Qwen3.8 Flash vs Qwen3.8 Max
Qual usar e 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
10 medidos em ambos.
Publicado pelos provedores: 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, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.
Onde cada um fica: preço de entrada por 1M tokens entre os 80 modelos de chat com esta unidade de cobrança (escala logarítmica)
Capacidades
| Qwen3.8 Flash | Qwen3.8 Max | |
|---|---|---|
| Uso de ferramentas | sim | sim |
| Controle de raciocínio | configurável | sim o provedor não publica o controle |
| Saída estruturada | sim | sim |
| Cache de prompts | implícito + explícito | implícito + explícito |
| Tempo de vida do cache | explicit: 5m, reset on hit | explicit: 5m, reset on hit |
| Prefixo mínimo em cache | 1,024 tokens | 1,024 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 |
| - |
| Valores aceitos | enable_thinking
thinking_budget
preserve_thinking
| - |
| 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 provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: Qwen3.8 Flash · Qwen3.8 Max
Um prompt, os dois modelos, medidos pelo gateway
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 raciocínio) 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 raciocínio) latência 8.6 s
Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.
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 raciocínio) 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 raciocínio) latência 34.7 s
Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.
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 raciocínio) 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 raciocínio) latência 24.4 s
Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.
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 raciocínio) 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 raciocínio) latência 46.3 s
Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.
Troque de um para o outro mudando uma linha
Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.
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)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-flash",
// model: "qwen3.8-max", // descomente esta linha, comente a linha acima
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-flash",
# "model": "qwen3.8-max", # descomente esta linha, comente a linha acima
"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-flash",
// Model: "qwen3.8-max", // descomente esta linha, comente a linha acima
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-flash")
// .model("qwen3.8-max") // descomente esta linha, comente a linha acima
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Perguntas frequentes
Qual é mais barato, Qwen3.8 Flash ou Qwen3.8 Max?
Qwen3.8 Flash sai mais barato na linha “Entrada / 1M tokens” ($0.15 contra $2, 13× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.
Posso fazer um teste A/B de Qwen3.8 Flash contra Qwen3.8 Max sem duas integrações?
Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.
Qwen3.8 Flash e Qwen3.8 Max suportam cache de prompts?
Sim. Os dois cobram as leituras de cache abaixo da tarifa de entrada, então cargas de trabalho com prefixo já em cache custam menos do que os preços de tabela sugerem. Os valores exatos de leitura de cache estão na tabela de preços acima.