Puis-je exécuter Qwen3.8-Flash localement ?

Oui, les poids sont ouverts et publiés sur Hugging Face dans le dépôt Qwen/Qwen3.8-Flash-Next, compatibles avec Transformers, vLLM et SGLang. Sachez que le nombre total de paramètres est de 125 milliards, donc le déploiement local nécessite un matériel conséquent même si seulement 6 milliards de paramètres sont activés par passage.

Quel est le coût de Qwen3.8-Flash et quelle est la limite de contexte ?

Via l’API Qwen Cloud, le prix est de 0,15 $ par million de tokens en entrée et 0,47 $ par million de tokens en sortie, avec une fenêtre de contexte d’un million de tokens disponible par défaut sur le service géré.

En quoi Qwen3.8-Flash diffère-t-il des autres modèles Qwen3 ?

Il utilise une nouvelle architecture — Qwen Sparse Attention, flux résiduels à portes, et N-gram Embedding — qu’Alibaba décrit comme la base de Qwen4, au lieu de la pile transformer standard utilisée dans les versions Qwen3 précédentes. Le compromis est qu’il s’agit d’un aperçu expérimental, pas d’un modèle de production totalement éprouvé.

▲

37.8%

cette semaine

Qwen3.8 Flash

8894°

#llm #qwen #vision #vidéo #raisonnement #programmation

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Qwen | contexte de 1 000 000 tokens | 0,15 $/M en entrée, 0,47 $/M en sortie. Qwen3.8 Flash est un modèle de raisonnement multimodal d'Alibaba. Il est adapté à l'assistance au codage, aux flux de travail agentiques, à la compréhension visuelle, à l'analyse de documents et de bases de code, à l'interaction sur bureau, à l'analyse de graphiques et à l'analyse de vidéos longues.

Guides pour ce modèle

Comment choisir un modèle d'IA en octobre 2026 : les nouveautés des modèles fermés, puis les poids ouverts à télécharger

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Comment installer Ollama et faire tourner une IA locale (Windows, Mac, Linux)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Qwen3.8-Flash est un modèle de raisonnement multimodal d'Alibaba avec des poids ouverts et une fenêtre de contexte d'un million de tokens. Son architecture — Qwen Sparse Attention, Gated Residual et N-gram Embedding — est explicitement présentée comme la base de Qwen4, en faisant autant un aperçu expérimental qu’un outil de production. À moins d’un demi-centime par mille tokens en sortie, il convient aux développeurs qui ont besoin de vision, vidéo et raisonnement sur de longs contextes sans une facture API élevée.

Connu pour

Fenêtre de contexte d’un million de tokens pour de grandes bases de code et de longs documents
Multimodal : gère images, graphiques, vidéo et interaction sur bureau
Nouvelle architecture annonçant Qwen4 : latence réduite sur longs contextes via QSA
Poids ouverts sur Hugging Face, compatible avec vLLM, SGLang et Transformers
125 milliards de paramètres au total avec seulement 6 milliards activés, ce qui maintient les coûts d’inférence bas

Attention à

Architecture expérimentale annoncée ; la stabilité en production n’est pas garantie.
125 milliards de poids totaux rendent le déploiement local exigeant malgré les 6 milliards activés.
Les conditions de licence ne sont pas détaillées dans la fiche modèle ; vérifiez le dépôt Hugging Face avant usage commercial.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Vision

Contexte long

Prompts à essayer

Déboguer un pipeline asynchrone défaillant

J’ai un pipeline Python asynchrone qui traite des lots d’enregistrements depuis une file d’attente. Les workers se bloquent parfois lorsque la file se vide en plein milieu d’un lot. Voici le code concerné : ```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)) ``` Expliquez pourquoi le blocage se produit et réécrivez le worker pour gérer proprement une file vide.

Analyser une image de graphique

Je joins un graphique issu d’un rapport trimestriel d’activité. Identifiez le type de graphique, décrivez la tendance affichée, signalez toute anomalie ou point d’inflexion, et suggérez une question de suivi qu’un analyste devrait poser en fonction des données.

Planifier un agent de recherche multi-étapes

Concevez un workflow agentique minimal qui prend une question utilisateur sur une entreprise, la décompose en sous-tâches (recherche web, consultation de données financières, vérification de sentiment), décide de l’ordre des appels aux outils, et synthétise une réponse finale. Listez les outils nécessaires, la logique de décision entre les étapes, et où vous ajouteriez un point de contrôle humain.

Comparer avec

Qwen3.7 Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.03/M, sortie $0.13/M
Qwen3.8 Max (0902)
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.00/M, sortie $6.00/M
Qwen3.8 Omni Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.15/M, sortie $0.47/M
Qwen3 VL 32B Instruct
Modèle uniquement API
Contexte de 131,072 tokens · entrée $0.10/M, sortie $0.42/M

Plus de modèles de texte de qwen

Questions fréquentes

Puis-je exécuter Qwen3.8-Flash localement ?: Oui, les poids sont ouverts et publiés sur Hugging Face dans le dépôt Qwen/Qwen3.8-Flash-Next, compatibles avec Transformers, vLLM et SGLang. Sachez que le nombre total de paramètres est de 125 milliards, donc le déploiement local nécessite un matériel conséquent même si seulement 6 milliards de paramètres sont activés par passage.
Quel est le coût de Qwen3.8-Flash et quelle est la limite de contexte ?: Via l’API Qwen Cloud, le prix est de 0,15 $ par million de tokens en entrée et 0,47 $ par million de tokens en sortie, avec une fenêtre de contexte d’un million de tokens disponible par défaut sur le service géré.
En quoi Qwen3.8-Flash diffère-t-il des autres modèles Qwen3 ?: Il utilise une nouvelle architecture — Qwen Sparse Attention, flux résiduels à portes, et N-gram Embedding — qu’Alibaba décrit comme la base de Qwen4, au lieu de la pile transformer standard utilisée dans les versions Qwen3 précédentes. Le compromis est qu’il s’agit d’un aperçu expérimental, pas d’un modèle de production totalement éprouvé.

Verdict du capitaine
Une architecture véritablement novatrice à un prix bas, mais considérez-le comme un premier aperçu de Qwen4 plutôt qu’un choix de production établi.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Tendance de popularité de Qwen3.8 Flash

Score de chaleur depuis 26 Aug 2026

Score de popularité

8,894°

Cette semaine

▲

37.8%

8,851° alors, 8,894° maintenant

Ce mois-ci

▲

532%

8,650° alors, 8,894° maintenant

L'année passée

n/a

Pas encore publié/suivi

7,000°

Plancher

L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.

+1,597°

Tokens OpenRouter

2,098,089,404,683 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 209,808 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).

+297°

Taux d’adoption

Environ 9,165 téléchargements par jour, mesurés entre deux relevés des sources, jamais estimés à partir d’une moyenne sur la durée. La vitesse compte pour un quart du terme téléchargement, donc une poussée récente apparaît sans qu’un pic d’un jour dépasse des années d’usage.

Afficher le détail

Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 8,894°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.

1
Commence au plancher.
Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.
7,000°
total en cours
2
Ajoute les téléchargements.
209,808 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.
+1,597°
8,597°
total en cours
3
Ajoute le taux d’adoption.
Environ 9,165 téléchargements par jour en ce moment, mesurés entre deux relevés, à un quart du poids.
+297°
8,894°
total en cours
=
Le score de chaleur.
La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.
8,894°

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Qwen3.8 Flash est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm qwen vision vidéo raisonnement programmation agents contexte long

Parcourir par famille de modèles