Qwen3.8-Flash: 6B activos, 180B almacenados y el coste del trabajo terminado

125B en el cartel, 6B en cada token

El 26 de agosto de 2026, la cuenta oficial de Alibaba Qwen soltó el tuit: Qwen3.8-Flash, modelo multimodal MoE, early preview de la arquitectura Qwen4. Ciento veinticinco mil millones de parámetros en total. Seis mil millones activos por token. Available soon. No hoy. Soon.

Los pesos están en Hugging Face como Qwen3.8-Flash-Next. El config.json no es el cartel: model_type qwen4_exp, 48 capas, de las que solo 12 son atención densa (las que hinchan el KV cache) y 36 usan Qwen Sparse Attention (QSA), un estado constante que no crece con el contexto. Contexto nativo de 262.144 tokens.

Casi simultáneamente, Z.ai publicó GLM-5.3-Flash. Ya seguimos esa pista: 320B totales, 18B activos, nativamente multimodal. Los laboratorios chinos no están lanzando modelos. Están lanzando estrategias.

Ya no van a por el más gordo

La narrativa ha cambiado. Ya no es quién apila más parámetros. Es quién termina el trabajo más barato.

Alibaba afirma que entrenar el Flash costó 1/9 (11%) de lo que costó Qwen3.7-Plus y que lo supera "across the board". Si el claim aguanta tests independientes, la eficiencia deja de ser un asterisco de ficha y pasa a ser el palo.

En QwenCloud, el precio publicado es $0,16/M tokens de entrada y $0,47/M de salida. Hay además una tarifa de caché de $0,016/M de entrada, pero solo te importa si tu arquitectura reutiliza contexto de forma intensiva. Estas cifras son las oficiales; cualquier otra que hayas leído en prensa es rumor anterior al lanzamiento, no la tarifa real.

El Cuñado y la tabla de benches

El Cuñado dice: Bro, Qwen ya escribe mejor que Claude. SWE-bench Pro 62,5, CoWorkBench 73,9. Se acabó.

La realidad es: esos números son vendor-reported. Qwen los compara contra sus propios modelos y contra Claude con harnesses internos. SWE-bench Pro usó una versión "refined" con tareas corregidas por el propio equipo. CoWorkBench y AndroidWorld se corrieron bajo las mismas condiciones de laboratorio. Unite.ai avisa de lo mismo: espera tests independientes.

Por qué importa saberlo: una tabla de laboratorio no es una tanda de trabajo real. Antes de cambiar de modelo hay que correr N unidades de tu corpus (el artículo, el ticket, el PR) y mirar coste total, tokens gastados y reintentos. Sin esa tanda, estás apostando a un PDF del vendedor.

Los números pueden ser ciertos. También pueden ser el mejor de diez intentos con el arnés que más les gustó. Hasta que alguien de fuera los reproduzca, son claims.

6B activos no pesan 6B

Este es el dato que el anuncio no pone en el titular.

6B activos suena a "esto corre en cualquier sitio". No. El Flash no es el 27B con dieta. Es otro animal.

El README oficial cuenta "125B with 6B activated, plus 51B n-gram embedding and 4B MTP". Ciento ochenta mil millones de elementos cuantizables. El BF16 oficial pesa 335,3 GiB: exactamente 2,00 bytes por parámetro sobre esos 180B.

Piensa en el MoE como un edificio de especialistas. Por cada token solo pagas el sueldo de unos pocos. El edificio entero sigue teniendo que estar en memoria. Encima van 51B de embeddings n-gram y 4B de MTP: no son adorno de ficha, están en los ficheros.

Lo que hincha el disco no es el contexto. El KV cache de este híbrido es casi un detalle: 24 KiB por token, gracias a que 36 de las 48 capas llevan un estado constante. A 262K nativos sigues en terreno ridículo frente a los pesos.

Los quants de Unsloth van de IQ1_S (67,6 GiB) hasta Q4_K_XL (103,7 GiB / 111,3 GB decimales). El recomendado es el Q4_K_XL.

Q4_K_XL ocupa ~104 GiB. No cabe en ninguna GPU única actual: ni de 80 GB ni de 96 GB.

