Qwen3.8-Flash im Faktencheck: Preise, 1M Kontext, Benchmarks und Flash-Next erklärt

Aktualisiert am 13. Oktober 2026 (ursprüngliche Launch-Recherche: 28. August). Qwen3.8-Flash ist Alibabas neues gehostetes multimodales Flash-Modell mit dem API-Namen qwen3.8-flash. Es verarbeitet Text, Bilder und Video, gibt Text aus und bietet in Alibaba Model Studio einen Kontext von 1.000.000 Tokens. Wichtig: Qwen3.8-Flash ist nicht dasselbe wie Qwen3.8-Flash-Next. Flash-Next ist die parallel veröffentlichte Open-Weight-Architekturvorschau in Richtung Qwen4. Wer Preise, Parameterzahlen, Lizenz und lokale Hardwareanforderungen vermischt, kommt deshalb schnell zu falschen Aussagen. ¹²³⁴⁵⁶

Kurzantwort

• Hosted Qwen3.8-Flash: bis zu 991.808 Input-Tokens, 131.072 Output-Tokens und 1.000.000 Tokens Gesamtkontext. Thinking ist standardmäßig aktiv. ⁴⁷
• Multimodal: Text, Bilder und Video als Eingabe; Text als Ausgabe. Function Calling, Structured Output, Prefix Continuation und Context Caching werden unterstützt. ⁴⁸
• Aktueller Originalpreis in Frankfurt/Beijing: 0,8 CNY pro 1 Mio. Input-Tokens und 2,7 CNY pro 1 Mio. Output-Tokens. In Singapore sind es 1,094 bzw. 3,427 CNY. ⁴⁶
• Öffentliche USD-API-Referenz: QwenCloud/OpenRouter listen rund 0,16 US-Dollar pro 1 Mio. Input-Tokens und 0,47 US-Dollar pro 1 Mio. Output-Tokens. ⁹¹⁰
• Flash-Next: 125B-Parameter-Hauptmodell plus 51B N-Gram-Embedding, 6B aktive Parameter pro Token; Qwen Community License 1.0. Diese Architekturangaben gelten direkt für Flash-Next, nicht automatisch für den gehosteten Produktionsendpunkt. ²¹¹
• Lokaler Betrieb: prinzipiell über Transformers, llama.cpp, MLX, SGLang, vLLM und Drittanbieter-Quantisierungen möglich, aber das Modell ist groß. Unsloth nennt für eine extreme 1-Bit-Quantisierung etwa 75 GB RAM/Unified Memory. ²¹²¹³

Qwen3.8-Flash und Qwen3.8-Flash-Next: der wichtigste Unterschied

Alibaba veröffentlichte am 26. August 2026 zwei eng verwandte Namen. qwen3.8-flash bezeichnet den produktiven Cloud-Endpunkt. Qwen3.8-Flash-Next bezeichnet die offenen Gewichte einer experimentellen Architekturvorschau. Qwen beschreibt Flash-Next ausdrücklich als frühen Blick auf die Architektur, die für Qwen4 vorgesehen ist. ¹²⁵

Diese Trennung hat praktische Folgen:

Punkt	Qwen3.8-Flash	Qwen3.8-Flash-Next
Hauptrolle	Gehostetes Produktionsmodell	Open-Weight-Architekturpreview
API-ID	qwen3.8-flash	je nach Host Qwen/Qwen3.8-Flash-Next
Kontext	1.000.000 Tokens	262.144 nativ; Erweiterung auf 1M via YaRN laut Qwen
Lokale Gewichte	nicht durch den Cloud-Namen beschrieben	ja
Architekturparameter	nicht separat als Cloud-Spezifikation veröffentlicht	125B Hauptmodell + 51B N-Gram; 6B aktiv/Token
Lizenz	Cloud-Nutzungsbedingungen	Qwen Community License 1.0
Typischer Einsatz	API, Agenten, Coding, lange Dokumente	Forschung, Self-Hosting, Quantisierung, Inference-Engineering

Das ist mehr als Namenskosmetik: Die oft zitierte Zahl „125B“ gehört zur Flash-Next-Veröffentlichung. Sie sollte nicht ohne Zusatz als Parameterzahl des gehosteten qwen3.8-flash ausgegeben werden. ²⁴

