Qwen3.8 Flash API
Qwen3.8 Flash es un modelo multimodal de la familia Qwen con arquitectura Mixture-of-Experts, 262.144 tokens de contexto y razonamiento controlable, optimizado para velocidad y tareas agénticas.
Qwen3.8 Flash es un modelo de la familia Qwen desarrollado por el equipo Alibaba Qwen. Combina razonamiento y generación multimodal con una arquitectura Mixture-of-Experts de 125B parámetros principales y 51B embeddings N-gram, activando 6B parámetros por token. Admite entrada de texto, imagen, video y audio, con salida de texto, y ofrece un contexto de 262.144 tokens. Su comportamiento de pensamiento es controlable mediante enable_thinking, preserve_thinking y reasoning_effort, con niveles xhigh, medium y low.
El modelo está pensado para tareas de codificación agéntica, uso de herramientas, comprensión de visión y video largo, tareas de oficina y flujos de trabajo con audio y video, como la creación de videos musicales y la producción de series cortas. Su arquitectura A6B permite una velocidad de prefill aproximadamente 2,5 veces más rápida. Según la información disponible, supera a Claude Opus 4.6 Max en pruebas de uso móvil y comprensión visual del mundo real. Además, puede ejecutarse localmente mediante Unsloth GGUF y llama.cpp, y cuenta con soporte de vLLM, SGLang, TokenSpeed y Qwen Cloud.
Es importante tener en cuenta que un esfuerzo de razonamiento bajo no siempre reduce el tiempo total de finalización de la tarea, ya que puede provocar análisis insuficientes, más fallos y reintentos repetidos. Para procesar contextos superiores a 262.144 tokens, se recomienda el escalado RoPE, como YaRN. En modo de pensamiento, los parámetros de muestreo recomendados son temperature 1.0, top_p 0.95, top_k 20, min_p 0.0, presence_penalty 0.0 y repetition_penalty 1.0; en modo instruct o sin pensamiento, temperature 0.7, top_p 0.80, top_k 20, min_p 0.0, presence_penalty 1.5 y repetition_penalty 1.0.
Actualizado:
ID DEL MODELO
qwen3.8-flash- Contexto
- 1M
- Salida máx.
- 131.072K
- API recomendada
- messages
- Entrada
- text / image / video
- Salida
- text
Aspectos destacados
- Contexto de 262.144 tokens
- Entrada de texto, imagen, video y audio
- Arquitectura Mixture-of-Experts con 125B parámetros principales
- 6B parámetros activados por token
- Velocidad de prefill 2,5 veces más rápida
- Razonamiento controlable con niveles xhigh, medium y low
Proveedores
Compara los precios de API entre proveedores. Selecciona un proveedor para ver todos los cargos y condiciones.
| Disponibilidad | ||||
|---|---|---|---|---|
| $0.15 | $0.47 | $0.016 |
Las estadísticas históricas no son una comprobación en tiempo real. La falta de datos no implica una interrupción.
Qué puedes comprar con $10
- Entrada
- 66,7 M tokens
- Salida
- 21,3 M tokens
Estimado a partir de los precios actuales de entrada y salida, antes de descuentos.
Benchmarks
- 55.8
BenchAlign
sobre 100; ocupa el puesto 65 de 216 modelos
- 84.5
AndroidWorld
prueba de uso móvil; comparado con Claude Opus 4.6 Max con 62.0
- 88.5
Real-world visual understanding
comparado con Claude Opus 4.6 Max con 73.9
Puntuaciones según lo publicado por el proveedor del modelo.
Razonamiento
- Activado por defecto
- Sí
- Siempre activado
- No
Inicio rápido
Código listo para llamar a este modelo con las APIs compatibles de Felo API Platform. Empieza en el Playground si quieres probar prompts antes de escribir código.
Configura tu clave de API
Crea una clave en tu cuenta de Felo API Platform y configúrala como variable de entorno.
export FELO_API_KEY="YOUR_API_KEY"Haz tu primera solicitud
Usa este ID de modelo con el endpoint de Felo API Platform. Las cabeceras opcionales como X-Request-Id ayudan a diagnosticar problemas.
qwen3.8-flashEste modelo puede razonar. Si el protocolo seleccionado y la ruta del modelo exponen controles de razonamiento, conserva los metadatos de razonamiento devueltos al continuar la conversación.
const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
method: 'POST',
headers: {
Authorization: `Bearer ${process.env.FELO_API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
"model": "qwen3.8-flash",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());Usar SDK de terceros
En los SDK compatibles, define baseURL como https://openapi.felo.ai/api/v1. Para clientes de estilo Claude, usa la URL base compatible con Anthropic. https://openapi.felo.ai/api.
