Em 19 de julho, durante a WAIC 2026 em Xangai, a equipe Qwen da Alibaba revelou o Qwen3.8-Max-Preview. Os números, por si só, já sustentariam qualquer lançamento: 2,4 trilhões de parâmetros em uma arquitetura esparsa de Mixture-of-Experts, multimodalidade nativa abrangendo texto, imagens, vídeo e documentos, e uma janela de contexto de 1 milhão de tokens. Mas o número que mais importa nesta semana não é uma contagem de parâmetros. É uma promessa: a versão oficial será open-source.
Menos de duas semanas depois, em 3 de agosto, o QwenWork — suíte de produtividade de escritório da Alibaba construída sobre o novo modelo — entrou em beta público. Juntas, as duas movimentações marcam uma reversão estratégica, e não uma simples atualização de versão.
O que o Qwen3.8-Max realmente é
- Escala: 2,4T de parâmetros totais, MoE esparso. A contagem de ativação por token não foi divulgada — uma omissão crítica para quem precisa estimar custo de implantação ou velocidade de inferência.
- Multimodalidade: o primeiro modelo multimodal da classe do trilhão de parâmetros na linha Qwen, unificado em texto, imagem, vídeo e documentos.
- Contexto: 1M de tokens, herdado do Qwen3.7-Max.
- Disponibilidade: disponível no Token Plan da Alibaba, no Qoder e no QoderWork com 90% de desconto na fase preview.
- Compatibilidade de API: fala tanto os protocolos da OpenAI quanto os da Anthropic, então as ferramentas existentes se conectam sem reescrita.
- A promessa open-source: a versão oficial virá com pesos abertos, junto com um modelo Qwen3.8-27B.
Sobre a alegação de ficar atrás apenas do Fable 5 da Anthropic: a Alibaba publicou nenhuma tabela de benchmarks e nenhum model card. Nem a LMArena nem a Artificial Analysis avaliaram o preview. O posicionamento se baseia inteiramente em avaliações internas. Para calibrar, o antecessor Qwen3.7-Max obteve 92,4 no GPQA Diamond, 80,4 no SWE-bench Verified e 69,7 no Terminal-Bench 2.0 — se o 3.8-Max melhorar essa base enquanto adiciona multimodalidade, o ranking é plausível. Plausível, porém, não é verificado.
A mesa maior em que essa mão foi jogada
O peso estratégico do lançamento só fica visível diante de três movimentos simultâneos.
Primeiro: a onda de choque do Kimi K3. Uma semana antes da estreia do Qwen3.8-Max, a Moonshot AI abriu o código do Kimi K3 — 2,8 trilhões de parâmetros, desempenho máximo em tarefas de longo horizonte, renderização de frontend e enxames de agentes. Elon Musk o chamou de “impressive” no X, Russ Salakhutdinov (orientador de doutorado de Yang Zhilin e figura central de machine learning na CMU) o elogiou publicamente, e desenvolvedores dos dois lados do Pacífico o aplaudiram de pé.
Segundo: o DeepSeek V4 se aproximando. Diz-se que o DeepSeek V4 completo chega em questão de dias, com desenvolvedores estrangeiros já testando em versões não oficiais e screenshots circulando livremente.
Terceiro: a virada irreversível do open-source. O relatório State of Open AI da Mozilla estima a diferença média de desempenho entre modelos abertos e fechados em 3,3% — praticamente paridade em programação e seguimento de instruções. Os dados da OpenRouter mostram a participação dos modelos abertos no total de tokens processados explodindo de 34% em janeiro de 2026 para 65% em junho, e os cinco modelos de API mais consumidos do mundo são hoje todos de pesos abertos.
Nesse cenário, a posição da Alibaba havia se tornado desconfortável. Após a saída de Junyang Lin em março, a empresa lançou três versões fechadas consecutivas — Qwen3.5-Omni, Wan2.7-Image, Qwen3.6-Plus — acessíveis apenas via API da plataforma Bailian, sem pesos disponíveis. A tradição de abrir primeiro, que definiu a Qwen por dois anos, foi quebrada, substituída por um padrão de via dupla: modelos pequenos abertos, modelos grandes fechados.
