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8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、総パラメータ125B／1トークンあたりのアクティブ6B、これに51BのN-gram埋め込み層を加えた構成を持ちます。 公式GitHubは本モデルを「次世代Qwen4で使われるアーキテクチャの早期プレビュー（an early preview of the architecture used in Qwen4）」と位置づけており、単体の製品というよりQwen4の設計を先行公開した検証版という性格が強いモデルです。

そして最初に押さえるべき点が2つあります。1つは、「Flash-Next」（オープンウェイト）と「Qwen3.8-Flash」（QwenCloudのAPI製品）は別物であること。もう1つは、ライセンスがApache 2.0ではないことです。一部の海外メディアがApache 2.0と記載していますが、Hugging FaceのLICENSEファイルは qwen-community-1.0（Qwen Community License 1.0）であり、AIコーディングアシスタント製品への組み込みには別途ライセンスが必要という条項が入っています。

出典: QwenLM GitHub 公式リポジトリ

この記事でわかること

• 「125B」「6B」「51B」という3つの数字が実際に何を指しているのか
• N-gram埋め込み層の仕組みと、それが実装上もたらす効果（VRAMではなくホストRAMに置く設計）
• Qwen4で採用予定とされるアーキテクチャ4改良（GDN＋QSAハイブリッド／Gated Residual／N-gram Embedding／Muon）
• 公表ベンチマークの数値と、Qwenが負けている項目まで含めた読み方
• API版 Qwen3.8-Flash の単価（入力$0.15／出力$0.47・1Mコンテキスト）と実コストの目安
• 「結局どのマシンなら動くのか」——BF16 335GiB・FP8 172GiB・1bit量子化でも75GBという現実
• Qwen Community License 1.0 の2つの例外条項と、自社が該当するかの判定

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ている情報システム担当者、中国製モデルのライセンス条件を判断する法務・企画担当の方に向けた内容です。ベンダー自己申告値と第三者情報は分けて記載しています。

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実証モデルです。 かつてQwen3-NextがQwen3.5のアーキテクチャを先行公開する役割を担ったのと同じ構図で、今回はQwen4の設計を前倒しで世に出したものと公式は説明しています。

「Flash-Next」と「Qwen3.8-Flash」は別物

ここを取り違えると、コスト試算も導入設計もやり直しになります。現時点でQwenは2本立ての提供形態をとっています。

「1Mトークンで組み込みツール付き」を期待しているなら、見るべきはFlash-Nextではなく本番版のQwen3.8-Flashです。 なお、本番版APIの一般提供（GA）開始日は現時点で正式には確認できていません。QwenCloudのモデルページには価格とレート上限（TPM 2,000,000／RPM 15,000）が掲載済みですが、実運用に入れる前に提供状況を公式で確認してください。

シリーズ上位のフラッグシップとの関係を確認したい場合は、Qwen3.8-Maxの解説記事が対になります。学習コスト比較の基準となった前世代はQwen3.7 Maxの解説記事にまとめています。

「125B / 6B / 51B」——3つの数字が指しているもの

このモデルを理解する最短ルートは、パラメータを1つの数字で見ないことです。 Qwen3.8-Flash-Nextは役割の違う3層のパラメータを積み上げた構成になっています。

つまり、速度感は6Bクラス、知識容量は125B＋51Bクラスという非対称な設計です。コミュニティでよく使われる目安に「総パラメータとアクティブパラメータの幾何平均（√(125×6)≒27.4B）で体感サイズを推定する」という経験則がありますが、これは公式の指標ではなく、あくまで感覚をつかむための概算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、モデルの第2層に「2,000万エントリのbigram/trigramルックアップテーブル」を差し込み、追加の計算をほとんど増やさずに記憶容量だけを拡張する仕組みです。 従来、モデルの知識量を増やすには層やエキスパートを増やすしかなく、それは計算量の増加と直結していました。N-gram埋め込みはこの結びつきを切り離しています。

実装上の要点は次の2つです。

• 参照であって計算ではない — 2〜3単語（トークン）の並びをキーにテーブルを引くだけなので、行列積の量が増えない。「51Bを足したのに推論コストはほぼ据え置き」という設計はここから来ています。
• VRAMではなくホストRAMに置ける — NVIDIA環境では、この51B分をGPUメモリではなくホスト側のRAMに配置し、非同期プリフェッチで先読みする運用が想定されています。vLLMでは VLLM_PLE_CPU_OFFLOAD=1 で有効化でき、SGLang / vLLM / TokenSpeed が対応しています。

「GPUメモリだけでは載らない構成でも動かす余地を作る」というのが、この層の実務的な意味です。 ただし、それでも一般的なワークステーション1台で気軽に回せる規模ではありません。