Activa el streaming
Añade stream: true para recibir respuestas como server-sent events.
curl -N https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3.8-flash",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
],
"stream": true
}'Endpoint
Felo API Platform expone superficies compatibles para llamar a modelos. Elige la superficie que tu app o cliente de agente ya admite.
Messages
Mensajes compatibles con Anthropic para clientes de estilo Claude.
POST
https://openapi.felo.ai/api/v1/messagesParámetros
modelstringqwen3.8-flashID público del modelo que se va a llamar.max_tokensinteger—Número máximo de tokens generados.messagesarray—Mensajes de la conversación para Chat Completions.seed———stop———toolsarray—Definiciones de tool calling según el esquema compatible.top_k———top_p———logprobs———reasoning———temperaturenumber—Controla la variedad de las respuestas cuando es compatible.tool_choicestring or object—Controla si se debe llamar a una herramienta.top_logprobs———response_formatobject—Solicita salida estructurada cuando es compatible.presence_penalty———frequency_penalty———include_reasoning———structured_outputs———Preguntas frecuentes
¿Qué es Qwen3.8 Flash?
Qwen3.8 Flash es un modelo de la familia Qwen desarrollado por el equipo Alibaba Qwen. Combina razonamiento y generación multimodal con una arquitectura Mixture-of-Experts de 125B parámetros principales y 51B embeddings N-gram, activando 6B parámetros por token. Admite entrada de texto, imagen, video y audio, con salida de texto, y ofrece un contexto de 262.144 tokens. Su comportamiento de pensamiento es controlable mediante enable_thinking, preserve_thinking y reasoning_effort, con niveles xhigh, medium y low. El modelo está pensado para tareas de codificación agéntica, uso de herramientas, comprensión de visión y video largo, tareas de oficina y flujos de trabajo con audio y video, como la creación de videos musicales y la producción de series cortas. Su arquitectura A6B permite una velocidad de prefill aproximadamente 2,5 veces más rápida. Según la información disponible, supera a Claude Opus 4.6 Max en pruebas de uso móvil y comprensión visual del mundo real. Además, puede ejecutarse localmente mediante Unsloth GGUF y llama.cpp, y cuenta con soporte de vLLM, SGLang, TokenSpeed y Qwen Cloud. Es importante tener en cuenta que un esfuerzo de razonamiento bajo no siempre reduce el tiempo total de finalización de la tarea, ya que puede provocar análisis insuficientes, más fallos y reintentos repetidos. Para procesar contextos superiores a 262.144 tokens, se recomienda el escalado RoPE, como YaRN. En modo de pensamiento, los parámetros de muestreo recomendados son temperature 1.0, top_p 0.95, top_k 20, min_p 0.0, presence_penalty 0.0 y repetition_penalty 1.0; en modo instruct o sin pensamiento, temperature 0.7, top_p 0.80, top_k 20, min_p 0.0, presence_penalty 1.5 y repetition_penalty 1.0.
¿Cómo se cobra el uso?
Tu factura depende del proveedor que uses, de sus precios y de tu uso. Las entradas más largas u otras condiciones pueden tener precios distintos.
¿Qué modalidades de entrada admite Qwen3.8 Flash?
Admite entrada de texto, imagen, video y audio, y genera salida de texto.
¿Cuál es la longitud de contexto y el límite de salida?
Tiene un contexto de 262.144 tokens. El límite de salida es de 262.144 tokens para contenido de razonamiento y 131.072 tokens para la respuesta final.
¿Para qué tipos de tareas está optimizado?
Está orientado a codificación agéntica, uso de herramientas, tareas de visión, tareas agénticas multiturno, comprensión de video largo y tareas de oficina, así como a flujos de trabajo con audio y video.
¿Cómo se controla el comportamiento de razonamiento?
Se puede controlar mediante enable_thinking, preserve_thinking y reasoning_effort, con niveles xhigh, medium y low.
¿Qué diferencia hay entre el modo de pensamiento y el modo instruct?
En modo de pensamiento se recomiendan temperature 1.0, top_p 0.95, top_k 20, min_p 0.0, presence_penalty 0.0 y repetition_penalty 1.0; en modo instruct o sin pensamiento, temperature 0.7, top_p 0.80, top_k 20, min_p 0.0, presence_penalty 1.5 y repetition_penalty 1.0.
¿Se puede ejecutar localmente?
Sí, se puede ejecutar localmente mediante Unsloth GGUF y llama.cpp, y también cuenta con soporte de vLLM, SGLang, TokenSpeed y Qwen Cloud.