Qwen3.8: Wat is er nieuw, hoe je het uitvoert en alternatieven (2026)
Het Qwen-team van Alibaba bracht op 14 augustus 2026 Qwen3.8-27B uit, twee dagen na de veel grotere Qwen3.8-2.4T-A95B. De release-opmerking is slechts één zin lang en is het waard om twee keer te lezen.
"Voor het eerst brengt Qwen3.8 een model uit de Qwen-Max-klasse naar een open release."
Dat is een claim over het niveau, niet over de grootte. Het betekent dat de open gewichten zich nu bevinden waar voorheen het gehoste vlaggenschip zat.
Of dat ook geldt voor jouw workload is een andere vraag, en het gepubliceerde bewijs geeft daar slechts gedeeltelijk antwoord op. De rest van dit artikel gaat over welke delen dat zijn.
Dit artikel behandelt wat er is uitgebracht en waar de twee officiële documenten van elkaar verschillen. Vervolgens kijken we naar wat de benchmarktabel daadwerkelijk meet. Tot slot bespreken we hoe je het model lokaal kunt draaien, voor als je wilt dat de analyse op je eigen machine blijft.
Wat Qwen3.8 daadwerkelijk is
De officiële README beschrijft de familie als gebouwd "op de architectonische basis van Qwen3.5", wat verbeteringen oplevert "op het gebied van coderen, professioneel werk, onderzoek en langdurige agentische taken".
De zin die belangrijk is voor iedereen die met stappenplannen werkt, is de volgende. Qwen3.8 "is ontworpen om complexe, uit meerdere stappen bestaande taken met grotere betrouwbaarheid tot een goed einde te brengen."
Het 27B-model is het model dat de meeste mensen lokaal zullen draaien. De model card geeft de harde cijfers: 27B parameters, 64 lagen, een verborgen dimensie van 5120 en een hybride lay-out van Gated DeltaNet- en Gated Attention-blokken.
De contextlengte is standaard 262,144 tokens en uitbreidbaar tot 1,000,000. De licentie die op de model card staat vermeld, is apache-2.0.
Het is goed om de twee releases uit elkaar te houden. Het 2.4T-A95B mixture-of-experts-model verscheen op 2026-08-12 en het 27B dense-model volgde op 2026-08-14. Alleen die laatste is realistisch om zelf te hosten.
| Feit | Qwen3.8-27B |
|---|---|
| Uitgebracht | 2026-08-14 |
| Parameters | 27B dense |
| Lagen | 64 |
| Context | 262,144 standaard, uitbreidbaar tot 1,000,000 |
| Licentie | apache-2.0 |
| Inputs | Tekst, afbeeldingen, video |
Waar de twee officiële documenten van elkaar verschillen
Dit is het deel waar bijna niemand over schrijft, en het verandert wat je veilig kunt beweren.
De GitHub README schrijft de multimodale architectuur toe aan Qwen3.5, de generatie waarop Qwen3.8 is gebouwd. Als je alleen die pagina leest, zou je concluderen dat het 27B-model alleen tekst ondersteunt.
De model card zegt iets anders, en is specifiek. Qwen3.8-27B is "een native vision-language-model dat afbeeldingen en video's begrijpt, met flexibele controle over het denkproces."
Wanneer twee officiële bronnen elkaar tegenspreken, wint de meest specifieke. De model card beschrijft dit exacte checkpoint, dus de multimodale functionaliteit is echt. Het is goed om te weten dat deze discrepantie bestaat, want een snelle blik op de repository zou je het tegenovergestelde vertellen.
Wat de benchmarktabel meet, en wat deze weglaat
De model card publiceert een vergelijking met Qwen3.6-27B, Qwen3.7-Plus, Muse Glimmer-30B en Opus4.6 Max. Sommige van de agentische scores laten grote sprongen zien.
| Benchmark | Qwen3.8-27B | Qwen3.6-27B |
|---|---|---|
| OSWorld-Verified (computergebruik) | 84.3 | 63.9 |
| WebArena-Verified (browsergebruik) | 64.8 | 48.8 |
| AndroidWorld (mobiel gebruik) | 81.9 | 70.3 |
| SWE-bench Pro (coderen) | 61.7 | — |
| MathVision (met code-interpreter) | 94.6 | 90.3 |
| Vision2Web (visuele webontwikkeling) | 62.9 | 45.0 |
Nu de eerlijke interpretatie. Computergebruik, browsergebruik, mobiel gebruik, coderen, visuele wiskunde en webontwikkeling is wat deze tabel dekt.
Er is hier geen benchmark voor het lezen van een spreadsheet, het afstemmen van twee exports of het genereren van een rapport op basis van tabelgegevens. Sterke OSWorld-cijfers laten zien dat het model een desktop kan besturen. Ze vertellen je niet of het je omzetaansluiting correct zal uitvoeren.
Een detail dat de moeite waard is om te vermelden voor lezers die open releases volgen: Muse Glimmer-30B verschijnt in deze tabel als vergelijkingspunt, terwijl de eigen lanceringstabel van vier dagen eerder vergeleek met Qwen3.6-27B. Ons artikel over Muse Glimmer merkte al op dat de vergelijkingsgroep bij de lancering al een generatie achterliep. Deze tabel is de andere helft van dat verhaal.
Hoe je het draait
De gewichten staan op de Hugging Face Hub en op ModelScope, volgens het nieuwsbericht in de README. De 27B dense-variant is de praktische keuze voor een enkele machine.
Plan je geheugen op basis van het aantal parameters in plaats van de maximale context. Er is een venster van 262,144 tokens beschikbaar, maar het vullen daarvan kost geheugen dat de meeste lokale opstellingen niet over hebben.
