Qwen3.8-Max: Alibaba greift mit neuem Open-Weights-Modell nach der KI-Spitze
Der chinesische Konzern Alibaba hat am Montag sein neues KI-Spitzenmodell Qwen3.8-Max vorgestellt. Es ist ab sofort über die Cloud-Plattform QwenCloud nutzbar. Kommende Woche sollen die Gewichte des Modells frei verfügbar gemacht werden. Die mitgelieferten Testergebnisse zeigen Stärken bei Bild-, Video- und Dokumentenverarbeitung – beim Programmieren liegt das Modell hinter der US-Konkurrenz.
Qwen3.8-Max hat 2,4 Billionen Parameter. Davon sind pro Verarbeitungsschritt 95 Milliarden aktiv. Das Modell arbeitet nach dem „Mixture of Experts“-Prinzip: Es besteht aus vielen Teilnetzen, von denen für jede Anfrage nur ein Bruchteil rechnet. Die Zahl der aktiven Parameter bestimmt daher, wie schnell und wie teuer der Betrieb ist.
Angekündigt hatte Alibaba das Modell bereits am 19. Juli auf der World AI Conference in Shanghai, damals nur als Vorabversion. Mit dem offiziellen Start soll kommende Woche auch eine kleinere Variante namens Qwen3.8-27B frei verfügbar werden. Für Alibaba wäre es das erste Mal, dass ein Modell der Max-Reihe offen zugänglich ist. Bisher blieben die stärksten Modelle geschlossen, nur die Mittelklasse wurde freigegeben.
Was Alibaba vorführt
Alibaba beschreibt Qwen3.8-Max als Modell für lange, selbstständig ablaufende Aufgaben. Im Blogpost führt der Konzern mehrere Beispiele an:
- Das Modell entwickelte in einem Durchlauf von mehr als zehn Tagen ein Software-Projekt namens „oh-my-cli“ von Grund auf. Nach rund 16 Tagen seien 265 Commits, 127 Pull Requests und 151 Issues zusammengekommen. Das Repository ist öffentlich einsehbar.
- Es reproduzierte in rund 125 Stunden eine Forschungsarbeit zur Datenauswahl beim KI-Training, ohne vorgegebenen Code, und entwickelte danach eigene Verbesserungen.
- Beim automatisierten Entwurf eines Krypto-Chips senkte es die Zahl der benötigten Logikgatter in etwa 500 Arbeitsschritten von 8.298 auf 678.
- In einer Simulation eines kompletten Handelsjahres auf Basis von Taobao- und Tmall-Daten machte es aus 100.000 Yuan Startkapital 416.252 Yuan.
Auffällig ist ein technisches Detail: Alibaba hat das Modell gezielt darauf trainiert, auch in fremden Agenten-Umgebungen zu laufen. Genannt werden neben der eigenen Software QwenWork auch Claude Code von Anthropic, Codex von OpenAI sowie die Open-Source-Projekte OpenClaw und Hermes.
Die Testergebnisse
Alibaba veröffentlicht eine ausführliche Vergleichstabelle. Verglichen wird mit Claude Opus 4.8 und Claude Fable 5 von Anthropic, GPT-5.6 Sol von OpenAI, Gemini 3.1 Pro von Google und dem eigenen Vorgängermodell.
Bei Text- und Programmieraufgaben umfasst die Tabelle 31 Tests. In sechs davon liegt Qwen3.8-Max vorne. Im Bereich Programmierung sind es zwölf Tests, davon führt das Modell in einem: PaperBench. Bei den übrigen liegen meist Claude Fable 5 oder GPT-5.6 Sol vorne.
| Test | Opus 4.8 | Fable 5 | GPT-5.6 Sol | Qwen3.7-Max | Qwen3.8-Max |
|---|---|---|---|---|---|
| Terminal Bench 2.1 | 84,6 | 84,6 | 88,8 | 74,5 | 86,6 |
| SWE-bench Pro | 69,2 | 80,0 | 64,6 | 60,6 | 67,7 |
| DeepSWE 1.1 | 59,0 | 70,0 | 73,0 | 21,6 | 56,6 |
| FrontierSWE | 70,0 | 88,8 | – | 40,7 | 73,5 |
| PaperBench | 80,3 | 88,8 | 90,5 | 64,8 | 93,0 |
| GPQA Diamond | 92,0 | 92,6 | 94,1 | 92,4 | 92,6 |
Auch auf zwei Tests, die Alibaba selbst entwickelt hat, liegt das neue Modell hinter den Anthropic-Modellen. Dasselbe gilt für RecreationBench, einen Test, den Alibaba im selben Blogpost neu vorstellt: 51,7 Punkte für Qwen3.8-Max, 56,1 für Claude Fable 5.
Vorne liegt das Modell bei berufsbezogenen Aufgaben: bei Gesundheitsfragen (HealthBench 60,2), juristischen Aufgaben (PLawBench 73,2), Finanzaufgaben (PRBench-Finance 58,3) und beim genauen Befolgen von Anweisungen (IFBench 82,8 gegenüber 72,7 für GPT-5.6 Sol).
Deutlich ist der Abstand zum eigenen Vorgänger. Beim Test Terminal Bench 2.1 stieg der Wert von 74,5 auf 86,6 Punkte, bei DeepSWE von 21,6 auf 56,6, bei FrontierSWE von 40,7 auf 73,5.