Qwen4アーキテクチャの4つの改良

公式は、attention・residual・embedding・optimizationの4点を体系的にアップグレードしたと説明しています。

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

レイヤー構成は「12 ×（3 ×（Gated DeltaNet → MoE）→ 1 ×（Qwen Sparse Attention → MoE））」という繰り返しです。役割分担は明快で、

• GDN（線形アテンション） が4層中3層を担当し、履歴を固定サイズの再帰状態に圧縮する（V用linear attention head 48、QK用16、head dim 128）
• QSA が残り1層で、軽量インデクサによりマイクロブロック粒度で必要な文脈だけを選んで精密に参照する（Q head 24、KV head 2、head dim 256、RoPE dim 64。予算は512ブロック／2,048トークン）

公式は、この構成により1Mトークン処理時にQwen3.7-Plus比で8.6倍高速としています。長文脈処理でKVキャッシュが線形に膨らむ問題への回答が、この設計の中心にあります。

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比で約1/9になったとしています。 一部の日本語メディアでは「Qwen3.8-27Bの学習期間の1/9」と比較対象が異なる表記も見られるため、本記事では公式表現に合わせています。Muonオプティマイザの導入によりバッチサイズのウォームアップを廃止し、スケーリング則を再フィットしたことが寄与したと説明されています。

なお、この「1/9」は学習側のコストであり、推論を回す側のハードウェア要件が9分の1になるわけではありません。ここは混同されやすいポイントです。

性能｜公表ベンチマークと、負けている領域

エージェント・コーディング系で高い数値が出ており、特にCoWorkBench・JobBenchでは同クラスに大差をつけています。ただしすべてQwenの自己申告値であり、第三者による再現検証は現時点で確認できていません。

出典: DeepSeek 公式サイト

弱い部分も同じ表で見る

多くの解説が勝ち項目だけを並べていますが、導入判断に効くのはむしろ次の3点です。

• NL2Repo-Bench 48.1 — DeepSeek-V4-Flash-0731の54.2に6.1ポイント劣後しています。自然言語からリポジトリ規模のコードを起こす用途では、必ずしも優位ではありません。比較相手の詳細はDeepSeek V4 Flash 0731の解説記事にまとめています。
• OSWorld 2.0 binary 19.4 — PC操作エージェントとしての「完全成功率」は依然として低水準です。デスクトップ自動化を丸ごと任せる段階には達していません。
• Humanity's Last Exam 35.9 — Claude Opus 4.6（Max）の91.3に対して大きく劣ります。最難関の知識・推論タスクは想定用途の外と考えるべきです。

Qwen3.8-27Bとの比較では、言語・視覚あわせて22項目で同等以上、うち21項目で上回ったと公表されています。総じて「エージェント運用とコーディング支援に振り切ったモデル」であり、汎用の最難関推論を狙ったモデルではありません。

料金｜本番版Qwen3.8-Flash APIの単価と実コスト

QwenCloudのモデルページに掲載されている単価は、入力$0.15／出力$0.47（いずれも100万トークンあたり）です。 公式Xの告知では入力$0.16と表記された経緯があるため、契約前に公式ページで最新値を確認してください。本記事はQwenCloudモデルページの値を採用しています。

出典: Alibaba Cloud Model Studio 公式サイト

コスト感の目安

1ドル150円換算で、単純化した試算を置いておきます（実際の請求はキャッシュヒット率と出力長に大きく左右されます）。

注意点は「thinkingがデフォルトでON」であることです。 reasoningに最大262Kトークンの予算が設定できる設計のため、reasoning_effort を制御しないと出力トークン（＝高い方の単価）が想定以上に伸びます。コストを読みたい場合は reasoning_effort を low または none に固定し、必要なタスクだけ xhigh に上げる運用が現実的です。

参考として、フラッグシップのQwen3.8-Maxとの価格差は約12倍と報じられています。「高難度タスクはMax、量をこなすワークロードはFlash」という使い分けが、価格設計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

一般的なワークステーション1台での素直な運用は、現時点では非現実的です。 「125B/6Bアクティブだから軽い」という直感は、このモデルには当てはまりません。

Unslothの推奨はユニファイドメモリ／RAM 96GB以上。精度の復元度は1bitでtop-1約80%、4bitで約93.5%とされています（いずれもベンダー計測値で、Qwen公式値ではありません）。

「量子化すれば軽くなる」が通用しにくい理由

N-gram／PLE層は最低4bit精度が必要とされており、他モデルほど攻めた量子化ができません。 51Bという巨大なテーブルを粗く潰すと、その層が担っている記憶容量そのものが壊れるためです。結果として、1bit量子化まで踏み込んでも75GBを下回らないという特異な曲線を描きます。

