Novo Cadastre-se grátis, 10 chamadas por nossa conta. Até US$ 1, sem cartão.

Qwen3.8 Flash vs Qwen3.8 Max

vs

Qual usar, quando

Ambos são modelos da Alibaba com o mesmo conjunto de recursos (chat, visão, código, raciocínio, ferramentas, contexto longo) e a mesma saída máxima de 131072, portanto a divisão é por preço e entradas. Escolha o qwen3.8-flash para trabalhos de alto volume: com entrada a $0.15 e saída a $0.47, ele é executado aproximadamente 13x mais barato em ambas as pontas do que o qwen3.8-max a $2 e $6, suas leituras de cache custam $0.016 contra $0.25, ele comporta 1000000 tokens de contexto em comparação com 983616, também aceita vídeo e seu pensamento pode ser desativado. Escolha o qwen3.8-max quando você desejar especificamente o modelo de texto e imagem de nível superior e a diferença de custo não for a restrição.

Benchmarks

À frenteAcima da médiaNenhum melhorQwen3.8 Flash313 / 163 / 16Qwen3.8 Max731 / 408 / 40

10 medidos em ambos.

Qwen3.8 Flash Qwen3.8 Max outros modelos medidos média dos modelos comparados nenhum outro modelo pontuou mais alto
SWE-Bench Pro
62.5%
67.7%
OSWorld 2.0 partial
52.3%
N/A
Cybergym
N/A
78.5%
HealthBench
N/A
nenhum outro modelo pontuou mais alto 60.2%
JobBench
55.7%
53.4%
PLawBench
N/A
nenhum outro modelo pontuou mais alto 73.2%
GPQA Diamond
91.7%
92.6%
ERQA
nenhum outro modelo pontuou mais alto 72.3%
N/A
Agents' Last Exam Pass
24.3%
27%
LVBench
76.6%
N/A

Publicado pelos fornecedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Preços

Qwen3.8 Flash Qwen3.8 Max Δ
Entrada / 1M tokens $0.15 $2 0.075×
Saída / 1M tokens $0.47 $6 0.078×
Leitura de cache / 1M tokens $0.016 $0.25 0.064×
Escrita de cache 1.25x 1.25x -

Tarifas do catálogo em tempo real no momento do build; a página de cada modelo contém o cartão atual.

Onde eles se posicionam - preço de entrada por 1M tokens entre todos os 71 modelos de chat nesta unidade de cobrança (escala logarítmica)

Qwen3.8 Flash · $0.15 Qwen3.8 Max · $2
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacidades

Qwen3.8 Flash Qwen3.8 Max
Uso de ferramentas sim sim
Controle de raciocínio configurável sim - o fornecedor não publica o controle
Saída estruturada sim sim
Cache de prompt implícito + explícito implícito + explícito
Tempo de vida do cache explicit: 5m, reset on hit explicit: 5m, reset on hit
Prefixo mínimo em cache 1024 tokens 1024 tokens

Especificações

Qwen3.8 Flash Qwen3.8 Max
Modalidades de entrada texto imagem vídeo texto imagem
Modalidades de saída texto texto
Lançamento 2026-08-27 2026-08-03
Janela de contexto 1M 984K
Saída máxima 131K 131K
Parâmetro de raciocínio
  • enable_thinking
  • thinking_budget
  • preserve_thinking
-
Valores aceitos
enable_thinking
  • true
  • false
thinking_budget
  • in tokens
preserve_thinking
  • true
  • false
-
Padrão

on

qwen3.8-flash is hybrid thinking with thinking enabled by default, thinking_budget defaults to the 262,144-token chain maximum, and preserve_thinking is off

-

As especificações são transcritas da documentação de cada fornecedor; uma linha que um fornecedor não publica é omitida em vez de ser inferida. Fontes completas: Qwen3.8 Flash · Qwen3.8 Max

Um prompt, ambos os modelos - medidos pelo gateway

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VERIFICAR exatamente 3 frases

Qwen3.8 Flash passou · 3 sentences

Enabling reasoning makes the model spend additional output tokens to plan and validate answers before responding, and those tokens are billed. It also increases compute and latency per request, so each task consumes more capacity than a non-reasoning call. As a result, billable tokens and compute roughly doubled, directly driving the higher invoice.

