Qwen3.8-Flash-Nextとは？125B/6BアクティブMoEの性能・料金・N-gram埋め込み・ローカル実行要件を解説【2026年10月最新】

Qwen3.8-Flash-Nextは、Alibaba（阿里巴巴）のQwenチームが2026年8月26日に公開したオープンウェイトのマルチモーダルMoEモデルです。本体は総パラメータ125B、1トークンあたりに動くのは約6Bで、別枠に51BのN-gram埋め込み層を持ちます。 公式は本モデルを「Qwen4で使うアーキテクチャの早期プレビュー」と位置づけています。完成した製品というより、Qwen4の設計を先に公開して検証してもらうための版です。

取り違えやすい点として、オープンウェイトの「Qwen3.8-Flash-Next」と、QwenCloudのAPI製品「Qwen3.8-Flash」は別物です。また、ライセンスはApache 2.0ではありません。Hugging FaceのLICENSEファイルは qwen-community-1.0（Qwen Community License 1.0）で、AIコーディング支援やオフィス業務支援の製品として商用提供する場合は、Qwenから別のライセンスを受ける必要があります。

出典: QwenLM GitHub 公式リポジトリ

この記事でわかること

• 「125B」「6B」「51B」、それにディスク上の「約180B」という数字がそれぞれ何を指すのか
• N-gram埋め込み層の仕組みと、GPUメモリではなくホストRAMに置ける理由
• Qwen4で使われるアーキテクチャの4つの改良（GDN＋QSA／Gated Residual／N-gram埋め込み／Muon）
• 公表ベンチマークの数値と、Qwen3.8-Flash-Nextが負けている項目
• API版Qwen3.8-Flashの単価（入力$0.15〜0.16／出力$0.47）と、東京リージョンでの提供状況
• RTX 4090＋大容量RAMで動かす「Strata」、Mac 128GB、H100×4など、手元の機材で動かすための条件
• Qwen Community License 1.0で、社内利用・自社製品への組み込み・AIコーディング製品の販売がそれぞれどう扱われるか

オープンウェイトLLMのセルフホストを検討しているエンジニア、社内のモデル選定を任された情報システム担当者、中国製モデルのライセンスを確認する法務・企画担当の方に向けた記事です。Qwenの自己申告値、第三者の実測、コミュニティの自己申告は分けて書いています。

Qwen3.8-Flash-Nextとは｜Qwen4アーキテクチャを先取りした検証版

Qwen3.8-Flash-Nextは、Qwenシリーズの「Next」系列にあたるアーキテクチャ検証用のモデルです。 公式ブログは「Qwen3-NextがQwen3.5に対して果たした役割を、今回はQwen4に対して果たす」と説明しています。Qwen4本体が出る前に、新しい設計をコミュニティに試してもらうために重みを先に公開した、という位置づけです。なお、2026年10月9日時点でQwen4本体の発表日や仕様は公式に出ていません。

「Flash-Next」と「Qwen3.8-Flash」は別物

ここを取り違えると、費用の見積もりも導入の設計もやり直しになります。Qwenは重みを配るFlash-Nextと、ホスティングAPIのQwen3.8-Flashの2本立てで提供しています。

「1Mトークンを組み込みツール付きで使いたい」ならFlash-Nextではなく、API版のQwen3.8-Flashを見るべきです。 公開直後は「間もなく提供」とされていたAPI版は、現在はModel Studioにモデルページと料金表が載り、提供が始まっています。東京リージョン（Global）でも使えます。

シリーズ上位のフラッグシップはQwen3.8-Maxの解説記事、同じQwen3.8でApache 2.0の小型モデルはQwen3.8-27Bの解説記事で扱っています。前世代のQwen3.7系の流れはQwen3.7 Maxの解説記事が参考になります（学習コストの比較基準はMaxではなくQwen3.7-Plusです）。

