Qwen3.8 Max est le modèle phare de la gamme Qwen d'Alibaba, publié le 3 août 2026.
- Entrée
- texte image $2/M
- Sortie
- texte $6/M
- Lecture de cache
- $0.25/M
- Contexte
- 984K
- vs GPT-4o
- ~60% moins cher
Benchmarks
Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Le prix en contexte
Position du prix parmi 66 modèles comparables
La barre montre où se situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises lot, région et écriture en cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 983 616 |
|---|---|
| Sortie max (spéc. fournisseur) | 131 072 |
Mise en cache
| Mode | automatique + explicite |
|---|---|
| Préfixe min. | 1 024 |
| Durée de vie | explicite : 5 min, réinitialisé à chaque hit |
| Coût d'écriture | 1.25x |
Raisonnement
| Paramètre | reasoning_effort |
|---|---|
| Valeurs | minimal · low · medium · high l'ensemble accepté est celui du fournisseur |
Modèle
| Modalités | texte + image → texte |
|---|---|
| Paramètres | 2.4T au total MoE |
- Flagship Qwen3.8 Max: natively vision-language, 2.4T-parameter MoE
- thinking trace returned in reasoning_content
- text and image in, text out
Un prompt, mesuré via la passerelle
Qwen3.8 Max réussi · 3 sentences
Enabling reasoning makes the model produce additional hidden steps before responding, and those tokens are billable. It also tends to lengthen each interaction because the model works through more possibilities before settling on an answer. Therefore, the bill doubled mainly due to higher compute and token usage per request, not necessarily because the number of requests doubled.
sortie 378 tok (+305 réflexion) latence 8.6 s
Suivi de l'instruction (exactement trois phrases - comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.
Qwen3.8 Max réussi · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The bug is that the original code starts `best` and `cur` at `0`, so it counts adjacent equal *transitions* rather than the number of items in the run. A run of length `n` has only `n - 1` equal-neighbor transitions, so single-element inputs return `0`, and runs that reach the end are undercounted by one. Initializing the current run to `1` for the first element, resetting it to `1` on a break, and updating `best` from that count fixes the off-by-one.
sortie 1616 tok (+1411 réflexion) latence 34.7 s
Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.
Qwen3.8 Max réussi · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
sortie 1199 tok (+1141 réflexion) latence 24.4 s
Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.
Qwen3.8 Max réussi · 120 words, 0 banned, 1 question
Today, our API gateway adds prompt caching across major model providers. It stores prompts and responses in one fast cache layer. Teams can lower token spend, reduce latency, and repeat reliable answers. The feature supports OpenAI, Anthropic, Google, and Mistral through one configuration. You can set retention rules, scope access, and invalidate entries quickly. How does your team maintain consistent results during provider outages? Approved cached responses keep applications stable while fallback routes recover. The dashboard shows hit rates, savings, latency, and provider usage. Engineers receive audit trails for every cached prompt, enabling safer testing. Product managers can compare cost trends before and after cache adoption. Start with a small route, then safely expand caching to production traffic right now.
sortie 2744 tok (+2591 réflexion) latence 46.3 s
Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.
Utilisez Qwen3.8 Max en 30 secondes
Compatible OpenAI : changez la base_url, gardez votre SDK. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="qwen3.8-max",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "qwen3.8-max",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3.8-max",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "qwen3.8-max",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("qwen3.8-max")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));À propos de Qwen3.8 Max
- Alibaba le décrit comme un modèle Max nativement visuel-langage bâti sur une architecture Mixture-of-Experts de 2 400 milliards de paramètres, et comme le modèle le plus capable de la lignée Qwen à ce jour.
- Il accepte du texte et des images et renvoie du texte, si bien qu'une même requête peut réunir une consigne, des captures d'écran, des graphiques ou des pages numérisées sans passer les images par un modèle de vision distinct.
- Le raisonnement fait partie du comportement par défaut : la trace revient séparément dans le champ reasoning_content, ce qui signifie que même une réponse courte consomme des jetons de raisonnement et qu'un budget max_tokens très serré peut renvoyer une réponse vide alors que la requête a réussi.
- L'appel de fonctions, la sortie structurée stricte par schéma JSON et le streaming avec usage dans le dernier fragment sont tous disponibles, de sorte que le modèle s'insère sans traitement particulier dans une intégration compatible OpenAI existante.
- La fenêtre de contexte approche le million de jetons et une réponse unique peut atteindre 131 072 jetons, soit le double du plafond de sortie de la génération Max précédente et la raison concrète d'y déplacer la génération de textes longs.
- La tarification est échelonnée selon le comportement du cache plutôt que selon la longueur du contexte : tarif d'entrée standard, tarif réduit pour les succès de cache automatiques, et tarifs distincts pour la création et la lecture explicites d'entrées de cache.
- Les boucles d'agent qui réutilisent un préfixe stable en profitent réellement.
- Alibaba indique Pékin et Singapour comme régions.
- Synthorai le propose via le point de terminaison chat completions compatible OpenAI.
FAQ
Peut-on essayer l'API Qwen3.8 Max gratuitement ?
Oui : les nouveaux comptes reçoivent 10 appels d'essai et jusqu'à $1 de crédit gratuit, sans carte bancaire. À $2/M de tokens en entrée, ce crédit couvre à lui seul environ 62 requêtes de ~8K tokens sur Qwen3.8 Max.
Quels sont les points forts de Qwen3.8 Max ?
MoE de 2 400 milliards de paramètres, visuel-langage natif ; entrée texte et image, sortie jusqu'à 131K ; tarifs échelonnés selon le cache. Voir la section À propos pour le tableau complet, tiré des notes de version officielles du fournisseur.
Combien coûte Qwen3.8 Max ?
Sur Synthorai, Qwen3.8 Max coûte $2 par million de tokens en entrée et $6 par million de tokens en sortie, soit le prix catalogue du fournisseur, sans majoration de plateforme. Les tokens d'entrée en cache sont facturés $0.25/M.
Qwen3.8 Max prend-il en charge la mise en cache des prompts ?
Oui : la mise en cache automatique est activée par défaut, avec un mode explicite pour des économies garanties. Les tokens d'entrée en cache sont facturés $0.25/M contre $2/M hors cache ; les prompts doivent avoir un préfixe stable de 1,024 tokens pour être mis en cache (TTL explicite : 5 min, réinitialisé à chaque hit). Guide de mise en cache des prompts →
Comment obtenir l'accès à Qwen3.8 Max ?
Pointez votre SDK OpenAI existant vers base_url="https://synthorai.io/v1", définissez model="qwen3.8-max", et c'est tout. Une seule clé API couvre tous les modèles de la passerelle.
Modèles associés
Comparer
Chaque valeur de cette page est transcrite de la documentation du fournisseur, liée ci-dessus, et porte la date de sa vérification. Les prix sont comparés à l'échelle du catalogue ; les valeurs de spécification que les fournisseurs définissent différemment sont présentées avec la différence indiquée plutôt que mises en graphique. Rien ici n'est mesuré par nous, et rien n'est noté.