Para ese quant hacen falta 2×80 GB, 2×96 GB o 4×32 GB. Willison lo montó en una DGX Spark: con los embeddings n-gram de 51B en offload a NVMe, el sistema usó ~95 GiB de memoria unificada y alcanzó ~22 tok/s. No es la resta teórica de 128 − 104 = 24 GiB libres; es un setup real con offload activo. Si quieres meterlo sin offload, necesitas 256 GB de RAM unificada o dos GPUs. Con calidad más justita, IQ4_XS a 87,2 GiB entra en una RTX PRO 6000 de 96 GB o un Mac Studio de 128 GB, al límite.

El Flash no arregla el atasco del 27B si tu problema era el reloj en una máquina pequeña. Activa menos parámetros por token, sí: la inferencia, cuando ya está cargado, debería ser más barata de computar. Cargarlo es otra guerra.

El token es el cebo, el trabajo es la factura

La unidad que importa no es el dólar por millón de tokens. Es el dólar por unidad de trabajo terminado: la conversación que cierra, el documento extraído, el PR que pasa tests. Medida sobre el mismo corpus, no sobre la tarifa del landing.

$0,16/M de entrada es barato en el papel. Lo que no sale en el cartel es cuántos tokens necesita el modelo para terminar la tarea. Un interruptor de razonamiento encendido, salidas verbosas por defecto, reintentos silenciosos: cualquiera de esos convierte el modelo barato en uno caro sin tocar la tarifa. El coste real solo aparece cuando corres tu carga de trabajo real, no cuando calculas en una hoja de cálculo con el precio por millón.

Qwen ha entendido el palo. 6B activos por token abaratan disparar el modelo. El despliegue local, con ~104 GiB encima, no es para el que tiene una GPU de sobremesa: son dos partidas distintas, coste de inferencia y coste de tenerlo en casa.

El ID del modelo vive en un chokepoint de configuración, no esparcido por los agentes. Cambiar de tier, o de proveedor, tiene que ser una línea. Revertir también. Y el routing se decide por dificultad, no por marca: extraer un campo no pide el mismo modelo que cerrar un refactor. El Flash entra en esa lógica como pieza barata de cómputo por token, no como el compacto que te cabe junto al monitor.

Eso es lo que aprieta a OpenAI y Anthropic. No el titular de 125B. El 6B que trabaja a precio de saldo si, y solo si, no tienes que repetir la tarea. Falta que alguien de fuera confirme que sale a la primera.

La guerra china ya no es por el modelo más grande. Es por el más barato por trabajo terminado.

Preguntas frecuentes

¿Cabe Qwen3.8-Flash en una sola GPU?

No en el quant recomendado. El Q4_K_XL ocupa 104 GiB y no entra en tarjetas de 80 GB ni de 96 GB. En una DGX Spark de 128 GB funciona con offload de los embeddings n-gram a NVMe (95 GiB usados, ~22 tok/s). Sin offload hacen falta 256 GB unificados o dos GPUs. El IQ4_XS de 87,2 GiB entra en una RTX PRO 6000 de 96 GB, con poco margen para el runtime.

¿Cuánto cuesta Qwen3.8-Flash por API?

QwenCloud publica $0,16/M tokens de entrada y $0,47/M de salida. Hay además $0,016/M en caché de entrada. Cualquier cifra en yuanes que hayas leído en prensa es rumor anterior al lanzamiento.

¿Qwen3.8-Flash es mejor que GLM-5.3-Flash?

No hay comparación directa publicada con metodología común. Qwen3.8-Flash declara 125B/6B activos; GLM-5.3-Flash, 320B/18B. Cada laboratorio publica sus propios benches, y los de Qwen son vendor-reported con harnesses internos. Las fuentes consultadas no recogen un head-to-head independiente.

¿Cuánto ocupa de verdad Qwen3.8-Flash en local?

Los pesos cuantizables suman ~180B elementos (125B + 51B n-gram + 4B MTP). En BF16 oficial son 335,3 GiB. Los GGUF de Unsloth van de 67,6 GiB (IQ1_S) a 103,7 GiB (Q4_K_XL). El KV cache apenas cuenta: 24 KiB por token, porque 36 de las 48 capas usan atención con estado constante.