Quatro meses bastaram para a reversão. Com os 2,8T de pesos abertos do Kimi K3 batendo de frente e o DeepSeek V4 prestes a chegar do mesmo modo, permanecer fechado significaria sair voluntariamente do ecossistema de desenvolvedores — e são os desenvolvedores, no fim das contas, que decidem qual modelo se torna o padrão de fato. Lida assim, a promessa de abrir o código da versão oficial parece uma rendição tardia.
Como o jogo se desenrola a partir daqui
Curto prazo (1–3 meses): o Qwen3.8-Max oficial chega e é aberto, configurando um confronto direto com o Kimi K3 — escalas quase idênticas (2,4T contra 2,8T), arquiteturas divergentes (MoE esparso versus convencional), decididas apenas por benchmarks reais. O DeepSeek V4 entra na mesma janela, formando um clube do trilhão de parâmetros de três; com o rumored M3 Pro da MiniMax (2,5–3T, aberto), pode virar uma disputa de quatro.
Médio prazo (3–12 meses): capacidade bruta deixa de ser o gargalo. A disputa migra para preço, ferramentas e profundidade de ecossistema — a plataforma MaaS do Bailian versus o ecossistema Kimi versus a comunidade de desenvolvedores do DeepSeek. A Alibaba aposta simultaneamente na camada de aplicação com o QwenWork, o que é o instinto certo com uma ressalva: empresas de grandes modelos que constroem produtos não têm um histórico forte.
Longo prazo (1–2 anos): Liang Wenfeng, fundador do DeepSeek, foi direto em uma troca interna recente: open-source fechado não oferece vantagem real, a China tem empresas de modelos demais, e o campo vai convergir. Os custos de treinamento na escala do trilhão fazem a seleção — o que provavelmente restará são duas ou três apostas abertas de referência mais um ou dois gigantes fechados como Anthropic e OpenAI. O lugar da Alibaba nessa mesa depende de quão profunda será a abertura (pesos, dados de treinamento, frameworks de avaliação, toolchain de fine-tuning — não apenas um checkpoint solto) e de se o ciclo comercial se sustenta.
O que os desenvolvedores devem fazer
- Experimente agora. O preview está com 90% de desconto no Token Plan, com preço de entrada em torno de 35 RMB (cerca de US$ 5) por mês. Pelo preço de um café, você chuta um flagship de 2,4T — não há motivo para hesitar.
- Não construa sobre o preview. Contagem de ativação não divulgada, benchmarks não publicados, preço sujeito a mudanças. Previews servem para entender, não para depender.
- Espere o lançamento oficial aberto. Se seu objetivo é implantação local ou controle de custos, avalie quando o Qwen3.8-27B for aberto. E seja realista quanto ao flagship: mesmo aberto, um MoE de 2,4T precisa de cerca de 1,2TB de VRAM em quantização de 4 bits — um servidor 8×H200, no limite.
- Faça benchmark nos seus próprios dados. Rode o Qwen3.8-Max contra o Kimi K3 e um DeepSeek V4 em teste nas mesmas condições na sua carga de trabalho real. Rankings de arena pertencem aos outros; suas métricas de negócio são suas.
- Invista na camada acima dos modelos. As gerações de modelos agora giram a cada três a seis meses. Toolchains, frameworks de avaliação e camadas de orquestração de agentes sobrevivem a essas rotações — evite acoplar rigidamente a qualquer modelo único.
A conclusão
Na semana da estreia do Qwen3.8-Max, três coisas aconteceram ao mesmo tempo na IA chinesa: o Kimi K3 se abriu, o DeepSeek V4 se alinhou para o lançamento, e o M3 Pro da MiniMax ficou na posição, carregado na agulha. Esta não é a “guerra dos cem modelos”. É a rodada eliminatória dos parâmetros trilionários.
A cifra de 2,4T que a Alibaba exibiu na WAIC é tanto um ingresso quanto uma declaração de guerra — mas a mesa agora acomoda mais de um desafiante, e o jogo verdadeiro está apenas começando.