Kontextfenster und Ausgabelimit

Alibaba dokumentiert für das gehostete Modell 1.000.000 Tokens Kontext. Ohne Thinking sind maximal 991.808 Input-Tokens möglich; im Thinking-Modus 983.616. Die maximale Ausgabe liegt jeweils bei 131.072 Tokens, die maximale Thinking-Kette bei 262.144 Tokens. ⁴

Damit zielt das Modell auf Workloads jenseits reiner Kurz-Chats: große Repositories, lange Dokumente, agentische Verläufe oder multimodale Eingaben. Ein 1M-Fenster bedeutet allerdings nicht, dass jede Anwendung automatisch sinnvoll eine Million Tokens senden sollte. Latenz, Kosten, Retrieval-Qualität und die Fähigkeit, relevante Details über sehr lange Sequenzen zu nutzen, bleiben separate Fragen.

Aktuelle Preise: Launch-Angabe und heutige Dokumentation unterscheiden sich

Reuters berichtete zum Launch am 26. August von 1 CNY pro Million Input-Tokens und 3 CNY pro Million Output-Tokens. Zwei Tage später weist die aktuelle offizielle Alibaba-Dokumentation für Beijing und Frankfurt bereits 0,8 CNY Input / 2,7 CNY Output aus. Für Singapore gelten 1,094 / 3,427 CNY. ⁴⁶¹⁴

Das ist ein gutes Beispiel dafür, warum Launch-Artikel bei API-Preisen schnell altern. Für Kauf- oder Kostenentscheidungen sollte die aktuelle regionale Preisseite maßgeblich sein. Für den Vergleich mit dem größeren Modell gibt es im Qwen3.8-Max-Faktencheck eine separate Preis- und Benchmark-Einordnung.

Gegen Qwen3.7-Flash ist 3.8 nicht immer billiger

Auf der Qwen3.7-Flash-Modellseite kostet die Standardabfrage in Frankfurt/Global und Beijing bei Prompts bis 32K Tokens 0,2 CNY Input und 0,8 CNY Output je 1 Mio. Tokens (Listenpreise, abgeglichen am 13. Oktober 2026). Damit ist Qwen3.8-Flash in diesem kurzen Bereich 4× so teuer beim Input und 3,375× beim Output. Erst im langen Tier von 256K bis 1M dreht sich die Rechnung: Qwen3.7-Flash kostet dort 1,2/4,8 CNY, Qwen3.8-Flash 0,8/2,7 CNY. Qwen3.8 ist dann rechnerisch 33,3 % günstiger beim Input und 43,75 % günstiger beim Output. ⁶

Redaktionelle Schlussfolgerung: Qwen3.8-Flash ist kein pauschaler Preisnachfolger für jeden kurzen Chat. Der wirtschaftliche Vorteil ist besonders interessant, wenn lange Kontexte, bessere Modellqualität oder Agentenfunktionen tatsächlich genutzt werden.

Drei Kostenbeispiele in US-Dollar

Mit der öffentlich gelisteten QwenCloud/OpenRouter-Referenz von 0,16 Dollar pro Million Input- und 0,47 Dollar pro Million Output-Tokens ergeben sich folgende reinen Tokenkosten. ⁹¹⁰

Nutzung	Input/Monat	Output/Monat	Eigene Rechnung
leicht	10 Mio.	2 Mio.	$2,54
mittel	100 Mio.	20 Mio.	$25,40
intensiv	1 Mrd.	200 Mio.	$254,00

Formel: (Input-Mio. × 0,16 $) + (Output-Mio. × 0,47 $). Nicht enthalten sind mögliche Provideraufschläge, Tools, Websuche, Speicherung oder wechselnde Rabatte.

Was ändert Flash-Next technisch?

