Bisakah saya menjalankan Qwen3.8-Flash secara lokal?

Ya, bobotnya terbuka dan dipublikasikan di Hugging Face pada repositori Qwen/Qwen3.8-Flash-Next, kompatibel dengan Transformers, vLLM, dan SGLang. Perlu diingat total parameter 125B, jadi penyebaran lokal memerlukan perangkat keras yang cukup meskipun hanya 6B parameter yang diaktifkan per proses maju.

Berapa biaya Qwen3.8-Flash dan berapa batas konteksnya?

Melalui API Qwen Cloud, harganya $0,15 per juta token input dan $0,47 per juta token output, dengan jendela konteks satu juta token tersedia secara default pada layanan terkelola.

Apa perbedaan Qwen3.8-Flash dengan model Qwen3 lainnya?

Model ini menggunakan arsitektur baru—Qwen Sparse Attention, Gated Residual streams, dan N-gram Embedding—yang Alibaba sebut sebagai dasar untuk Qwen4, bukan tumpukan transformer standar yang digunakan pada rilis Qwen3 sebelumnya. Trade-off-nya adalah ini merupakan pratinjau eksperimental, bukan model produksi yang sudah matang.

▲

37.8%

minggu ini

Qwen3.8 Flash

8894°

#llm #qwen #visi #video #penalaran #pemrograman

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Qwen | konteks token 1.000.000 | $0,15/M input, $0,47/M output. Qwen3.8 Flash adalah model penalaran multimodal dari Alibaba. Cocok untuk bantuan pengkodean, alur kerja agen, pemahaman visual, analisis dokumen dan basis kode, interaksi desktop, analisis grafik, dan analisis video panjang.

Panduan untuk model ini

Cara memilih model AI di Oktober 2026: berita sumber tertutup, lalu bobot terbuka yang layak diunduh

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

Cara Menginstal Ollama dan Menjalankan AI Lokal (Windows, Mac, Linux)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Qwen3.8-Flash adalah model penalaran multimodal dari Alibaba dengan bobot terbuka dan jendela konteks satu juta token. Arsitekturnya—Qwen Sparse Attention, Gated Residual, dan N-gram Embedding—secara eksplisit diposisikan sebagai dasar untuk Qwen4, menjadikannya pratinjau eksperimental sekaligus alat produksi. Dengan biaya kurang dari setengah sen per seribu token keluaran, model ini cocok untuk pengembang yang membutuhkan visi, video, dan penalaran konteks panjang tanpa tagihan API besar.

Dikenal untuk

Jendela konteks satu juta token untuk basis kode besar dan dokumen panjang
Multimodal: menangani gambar, grafik, video, dan interaksi desktop
Arsitektur baru yang menjadi pratinjau Qwen4: latensi konteks panjang lebih rendah melalui QSA
Bobot terbuka di Hugging Face, kompatibel dengan vLLM, SGLang, dan Transformers
125B total parameter dengan hanya 6B yang diaktifkan, menjaga biaya inferensi tetap rendah

Waspadai

Diberi label sebagai arsitektur pratinjau eksperimental; stabilitas produksi tidak dijamin.
125B total bobot membuat penyebaran lokal menuntut meskipun hanya 6B yang diaktifkan.
Ketentuan lisensi tidak dirinci dalam kartu model; periksa repositori Hugging Face sebelum penggunaan komersial.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Penglihatan

Konteks panjang

Prompt untuk dicoba

Debug pipeline async yang gagal

Saya memiliki pipeline async Python yang memproses batch catatan dari antrean. Pekerja kadang mengalami deadlock saat antrean kosong di tengah batch. Berikut kode terkait: ```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)) ``` Jelaskan mengapa deadlock terjadi dan tulis ulang worker agar menangani antrean kosong dengan baik.