「125B / 6B / 51B」の3つの数字が指しているもの

このモデルはパラメータを1つの数字で見ると誤解します。 役割の違うパラメータが積み重なっていて、どの数字を見るかで「軽い」か「重い」かの印象が逆転します。

速度感は6Bクラス、知識の容量は125B＋51Bクラス、必要な保存領域は180Bクラスという非対称な設計です。「125Bだから100GB台で収まる」と考えると見積もりを誤ります。

コミュニティでは「総パラメータとアクティブの幾何平均（√(125×6)≒27B）が体感の大きさ」という経験則が使われることがあります。公式の指標ではないので、感覚をつかむための目安として扱ってください。

N-gram埋め込みとは何をしているのか

N-gram埋め込みは、直前の数トークンとの組み合わせをキーに表を引き、よく出るフレーズや言い回しの情報をモデルに足す仕組みです。 通常の埋め込みは今のトークン1つだけで表を引きますが、N-gram埋め込みは2〜3トークンの並び（bigram／trigramに相当）で引きます。公式ブログは、GoogleのGemma 3nのPer-Layer EmbeddingとDeepSeekのEngramから着想を得たと説明しています。

この仕組みには、実装上の利点があります。

• 計算ではなく参照：トークンの並びが決まれば引く場所も決まるため、行列積の量がほとんど増えません。「51Bを足しても推論の計算コストはほぼ変わらない」という設計はここから来ています。
• GPUメモリを常に占有しない：引く場所が事前に分かるので、表をホストRAMに置き、計算と並行して先読みできます。vLLMでは VLLM_PLE_CPU_OFFLOAD=1 で有効になります。

最終モデルでは、この層をネットワークの入口付近に1層だけ置いています（第2層とする解説もありますが、公式の明記は確認できていません）。

「GPUメモリに全部は載らない構成でも動かす余地を作る」のが、この層の実務上の意味です。 2026年10月にRTX 4090級の民生GPUで動かす方法が話題になったのも、この「重い部分をRAMやSSDに移せる」性質が下地にあります。

Qwen4アーキテクチャの4つの改良

出典: Hugging Face Qwen/Qwen3.8-Flash-Next 公式モデルページ

公式は、アテンション・残差接続・埋め込み・最適化手法の4点をまとめて見直したと説明しています。

ほかにも、エキスパートを大量に用意して少数だけ動かす超スパースMoE、複数ステップのMTP（MTP内のアテンションもQSAに置き換え、投機的デコードの採択率を改善）といった変更が入っています。

アテンション｜4層のうち3層が線形、1層が疎な精密検索

層の並びは「12 ×（3 ×（Gated DeltaNet → MoE）→ 1 ×（Qwen Sparse Attention → MoE））」の繰り返しです。

• GDN（線形アテンション）が4層中3層を担当し、過去の履歴を固定サイズの状態に圧縮します（Vヘッド48、QKヘッド16、head dim 128）
• QSAが残りの1層で、軽量なインデクサが系列を小さなブロックに分けて重要度を採点し、見る範囲を選んで精密に参照します（Qヘッド24、KVヘッド2、head dim 256、予算は512ブロック＝2,048トークン）

これまでのQwen3.5〜3.8では、この1層に通常のGated Attentionを使っていました。今回それをQSAに替えた点が大きな違いです。公式は、DeepSeekのDSAがトークン単位で選ぶのに対し、QSAはブロック単位で選ぶと対比しています。

公式の数字では、1Mトークン時、アテンションのカーネル単体でプレフィル最大7.6倍・デコード最大4.9倍高速です。さらに、プレフィックスキャッシュが90%ヒットする条件では、1Mコンテキストのプレフィル処理量がQwen3.7-Plusの8.6倍としています。「どんな条件でも8.6倍速い」わけではない点に注意してください。

学習コストは「Qwen3.7-Plus比 約1/9」

公式は、学習コストがQwen3.7-Plusの約1/9で、コーディングとオフィス業務の性能では上回ったとしています。 比較相手のQwen3.7-Plusは総397B／アクティブ17Bと報じられており、アクティブ数はFlash-Nextの約3倍です。