Stärken bei Bild, Video und Dokumenten
Ein anderes Bild zeigt die zweite Tabelle, in der es um die Verarbeitung von Bildern, Videos und Dokumenten geht. Sie umfasst rund 54 Tests. In etwa zwei Dritteln liegt Qwen3.8-Max vorne, bei Dokumenten- und Büroaufgaben in allen sieben.
Besonders groß ist der Abstand bei der Bildwahrnehmung. Im Test Dense200 erreicht Qwen3.8-Max 87,0 Punkte, Gemini 3.1 Pro kommt auf 69,7 und Claude Fable 5 auf 31,1. Auch bei Videoverständnis (VideoMME 90,4) und bei Physik- und Medizinaufgaben mit Bildmaterial (HiPhO 90,0, SLAKE 90,8) führt das Modell.
Einige Einschränkungen
Bei der Einordnung der Zahlen sind mehrere Punkte zu beachten.
Claude Opus 5 fehlt in der Tabelle. Anthropic hat dieses Modell am 24. Juli veröffentlicht. Es führt derzeit den Intelligence Index der unabhängigen Analysefirma Artificial Analysis mit 61 Punkten an, vor Claude Fable 5 (60), GPT-5.6 Sol (59) und Kimi K3 (57). Verglichen wird stattdessen mit dem älteren Opus 4.8. Auch die chinesischen Konkurrenzmodelle Kimi K3 und GLM 5.2 kommen in der Tabelle nicht vor.
Die Testbedingungen sind teilweise unterschiedlich. Bei einigen Tests hat Alibaba das eigene Modell selbst gemessen und für die Konkurrenz veröffentlichte Werte aus anderen Testumgebungen übernommen. Bei einem Test berichtet der Konzern das bessere von zwei eigenen Ergebnissen. Bei SWE-bench Pro hat Alibaba nach eigenen Angaben fehlerhafte Aufgaben korrigiert und alle Modelle auf dieser eigenen Fassung getestet. OpenAI hatte im Juli in einer Prüfung festgestellt, dass rund 30 Prozent der Aufgaben dieses Tests fehlerhaft sind. Ein Vergleich mit dem offiziellen Ranking ist dadurch aber nicht mehr möglich.
Sieben der Tests stammen aus Alibabas eigener Entwicklung und sind von außen nicht überprüfbar. Bei drei weiteren Tests bewerten Konkurrenzmodelle die Antworten: PaperBench wird von Claude Opus 4.6 beurteilt, zwei weitere von Gemini 3.1 Pro.
In einer Fußnote weist Alibaba außerdem darauf hin, dass die Ergebnisse von Claude Fable 5 sogenannte Fallbacks enthalten können. Anthropic leitet Anfragen zu bestimmten Themen automatisch an ein anderes Modell weiter. Die entsprechende Spalte misst damit nicht durchgängig dasselbe Modell.
Unabhängige Messungen liegen bislang nicht vor. Qwen3.8-Max ist weder im Intelligence Index von Artificial Analysis noch bei OpenRouter gelistet. Ein Model Card mit Angaben zu Fehlerquoten und Sicherheitsprüfungen fehlt. Tester der Vorabversion berichteten zudem von langsamen Antwortzeiten. Offen ist auch, unter welcher Lizenz die Gewichte kommende Woche erscheinen sollen.
Der Preis ist durchaus kompetitiv
Qwen3.8-Max kostet 2 US-Dollar pro einer Million eingegebener Tokens und 6 Dollar pro einer Million erzeugter Tokens. Ein Token entspricht etwa drei Viertel eines Wortes. Für zwischengespeicherte Eingaben werden 0,25 Dollar verrechnet, für das Auslesen eines ausdrücklich angelegten Zwischenspeichers 0,17 Dollar.
Zum Vergleich: Claude Opus 5 kostet 5 und 25 Dollar, Claude Fable 5 kostet 10 und 50 Dollar, GPT-5.6 Sol 5 und 30 Dollar, Kimi K3 3 und 15 Dollar, GLM 5.2 1,40 und 4,40 Dollar. Gegenüber dem eigenen Vorgänger ist Qwen teurer geworden: Qwen3.7-Max kostete 1,25 und 3,75 Dollar. Der Rabatt von 90 Prozent, den Alibaba während der Vorabphase gewährte, entfällt mit dem regulären Start.
Der Preis pro Token sagt allerdings wenig über die Kosten pro Aufgabe aus. Artificial Analysis erhebt diesen Wert und kommt auf eine Spanne von 0,05 Dollar für DeepSeek V4 Pro über 0,86 Dollar für Kimi K3 und 1,23 Dollar für GPT-5.6 Sol bis zu 2,34 Dollar für Claude Opus 5 und 3,15 Dollar für Claude Fable 5. Modelle, die vor der Antwort ausführlich „nachdenken“, erzeugen dabei viele zusätzliche Tokens, die als Ausgabe verrechnet werden. Bei Qwen3.8-Max ist diese Funktion laut Dokumentation dauerhaft aktiv, in der höchsten Stufe als Voreinstellung. Ein belastbarer Wert für die Kosten pro Aufgabe liegt für das Modell bisher nicht vor.
