Qwen3.8-Flash-Next, anteprima di Qwen4 in open weights
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Simon Willison presenta Qwen3.
Simon Willison presenta Qwen3.8-Flash-Next come “un’anteprima dell’architettura usata in Qwen4”: open weights, multimodale, con Mixture-of-Experts. È “another open weights model from Qwen”. La notizia è questa connessione diretta tra il modello e la prossima generazione Qwen1.
Willison sottolinea scala ed efficienza: “It’s pretty big: 125B tokens, but only 6B active”, con un “pretty big performance boost” atteso dal fatto che solo una porzione degli esperti entra in gioco a ogni passo. L’enfasi è sul rapporto tra ampiezza complessiva e capacità attiva, più che su benchmark o tabelle. Note di direzione, non numeri1.
Poi passa alle prove d’uso. Dice di averlo testato su una DGX Spark, usando build quantizzate di Unsloth. Non offre benchmark né confronto sistematico. Condivide però esempi e preferenze, utili per chi vuole orientarsi tra i pesi disponibili1.
Due le build provate. La UD-IQ1_S da 72,5 GB (“producing these pelicans”). E la UD-Q2_K_XL da 78,9 GB (“producing these”). I link che accompagna mostrano gli output. Evidenzia inoltre un caso che gli piace di più: “this xhigh reasoning effort one from UD-Q2_K_XL”1.
Il post resta volutamente leggero sulle specifiche oltre ai capisaldi: open weights, supporto multimodale, architettura MoE, ruolo di anteprima di Qwen4. Il cuore è negli appunti pratici: hardware, quantizzazioni, esempi. “I’m still exploring the model”, scrive, segnalando che le sue sono note in progress, non una recensione definitiva1.
Il contesto sul blog aiuta a leggere questo passaggio. In coda compaiono i pezzi recenti, tra cui “Qwen 3.8 27B is excellent, but it defaults to wildly overthinking things” del 16 agosto 2026. Per chi segue la serie, Qwen3.8-Flash-Next si inserisce nella stessa traiettoria di test su modelli Qwen, ma con l’aggiunta del segnale su Qwen41.
Cosa c’è, in sintesi operativa, e cosa no. C’è l’affermazione che Qwen3.8-Flash-Next anticipa l’architettura di Qwen4. C’è l’indicazione MoE e multimodale. C’è la misura “125B tokens, 6B active” con il ragionamento di efficienza associato. Ci sono le prove con DGX Spark e due build Unsloth, con link a output e una preferenza per UD-Q2_K_XL. Non ci sono metriche formali, confronti contro pari o dettagli di training. Il post si ferma qui, per scelta1.
Per chi vuole approfondire, la mossa utile è aprire i link agli esempi e, se l’hardware lo consente, replicare le due quantizzazioni citate. Le osservazioni di Willison sono un punto di partenza: l’anteprima dell’architettura conta, ma i numeri comparativi arriveranno altrove o più avanti nel suo blog1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.