Alibaba Cloud180B (6B active)~109 GB VRAM przy Q4_K_M

Qwen3.8-Flash-Next — VRAM, szybkość i lokalna konfiguracja

Name: LLM Configurator — GPU VRAM Checker
Author: LLM Configurator

Autor: Jakub Rusinowski · Ostatnia aktualizacja: 11 września 2026

An experimental preview of the architecture intended to underpin Qwen4, not a conventional production release. 180B of parameters must be resident — a 125B MoE backbone, a 51B n-gram lookup table and a 4B multi-token-prediction head, about 109 GB at Q4_K_M — while only 6B activate per token. 48 layers alternating three Gated DeltaNet blocks (compressing history into a fixed recurrent state) with one Qwen Sparse Attention block (precise long-range retrieval). Natively multimodal, 262,144-token context extensible to 1M via YaRN. Qwen Community License 1.0, NOT the Apache 2.0 the 27B carries.

Qwen3.8-Flash-Next potrzebuje około 109 GB VRAM przy Q4_K_M — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV. Na Apple Silicon ta wartość pochodzi z pamięci zunifikowanej.

Logika89

Kreatywność84

Kod90

VRAM i szybkość według kwantyzacji

Liczone dla NVIDIA RTX 4090 (24 GB). Obejmuje pamięć podręczną KV przy kontekście 8K, więc wartości są wyższe niż główna liczba.

Kwant.	VRAM	Szybkość (szac.)	Dopasowanie
Q2_K 2.63 bpw	60.2 GB	—	Za duży
Q3_K_M 3.41 bpw	77.7 GB	—	Za duży
Q4_K_M 4.83 bpw	109.7 GB	—	Za duży
Q5_K_M 5.67 bpw	128.6 GB	—	Za duży
Q6_K 6.56 bpw	148.6 GB	—	Za duży
Q8_0 8.50 bpw	192.3 GB	—	Za duży
F16 16.00 bpw	361 GB	—	Za duży

Czarny znacznik = dostępna pamięć na NVIDIA RTX 4090 (24 GB). Szacunki z modelu przepustowości pamięci opisanego na stronie metodologii. Kalkulator VRAM dla Qwen3.8-Flash-Next →

Uruchom Qwen3.8-Flash-Next

Najtańsze GPU z naszego katalogu, które uruchomi Qwen3.8-Flash-Next, to NVIDIA DGX Spark (128 GB).

Kup ten sprzęt NVIDIA DGX Spark (128GB) — 128 GB VRAM · 150 W board power Uruchom w chmurze RunPod

lub porównaj w Vast.ai

Jako partner Amazon zarabiamy na kwalifikujących się zakupach. Linki do chmurowych GPU są linkami polecającymi — możemy otrzymać prowizję bez dodatkowych kosztów dla Ciebie.

Ujawnienie afiliacyjne: Niektóre odnośniki na tej stronie to linki afiliacyjne — jeśli dokonasz zakupu za ich pośrednictwem, LLM Configurator może otrzymać prowizję bez dodatkowych kosztów dla Ciebie. Jako uczestnik programu Amazon Associates, LLM Configurator zarabia na kwalifikujących się zakupach.

NVIDIA DGX Spark (128GB)

128 GB VRAM · 150 W board power

Ceny w 2026 są niestabilne — sprawdź aktualną ofertę.

Sprawdź cenę na Amazon

Jak uruchomić Qwen3.8-Flash-Next

Zainstaluj Ollama, a potem uruchom:

$ollama run qwen3-8

Wagi na Hugging Face: Qwen/Qwen3.8-Flash-Next ↗

Specyfikacja

Verified — Checked against the primary source — the model card or the vendor spec page — and corroborated by a second independent source.

Parametry: 180 Billion (6B active)
Okno kontekstu: 262,144
Architektura: Gated DeltaNet + Qwen Sparse Attention MoE
Dostawca: Alibaba Cloud
Licencja: Qwen Community License 1.0
Practical deployment: Workstation (large unified memory or pro GPU)
Określono przy: Q4_K_M
RAM systemowy: 192 GB
Rekord zaktualizowany: 2026-09-11

LicencjaQwen Community License 1.0Użycie komercyjne dozwolone

Weights are downloadable and commercial use is permitted, subject to the licence’s acceptable-use terms.

Above 100M monthly active users or $20M monthly revenue, an attribution duty applies; model-as-a-service resale needs a separate agreement.

Jakość i zastosowania

Wyniki opublikowane przez autorów modelu lub niezależnego oceniającego — jakość, nie przepustowość, i nie mierzone przez nas.

Najlepszy doresearchagentic codinglong contextmultimodal

Czy uruchomię Qwen3.8-Flash-Next na moim GPU?

Inne rozmiary Qwen3.8

Qwen3.8-Flash-Next — najczęściej zadawane pytania

How much VRAM does Qwen3.8-Flash-Next need?

About 109 GB at Q4_K_M — quantized weights plus framework overhead, before any KV cache. The cache grows with context length and is added on top; the table above folds it in. Apple Silicon counts unified memory toward the same figure.

Does Qwen3.8-Flash-Next run on an RTX 4090 (24 GB)?

No. Qwen3.8-Flash-Next needs about 109 GB at Q4_K_M, more than a single RTX 4090's 24 GB. It needs a larger card, several GPUs, or Apple Silicon with enough unified memory — or it runs with part of the weights offloaded to system RAM, which is much slower.

How do I run Qwen3.8-Flash-Next locally?

Install Ollama and run `ollama run qwen3-8`. That pulls the weights and starts a local OpenAI-compatible endpoint; after the download nothing leaves the machine.

What other sizes does Qwen3.8 come in?

Qwen3.8 27B (18 GB), Qwen3.8-Max (1450 GB), Qwen3.8-Flash-Next (109 GB). Every size shares the family's training and licence; the larger ones score higher and need proportionally more memory.