Kan jag köra Qwen3.8-Flash lokalt?

Ja, vikterna är öppna och publicerade på Hugging Face under repot Qwen/Qwen3.8-Flash-Next, kompatibla med Transformers, vLLM och SGLang. Var medveten om att det totala antalet parametrar är 125 miljarder, så lokal driftsättning kräver betydande hårdvara även om endast 6 miljarder parametrar aktiveras per framåtpass.

Vad kostar Qwen3.8-Flash och hur stort är kontextfönstret?

Via Qwen Cloud API kostar det $0.15 per miljon inmatningstoken och $0.47 per miljon utmatningstoken, med ett kontextfönster på en miljon token som standard på den hanterade tjänsten.

Hur skiljer sig Qwen3.8-Flash från andra Qwen3-modeller?

Den använder en ny arkitektur—Qwen Sparse Attention, Gated Residual streams och N-gram Embedding—som Alibaba beskriver som grunden för Qwen4, istället för den standardtransformatorstack som användes i tidigare Qwen3-versioner. Avvägningen är att det är en experimentell förhandsvisning, inte en fullt mogen produktionsmodell.

▲

37.8%

den här veckan

Qwen3.8 Flash

8894°

#llm #qwen #vision #video #resonemang #kodning

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Qwen | 1 000 000 tokens kontext | $0.15/M input, $0.47/M output. Qwen3.8 Flash är en multimodal resonemangsmodell från Alibaba. Den är lämpad för kodningsassistans, agentbaserade arbetsflöden, visuell förståelse, dokument- och kodbasanalys, skrivbordsinteraktion, diagramanalys och långvideanalys.

Guider för denna modell

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Qwen3.8-Flash är en multimodal resonemangsmodell från Alibaba med öppna vikter och ett kontextfönster på en miljon token. Dess arkitektur—Qwen Sparse Attention, Gated Residual och N-gram Embedding—är uttryckligen positionerad som grunden för Qwen4, vilket gör den till en experimentell förhandsvisning lika mycket som ett produktionsverktyg. Med en kostnad under en halv cent per tusen utgående token passar den utvecklare som behöver syn, video och resonemang över lång kontext utan en stor API-räkning.

Känd för

En-miljon-token kontextfönster för stora kodbaser och långa dokument
Multimodal: hanterar bilder, diagram, video och skrivbordsinteraktion
Ny arkitektur som förhandsvisar Qwen4: lägre latens för lång kontext via QSA
Öppna vikter på Hugging Face, kompatibel med vLLM, SGLang och Transformers
125 miljarder totala parametrar med endast 6 miljarder aktiverade, vilket håller inferenskostnader låga

Se upp för

Betecknad som en experimentell arkitekturförhandsvisning; produktionsstabilitet är inte garanterad.
125 miljarder totala vikter gör lokal driftsättning krävande trots 6 miljarder aktiverade parametrar.
Licensvillkor är inte detaljerade i modellkortet; kontrollera Hugging Face-repot innan kommersiell användning.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Syn

Lång kontext

Promptar att prova

Felsök en felande async-pipeline

Jag har en Python async-pipeline som bearbetar batchar av poster från en kö. Arbetare fastnar ibland i deadlock när kön töms mitt i en batch. Här är relevant kod: ```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)) ``` Förklara varför deadlock uppstår och skriv om workern så att den hanterar en tom kö på ett korrekt sätt.

Analysera en diagrambild

Jag bifogar ett diagram från en kvartalsrapport. Identifiera diagramtypen, beskriv trenden som visas, påpeka eventuella avvikelser eller vändpunkter och föreslå en uppföljningsfråga som en analytiker bör ställa baserat på vad datan visar.

Planera en flerstegs forskningsagent

Designa ett minimalt agentbaserat arbetsflöde som tar en användarfråga om ett företag, delar upp den i deluppgifter (webbsökning, finansiell datainsamling, sentimentkontroll), bestämmer ordningen för verktygsanrop och syntetiserar ett slutgiltigt svar. Lista de verktyg som behövs, beslutslogiken mellan stegen och var du skulle lägga in en mänsklig kontrollpunkt.

Jämför med

Qwen3.7 Flash
Endast API-modell
1,000,000 tokens kontext · $0.03/M indata, $0.13/M utdata
Qwen3.8 Max (0902)
Endast API-modell
1,000,000 tokens kontext · $2.00/M indata, $6.00/M utdata
Qwen3.8 Omni Flash
Endast API-modell
1,000,000 tokens kontext · $0.15/M indata, $0.47/M utdata
Qwen3 VL 32B Instruct
Endast API-modell
131,072 tokens kontext · $0.10/M indata, $0.42/M utdata

Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen3.8-Flash lokalt?: Ja, vikterna är öppna och publicerade på Hugging Face under repot Qwen/Qwen3.8-Flash-Next, kompatibla med Transformers, vLLM och SGLang. Var medveten om att det totala antalet parametrar är 125 miljarder, så lokal driftsättning kräver betydande hårdvara även om endast 6 miljarder parametrar aktiveras per framåtpass.
Vad kostar Qwen3.8-Flash och hur stort är kontextfönstret?: Via Qwen Cloud API kostar det $0.15 per miljon inmatningstoken och $0.47 per miljon utmatningstoken, med ett kontextfönster på en miljon token som standard på den hanterade tjänsten.
Hur skiljer sig Qwen3.8-Flash från andra Qwen3-modeller?: Den använder en ny arkitektur—Qwen Sparse Attention, Gated Residual streams och N-gram Embedding—som Alibaba beskriver som grunden för Qwen4, istället för den standardtransformatorstack som användes i tidigare Qwen3-versioner. Avvägningen är att det är en experimentell förhandsvisning, inte en fullt mogen produktionsmodell.

Kaptens omdöme
En verkligt ny arkitektur till ett lågt pris, men behandla den som en tidig förhandsvisning av Qwen4 snarare än ett färdigt produktionsval.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för Qwen3.8 Flash

Värmenpoäng sedan 26 Aug 2026

Värmescore

8,894°

Den här veckan

▲

37.8%

8,851° då, 8,894° nu

Den här månaden

▲

532%

8,650° då, 8,894° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,597°

OpenRouter-token

2,098,089,404,683 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 209,808; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+297°

Adoptionshastighet

Ungefär 9,165 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 8,894°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
209,808 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,597°
8,597°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 9,165 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+297°
8,894°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
8,894°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Qwen3.8 Flash är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm qwen vision video resonemang kodning agenter lång kontext

Bläddra efter modellfamilj