Qwen3.8-Flash-Next kombiniert drei GDN-Schichten mit einer QSA-Schicht in einem wiederkehrenden Muster. SGLang beschreibt 48 Schichten insgesamt: 36 GDN- und 12 QSA-Schichten. QSA steht für Qwen Sparse Attention und soll bei langen Sequenzen nur besonders relevante Kontextbereiche für die teure Attention auswählen. ²¹⁵

Dazu kommen zwei ungewöhnliche Bausteine:

Gated Residual (GR) verbreitert den Residualpfad auf vier Zweige und steuert dynamisch, welche Information gelesen und zurückgeschrieben wird. N-Gram Embedding ergänzt einen großen, hashbasierten Speicher für lokale Tokenmuster. Qwen nennt dafür 51B zusätzliche Embedding-Parameter; SGLang beschreibt, dass diese Tabelle in Host-RAM ausgelagert werden kann, sodass sie nicht dauerhaft GPU-Speicher belegt. ²¹⁵

Das Hauptmodell hat 125B Parameter, während pro Token 6B Parameter aktiviert werden. Qwen vergleicht den Trainingsaufwand mit Qwen3.7-Plus und nennt etwa ein Neuntel der Trainingskosten. Das ist eine Herstellerangabe, keine unabhängig reproduzierte Kostenrechnung. ²¹⁴

Benchmarks: stark, aber Hersteller- und Fremdmessungen trennen

Qwen meldet für Flash-Next unter anderem 62,5 auf SWE-bench Pro, 81,0 auf SWE-bench Multilingual, 73,9 auf CoWorkBench, 91,7 auf GPQA Diamond und 91,9 auf LiveCodeBench v6. Diese Werte zeigen, wo Qwen das Modell positioniert: Coding, Agenten/Office-Aufgaben und allgemeines Reasoning. Sie sind jedoch Herstellerbenchmarks und hängen von Harness, Sampling, Tooling und Prompting ab. ¹

Eine unabhängige Gegenperspektive liefert Artificial Analysis. Dort erreicht Flash-Next zum Prüfzeitpunkt einen Intelligence Index von 56; für einen getesteten Alibaba-Endpunkt werden etwa 73,4 Output-Tokens/s und 2,98 Sekunden Time-to-First-Token ausgewiesen. Diese Messungen beantworten andere Fragen als Qwens Einzelbenchmarks und sollten nicht zu einer gemeinsamen Rangliste vermischt werden. ¹⁶

API und Agentenfunktionen

Alibaba dokumentiert OpenAI-kompatible Chat-Completions und Responses sowie eine Anthropic-kompatible Messages API. In Model Studio unterstützt Qwen3.8-Flash Function Calling, Structured Output, Prefix Continuation und Context Caching. Thinking ist beim Modell standardmäßig aktiv. ^4171871920

Für produktive Anwendungen ist die Region wichtig. In Frankfurt ist Context Caching verfügbar, die integrierte Websuche für dieses Modell laut Modellseite dagegen nicht. Batch Inference ist für Qwen3.8-Flash in Beijing unterstützt, nicht aber in Singapore und Frankfurt; die Batch-Dokumentation setzt parallel ein 256K-Kontextlimit pro Batch-Anfrage. ^4212223

Auch Rate Limits unterscheiden sich: Alibaba nennt für Beijing 30.000 RPM und 5 Mio. TPM, für Singapore 15.000 RPM und 2 Mio. TPM; Frankfurt wird mit 30.000 RPM und 5 Mio. TPM geführt. ²⁴

Frankfurt ist nicht automatisch EU Scope: Anbieterregion und Cache-Kosten prüfen

Die offizielle Alibaba-Liste der cachefähigen Modelle nach Region und Scope führt qwen3.8-flash für Frankfurt im „Global scope“. Im unmittelbar darunter aufgeführten „EU scope“ für Frankfurt ist Qwen3.8-Flash derzeit nicht gelistet (erneut abgeglichen am 13. Oktober 2026). Die separate Modellseite kennzeichnet Frankfurt ausdrücklich mit „Deployment scope: Global“. Ein Serverstandort Frankfurt beziehungsweise eine dort aufrufbare Modell-ID ist deshalb kein belastbarer Nachweis für die EU-Scope-Zusicherung. Für personenbezogene Daten die Modellverfügbarkeit im konkret vertraglich gewählten EU-Scope sowie Datenaufbewahrung, Transfers und AVV prüfen. Wenn das Modell im EU-Scope nicht angeboten wird, nicht still auf Global ausweichen. Eine IP-Adresse oder in Euro ausgestellte Rechnung beweist ebenfalls keinen EU-Scope.

