Bolehkah saya jalankan Qwen3.8-Flash secara tempatan?

Ya, beratnya terbuka dan diterbitkan di Hugging Face di bawah repositori Qwen/Qwen3.8-Flash-Next, serasi dengan Transformers, vLLM, dan SGLang. Perlu diingat jumlah parameter adalah 125B, jadi penyebaran tempatan memerlukan perkakasan yang besar walaupun hanya 6B parameter diaktifkan setiap laluan ke hadapan.

Berapa kos Qwen3.8-Flash dan berapa had konteksnya?

Melalui API Qwen Cloud, harganya $0.15 bagi setiap juta token input dan $0.47 bagi setiap juta token output, dengan tetingkap konteks satu juta token tersedia secara lalai pada perkhidmatan terurus.

Bagaimana Qwen3.8-Flash berbeza daripada model Qwen3 lain?

Ia menggunakan arkitektur baru—Qwen Sparse Attention, Gated Residual streams, dan N-gram Embedding—yang Alibaba gambarkan sebagai asas untuk Qwen4, bukan tumpukan transformer standard yang digunakan dalam keluaran Qwen3 terdahulu. Pertukarannya ialah ia adalah pratonton eksperimental, bukan model produksi yang sepenuhnya mantap.

▲

37.8%

minggu ini

Qwen3.8 Flash

8894°

#llm #qwen #penglihatan #video #penalaran #pengaturcaraan

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Qwen | konteks token 1,000,000 | $0.15/M input, $0.47/M output. Qwen3.8 Flash adalah model penaakulan multimodal dari Alibaba. Ia sesuai untuk bantuan pengaturcaraan, aliran kerja agen, pemahaman visual, analisis dokumen dan kod, interaksi desktop, analisis carta, dan analisis video panjang.

Panduan untuk model ini

Cara memilih model AI pada Oktober 2026: berita sumber tertutup, kemudian berat terbuka yang patut dimuat turun

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Cara Pasang Ollama dan Jalankan AI Tempatan (Windows, Mac, Linux)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Qwen3.8-Flash adalah model penalaran multimodal dari Alibaba dengan berat terbuka dan tetingkap konteks satu juta token. Arkitekturnya—Qwen Sparse Attention, Gated Residual, dan N-gram Embedding—diletakkan secara eksplisit sebagai asas untuk Qwen4, menjadikannya pratonton eksperimental sama seperti alat produksi. Dengan kos kurang daripada setengah sen bagi setiap seribu token output, ia sesuai untuk pembangun yang memerlukan penglihatan, video, dan penalaran konteks panjang tanpa bil API yang besar.

Dikenali untuk

Tetingkap konteks satu juta token untuk kod besar dan dokumen panjang
Multimodal: mengendalikan imej, carta, video, dan interaksi desktop
Arkitektur baru yang menjadi pratonton Qwen4: latensi konteks panjang lebih rendah melalui QSA
Berat terbuka di Hugging Face, serasi dengan vLLM, SGLang, dan Transformers
125B jumlah parameter dengan hanya 6B diaktifkan, mengekalkan kos inferens rendah

Berhati-hati dengan

Ditandakan sebagai pratonton arkitektur eksperimental; kestabilan produksi tidak dijamin.
125B jumlah berat menjadikan penyebaran tempatan mencabar walaupun hanya 6B diaktifkan.
Terma lesen tidak diperincikan dalam kad model; periksa repositori Hugging Face sebelum penggunaan komersial.

Terbaik untuk

Pengaturcaraan

Ejen dan penggunaan alat

Penalaran

Penglihatan

Konteks panjang

Arahan untuk cuba

Selesaikan masalah saluran paip async yang gagal

Saya mempunyai saluran paip async Python yang memproses kumpulan rekod dari antrian. Pekerja kadang-kadang mengalami deadlock apabila antrian kosong di tengah kumpulan. Berikut adalah kod berkaitan: ```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)) ``` Terangkan mengapa deadlock berlaku dan tulis semula pekerja supaya mengendalikan antrian kosong dengan bersih.

Analisis imej carta

Saya melampirkan carta dari laporan perniagaan suku tahunan. Kenal pasti jenis carta, terangkan trend yang ditunjukkan, nyatakan sebarang anomali atau titik infleksi, dan cadangkan satu soalan susulan yang harus ditanya oleh penganalisis berdasarkan data tersebut.

Rancang agen penyelidikan berbilang langkah

Reka aliran kerja agen minimal yang mengambil soalan pengguna tentang sebuah syarikat, memecahkannya kepada sub-tugas (carian web, semakan data kewangan, pemeriksaan sentimen), menentukan urutan panggilan alat, dan mensintesis jawapan akhir. Senaraikan alat yang diperlukan, logik keputusan antara langkah, dan di mana anda akan menambah titik pemeriksaan manusia dalam gelung.

Bandingkan dengan

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

Lebih banyak model teks dari qwen

Soalan yang sering ditanya

Bolehkah saya jalankan Qwen3.8-Flash secara tempatan?: Ya, beratnya terbuka dan diterbitkan di Hugging Face di bawah repositori Qwen/Qwen3.8-Flash-Next, serasi dengan Transformers, vLLM, dan SGLang. Perlu diingat jumlah parameter adalah 125B, jadi penyebaran tempatan memerlukan perkakasan yang besar walaupun hanya 6B parameter diaktifkan setiap laluan ke hadapan.
Berapa kos Qwen3.8-Flash dan berapa had konteksnya?: Melalui API Qwen Cloud, harganya $0.15 bagi setiap juta token input dan $0.47 bagi setiap juta token output, dengan tetingkap konteks satu juta token tersedia secara lalai pada perkhidmatan terurus.
Bagaimana Qwen3.8-Flash berbeza daripada model Qwen3 lain?: Ia menggunakan arkitektur baru—Qwen Sparse Attention, Gated Residual streams, dan N-gram Embedding—yang Alibaba gambarkan sebagai asas untuk Qwen4, bukan tumpukan transformer standard yang digunakan dalam keluaran Qwen3 terdahulu. Pertukarannya ialah ia adalah pratonton eksperimental, bukan model produksi yang sepenuhnya mantap.

Keputusan Kapten
Arkitektur yang benar-benar baru pada harga rendah, tetapi anggap ia sebagai pandangan awal kepada Qwen4 dan bukan pilihan produksi yang sudah mantap.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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

Trend populariti Qwen3.8 Flash

Skor panas sejak 26 Aug 2026

Skor haba

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 dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,597°

Token OpenRouter

2,098,089,404,683 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 209,808 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

+297°

Kadar penerimaan

Kira-kira 9,165 muat turun sehari, diukur antara dua bacaan sumber, tidak pernah dianggarkan dari purata sepanjang hayat. Kelajuan seberat suku istilah muat turun, jadi lonjakan baru kelihatan tanpa membiarkan lonjakan satu hari mengatasi penggunaan bertahun-tahun.

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 8,894°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
209,808 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,597°
8,597°
jumlah berjalan
3
Tambah kadar penerimaan.
Sekitar 9,165 muat turun sehari sekarang, diukur antara dua bacaan, dengan berat suku.
+297°
8,894°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
8,894°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Hy3

TEXT / LLM

MiMo V2.6 Pro UltraSpeed

Model AI untuk penjanaan imej, video dan teks

Qwen3.8 Flash ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm qwen penglihatan video penalaran pengaturcaraan ejen konteks panjang

Layari mengikut keluarga model