Alibabas neues Spitzenmodell Qwen3.8-Max soll komplexe Aufgaben über Tage hinweg eigenständig erledigen: vom Nachbau eines Forschungspapiers bis zum autonomen Chip-Design. Die Gewichte sollen kommende Woche folgen.
Das Qwen-Team von Alibaba hat mit Qwen3.8-Max sein bislang leistungsfähigstes Sprachmodell vorgestellt. Laut Ankündigung skaliert das Modell auf 2,4 Billionen Gesamtparameter, wovon 95 Milliarden pro Anfrage aktiv sind. Qwen3.8-Max baut nach Angaben des Teams auf der Architektur von Qwen3.5 auf. Der Fokus liege darauf, komplexe Aufgaben eigenständig über längere Zeiträume hinweg abzuschließen, statt nur einzelne Anfragen zu beantworten.
Angekündigt hatte Alibaba das Modell bereits Mitte Juli, damals noch als Vorschauversion über Alibabas Token Plan sowie Qoder und QoderWork zu zehn Prozent des Standardpreises. Schon dabei nannte das Team 2,4 Billionen Parameter und ordnete das Modell direkt hinter Fable 5 ein, Benchmarks lieferte es damals noch nicht. Qwen3.8-Max ist das erste Modell der Qwen-Max-Klasse, dessen Gewichte veröffentlicht werden sollen.
Drei autonome Coding-Läufe als Belastungstest
Als Beleg für die Coding-Fähigkeiten präsentiert das Qwen-Team drei Fallstudien, in denen das Modell ohne menschliches Eingreifen arbeiten musste.
Im ersten Fall baute Qwen3.8-Max über 16 Tage hinweg das Kommandozeilen-Werkzeug oh-my-cli auf. Das Modell verarbeitete dabei eingehende Nutzeranfragen automatisch zu GitHub-Issues, wies sie sich selbst zu, schrieb den Code, führte Tests aus und verbesserte das Ergebnis iterativ. Bis zum 30. Juli 2026 seien so 265 Commits, 127 Pull Requests und 151 Issues zusammengekommen, alle ohne menschliches Zutun.
Im zweiten Fall bekam das Modell das Forschungspapier "Unified Data Selection for LLM Reasoning" ausgehändigt, aber keinen Startercode. Es sollte die Ergebnisse des Papers reproduzieren und anschließend verbessern. In rund fünf Tagen und etwa 125 Stunden Rechenzeit schrieb Qwen3.8-Max nach Angaben des Teams 7.600 Zeilen Code und führte 33 GPU-Trainings durch. Zunächst reproduzierte es die sechs Hauptergebnisse des Papers. Anschließend testete es in vier Runden 18 eigene Ideen und übertraf die Methode des Papers auf dem Mathematik-Benchmark AIME24 um 2,7 Punkte.
Der dritte Fall betrifft die WWW2025 Multimodal Dialogue Intent Recognition Challenge auf Alibabas Tianchi-Plattform, an der 526 menschliche Teams teilnahmen. Innerhalb von 24 Stunden feintunte das Modell mehrere chinesische Sprachmodelle sowie Qwen2.5-VL-7B für Produktscreenshots und kombinierte sie zu einem Abstimmungssystem. Über 45 Einreichungen stieg die Trefferquote von 0,60 auf 0,853. Damit landete Qwen3.8-Max vor 458 der 526 menschlichen Teams.
Chip-Design und ein simuliertes Geschäftsjahr
Zwei weitere Fallstudien zielen auf Aufgaben, die sich über hunderte Interaktionsrunden erstrecken. In der ersten sollte Qwen3.8-Max einen Kryptografie-Baustein für Verschlüsselungsverfahren entwerfen. Als Maß für die Effizienz einer solchen Schaltung dient die Anzahl der benötigten Logikgatter, also der elementaren Bausteine im Chip. Je weniger Gatter, desto kleiner und effizienter der Chip. Das Modell startete mit einem funktionierenden, aber ineffizienten Entwurf mit 8.298 Gattern und reduzierte diesen über rund 500 Iterationen schrittweise auf 678 Gatter.
Nach einem automatischen Layout-Durchlauf mit dem Open-Source-Werkzeug OpenROAD schrumpfte die physische Chipfläche von 106x106 auf 46x46 Mikrometer, eine Reduktion um 81 Prozent. Laut Qwen-Team nahm das Modell auch nach hunderten Iterationen noch tiefgreifende strukturelle Änderungen vor, statt nur oberflächliche Optimierungen zu machen.
Die zweite Fallstudie ist der E-Commerce-Bench, eine Simulation eines gesamten Geschäftsjahres im Onlinehandel auf Basis anonymisierter Daten von Taobao und Tmall. Das Modell startet mit 100.000 Yuan Kapital und muss ein Jahr lang mehrere Onlineshops parallel führen: Produkte einkaufen, mit Lieferanten in natürlicher Sprache verhandeln, Preise anpassen, Retouren verwalten und Krisen wie Taifune oder Lieferausfälle abfedern.