コストが下がった理由として、公式はMuonの導入とスケーリング則の引き直しを挙げています。大きな学習率とバッチで安定して学習できるようになり、バッチサイズを徐々に増やすウォームアップも廃止しました（最終性能が上がらないうえ、最適化のステップが18.8%増えるため）。

この「1/9」は学習にかかったコストで、推論コストやAPI単価が1/9になるという意味ではありません。 公式は推論コストも「大幅に下がる」としていますが、具体的な倍率は出していません。

性能｜公表ベンチマークと、負けている領域

エージェント型の作業とコーディングで高い数値が出ており、特にCoWorkBench・JobBenchでは比較相手に大きな差をつけています。ただし、すべてQwenの自己申告値で、第三者による再現は確認できていません。

同じQwen3.8の小型版Qwen3.8-27Bとの比較では、SWE-bench Proが62.5対61.7、JobBenchが55.7対33.4で、差がつくのはエージェント型の業務タスクです。前世代のQwen3.7-PlusはJobBench 27.6、DeepSWE 1.1 16.5と公表されています。

出典: DeepSeek 公式サイト

弱い部分も同じ表で見る

勝っている項目と同じくらい、次の弱点も導入判断を左右します。

• NL2Repo-Bench 48.1：DeepSeek-V4-Flashの54.2に6.1ポイント負けています。自然言語の指示からリポジトリ規模のコードを起こす用途では、優位とは言えません。比較相手はDeepSeek V4 Flashの解説記事で詳しく扱っています。
• HLE 35.9：Claude Opus 4.6（Max）の40.0を下回ります。最難関の知識・推論問題は得意分野ではありません。
• OSWorld 2.0（binary）19.4：PC操作を最後まで完全にこなせる割合はまだ低く、デスクトップ作業を丸ごと任せる段階ではありません。
• 比較相手が古い：Claude Opus 4.6は2026年2月のモデルで、それ以降のAnthropicの上位モデルとは比べていません。海外メディアのThe Decoderも、エージェント型コーディングのベンチマークに寄せた見せ方だと指摘しています。

全体としては「エージェント運用とコーディング支援に強く寄せたモデル」で、最難関の汎用推論を狙ったモデルではありません。ベンチマークの順位と自社業務での使い勝手は一致しないことがあるので、自社のタスクで試してから判断するのが安全です。

料金｜本番版Qwen3.8-Flash APIの単価と実コスト

API版Qwen3.8-Flashの単価は、100万トークンあたり入力$0.15〜0.16、出力$0.47です。 入力単価は、Qwen公式ブログが$0.15、Alibaba Cloudのブログ転載版や海外メディアが$0.16と、公式発表の中でも表記が揺れています。契約前にQwenCloudの料金ページで最新値を確認してください。

Alibaba Cloud Model Studioのヘルプでは人民元建ての価格も公開されています。

API形式はOpenAI互換（Chat Completions／Responses）とAnthropic互換の両方に対応し、公式ブログにはClaude Code・Codex・Qwen Code・OpenClawなどから呼び出す設定例が載っています。

出典: Alibaba Cloud Model Studio 公式サイト

コスト感の目安

1ドル150円、入力$0.15で計算した概算です。実際の請求は、キャッシュのヒット率と出力の長さ（思考トークンを含む）で大きく変わります。

思考モードが初期設定でオンになっている点に注意が必要です。 思考の強さ reasoning_effort も初期値は最も深い xhigh です。思考トークンは出力として課金されるため、制御しないと出力コストが想定以上に伸びます。思考が要らない処理は enable_thinking: false で切り、必要なタスクだけ xhigh を使う運用が現実的です。ただし公式モデルカードは、複数ターンのエージェント作業ではeffortを下げると、かえって全体の待ち時間が延びる場合があると注記しています。

フラッグシップのQwen3.8-Maxは入力$2.00／出力$6.00と報じられており、Flashはその約1/12〜1/13です。「難しいタスクはMax、量をこなす処理はFlash」という使い分けが、価格設定から見た素直な読み方です。

