Qwen3.8 Flash API
Qwen3.8 Flash est un modèle multimodal d'Alibaba Qwen qui associe raisonnement, génération, codage agentique et compréhension vidéo longue avec une vitesse de préremplissage accélérée.
Qwen3.8 Flash est un modèle développé par l'équipe Alibaba Qwen. Il accepte en entrée du texte, des images, des vidéos et de l'audio, et produit du texte. Son architecture Mixture-of-Experts compte 125B de paramètres principaux et 51B de paramètres d'embeddings N-gram, avec 6B de paramètres activés par token. Le contexte atteint 262 144 tokens, et la limite de sortie est de 262 144 tokens pour le contenu de raisonnement et de 131 072 tokens pour la réponse finale. Son comportement de réflexion est contrôlable via enable_thinking, preserve_thinking et reasoning_effort, avec des niveaux xhigh, medium et low.
Le modèle se distingue par ses performances en codage, en tâches bureautiques, en utilisation d'outils et en compréhension vidéo longue. Il est pensé pour le codage agentique, les tâches agentiques multi-tours, les workflows audio et vidéo comme la création de clips musicaux ou de mini-séries, ainsi que les tâches de vision. L'architecture A6B rend le préremplissage environ 2,5 fois plus rapide, tout en réduisant les coûts d'entraînement. Sur les tests d'usage mobile et de compréhension visuelle du monde réel, il dépasse Claude Opus 4.6 Max.
Qwen3.8 Flash peut fonctionner localement via Unsloth GGUF et llama.cpp, et il est pris en charge par vLLM, SGLang, TokenSpeed et Qwen Cloud. Pour un contexte dépassant 262 144 tokens, un scaling RoPE comme YaRN est recommandé. En mode réflexion, les paramètres d'échantillonnage conseillés sont temperature 1.0, top_p 0.95, top_k 20, min_p 0.0, presence_penalty 0.0 et repetition_penalty 1.0 ; en mode instruct ou sans réflexion, temperature 0.7, top_p 0.80, top_k 20, min_p 0.0, presence_penalty 1.5 et repetition_penalty 1.0. À noter : réduire l'effort de raisonnement ne raccourcit pas toujours la durée totale de la tâche et peut provoquer des analyses insuffisantes, davantage d'échecs et des reprises répétées.
Mis à jour:
ID DU MODÈLE
qwen3.8-flash- Contexte
- 1M
- Sortie max.
- 131.072K
- API recommandée
- messages
- Entrée
- text / image / video
- Sortie
- text
Points clés
- Entrées texte, image, vidéo et audio
- Contexte de 262 144 tokens
- Réflexion contrôlable à trois niveaux
- Préremplissage environ 2,5 fois plus rapide
- Architecture Mixture-of-Experts 125B
- Exécution locale via Unsloth GGUF
Fournisseurs
Comparez les prix des API entre fournisseurs. Sélectionnez un fournisseur pour voir tous les tarifs et conditions.
| Disponibilité | ||||
|---|---|---|---|---|
| $0.15 | $0.47 | $0.016 |
Les statistiques historiques ne sont pas un contrôle en direct. Une donnée manquante ne signifie pas une panne.
Ce que $10 permettent d'acheter
- Entrée
- 66,7 M tokens
- Sortie
- 21,3 M tokens
Estimation d'après les prix actuels d'entrée et de sortie, hors remises.
Benchmarks
- 55.8
BenchAlign
sur 100 ; classé 65e sur 216 modèles
- 84.5
AndroidWorld
test d'usage mobile ; comparé à Claude Opus 4.6 Max à 62.0
- 88.5
Compréhension visuelle du monde réel
comparé à Claude Opus 4.6 Max à 73.9
Scores tels que publiés par le fournisseur du modèle.
Raisonnement
- Activé par défaut
- Oui
- Toujours activé
- Non
Démarrage rapide
Un code prêt à l'emploi pour appeler ce modèle avec les API compatibles de Felo API Platform. Commencez dans le Playground pour tester des prompts avant d'écrire du code.
