Qwen 3.8-Flash-Next, il test in vista di Qwen 4

In breve: che cos’è Qwen 3.8-Flash-Next

Qwen 3.8-Flash-Next viene presentato come un primo test open-weight rivolto agli sviluppatori dell’architettura che dovrebbe alimentare la futura famiglia Qwen 4. Non è quindi il flagship definitivo di Alibaba, ma una versione anticipata con cui la comunità può preparare strumenti, pipeline multimodali, sistemi d’inferenza e procedure di fine-tuning. 9

Il punto centrale è l’efficienza: Alibaba sostiene di poter avvicinare le prestazioni dei modelli di vertice usando molta meno capacità di calcolo in fase di addestramento e di utilizzo. Per ora, però, prestazioni, costi e data effettiva di rilascio devono essere considerati dati dichiarati dal produttore, in attesa dei pesi, della documentazione tecnica completa e di valutazioni indipendenti.

Un modello da 125 miliardi, ma solo 6 miliardi attivi

La configurazione riportata è quella di un modello multimodale Mixture-of-Experts (MoE) con 125 miliardi di parametri complessivi. Di questi, 51 miliardi sarebbero costituiti da parametri di embedding basati su N-gram; per ogni token, tuttavia, verrebbero attivati soltanto circa 6 miliardi di parametri. 9

In un modello MoE non tutta la rete elabora ogni parte dell’input. Un sistema di instradamento seleziona gli “esperti” più adatti a ciascun token: il modello conserva quindi una grande capacità complessiva, ma utilizza solo una frazione del calcolo a ogni passaggio. In teoria, questo può ridurre il numero di operazioni in virgola mobile, il traffico di memoria e il costo di servizio rispetto a un modello denso con una dimensione totale analoga.

Gli embedding N-gram puntano inoltre a rendere più efficienti alcune ricerche locali sui token. Il vantaggio reale dipenderà però dall’implementazione, dall’hardware e dal comportamento del sistema completo: il numero di parametri attivi, da solo, non basta a determinare il costo finale o la qualità delle risposte.

Perché Alibaba insiste sul coding

Il codice è uno degli ambiti in cui la specializzazione sparsa può risultare particolarmente utile. Esperti diversi possono apprendere schemi relativi a linguaggi di programmazione, repository, utilizzo di strumenti, debugging e gestione di contesti molto lunghi.

La promessa di prestazioni “quasi di frontiera” con circa un nono del costo di addestramento di Qwen 3.7-Plus va quindi letta come un obiettivo di efficienza legato al routing sparso, alle modifiche architetturali e al design degli embedding. Non dimostra, da sola, che il modello eguaglierà i principali sistemi proprietari in ogni benchmark o nei flussi di lavoro reali degli sviluppatori.

Al momento non ci sono valutazioni indipendenti sufficienti per confermare né la qualità nel coding né il rapporto tra prestazioni e costo di addestramento.

Perché è un’anteprima e non il nuovo flagship

La scelta di distribuire Flash-Next prima di Qwen 4 sembra avere soprattutto una funzione di compatibilità e di ecosistema. Gli sviluppatori possono iniziare a testare:

• nuove modalità di fine-tuning;
• stack d’inferenza e strumenti di deployment;
• applicazioni multimodali;
• pipeline per agenti e attività di coding;
• integrazioni destinate alla futura architettura Qwen 4. 9

Definirlo un’anteprima lascia inoltre spazio al modello definitivo, che potrebbe beneficiare di ulteriore addestramento, post-training più avanzato, lavoro aggiuntivo sulla sicurezza, varianti più grandi e una validazione finale sui benchmark.