ローカルで動かせるのか｜必要メモリと実装制約

フル精度で動かすにはデータセンター級のGPUが必要です。一方、量子化版をRAMと組み合わせれば、民生GPUやメモリの多いMacでも動くことが分かってきました。 公開時点では「GPU 1枚では無理」が通説でしたが、2026年10月にエキスパートをRAMに置く方式で民生GPUでも実用的な速度が出るという報告が広がり、状況が変わっています。

MTPを使う場合はさらに1〜2GB増えます（Unsloth）。

「量子化すれば軽くなる」が通用しにくい理由

N-gram埋め込み層はランダムに読み出されるため、Unslothの量子化版でも最低4bitの精度が保たれています。 51Bの表を粗く削ると、その層が持つ記憶の容量が損なわれるからです。その結果、1bitまで量子化しても75GBを下回りません。代わりに、この層はmmapでSSDに置くこともできます。

実装上の制約（見落とされやすい部分）

vLLMの公式レシピから、自社GPUサーバーで動かすときの条件を拾うと次のとおりです。

• vLLM 0.29.0以上と専用イメージ vllm/vllm-openai:qwen38-flash-next が必要で、PyPI版は非対応
• BF16はGB300×4が例、最小はGB300×2
• FP8はGB300×4推奨（最小はTP2）。H200×8はTEP8＋Triton MoEで動き、素のTP8は非対応
• H100（80GB）×4は、素のTP4だと起動時にメモリ不足になるため、N-gram表のCPUオフロード（VLLM_PLE_CPU_OFFLOAD=1）が必須
• オフロードにはホストRAM 51GB以上＋余裕が必要。NVIDIAのみ対応で、パイプライン並列とは併用できない
• XPU／TPUは非対応。262Kトークンの単一リクエストは未テスト
• 1MトークンまでのYaRN拡張は短い文の品質を下げる可能性があるため、長文のときだけ有効にする

ローカル向けには、llama.cpp（GGUF、テキスト＋画像）、MLX（mlx-vlm）、Unsloth、Ollama（qwen3.8-flash-next）が対応しています。

出典: NVIDIA Newsroom 公式プレスリリース

機材別の現実的な結論

速度は報告者ごとに条件（量子化レベル・プロンプト長・出力長）が違うため、横並びの比較には使えません。目安として見てください。

「オープンウェイト＝誰の手元でも快適に動く」ではありませんが、「データセンターがないと触れない」でもなくなりました。まず軽いモデルでローカルLLMに慣れたい場合は、Ollamaの解説記事で扱っている小型モデルから始めるほうが手堅いです。

RTX 4090で動かす方法｜Strataで「100 tok/s」の中身

2026年10月上旬、Hacker Newsで「Qwen 3.8 Flash Next（125B）をRTX 4090で100T/sで動かす」という投稿が900ポイントを超える反響を集めました。 リンク先はStrataというMITライセンスの推論エンジンで、ワンクリックのインストーラーが付いています。ただし、この数字は条件のよい構成での自己申告で、独立した検証はまだありません。

Strataの仕組み

Flash-Nextは48層×512個、合計24,576個の小さなエキスパートを持ち、1トークンで使うのはそのうち10個（＋共有）だけです。Strataはこの偏りを利用します。

• よく使われる数千個のエキスパートをGPUに置く
• 全エキスパートはRAMに置き、GPUにないものはCPUが並行して計算する
• ルックアップ用の表はSSDに置く（READMEはN-gram表と明記していない）
• 投機的デコードで1.6〜1.8倍速くする

動作要件と手順の概略

手順は、GitHubから入手してWindowsなら START-HERE.bat、Linuxなら setup.sh を実行し、モデルを選ぶだけです。起動すると手元に localhost:8080/v1 のOpenAI互換・Anthropic互換APIが立ち、既存のチャットクライアントやコーディングツールから呼び出せます。