Cache-Ersparnis ist nicht dasselbe wie ein hohes Wochenkontingent

Alibaba unterscheidet zwei Cache-Verfahren:

Eigenschaft	Automatischer (impliziter) Cache	Expliziter Cache
Aktivierung	Automatisch, kann laut Dokumentation nicht deaktiviert werden	cache_control: {"type":"ephemeral"} für geeignete Inhaltsblöcke
Treffer	Nicht garantiert; gleicher Anfang des Prompts kann wiederverwendet werden	Wiederverwendung eines explizit markierten Präfixes nach Cache-Erstellung
Mindestgröße	1.024 Tokens für potenzielle Treffer	1.024 Tokens pro Cache-Block
Qwen3.8-Flash, Frankfurt/Global	Cache-Hit 0,1 CNY / 1 Mio. Tokens (12,5 % des regulären Inputs)	Erstellung 1,25 CNY / 1 Mio. Tokens (156,25 %); Hit 0,1 CNY (12,5 %)
Lebensdauer	Nicht garantiert, automatische Bereinigung	5 Minuten, nach Treffer erneut fünf Minuten

Abweichung vom Standardmodell: Alibabas allgemeine Context-Cache-Regeln listen explizite Cache-Erstellung standardmäßig mit 125 % und Treffer mit 10 % (sowie implizite Treffer mit 20 % des normalen Input-Preises). Warum der bisherige 20-%-Wert für dieses Modell nicht gilt: Alibaba nimmt qwen3.8-flash ausdrücklich von dieser Standardregel aus. Die Modellseite für Frankfurt (Global scope) weist 0,8 CNY für gewöhnliche Input-Tokens, 0,1 CNY für implizite und explizite Cache-Treffer sowie 1,25 CNY für explizite Cache-Erstellung aus – jeweils pro 1 Mio. Tokens. Das entspricht 12,5 % beziehungsweise 156,25 % des normalen Input-Preises. Preise für Singapore oder andere Scopes weichen ab; ebenso muss expliziter Cache für die gewählte Modell-/Scope-Kombination freigegeben sein. Die getrennte Responses-Session-Caching-Funktion ist nicht mit diesem Chat-Completions-Cache gleichzusetzen. Bei einer Abrechnung gilt die konkrete Modell-/Scope-Preisseite.

Rechenbeispiel, keine gemessene Rechnung: Wenn 10 Mio. Input-Tokens vollständig als Cache-Treffer in Frankfurt/Global abgerechnet werden, fallen für diese Treffer 1,00 CNY an. Ohne Cache-Treffer wären dieselben 10 Mio. Input-Tokens mit 8,00 CNY zu veranschlagen. Nicht enthalten: explizite Cache-Erstellung, normale Input-Tokens, Output-Tokens und gegebenenfalls weitere Gebühren. Ob ein Präfix tatsächlich aus dem Cache bedient wird, ist im API-Usage-Feld beziehungsweise in der Anbieterabrechnung zu prüfen. Solche Einsparungen garantieren keine entsprechend höheren Wochenlimits eines Token-Abos: Tarif-Credits, Rate Limits, Tokenverbrauch und API-Abrechnung sind getrennte Größen. Für Hermes einen synthetischen Workflow mit identischem Prompt-Präfix durchführen und tatsächlich abgerechnete Tokens, Cache-Hits und Wochenlimitentwicklung im Anbieter-Dashboard getrennt protokollieren. Wir haben hierzu keinen eigenen Live-API-Test durchgeführt.

Lässt sich Qwen3.8-Flash lokal auf einem Mac betreiben?

Der Cloud-Endpunkt selbst wird nicht „lokal“ ausgeführt. Dafür ist Flash-Next relevant. Qwens Repository nennt MLX/mlx-vlm ausdrücklich für Apple Silicon und llama.cpp für Text und Vision. ² Wenn du zunächst mit einer kleineren lokalen Variante starten willst, ist der Qwen3.8-27B-Guide der realistischere Einstieg.