Il rapporto con Qwen3.8-27B e Qwen3.8-Max

Flash-Next arriva dopo altri rilasci della linea Qwen3.8. Alibaba ha reso disponibile Qwen3.8-27B con licenza Apache 2.0: è un modello multimodale nativo da 27 miliardi di parametri, con una finestra di contesto nativa di 262.000 token, estendibile secondo Alibaba fino a 1 milione di token. 6

Qwen3.8-Max rappresenta invece la proposta di fascia alta. Le informazioni disponibili indicano che i suoi pesi sono distribuiti con una licenza separata e più restrittiva, non con i semplici termini Apache 2.0 del modello da 27 miliardi. 12

La distinzione è strategicamente importante: un modello più piccolo e permissivo può favorire adozione, fine-tuning e distribuzione da parte di sviluppatori e aziende; la variante più costosa e potente consente ad Alibaba di conservare maggiore controllo sulle applicazioni commerciali di fascia alta.

Il nodo della licenza commerciale

Parlare di “open weights” non significa necessariamente parlare di libertà d’uso senza condizioni. Se la licenza di Max o di Flash-Next prevede soglie dimensionali, la necessità di un accordo separato o obblighi di revenue sharing per i grandi deployment commerciali, questi elementi rappresenterebbero un limite concreto per le imprese.

Le fonti disponibili confermano che Qwen3.8-Max è soggetto a restrizioni di licenza, ma non consentono di stabilire con certezza la soglia o i termini esatti di un eventuale accordo di condivisione dei ricavi. Questa parte va quindi verificata direttamente sul testo della licenza e non considerata un fatto già dimostrato. 12

La strategia AI “full stack” di Alibaba

I modelli Qwen sono una componente di una strategia più ampia. Alibaba punta a usare modelli aperti o facilmente accessibili per attirare sviluppatori, applicazioni e carichi di lavoro verso Alibaba Cloud, mentre investe nello strato infrastrutturale necessario per addestrare e servire sistemi AI di frontiera.

Il 23 agosto 2026 il gruppo ha avviato un collocamento azionario a Hong Kong da 80 miliardi di dollari di Hong Kong, pari a circa 10,2 miliardi di dollari statunitensi. Alibaba ha dichiarato che il 100% dei proventi netti sarebbe stato destinato a capacità AI “full stack”, inclusa l’infrastruttura. 2

L’operazione ha comportato la vendita di 710 milioni di nuove azioni a 112,70 HK$ ciascuna. Il prezzo rappresentava uno sconto dell’8,4% rispetto alla chiusura precedente, mentre il portafoglio ordini avrebbe raccolto una domanda di circa 28 miliardi di dollari. 3 4

Per gli azionisti il compromesso è chiaro: la raccolta accelera gli investimenti in modelli, data center e capacità di calcolo, ma l’emissione di nuove azioni diluisce le partecipazioni esistenti. Inoltre, il ritorno dell’investimento dipenderà dalla velocità con cui la spesa AI riuscirà a trasformarsi in ricavi da cloud, API e applicazioni. 4

La gara cinese per gli open weight

Nel confronto con realtà come DeepSeek, la posta in gioco non è soltanto ottenere il punteggio più alto in un benchmark. Alibaba vuole conquistare sviluppatori, fine-tuning realizzati da terzi, carichi di lavoro cloud e supporto da parte degli strumenti software.

I riferimenti a possibili sistemi come “Ox Alpha” restano invece speculativi finché non saranno accompagnati da un rilascio attribuibile, da pesi pubblici o da un rapporto tecnico. Allo stesso modo, le cifre relative a un ecosistema Qwen di oltre 460 modelli e 119 lingue vanno interpretate come metriche dell’ecosistema Alibaba, non come una misura della capacità di un singolo modello.

La domanda ancora aperta

La scommessa di Alibaba è che modelli multimodali, sparsi e meno costosi da addestrare possano renderla competitiva su entrambi i fronti: adozione diffusa degli open model e deployment premium su scala cloud.

Qwen 3.8-Flash-Next sarà interessante soprattutto come banco di prova di questa strategia. La verifica decisiva arriverà quando saranno disponibili pesi, documentazione e benchmark indipendenti: solo allora sarà possibile capire se l’architettura mantiene la promessa nel coding e se le condizioni di licenza consentono alle grandi aziende di adottarla senza svuotare di significato l’etichetta “open”.