Pesos abiertos de Qwen3.8 (2026): Alibaba lanza los checkpoints de 2.4T Max — y un 27B con Apache-2.0 que puedes ejecutar en casa

Del anuncio a los pesos abiertos: el cronograma de dos semanas

Las fechas siguen las fuentes citadas en cada fila; donde las cronologías de la comunidad difieren por un día (12 frente a 14 de agosto para las horas exactas del checkpoint), lo indicamos explícitamente en lugar de simplificarlo.

Qué se lanzó, según las fichas oficiales del modelo

• Qwen3.8-2.4T-A95B (el lanzamiento de clase Max). 2.4 billones de parámetros totales, construido sobre la base de la arquitectura Qwen3.5. Las tablas de benchmarks oficiales lo sitúan junto a Opus 4.8, Claude Fable 5 y GPT-5.6 Sol: Terminal Bench 2.1 con 86.6 (máximo de GPT-5.6 Sol: 88.8), PaperBench con 93.0 (la puntuación más alta de la tabla), GPQA Diamond con 92.6, Agents' Last Exam con 53.6. Los artefactos están documentados como compatibles con vLLM, SGLang y TokenSpeed.
• Qwen3.8-27B (el que puedes ejecutar). 27B denso, visión-lenguaje nativo (imágenes y videos), con control flexible de razonamiento, contexto nativo de 262,144 tokens extensible a 1,000,000. Los materiales de lanzamiento de Alibaba afirman que "supera a Qwen3.7-Plus en general"; el consenso de la comunidad (según la guía de Qwen de codersera) lo considera el nuevo Qwen local por defecto frente a Qwen3.6-27B.
• La diferencia entre la versión alojada y los pesos es clave. Según la ficha oficial, qwen3.8-max (la versión alojada) está construido sobre el checkpoint 2.4T y añade entrada de visión, modo sin razonamiento, 1M de contexto por defecto y herramientas integradas oficiales. Si autoalojas el checkpoint sin procesar, estarás sirviendo la base, no el conjunto completo de funciones de la versión alojada.
• Variantes FP8 del checkpoint grande se publican a la par, para equipos de inferencia en centros de datos que buscan un menor consumo de memoria.

Lo que no se incluyó: lee la letra pequeña

• La licencia del 2.4T no es (según reportes) Apache. El 27B es Apache 2.0; las guías de la comunidad señalan que los repositorios del 2.4T se distribuyen bajo una licencia personalizada de Qwen. Hasta el 21 de agosto no pudimos extraer el texto completo de la licencia desde la página del repositorio; lee la ficha del modelo antes del autoalojamiento comercial, especialmente si lo sirves externamente.
• 27B alojado: sin fecha ni precio. La ficha oficial indica que un 27B alojado en Qwen Cloud llegará "próximamente" con 1M de contexto por defecto y herramientas integradas; nada más específico al momento de la publicación.
• "2.4T abierto" ≠ "2.4T en tu caja de GPU". Las guías de la comunidad sitúan el checkpoint FP8 alrededor de los 2.5TB, territorio de múltiples nodos. La apertura de los pesos es estratégicamente gigantesca y prácticamente relevante para plataformas de inferencia, no para tu estación de trabajo.
• Atribución de precios. Las cifras de $2 / $6 / $0.25 por millón provienen de la cobertura consistente del lanzamiento (latent.space, eigent.ai, codersera, kie.ai frente al catálogo de Qwen Cloud), no de una página de precios capturada directamente por nosotros. Verifica en Model Studio antes de fijar presupuestos.

Precios de la API de Qwen3.8 frente al panorama de modelos chinos (2026)

Con un precio reportado de $2.00 entrada / $6.00 salida por 1M de tokens (y $0.25 entrada en caché), qwen3.8-max se sitúa en el mismo rango de precios que sus pares de vanguardia: cómodamente por debajo de los modelos insignia occidentales y por encima del mínimo en horas valle de DeepSeek.

Las filas de comparación reutilizan precios ya verificados en nuestros informes anteriores (GLM-5.3, DeepSeek, Kimi K3); la fila de qwen3.8-max se basa en lo reportado durante la cobertura del lanzamiento; consulta la letra pequeña arriba.