選べるモデルは、2bit・3bit系の量子化版（Q2_0／IQ2_XS／IQ3_XXS／IQ3_S）のほか、エキスパートを半分に削ったコード特化の「Coder」（RAM 32GBで動く。コード以外と日本語を含むCJKテキストは弱いと作者が明記）、Unslothの4bit版（約94GB。RAM 80GB未満だとSSDからの読み込みになり遅い）などです。

速度の数字をどう読むか

作者READMEの実測（32Kトークンのプロンプト、4Kトークン出力）では、RTX 5070 12GB＋RAM 64GBでQ2_0が94 tok/s、IQ3_Sが53 tok/sです。HNのコメントでは、RTX 4090＋DDR5 128GBで約124 tok/s、RTX 3090＋64GBで40〜60 tok/s、RTX 3080 10GB＋48GBで約30 tok/s（Coder）といった自己申告が並んでいます。

「100 tok/s」は2〜3bitまで量子化した最良の構成での値です。 同じスレッドでは品質への懸念も出ています。

• 画像内の座標を答えるテストで、中央値の誤差がStrataは154.8ピクセル、同じ重みのllama.cppは46.5ピクセルだったという報告
• llama.cppより幻覚が多い、思考が非常に長くなる、15万トークンを超えると綴りを間違える、という報告
• 反対に、IQ3_XXSは量子化していない版と1ポイント程度の差という声もある

標準化された比較はまだありません。業務で使うなら、llama.cppやvLLMで同じタスクを流し、出力の質を比べてから決めるのが安全です。また、安全のための調整を外した「Uncensored」版などの非公式な派生モデルも流通しています。配布元が信頼できるか、安全調整が残っているかを確認してから使ってください。

ライセンス｜Apache 2.0ではない。2つの例外条項に注意

Qwen3.8-Flash-NextのライセンスはQwen Community License 1.0（qwen-community-1.0）で、Apache 2.0ではありません。 同じQwen3.8でも、GitHubのQwen3.8本体やQwen3.8-27BはApache 2.0です。モデルごとにライセンスが違うため、海外記事でもApache 2.0と誤って書かれている例があります。

使用・複製・改変・配布・販売・ホスティング・ファインチューニングは無償で許可されています。そのうえで、次の条件が付きます。

AI Work Assistantの定義からは、単機能のツール、別の分野を主目的とするアシスタント、主目的が別にある製品の一機能にすぎないものが除かれています。また、MaaSとAI Work Assistantの制限は、ソフトウェアや出力、モデルの能力を第三者に提供しない社内利用には適用されません。

自社が該当するかの判定

よくある4つのケースで整理すると次のようになります（法的助言ではありません。最終判断はLICENSE原文と法務部門の確認で行ってください）。

一般的な事業会社が社内で使う、あるいは自社製品の一機能として組み込む範囲なら、実務上の制約はほぼありません。 反対に、AIコーディングツールやオフィス支援AIを製品として作っている会社は、規模を問わず対象になります。 「エージェント作業とコーディングに強い」という本モデルの売りが、ちょうど制限の対象分野と重なっている点は覚えておくべきです。準拠法の定めや出力の権利に関する独立した条項はなく、問い合わせ先として model-business@notice.qwencloud.com が記載されています。

制約の少ないライセンスを優先するなら、同じ8月26日に公開されたGLM-5.3-Flashの解説記事が直接の比較相手です（MITライセンスと報じられています）。ほかにMITで公開されたGLM-5.2の解説記事やLongCat-2.0の解説記事も参考になります。各社のオープンウェイトに対する姿勢の違いはAnthropicのオープンウェイトに対する立場で整理しています。

データ所在・ガバナンスの観点

API版を使う場合は、データがどのリージョンで処理されるかと、提供元が中国法人である点を社内規程と照らし合わせる必要があります。 Model Studioでは北京・シンガポール・フランクフルト・東京・米国などからリージョンを選べます。オープンウェイトを自社のサーバーやVPCで動かせばデータは外に出ませんが、そのぶん機材と運用の負担を自社で負うことになります。中国製モデル全般のリスクはDeepSeekの解説記事、市場での存在感の変化は中国製AIモデルの利用シェア動向を参照してください。

