é um entusiasta de inferência local, quer uma prévia da arquitetura Qwen4 ou tem uma carga de programação favorável ao cache em que o preço baixo e os números fortes do SWE-bench compensam. Espere se você precisa hoje de um modelo de nível de produção, já que é uma prévia subtreinada por admissão da própria Qwen, a quantização machuca e a API hospedada tem um único provedor.
De qualquer forma, o ponto mais útil é entender o que um modelo realmente é: um componente. Isso é algo que sempre preciso explicar a equipes que procuram "IA barata".
Onde um modelo como este se encaixa no trabalho real de suporte
Muita gente lê um lançamento assim e pensa: "ótimo, vou apontar minha caixa de entrada de suporte para o Qwen 3.8 Flash Next e reduzir minha conta de IA". Isso é um erro de categoria. Um modelo bruto recebe tokens e devolve tokens. Ele não conhece sua política de reembolso, não consegue ler o histórico de pedidos de um cliente e não faz ideia se sua resposta confiante está realmente correta. O modelo é infraestrutura; quem faz o trabalho é o funcionário.
Já vi essa lacuna morder da pior forma. No início com um cliente, o bot dizia alegremente aos compradores "sim, damos suporte ao modelo do seu carro" para marcas que não estavam em lugar nenhum do banco de dados, porque a base de conhecimento dizia "damos suporte a todos os modelos". A correção não foi um modelo base melhor. Foi melhor recuperação de informações, fundamentação mais rigorosa e testes com histórico real antes de entrar no ar. O resumo da própria equipe sobre essa fase foi "tentativa e erro no começo", e essa é exatamente a fase para a qual um modelo novinho e subtreinado o devolveria se você confiasse nele cru.
Essa camada de funcionário é o que construímos na eesel. A ideia é simples: a eesel é uma plataforma de colegas de IA, e você contrata colegas prontos para trabalhar em funções específicas, atualmente um colega de IA para o helpdesk e um redator de blog de IA. Cada um chega com as habilidades, integrações e o contexto da empresa para o seu papel, então qual modelo roda por baixo vira um detalhe de implementação em vez de um problema seu.
A parte que eu mais destacaria é o teste, porque já vi isso salvar pessoas. O colega de helpdesk da eesel simula cada implantação com seus tickets históricos antes de tocar em um cliente real, então você vê a taxa de resolução e as respostas exatas que ele teria enviado em conversas passadas reais, e depois decide o que automatizar. Um modelo de prévia subtreinado é justamente o tipo de coisa que você quer passar por esse filtro, em vez de confiar em uma tabela de benchmarks. E como a eesel lê da sua base de conhecimento e de tickets passados, o problema de contexto que um modelo bruto nunca resolve sozinho fica coberto.
Em resumo: modelos como o Qwen 3.8 Flash Next estão ficando baratos e capazes rapidamente, o que é ótimo, mas escolher um é os 10% fáceis do trabalho. Os outros 90% são transformá-lo em um colega que resolve tickets, e essa é a camada que vale o seu tempo.
Experimente a eesel
Se você chegou aqui avaliando o Qwen 3.8 Flash Next para uma carga de suporte, o conselho honesto é parar de procurar um modelo e começar a testar com seus próprios tickets. A eesel se conecta ao seu helpdesk atual, aprende com sua base de conhecimento e conversas passadas, e simula cada implantação com tickets históricos para que você veja a taxa de resolução real antes de qualquer coisa entrar no ar. É grátis para testar, e o modelo por baixo continua sendo problema nosso, não seu.