saída 330 tok (+262 pensamento) latência 8.9 s

Qwen3.8 Max passou · 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.

saída 378 tok (+305 pensamento) latência 8.6 s

Cumprimento da instrução (exatamente três frases - contáveis), ajuste ao público (registro de CFO), e a lacuna de cobrança do pensamento oculto que os medidores de tokens abaixo expõem.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. VERIFICAR a correção passa nos testes

Qwen3.8 Flash passou · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = 1 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 version counts adjacent equal pairs rather than items in a run, starting both `cur` and `best` at `0`, and it resets `cur` to `0` after a mismatch, thereby discarding the first element of the new run. That makes single-element inputs return `0`, and because every run is effectively measured in “steps” between equal elements, the last element is not counted—particularly noticeable when the longest run ends at the final index.

saída 2123 tok (+1933 pensamento) latência 43.8 s

Qwen3.8 Max passou · 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.

saída 1616 tok (+1411 pensamento) latência 34.7 s

Se a correção é de fato certa (executável), a densidade da explicação, e a eficiência em tokens numa tarefa delimitada.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. VERIFICAR JSON válido, esquema exato

Qwen3.8 Flash passou · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }

saída 519 tok (+463 pensamento) latência 10.5 s

Qwen3.8 Max passou · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }

saída 1199 tok (+1141 pensamento) latência 24.4 s

Obediência ao esquema (sem campos inventados), pressão de alucinação (guidance é explicitamente retida), e diferenças no caminho de saída estruturada.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. VERIFICAR 120 palavras, 0 palavras proibidas

Qwen3.8 Flash passou · 120 words, 0 banned, 1 question

We are announcing prompt caching across providers in our API gateway. Store approved prompt outputs once and reuse them across supported model providers, cutting latency, cost, and duplicate token spend. The feature matches identical requests, checks validity, and returns cached results while preserving routing controls. Developers keep existing endpoints; the gateway manages storage, invalidation, and provider differences. This reduces noisy repeat calls, improves steady responses, and frees teams to focus on better agent workflows. OpenAI, Anthropic, Google, Mistral, and custom routes are supported. Cache hits appear in analytics with latency, token, and cost reductions visible. Check retention and privacy rules before enabling it. Ready to add cache controls to your gateway? Enable it in settings and watch spend drop now.

saída 5958 tok (+5805 pensamento) latência 88.8 s

Qwen3.8 Max passou · 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.

saída 2744 tok (+2591 pensamento) latência 46.3 s

Obediência às restrições (orçamento de palavras, lista de palavras proibidas, a única pergunta), impressão digital de estilo, e controle de comprimento.

Alterne entre eles com uma linha

Ambos os IDs estão em todas as abas abaixo - o par de linhas destacado é a única edição. Mesmo endpoint, mesma chave, mesmo formato de requisição.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="qwen3.8-flash",
    # model="qwen3.8-max",  # descomente esta linha, comente a linha acima
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenha sua chave API →

FAQ

Qual é mais barato, Qwen3.8 Flash ou Qwen3.8 Max?

Qwen3.8 Flash é mais barato em entrada / 1m tokens ($0.15 vs $2, com 13× de diferença). Outras linhas podem apontar para o outro lado - a tabela acima traz o quadro completo, e o custo real depende do seu mix.

Posso fazer um teste A/B de Qwen3.8 Flash contra Qwen3.8 Max sem duas integrações?

Sim. Ambos são servidos pelo mesmo endpoint compatível com OpenAI com uma única chave de API - a troca é uma alteração de uma linha na string do modelo, de modo que você pode rotear uma fração do tráfego para cada um e comparar as faturas diretamente.

Qwen3.8 Flash e Qwen3.8 Max suportam prompt caching?

Sim - ambos cobram leituras em cache abaixo da sua taxa de entrada, então cargas de trabalho com warm-prefix custam menos do que as taxas listadas sugerem. As linhas exatas de leitura em cache estão na tabela de preços acima.

Comparações relacionadas

De nossos estudos medidos