使い方｜3つの入口と推奨設定

入口は、①API版Qwen3.8-Flash、②vLLMやSGLangでのセルフホスト、③llama.cpp・Ollama・Strataなどでの量子化版、の3つです。

出典: Hugging Face 公式サイト

API利用の流れ

1. QwenCloudまたはAlibaba Cloud Model Studioでアカウントを作り、APIキーを発行する（日本からなら東京リージョンを選べる）
2. 既存のOpenAI互換・Anthropic互換のコードで、base_url とモデル名 qwen3.8-flash を差し替える
3. 思考の有無を enable_thinking、強さを reasoning_effort（xhigh／medium／low）で調整する
4. 長い共通プロンプトはコンテキストキャッシュに載せ、入力コストを抑える
5. 関数呼び出しや構造化出力を必要に応じて使う（バッチ推論とファインチューニングはAPI版では使えない）

セルフホストの場合、公式GitHubにはvLLM・SGLang・TokenSpeed・Transformersの起動例があります。いずれもTP=4、--reasoning-parser qwen3、--tool-call-parser qwen3_coder を指定し、localhost:8000/v1 にOpenAI互換APIを立てる構成です。

社内の業務システムやチャットツールにQwen3.8-Flashのような新しいモデルを組み込む場合は、モデル選びより、既存データとの連携方法と運用体制で費用と工期が決まります。進め方と構成の選び方は既存システムにAIを組み込む方法で整理しています。

推奨サンプリング設定

公式モデルカードの推奨値は次のとおりです（Unslothも同じ値を案内しています）。初期設定のままだと出力が不安定になりやすいので、最初に設定しておきましょう。

min_pは0、repetition_penaltyは1.0です。出力の上限は、思考込みで262,144トークン、最終回答で131,072トークンが推奨されています。presence_penaltyを上げると同じ文の繰り返しは減りますが、言語が混ざったり性能が下がったりすることがあるとモデルカードは注意しています。

他モデルとの選び分け

同時期のオープンウェイトMoEと比べると、Flash-Nextの特徴は「アクティブ6Bの軽さ」と「ライセンスの例外条項」です。 主要モデルを並べると次のようになります。

GLM-5.3-FlashとDeepSeek-V4-Flashの数字は二次情報を含みます。採用前に各社の公式ページで確認してください。

用途別に選ぶなら、目安は次のとおりです。

10月に公開された別のオープンウェイトとの比較はReflection Beamの解説記事、オープンウェイトMoEの流れはThinking Machines Inklingの解説記事、ツール全体から選び直すなら生成AIツールおすすめの比較記事、エージェントの基本はAIエージェントとは何かの解説記事が入口になります。

こんな人におすすめ／おすすめしない人

「エージェント処理を安く大量に回したいか」と「Qwen4の設計を先に試したいか」が分かれ目です。

おすすめな人・組織

おすすめしない人・組織

よくある質問（FAQ）

Flash-NextとQwen3.8-Flash、結局どちらを使えばいいですか？

本番のプロダクトに組み込むならAPI版のQwen3.8-Flashです。 1Mコンテキスト、キャッシュ、組み込みツールはAPI版の機能で、運用もAlibaba側が担います。Flash-Nextを選ぶのは、①データを自社環境から出したくない、②ファインチューニングしたい（API版は非対応）、③Qwen4の設計を事前に検証したい、のいずれかに当てはまる場合です。

ライセンスがApache 2.0と書かれた記事を見ましたが、どちらが正しいですか？

Hugging FaceのLICENSEファイルは qwen-community-1.0 で、Apache 2.0ではありません。 Apache 2.0なのは同じシリーズのQwen3.8-27Bなどで、それと混同した記述と考えられます。AIコーディング支援やオフィス支援の製品、推論APIの再販には別ライセンスが必要になるため、設計に組み込む前にLICENSE原文を確認してください。

