Qwen 3.8-Max вышел. Через неделю и веса тоже
2,4 триллиона параметров, 95B активных, контекст 1M.
Цены получается $2 вход / $6 выход
Для сравнения
DeepSeek V4-Flash – $0,14 / $0,28
GLM-5.2 – $1,4 / $4,4
Kimi K3 – $3 / $15
Claude Fable 5 – $10 / $50
Короче я так понял, что они прокачали ее максимально в мультимодальности: всякое распознавание картинок, скриншотов, документов и все вокруг него:
PaperBench 93,0 – это выше GPT5.6 Sol с его 90,5. Весь мультимодальный блок тоже высокий: MathVision 95,2, CharXiv 88,4, OmniDocBench 92,1. Это модель для агентов, которые смотрят на экран, читают PDF и доводят задачу до готового файла. Остальные топовые китайцы чисто текстовые.
Где не очень: чистый код по описанию. DeepSWE 56,6 – ниже, чем у Kimi K3 (67,5), Fable 5 (70,0) и GPT5.6 (73,0). FrontierSWE 73,5 против 81,2 у Kimi.
Ну а всякая последовательная работа крутая:
- За 16 дней автономной работы с нуля построил проект oh-my-cli с саморазвивающимся кодинговым харнесом - qwen-code-dev-bot/oh-my-cli
- За ~125 часов написал 7 600 строк кода для проверки статьи, провёл 33 раунда GPU-обучения, воспроизвёл все 6 выводов статьи, затем придумал и проверил 18 своих гипотез и превзошёл метод авторов на +2,7 пункта
- За 500 ходов оптимизировал чип, уменьшил площадь кристалла в 5 раз, лучший результат среди всех проверенных моделей.
Короче, там где модель может посмотреть на результаты и получать обратную связь или нужны PDF/фото/видео- результаты отличные, даже круче закрытых моделей. Чисто по коду лучше брать GLM-5.2, Kimi и топовых OpenAI/Anthropic.
https://qwen.ai/blog?id=qwen3.8
2,4 триллиона параметров, 95B активных, контекст 1M.
Цены получается $2 вход / $6 выход
Для сравнения
DeepSeek V4-Flash – $0,14 / $0,28
GLM-5.2 – $1,4 / $4,4
Kimi K3 – $3 / $15
Claude Fable 5 – $10 / $50
Короче я так понял, что они прокачали ее максимально в мультимодальности: всякое распознавание картинок, скриншотов, документов и все вокруг него:
PaperBench 93,0 – это выше GPT5.6 Sol с его 90,5. Весь мультимодальный блок тоже высокий: MathVision 95,2, CharXiv 88,4, OmniDocBench 92,1. Это модель для агентов, которые смотрят на экран, читают PDF и доводят задачу до готового файла. Остальные топовые китайцы чисто текстовые.
Где не очень: чистый код по описанию. DeepSWE 56,6 – ниже, чем у Kimi K3 (67,5), Fable 5 (70,0) и GPT5.6 (73,0). FrontierSWE 73,5 против 81,2 у Kimi.
Ну а всякая последовательная работа крутая:
- За 16 дней автономной работы с нуля построил проект oh-my-cli с саморазвивающимся кодинговым харнесом - qwen-code-dev-bot/oh-my-cli
- За ~125 часов написал 7 600 строк кода для проверки статьи, провёл 33 раунда GPU-обучения, воспроизвёл все 6 выводов статьи, затем придумал и проверил 18 своих гипотез и превзошёл метод авторов на +2,7 пункта
- За 500 ходов оптимизировал чип, уменьшил площадь кристалла в 5 раз, лучший результат среди всех проверенных моделей.
Короче, там где модель может посмотреть на результаты и получать обратную связь или нужны PDF/фото/видео- результаты отличные, даже круче закрытых моделей. Чисто по коду лучше брать GLM-5.2, Kimi и топовых OpenAI/Anthropic.
https://qwen.ai/blog?id=qwen3.8