Das heißt aber nicht, dass ein gewöhnlicher 16- oder 32-GB-Mac das Modell komfortabel lädt. Unsloth gibt für eine aggressive 1-Bit-GGUF-Variante etwa 75 GB RAM oder Unified Memory an. Selbst diese Zahl ist eine Drittanbieterangabe für eine konkrete Quantisierung und kein allgemeines Mindestmaß. ¹²¹³ Für die grundlegende Speicherplanung empfiehlt sich der Unified-Memory-Guide.

Für typische Macs ist deshalb die Cloud-API realistischer. Lokales Flash-Next wird interessant auf Systemen mit sehr viel Unified Memory/RAM oder mehreren GPUs, wenn Datenschutz, Offline-Betrieb, Forschung oder Inference-Tuning den Aufwand rechtfertigen.

Lokale Laufzeiten: Launch-Fehler nicht verallgemeinern

Die Berichte vom 28. August 2026 betrafen konkrete Entwicklungsstände, darunter den N-Gram-Cache beim spekulativen Decoding und einen QSA/SSM-Pfad. Diese Bugs dürfen nicht ohne Prüfung als aktuell bestehende Probleme aller heutigen Runtime-Versionen ausgegeben werden. Vor einer Fehlermeldung den Issue-Status und die verwendete Version kontrollieren.^25262728

Die offizielle Flash-Next-Modellkarte führt inzwischen 180 Milliarden Parameter, die experimentelle Architektur qwen4_exp und die Qwen Community License 1.0. Das bedeutet nicht, dass der gehostete Endpunkt qwen3.8-flash herunterladbare Gewichte bereitstellt. Das offizielle Repository umfasst ungefähr 360 GB Dateien; weder ist das die Größe einer Mac-Quantisierung noch eine Messung des laufenden Unified Memory oder der pro Token aktiven Parameter.

Für einen nachvollziehbaren lokalen Test protokollierst du Commit/Modellrevision, Quantisierung, Runtime-Version, 4K-/32K-Kontext, Bildinput und Toolparser. Vergleiche dasselbe Szenario mit dem kleineren Qwen3.8-27B auf demselben Mac. Ohne solche Messungen bleiben Qualitäts- und Performanceurteile ausdrücklich offen.

Lizenz: offen verfügbare Gewichte, aber nicht Apache

Qwen3.8-Flash-Next steht unter Qwen Community License 1.0. Die Lizenz erlaubt grundsätzlich unter anderem Nutzung, Kopieren, Modifizieren, Verteilen, Hosting und Fine-Tuning. Sie enthält jedoch Bedingungen: Ab sehr großer kommerzieller Reichweite ist eine prominente Modellnennung vorgesehen; für bestimmte Model-as-a-Service- und AI-Work-Assistant-Geschäfte verlangt der Text eine separate Lizenz. ¹¹

Für ein kommerzielles Produkt ist deshalb der konkrete Lizenztext maßgeblich. „Open weights“ sollte hier nicht mit „Apache-2.0 ohne Sonderbedingungen“ gleichgesetzt werden.

Praxistest für die Entscheidung zwischen Cloud und Mac

Lege vor dem Vergleich drei konkrete Aufgaben fest: strukturierte Datenextraktion mit festem JSON-Schema, einen Bugfix mit Tests und eine längere Dokumentaufgabe mit vorab festgelegten Prüfkriterien. Dokumentiere jeweils den exakten Modellnamen, die API-Region, Kontextgröße, Eingabe- und Ausgabetokens, Gesamtkosten sowie bestandene Aufgaben. Der Cloud-Endpunkt qwen3.8-flash ist nicht das Open-Weight-Modell Qwen3.8-Flash-Next.

Für einen lokalen Versuch dokumentiere zusätzlich Mac-Chip, Unified Memory, Quantisierung, Runtime-Version und Speicherdruck. Flash-Next nutzt die Qwen Community License 1.0, nicht Apache 2.0; die konkreten Lizenzbedingungen sind vor kommerzieller Nutzung zu prüfen. Die Speicherrechnungen und veröffentlichten Community-Ergebnisse hier sind keine auf einem Mac von AI on Mac durchgeführten Leistungsmessungen.

