Kan ik Qwen3.8-Flash lokaal draaien?

Ja, de gewichten zijn open en gepubliceerd op Hugging Face onder de repository Qwen/Qwen3.8-Flash-Next, compatibel met Transformers, vLLM en SGLang. Wees je ervan bewust dat het totale aantal parameters 125 miljard is, dus lokale inzet vereist aanzienlijke hardware, ook al worden er per voorwaartse stap slechts 6 miljard parameters geactiveerd.

Wat kost Qwen3.8-Flash en wat is de contextlimiet?

Via de Qwen Cloud API kost het $0,15 per miljoen inputtokens en $0,47 per miljoen outputtokens, met standaard een contextvenster van één miljoen tokens op de beheerde dienst.

Hoe verschilt Qwen3.8-Flash van andere Qwen3-modellen?

Het gebruikt een nieuwe architectuur—Qwen Sparse Attention, Gated Residual streams en N-gram Embedding—die Alibaba beschrijft als de basis voor Qwen4, in plaats van de standaard transformerstack die in eerdere Qwen3-versies werd gebruikt. Het compromis is dat het een experimentele preview is, geen volledig gehard productiemodel.

▲

37.8%

deze week

Qwen3.8 Flash

8894°

#llm #qwen #visie #video #redeneren #coderen

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Qwen | 1.000.000 token context | $0,15/M input, $0,47/M output. Qwen3.8 Flash is een multimodaal redeneermodel van Alibaba. Het is geschikt voor codeerondersteuning, agentische workflows, visueel begrip, document- en codebase-analyse, desktopinteractie, grafiekanalyse en lange-video-analyse.

Gidsen voor dit model

Hoe kies je een AI-model in oktober 2026: eerst het nieuws over gesloten modellen, dan de open modellen die het downloaden waard zijn

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Hoe Ollama te installeren en een lokale AI te draaien (Windows, Mac, Linux)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Qwen3.8-Flash is een multimodaal redeneermodel van Alibaba met open gewichten en een contextvenster van één miljoen tokens. De architectuur—Qwen Sparse Attention, Gated Residual en N-gram Embedding—is expliciet gepositioneerd als de basis voor Qwen4, waardoor het net zo goed een experimentele preview is als een productietool. Met minder dan een halve cent per duizend outputtokens is het geschikt voor ontwikkelaars die visie, video en redenatie over lange contexten nodig hebben zonder een hoge API-kostenpost.

Bekend om

Contextvenster van één miljoen tokens voor grote codebases en lange documenten
Multimodaal: verwerkt afbeeldingen, grafieken, video en desktopinteractie
Nieuwe architectuur die Qwen4 vooruitblikt: lagere latentie bij lange context via QSA
Open gewichten op Hugging Face, compatibel met vLLM, SGLang en Transformers
125 miljard totale parameters met slechts 6 miljard geactiveerd, wat de inferentiekosten laag houdt

Let op

Geadresseerd als een experimentele architectuurpreview; productiestabiliteit is niet gegarandeerd.
125 miljard totale gewichten maken lokale inzet veeleisend ondanks het aantal van 6 miljard geactiveerde parameters.
Licentievoorwaarden zijn niet gedetailleerd in de modelkaart; controleer de Hugging Face-repo voor commercieel gebruik.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Visie

Lange context

Prompts om te proberen

Debug een falende async-pijplijn

Ik heb een Python async-pijplijn die batches records uit een wachtrij verwerkt. Werknemers lopen soms vast wanneer de wachtrij halverwege een batch leeg raakt. Hier is de relevante code: ```python async def worker(queue, results): while True: batch = [] for _ in range(BATCH_SIZE): item = await queue.get() batch.append(item) results.extend(process(batch)) ``` Leg uit waarom de deadlock optreedt en herschrijf de worker zodat hij een lege wachtrij netjes afhandelt.