実装上の制約（見落とされやすい部分）

• vLLMではTP2が最小検証構成（GB300環境）、TP4推奨。TP1はコンパイル時にOOMします
• パイプライン並列は非対応、XPU / TPUも非対応
• H200 8枚環境では、素のTP8がFP8チェックポイントと非互換（TEP8＋Triton MoEバックエンドが必要）
• vLLMは0.29.0以降＋専用Dockerイメージ（vllm/vllm-openai:qwen38-flash-next）が必要で、PyPI経由の導入は非対応
• N-gram埋め込みをオフロードするためにホストRAMを51GB以上要求
• 対応フレームワークは Transformers / vLLM / SGLang / TokenSpeed / llama.cpp（GGUF）/ Ollama。NVIDIAはTensorRT LLMもサポート

出典: NVIDIA Newsroom 公式プレスリリース

マシン階級別の現実的な結論

「オープンウェイト＝手元で動く」ではないという点は明確に押さえてください。手軽にローカルLLMを試したい段階であれば、Ollamaの解説記事で扱っている軽量モデルから入るほうが現実的です。

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はApache 2.0ではなく、Qwen Community License 1.0（qwen-community-1.0）で配布されています。 商用利用・改変・再配布は原則可能ですが、次の条件が付きます。ここは日本語圏でまとまった解説が少ない部分なので、詳しく整理します。

自社が該当するかの判定

実務上は、次の3問で切り分けられます。

1. モデルの推論やファインチューニングそのものを、APIやホスティングとして外部に販売するか？ → Yesなら別途ライセンスが必要
2. AIコーディング支援ツール、またはオフィス業務アシスタント製品として提供するか？ → Yesなら別途ライセンスが必要
3. MAU 1億超、または月商2,000万ドル超か？ → Yesならモデル名の表示義務

日本の一般的な事業会社が、社内業務の効率化や自社プロダクトの一機能として組み込む範囲であれば、実務上ほぼ制約に当たりません。 一方で、AIコーディングツールをプロダクトとして開発しているベンダーは、規模を問わず条項の対象になり得る点が他のオープンウェイトモデルと大きく異なります。「エージェント／コーディングに強い」という本モデルの売りが、そのままライセンス制限の対象領域と重なっているのは皮肉な構図です。

海外メディアの一部がApache 2.0と記載していますが、Hugging FaceのLICENSEファイルは qwen-community-1.0 です。設計に組み込む前に、必ずLICENSE原文を法務部門で確認してください。

より緩いライセンスを優先するなら、MITで公開されているGLM-5.2の解説記事やLongCat-2.0の解説記事が比較対象になります。オープンウェイト公開をめぐる各社のスタンスの違いはAnthropicのオープンウェイトに対する立場でも整理しています。

データ所在・ガバナンスの観点

中国企業が提供するモデルであるため、APIを使う場合は自社データの所在と法域の確認が前提になります。逆に言えば、オープンウェイトをオンプレミスや自社VPCで動かせばこの懸念は構造的に回避できます。ただし本モデルはハードウェア要件が重いため、「機密性を取るならセルフホスト」という選択が誰にでも開かれているわけではありません。中国製モデル全般のリスク整理は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、①QwenCloudのAPI（本番版Qwen3.8-Flash）、②Hugging Face／ModelScopeからのセルフホスト、③Ollama等での量子化版の3つです。

出典: Hugging Face 公式サイト

API利用の流れ

1. QwenCloudでアカウントを作成し、APIキーを発行する
2. OpenAI互換エンドポイントとして既存コードの base_url とモデル名を差し替える（DashScope形式にも対応。GitHubのREADMEではAnthropicを含む各種API仕様に対応と記載）
3. enable_thinking / preserve_thinking / reasoning_effort（xhigh・medium・low・none）で思考の深さを制御する
4. 長い共通プロンプトは明示キャッシュに載せ、入力コストを圧縮する
5. function calling・structured outputs・batch・web search を必要に応じて有効化する

推奨サンプリング設定

公式・ベンダーが示している推奨値は次のとおりです。デフォルトのままだと出力が不安定になりやすいため、最初に設定しておくべき部分です。

他モデルとの選び分け

用途ごとに最適解が変わります。要件別の目安を整理します。

オープンウェイトMoEの潮流全体を把握したい場合はThinking Machines Inklingの解説記事、ツール全体から選び直したい場合は生成AIツールおすすめの比較記事、エージェントの基礎概念は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