Analisis gambar grafik

Saya melampirkan grafik dari laporan bisnis kuartalan. Identifikasi jenis grafik, jelaskan tren yang ditampilkan, soroti anomali atau titik belok, dan sarankan satu pertanyaan lanjutan yang harus diajukan analis berdasarkan data tersebut.

Rencanakan agen riset multi-langkah

Rancang alur kerja agen minimal yang mengambil pertanyaan pengguna tentang sebuah perusahaan, memecahnya menjadi sub-tugas (pencarian web, pencarian data keuangan, pemeriksaan sentimen), menentukan urutan pemanggilan alat, dan menyintesis jawaban akhir. Daftar alat yang dibutuhkan, logika keputusan antar langkah, dan tempat menambahkan titik pemeriksaan manusia dalam proses.

Bandingkan dengan

Qwen3.7 Flash
Model hanya API
konteks 1,000,000 token · $0.03/M input, $0.13/M output
Qwen3.8 Max (0902)
Model hanya API
konteks 1,000,000 token · $2.00/M input, $6.00/M output
Qwen3.8 Omni Flash
Model hanya API
konteks 1,000,000 token · $0.15/M input, $0.47/M output
Qwen3 VL 32B Instruct
Model hanya API
konteks 131,072 token · $0.10/M input, $0.42/M output

Model teks lain dari qwen

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Qwen3.8-Flash secara lokal?: Ya, bobotnya terbuka dan dipublikasikan di Hugging Face pada repositori Qwen/Qwen3.8-Flash-Next, kompatibel dengan Transformers, vLLM, dan SGLang. Perlu diingat total parameter 125B, jadi penyebaran lokal memerlukan perangkat keras yang cukup meskipun hanya 6B parameter yang diaktifkan per proses maju.
Berapa biaya Qwen3.8-Flash dan berapa batas konteksnya?: Melalui API Qwen Cloud, harganya $0,15 per juta token input dan $0,47 per juta token output, dengan jendela konteks satu juta token tersedia secara default pada layanan terkelola.
Apa perbedaan Qwen3.8-Flash dengan model Qwen3 lainnya?: Model ini menggunakan arsitektur baru—Qwen Sparse Attention, Gated Residual streams, dan N-gram Embedding—yang Alibaba sebut sebagai dasar untuk Qwen4, bukan tumpukan transformer standar yang digunakan pada rilis Qwen3 sebelumnya. Trade-off-nya adalah ini merupakan pratinjau eksperimental, bukan model produksi yang sudah matang.

Putusan Kapten
Arsitektur yang benar-benar baru dengan harga rendah, tapi perlakukan ini sebagai pandangan awal ke Qwen4 daripada pilihan produksi yang sudah mapan.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Tren popularitas Qwen3.8 Flash

Skor panas sejak 26 Aug 2026

Skor panas

8,894°

Minggu ini

▲

37.8%

8,851° dulu, 8,894° sekarang

Bulan ini

▲

532%

8,650° dulu, 8,894° sekarang

Tahun lalu

n/a

Belum dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,597°

Token OpenRouter

2,098,089,404,683 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 209,808; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

+297°

Tingkat adopsi

Sekitar 9,165 unduhan per hari, diukur antara dua pembacaan sumber, tidak pernah ditebak dari rata-rata seumur hidup. Kecepatan dihitung seperempat dari istilah unduhan, jadi lonjakan baru terlihat tanpa membiarkan lonjakan satu hari mengalahkan penggunaan bertahun-tahun.

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 8,894°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
209,808 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,597°
8,597°
total berjalan
3
Tambahkan tingkat adopsi.
Sekitar 9,165 unduhan per hari sekarang, diukur antara dua pembacaan, dengan bobot seperempat.
+297°
8,894°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
8,894°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

Gemini 3 Flash Preview

Model AI untuk Pembuatan Gambar, Video & Teks

Qwen3.8 Flash adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm qwen visi video penalaran pemrograman agen konteks panjang

Jelajahi berdasarkan Keluarga Model