Begin met een korte context en een echt bestand. Laad één export, stel één vraag waarvan je het antwoord al weet, en controleer het antwoord voordat je iets langers toevertrouwt.
Die verificatiestap is niet optioneel bij het werken met tabellen. Een model kan een spreadsheet vloeiend beschrijven en toch de verkeerde kolom voor de totalen aanzien. Vloeiende foute antwoorden zijn moeilijker te ontdekken dan overduidelijke fouten.
Als je het venster van een miljoen tokens nodig hebt, behandel dit dan als een aparte uitdaging met een eigen hardwarebudget. De twee configuraties gedragen zich in de praktijk heel verschillend, en het benchmarken van de ene zegt weinig over de andere.
Pas eerst de standaard 'reasoning effort' aan
Dit is de instelling die je eerste indruk zal bepalen, en deze is zichtbaar in de chat-template van de model card zelf.
De template lost reasoning_effort standaard op naar xhigh, met medium en low als de andere geaccepteerde waarden. Het nadenken kan ook worden uitgeschakeld.
Een standaardinstelling van xhigh betekent dat het model langdurig zal nadenken over vragen die dat niet nodig hebben. Voor het opzoeken van één regel in een klein CSV-bestand komt dat over alsof het model traag is in plaats van zorgvuldig.
Het eerste wat je moet aanpassen is dus niet de prompt. Verlaag de inspanning naar medium of low voor routinevragen, en bewaar xhigh voor het werk met meerdere stappen waar de release-opmerking eigenlijk over gaat.
Waar dit past in een data-workflow
Een open-weight model dat je zelf host, lost één specifiek probleem op: de data verlaat nooit je machine. Voor gereguleerde of gevoelige bestanden is dat het doorslaggevende argument, en geen enkele hoeveelheid gehost gemak kan dat vervangen.
Al het andere aan deze keuze is een afweging. Je neemt de verantwoordelijkheid voor hardware, updates en kwantiseringsbeslissingen in ruil voor die ene garantie.
Wat het niet oplost, is alles om het model heen. Kolomprofilering, het samenvoegen van twee exports, het opmerken van een hernoemd veld, het renderen van een grafiek en het produceren van een document zijn afzonderlijke taken.
Die kloof is de reden waarom protocol- en toolinglagen bestaan. Onze uitleg over wat MCP is behandelt de standaard die modellen met tools verbindt. De pagina over data connectors laat zien wat een file-first pijplijn als invoer verwacht.
Alternatieven
Als de vereiste lokaal en open is, zijn Qwen3.8-27B en Muse Glimmer-30B de twee huidige kandidaten in dezelfde grootteklasse. Beide publiceren gewichten en beide draaien op een enkele machine.
Als de vereiste een kant-en-klaar resultaat uit een bestand is in plaats van een model-endpoint, ziet de tool er anders uit. Powerdrill Bloom neemt de spreadsheet, profileert de kolommen en levert de grafiek, het rapport of de presentatie op.
Er valt geen prijsvergelijking te maken aan de kant van Qwen. Er was geen officiële Qwen-prijspagina bereikbaar voor dit model, dus dit artikel noemt geen cijfers.
Als je eigenlijke taak een bestand is dat een rapport moet worden, probeer Powerdrill Bloom er dan direct op uit. Zie ook onze gids over het omzetten van een abonnementsexport in een MRR- en ARR-rapport en de CSV AI-assistent-pagina.
Conclusie
Qwen3.8-27B is een 27B dense-model met een standaard context van 262,144 tokens, apache-2.0-gewichten en gedocumenteerde beeld- en video-invoer. De agentische sprongen ten opzichte van Qwen3.6-27B zijn aanzienlijk.
Er zijn twee kanttekeningen bij te plaatsen. De repository en de model card spreken elkaar tegen over multimodaliteit, en de gepubliceerde benchmarks hebben betrekking op desktop-, browser-, codeer- en visuele taken in plaats van tabelgebaseerd werk.
Stel reasoning_effort in voordat je het model beoordeelt. De standaardwaarde is xhigh, en die standaardwaarde laat het model langer nadenken dan voor de meeste vragen nodig is.
Veelgestelde vragen
Wanneer is Qwen3.8 uitgebracht?
De nieuwsberichten in de README vermelden Qwen3.8-27B op 2026-08-14 en Qwen3.8-2.4T-A95B op 2026-08-12, beide op de Hugging Face Hub en ModelScope.
Is Qwen3.8-27B multimodaal?
Ja, volgens de model card, die het beschrijft als een native vision-language-model dat afbeeldingen en video's begrijpt. Let op: de GitHub README schrijft de multimodale architectuur toe aan Qwen3.5.
Welke contextlengte ondersteunt het?
De model card vermeldt standaard 262,144 tokens, uitbreidbaar tot 1,000,000. Het draaien in de buurt van de bovengrens vereist aanzienlijk meer geheugen dan een typische lokale opstelling heeft.
Waarom voelt het traag aan bij eenvoudige vragen?
De chat-template stelt reasoning_effort standaard in op xhigh. Verlaag dit naar medium of low voor routinevragen en bewaar xhigh voor taken die echt uit meerdere stappen bestaan.
Zeggen de benchmarks iets over het werken met spreadsheets?
Nee. De gepubliceerde tabel heeft betrekking op computergebruik, browsergebruik, mobiel gebruik, coderen, visuele wiskunde en webontwikkeling, zonder benchmark voor tabelanalyse of het genereren van rapporten.