「エージェントを大量に回すコスト効率」と「Qwen4アーキテクチャの先取り検証」に価値を感じるかどうかが分かれ目です。

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？

本番プロダクトに組み込むならQwen3.8-Flash（API版）です。 1Mコンテキスト、コンテキストキャッシュ、code interpreterやweb searchといった組み込みツールは本番版に標準搭載されており、Flash-Nextには含まれません。Flash-Nextを選ぶ理由は、①機密データを自社環境から出さない、②ファインチューニングする、③Qwen4のアーキテクチャを事前検証する、のいずれかに当てはまる場合に限られます。

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ファイルが qwen-community-1.0 である以上、Apache 2.0ではありません。 一部の海外メディアがApache 2.0と記載していますが、これは誤りです。特にAIコーディングアシスタントやオフィスアシスタント製品への組み込みには別途ライセンスが必要という条項があるため、この誤情報を前提に設計すると法務上のリスクが残ります。原文はHugging Faceのリポジトリで直接確認してください。

128GBのユニファイドメモリを積んだマシンなら動きますか？

4bit量子化（約112GB）までなら可能性はありますが、余裕はほとんどありません。 Unslothの推奨は96GB以上で、4bitでの精度復元は約93.5%とされています。またllama.cppはCUDA／MetalフラグをつけたソースビルドをUnslothが案内しており、パッケージを入れるだけでは済みません。実運用前に、自分のワークロードで速度と精度を実測することを強くおすすめします。

「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、モデルを学習させる側のコストの話です。 公式表現は「Qwen3.7-Plus比で約1/9」で、推論を回すハードウェア要件やAPI単価が9分の1になるという意味ではありません。推論側のコスト効率は、6Bアクティブという設計と、1Mトークン処理時にQwen3.7-Plus比8.6倍高速という数値のほうが直接の指標になります。

N-gram埋め込みの51Bは、必ずホストRAMに置く必要がありますか？

必須ではありませんが、それが想定された運用です。 NVIDIA環境ではホスト側RAMに配置して非同期プリフェッチする構成が案内されており、vLLMでは VLLM_PLE_CPU_OFFLOAD=1 で有効化します。この場合ホストRAMを51GB以上確保する必要があります。UnslothはSSDへのmmapオフロードというオプションも提示していますが、速度面のトレードオフは別途検証が必要です。

日本語での性能はどの程度ですか？

現時点で、日本語に特化した公式ベンチマークは公表されていません。 公表されているのは英語中心のコーディング・エージェント・マルチモーダル系の指標です。Qwenシリーズは多言語対応を掲げていますが、日本語の実務品質については自社データでの検証を前提にしてください。ここは公表値から判断できない領域です。

本番版APIはもう使えますか？

QwenCloudのモデルページには価格とレート上限が掲載されていますが、一般提供の正式な開始日は現時点で確認できていません。 公式Xの告知も「available soon」の段階です。導入計画を立てる際は、公式ページで提供状況を確認したうえでスケジュールを引いてください。

まとめ

Qwen3.8-Flash-Nextは、総パラメータ125B・アクティブ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容量だけを拡張する」という設計思想を実装したモデルです。Qwen4で採用予定のアーキテクチャを先行公開した検証版という位置づけであり、単体の完成品というより設計の実証という性格が強い公開になっています。

導入判断の要点を整理します。

• Flash-Next（オープンウェイト）とQwen3.8-Flash（API）は別物。 1Mコンテキストと組み込みツールは本番版の機能
• N-gram埋め込み51BはVRAMではなくホストRAMに置く設計。 ただしホストRAMを51GB以上要求する
• API単価は入力$0.15／出力$0.47。 thinkingがデフォルトONのため、reasoning_effort を制御しないと出力コストが伸びる
• 強いのはエージェント・コーディング・マルチモーダル入力。 一方でNL2Repo・OSWorld・Humanity's Last Examでは劣後する
• ローカル実行は簡単ではない。 BF16で335GiB、1bit量子化でも75GB。TP1不可、パイプライン並列非対応、vLLMは専用Dockerイメージ必須
• ライセンスはApache 2.0ではない。 AIコーディング／オフィスアシスタント製品への組み込みとMaaS事業は別途ライセンスが必要
• ベンチマークはすべて自己申告値。 第三者検証は現時点で未了

まずはQwenCloudのAPIで少量のテストトラフィックを流して自社タスクでの品質を見極め、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——この順序であれば、ハードウェア投資を先行させる失敗を避けられます。なお、本番APIの提供開始時期、第三者ベンチマークの結果、Qwen4本体の発表はいずれも今後動く見込みの領域です。判断の前には公式情報の再確認をおすすめします。