In den Lieferantenpool sind 152 Betrüger versteckt, die es zu erkennen gilt. Qwen3.8-Max erreichte am Ende einen Kontostand von 416.252 Yuan, eine Vervierfachung des Startkapitals. Das seien 38 Prozent mehr als der zweitplatzierte GLM 5.2 und mehr als das 2,5-Fache des Vorgängers Qwen3.7-Max. Das Modell habe früh im Jahr aggressiv investiert und im Weihnachtsgeschäft einen Nettogewinn von über 100.000 Yuan erzielt.
Multimodale Fähigkeiten und Anwendungsrekonstruktion
Für multimodale Aufgaben soll Qwen3.8-Max Dokumente mit über 200 Seiten und Videos von mehr als 100 Stunden Länge verarbeiten können. Das Team stellt außerdem RecreationBench vor, einen neuen Benchmark, bei dem das Modell laufende Anwendungen nachbauen muss, ohne Zugriff auf den Quellcode zu haben.
Beobachten darf es die Ziel-Anwendung nur durch Interaktion, also Klicks und Tastatureingaben. Getestet wird das auf Ubuntu, macOS, Windows, Android und im Web. Ergänzend erscheint mit Qwen-MM-Plugins eine Erweiterungsbibliothek, die bestehende Agentensysteme um Bild- und Videoverarbeitung, visuellen Werkzeugeinsatz und multimodales Gedächtnis ergänzt.
Alibaba veröffentlicht zum Start von Qwen3.8-Max eigene Messwerte über mehrere Aufgabenfelder hinweg.In den vom Qwen-Team veröffentlichten Benchmark-Tabellen liegt das Modell in vielen Disziplinen nahe an oder oberhalb von Claude Opus 4.8, Claude Fable 5 und GPT-5.6 Sol. Bei PaperBench erreicht Qwen3.8-Max mit 93 den höchsten Wert im Vergleich, bei Terminal Bench 2.1 liegt es mit 86,6 hinter GPT-5.6 Sol (88,8). Wie bei Selbstmessungen von Modellanbietern üblich, stammen die Ergebnisse aus internen Läufen, eine unabhängige Verifikation steht aus.
Dass das Modell solche Aufgaben durchhält, führt das Qwen-Team darauf zurück, dass es die Trainingsumgebungen im Reinforcement Learning massiv ausgeweitet hat. Trainiert wurde nicht mehr nur an Einzelaufgaben, sondern auch an Abläufen, die sich über mehrere Tage ziehen, an verschachtelten Ordnerstrukturen statt einzelner Dateien und an verschiedenen Agenten-Harnesses.
Der interne Score-Index über mehr als zehn Benchmarks stieg dabei von 0,474 auf 0,725. Am besten schnitt das Modell bei rund 4.000 Umgebungen ab, danach fielen die Werte wieder leicht ab.
Mit wachsender Zahl an Trainingsumgebungen und mehr Rechenzeit im Reinforcement Learning steigen die Werte laut Qwen-Team gleichmäßig über Dutzende interne und öffentliche Benchmarks.Chinas Open-Model-Strategie
Der direkte Gegenspieler kommt ebenfalls aus China. Moonshot AI hat Kimi K3 am 27. Juli mit offenen Gewichten auf Hugging Face gestellt, ein multimodales Mixture-of-Experts-Modell mit 2,8 Billionen Parametern und einer Million Token Kontext. Neben den Gewichten veröffentlichte Moonshot auch Teile der eigenen Infrastruktur, darunter Attention-Kernel, eine MoE-Kommunikationsbibliothek und Werkzeuge für den Betrieb von Agenten im großen Maßstab. Unabhängige Tests relativierten die Herstellerzahlen allerdings: Sowohl bei Cyberfähigkeiten als auch bei komplexer Mathematik liegt K3 deutlich hinter den westlichen Spitzenmodellen.
Qwen3.8-Max ist ab sofort über QwenCloud nutzbar. Die Gewichte sollen in der kommenden Woche auf Hugging Face und ModelScope veröffentlicht werden. Das Modell unterstützt sowohl OpenAIs Chat-Completions-Format als auch Anthropics API-Protokoll und lässt sich direkt in Claude Code, Codex, Qoder CLI, Qwen Code und OpenClaw einbinden. Ein Parameter namens reasoning_effort erlaubt drei Stufen zwischen Geschwindigkeit und Gründlichkeit.
Qwen gibt an, dass das Modell in verschiedenen Agenten-Umgebungen ähnlich abschneidet und nicht auf die eigene Harness zugeschnitten ist.Qwen3.8-Max ist dabei nicht der einzige Baustein, den Alibaba zuletzt nachgelegt hat. Vor wenigen Wochen stellte das Team mit Qwen-Image-3.0 einen Bildgenerator für informationsdichte Layouts vor, der Eingaben von bis zu 4.500 Token verarbeitet und Text ab zehn Pixeln Größe lesbar rendert. Am unteren Ende der Skala setzt Alibaba weiter auf kleine offene Modelle wie Qwen3.6-35B-A3B, das von 35 Milliarden Parametern nur drei gleichzeitig aktiviert.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