Ejecútalo en casa: la receta probada en el terreno de Simon Willison

• La configuración. El GGUF Q4_K_M de 17GB en LM Studio, probado en una MacBook Pro de 128GB (M5 Max) y una NVIDIA DGX Spark: aproximadamente 15–30 tokens/s, y cerca de un 72% más rápido con la decodificación especulativa draft-mtp de llama.cpp.
• Ajusta primero el contexto por defecto. 262,144 tokens nativos, pero los 8,192 por defecto de LM Studio "se agotaron solo con el razonamiento". Auméntalo antes de juzgar el modelo.
• Elimina el exceso de razonamiento. El esfuerzo de razonamiento por defecto es xhigh: su prompt para el SVG del pelícano tardó 21 minutos y consumió 22,276 tokens de razonamiento para emitir 3,223 tokens de salida. "Es un gran modelo, pero vaya que esa configuración por defecto es un mal punto de partida"; usa razonamiento bajo o sin razonamiento para tareas cotidianas.
• El veredicto. "Con diferencia, el mejor SVG de un pelícano que he podido generar con un modelo que corre en una máquina local"; y en visión: sus pruebas de bounding-box sobre fotos de pelícanos fueron "una coincidencia excelente". La contrapartida es la velocidad propia de un modelo denso: limitado por el ancho de banda de la memoria, por lo que no se sentirá como un MoE pequeño. Como él mismo dijo: "El hecho de que un archivo de 17GB pueda hacer todo esto en las máquinas de mi casa es un milagro".

¿Hacia qué Qwen3.8 deberías dirigir tus solicitudes?

Cómo se recibió la noticia: en el extranjero y a nivel local

• Hacker News lo convirtió en un hito. La reseña de Willison cuenta con 798 puntos; la ficha en Artificial Analysis (52 en el Intelligence Index) suma un hilo de 380 puntos. Los temas recurrentes: capacidad local líder en su categoría y la peculiaridad del valor por defecto en xhigh.
• El enfoque occidental se centra en Meta. El ángulo de CNBC es la competencia con los nuevos modelos para portátiles Muse Glimmer de Meta; la estadística de Hugging Face de 151,448 derivados basados en Qwen (2.6× la presencia de Meta) respalda el argumento. WIRED y Axios, al cubrir la misma ola de pesos abiertos este mes mediante GLM-5.3, ahora consideran a los modelos abiertos chinos como la frontera predeterminada de la IA abierta.
• La cobertura china lo sitúa en un triplete en una sola semana. El resumen del 16 de agosto de 北京商报 —"一周三更"— alinea la bajada de precios de DeepSeek, la apertura de pesos de Alibaba y la jugada de post-entrenamiento de Zhipu en una sola semana, con datos de OpenRouter que muestran que 6 de los 10 modelos principales a nivel global por uso esa semana fueron chinos.

Accede a Qwen y a todo el catálogo chino mediante un único endpoint compatible con OpenAI

Fuentes primarias

• Blog oficial de Qwen — "Qwen3.8-Max: A New Bar for Coding and Cowork" (primer lanzamiento de clase Max con pesos abiertos)
• Hugging Face — Ficha de modelo Qwen/Qwen3.8-2.4T-A95B (benchmarks, compatibilidad con vLLM/SGLang, desglose de funciones de la versión alojada de Max)
• Hugging Face — Ficha de modelo Qwen/Qwen3.8-27B (VLM denso, contexto 262K→1M, versión alojada "próximamente")
• Hugging Face — Organización Qwen (460 modelos; variante FP8 incluida)
• Simon Willison — "Qwen 3.8 27B is excellent, but it defaults to overthinking things" (16 de agosto de 2026)
• CNBC — "Alibaba answers Meta's AI challenge with new laptop-ready model" (17 de agosto de 2026; estadística de 151,448 derivados en HF)
• Artificial Analysis — Ficha de Qwen3.8-27B, Intelligence Index 52
• Hacker News — Hilo sobre la reseña de Willison (798 puntos)
• eigent.ai — Resumen de pesos abiertos de Qwen3.8-Max (precios $2/$6/$0.25 según latent.space)
• codersera — Guía de generación Qwen (27B Apache 2.0, reemplaza a Qwen3.6-27B; advertencia sobre la licencia de 2.4T)
• kie.ai — Análisis del lanzamiento del 27B (afirmación de Alibaba de que "supera a Qwen3.7-Plus", especificaciones de la ficha de HF)
• 北京商报/东方财富 — "大模型一周三更" (16 de agosto; estadística top-10 de OpenRouter)

Preguntas frecuentes (2026)