Analyseer een grafiekafbeelding

Ik voeg een grafiek toe uit een kwartaalrapport. Identificeer het type grafiek, beschrijf de getoonde trend, wijs eventuele afwijkingen of kantelpunten aan en stel één vervolgvraag voor die een analist zou moeten stellen op basis van de data.

Plan een multi-stap onderzoeksagent

Ontwerp een minimale agentgebaseerde workflow die een gebruikersvraag over een bedrijf opdeelt in subtaken (webzoektocht, financiële data opzoeken, sentimentcontrole), de volgorde van toolaanroepen bepaalt en een eindantwoord synthetiseert. Noem de benodigde tools, de beslislogica tussen stappen en waar je een menselijke controle zou toevoegen.

Vergelijk met

Qwen3.7 Flash
Alleen API-model
1,000,000 token context · $0.03/M invoer, $0.13/M uitvoer
Qwen3.8 Max (0902)
Alleen API-model
1,000,000 token context · $2.00/M invoer, $6.00/M uitvoer
Qwen3.8 Omni Flash
Alleen API-model
1,000,000 token context · $0.15/M invoer, $0.47/M uitvoer
Qwen3 VL 32B Instruct
Alleen API-model
131,072 token context · $0.10/M invoer, $0.42/M uitvoer

Meer tekstmodellen van qwen

Veelgestelde vragen

Kan ik Qwen3.8-Flash lokaal draaien?: Ja, de gewichten zijn open en gepubliceerd op Hugging Face onder de repository Qwen/Qwen3.8-Flash-Next, compatibel met Transformers, vLLM en SGLang. Wees je ervan bewust dat het totale aantal parameters 125 miljard is, dus lokale inzet vereist aanzienlijke hardware, ook al worden er per voorwaartse stap slechts 6 miljard parameters geactiveerd.
Wat kost Qwen3.8-Flash en wat is de contextlimiet?: Via de Qwen Cloud API kost het $0,15 per miljoen inputtokens en $0,47 per miljoen outputtokens, met standaard een contextvenster van één miljoen tokens op de beheerde dienst.
Hoe verschilt Qwen3.8-Flash van andere Qwen3-modellen?: Het gebruikt een nieuwe architectuur—Qwen Sparse Attention, Gated Residual streams en N-gram Embedding—die Alibaba beschrijft als de basis voor Qwen4, in plaats van de standaard transformerstack die in eerdere Qwen3-versies werd gebruikt. Het compromis is dat het een experimentele preview is, geen volledig gehard productiemodel.

Oordeel van de kapitein
Een echt nieuwe architectuur tegen een lage prijs, maar beschouw het als een vroege blik op Qwen4 in plaats van een definitieve productiekeuze.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #37 Hottest Text / LLM model · #37 Hottest Text / LLM text model

Not this creator?

Get your own badge

Populariteitstrend van Qwen3.8 Flash

Heat score sinds 26 Aug 2026

Heat score

8,894°

Deze week

▲

37.8%

8,851° toen, 8,894° nu

Deze maand

▲

532%

8,650° toen, 8,894° nu

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,597°

OpenRouter tokens

2,098,089,404,683 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 209,808; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

+297°

Adoptiesnelheid

Ongeveer 9,165 downloads per dag, gemeten tussen twee metingen van de bronnen, nooit geschat op een levenslange gemiddelde. Snelheid weegt een kwart van de downloadterm, zodat een verse piek zichtbaar is zonder dat een dagpiek jaren gebruik overstemt.

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 8,894°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
209,808 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,597°
8,597°
lopende totaal
3
Voeg de adoptiesnelheid toe.
Ongeveer 9,165 downloads per dag op dit moment, gemeten tussen twee metingen, met een kwart van het gewicht.
+297°
8,894°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
8,894°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

AI-modellen voor het genereren van afbeeldingen, video en tekst

Qwen3.8 Flash is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm qwen visie video redeneren coderen agenten lange context

Bladeren op modelfamilie