RTX 4090で本当に100 tok/s出ますか？

2〜3bitの量子化版をStrataで動かし、RAMを64〜128GB積んだ構成なら、100 tok/s前後の報告が複数あります。 ただし作者とHNユーザーの自己申告で、独立した検証はありません。量子化による品質の低下や、llama.cppより幻覚が多いという報告もあるため、速度だけで判断せず、自分のタスクで出力の質を確かめてください。

128GBのユニファイドメモリを積んだMacなら動きますか？

3〜4bitの量子化版なら動きます。 Zennで公開された実測では、M4 Max 128GBでUD-IQ4_XS（約87GiB）が64KのKVキャッシュ込みで約89GiBに収まり、デコードは約25 tok/sでした。文脈が長くなるほど速度は落ちるので、扱う文書の長さに合わせて試してください。

「学習コスト1/9」は、運用コストも1/9になるという意味ですか？

いいえ、モデルを学習させたときのコストの話です。 比較相手はQwen3.7-Plusで、API単価や推論に必要な機材が1/9になるわけではありません。推論の効率を見るなら、アクティブ6Bという設計と、長文処理の速度（1Mトークン時のアテンションでプレフィル最大7.6倍）のほうが直接の目安になります。

日本語での性能はどの程度ですか？

日本語単独の公式ベンチマークは公表されていません。 多言語のMMMLUやMGSMの数値はありますが、日本語の実務品質は判断できません。国内のブログでは、応答に中国語が混ざる、ツール呼び出しを忘れるといった指摘もあります。日本語の業務で使うなら、自社のデータで試してから決めてください。

Qwen4はいつ出ますか？

2026年10月9日時点で、Qwen4本体の公開日や仕様は発表されていません。 公式ブログが示しているのは、Flash-NextのアーキテクチャをQwen4で使い、引き続き改良するという方針までです。

まとめ

Qwen3.8-Flash-Nextは、本体125B・アクティブ約6B・N-gram埋め込み51Bという非対称な構成で、「計算量を増やさずに記憶の容量を増やす」設計を形にしたモデルです。Qwen4のアーキテクチャを先に公開した実験版という位置づけです。

• Flash-Next（重み）とQwen3.8-Flash（API）は別物。1Mコンテキスト・キャッシュ・組み込みツールはAPI版の機能で、API版は東京リージョンでも使える
• API単価は入力$0.15〜0.16／出力$0.47。思考が初期設定でオンなので、思考トークンの量を管理しないと出力コストが伸びる
• 強いのはエージェント作業・コーディング・画像入力。NL2Repo・HLE・OSWorldでは負けており、比較相手のOpus 4.6も旧世代
• N-gram埋め込みはRAMやSSDに置ける。その性質を生かしたStrataなどで、RTX 4090級の民生GPUでも量子化版が動くようになった。ただし速度・品質とも自己申告が中心
• データセンター構成は条件付き。vLLMは専用イメージが必須で、H100×4ではN-gram表のCPUオフロードが必要
• ライセンスはApache 2.0ではない。社内利用や自社製品の一機能なら実務上ほぼ問題ないが、AIコーディング・オフィス支援製品とMaaSは別ライセンスが必要
• ベンチマークはすべて自己申告。第三者の検証はまだ少ない

まずAPI版で少量のテストを流して自社タスクでの品質を確かめ、機密性やファインチューニングの要件が出てきた段階でセルフホストを検討する、という順番なら機材への先行投資で失敗しにくくなります。Qwen4本体の発表や第三者のベンチマークで評価が変わる可能性があるので、判断の前に公式情報を確認してください。

関連記事

• Qwen3.8-27Bとは？必要VRAM・商用利用・使い方を解説
• Qwen3.8-Maxとは？性能・料金・使い方を解説
• GLM-5.3-Flashとは？
• DeepSeek V4 Flashとは？
• Ollamaとは？