Praxiseinsatz und Kaufentscheidung (Oktober 2026)

API-Entscheidung: Für Cloud-Nutzung zuerst QwenClouds aktuelle Modellseite zu Regionalpreis, Tools, API-Key-Berechtigungen und Limits prüfen. Die CNY-Preistier-Grafik zeigt am 13. Oktober erneut abgeglichene Listenpreise für den Frankfurt/Global- und Beijing-Scope, ist aber kein verbindliches Angebot, kein Cache-Kostenvergleich und keine Aussage über den EU-Scope. Für Offline-Einsatz müssen Qwen/Qwen3.8-Flash-Next-Gewichte und Lizenz getrennt geprüft werden.

Qwen3.8-Flash ist besonders interessant, wenn du lange Kontexte, multimodale Eingaben, Agenten/Tool-Calling und sehr niedrige API-Kosten kombinieren willst. Der Preis ist bei kurzen Eingaben nicht automatisch besser als Qwen3.7-Flash, wird aber bei sehr langen Kontexten deutlich attraktiver.

Flash-Next ist interessanter, wenn du die neue Qwen4-nahe Architektur untersuchen, selbst hosten oder quantisieren willst und ausreichend Speicher sowie Bereitschaft für einen noch schnell reifenden Inference-Stack mitbringst.

Der wichtigste Kauf- oder Implementierungscheck lautet deshalb nicht „Wie gut ist Qwen3.8-Flash?“, sondern: Willst du einen günstigen produktiven Cloud-Endpunkt oder die offene Flash-Next-Architektur selbst betreiben?

Methodik und Stand

Ursprüngliche Recherche: 28. August 2026; Modellkarte und Runtime-Einordnung erneut geprüft am 8. Oktober 2026. Geprüft wurden 37 Quellen, darunter Alibaba/Qwen-Primärdokumentation, offizielle Repositories und Lizenztexte, Implementierungsquellen, unabhängige Benchmarks, Nachrichtenquellen und frühe Bugreports. Preise und Verfügbarkeit sind zeitkritisch; insbesondere API-Preise sollten vor produktiver Nutzung erneut auf der regionalen Alibaba-Seite geprüft werden.

Quellen und Nachweise

Modell-, API- und Lizenzangaben werden mit dem jeweiligen Originaldokument verlinkt. Benchmarks aus Community- oder Anbieterquellen sind keine eigenen Apple-Silicon-Messungen.

Footnotes

1. Qwen: offizieller Launchbeitrag Flash-Next ↩ ↩² ↩³

2. QwenLM: Quellrepository und Architektur ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹

3. Qwen: Open-Weight-Modellkarte Flash-Next ↩

4. Alibaba: qwen3.8-flash Fähigkeiten, Preise und Regionen ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹

5. Alibaba: neue Modelle und Releases ↩ ↩²

6. Alibaba: Model-Studio-Preisliste ↩ ↩² ↩³ ↩⁴

7. Alibaba: Thinking-Modus ↩ ↩²

8. Alibaba: multimodale Verarbeitung ↩

9. QwenCloud: Drittanbieterpreise ↩ ↩²

10. OpenRouter: Drittanbieterpreise ↩ ↩²

11. Qwen: vollständige Flash-Next-Lizenz ↩ ↩²

12. Unsloth: Release-Hinweise ↩ ↩²

13. Unsloth: Flash-Next-GGUF-Dokumentation ↩ ↩²

14. Reuters: Launchmeldung vom 26. August 2026 ↩ ↩²

15. LMSYS: Flash-Next-SGLang-Bericht ↩ ↩²

16. Artificial Analysis: Fremdmessungen ↩

17. Alibaba: Chat-Completions-Anbindung ↩

18. Alibaba: Responses-API-Anbindung ↩

19. Alibaba: Function Calling ↩

20. Alibaba: Anthropic-kompatible Messages-API ↩

21. Alibaba: Context Cache und Scope-Verfügbarkeit ↩

22. Alibaba: Batch Inference ↩

23. Alibaba: Websuche und Regionen ↩

24. Alibaba: Rate Limits ↩

25. SGLang: Problembericht #36537 ↩

26. SGLang: Problembericht #36701 ↩

27. llama.cpp: Problembericht #27741 ↩

28. llama.cpp: Problembericht #27852 ↩