Configurer votre clé API
Créez une clé depuis votre compte Felo API Platform et définissez-la comme variable d'environnement.
export FELO_API_KEY="YOUR_API_KEY"Effectuer votre première requête
Utilisez cet ID de modèle avec le point de terminaison Felo API Platform. Les en-têtes de requête facultatifs comme X-Request-Id facilitent le diagnostic.
qwen3.8-flashCe modèle est capable de raisonnement. Si le protocole sélectionné et la route du modèle exposent des contrôles de raisonnement, conservez les métadonnées de raisonnement renvoyées lorsque vous poursuivez la conversation.
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());Utiliser des SDK tiers
Avec les SDK compatibles, définissez baseURL sur https://openapi.felo.ai/api/v1. Pour les clients de style Claude, utilisez l'URL de base compatible Anthropic. https://openapi.felo.ai/api.
Activer le streaming
Ajoutez stream: true pour recevoir les réponses sous forme de 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 expose des surfaces d'appel de modèles compatibles. Choisissez la surface que votre application ou votre client agent prend déjà en charge.
Messages
Messages compatibles Anthropic pour les clients de style Claude.
POST
https://openapi.felo.ai/api/v1/messagesParamètres
modelstringqwen3.8-flashID public du modèle à appeler.max_tokensinteger—Nombre maximal de tokens générés.messagesarray—Messages de la conversation pour Chat Completions.seed———stop———toolsarray—Définitions de tool calling conformes au schéma compatible.top_k———top_p———logprobs———reasoning———temperaturenumber—Contrôle la variété des réponses lorsque c'est pris en charge.tool_choicestring or object—Contrôle si un outil doit être appelé.top_logprobs———response_formatobject—Demande une sortie structurée lorsque c'est pris en charge.presence_penalty———frequency_penalty———include_reasoning———structured_outputs———Questions fréquentes
Qu'est-ce que Qwen3.8 Flash?
Qwen3.8 Flash est un modèle développé par l'équipe Alibaba Qwen. Il accepte en entrée du texte, des images, des vidéos et de l'audio, et produit du texte. Son architecture Mixture-of-Experts compte 125B de paramètres principaux et 51B de paramètres d'embeddings N-gram, avec 6B de paramètres activés par token. Le contexte atteint 262 144 tokens, et la limite de sortie est de 262 144 tokens pour le contenu de raisonnement et de 131 072 tokens pour la réponse finale. Son comportement de réflexion est contrôlable via enable_thinking, preserve_thinking et reasoning_effort, avec des niveaux xhigh, medium et low. Le modèle se distingue par ses performances en codage, en tâches bureautiques, en utilisation d'outils et en compréhension vidéo longue. Il est pensé pour le codage agentique, les tâches agentiques multi-tours, les workflows audio et vidéo comme la création de clips musicaux ou de mini-séries, ainsi que les tâches de vision. L'architecture A6B rend le préremplissage environ 2,5 fois plus rapide, tout en réduisant les coûts d'entraînement. Sur les tests d'usage mobile et de compréhension visuelle du monde réel, il dépasse Claude Opus 4.6 Max. Qwen3.8 Flash peut fonctionner localement via Unsloth GGUF et llama.cpp, et il est pris en charge par vLLM, SGLang, TokenSpeed et Qwen Cloud. Pour un contexte dépassant 262 144 tokens, un scaling RoPE comme YaRN est recommandé. En mode réflexion, les paramètres d'échantillonnage conseillés sont temperature 1.0, top_p 0.95, top_k 20, min_p 0.0, presence_penalty 0.0 et repetition_penalty 1.0 ; en mode instruct ou sans réflexion, temperature 0.7, top_p 0.80, top_k 20, min_p 0.0, presence_penalty 1.5 et repetition_penalty 1.0. À noter : réduire l'effort de raisonnement ne raccourcit pas toujours la durée totale de la tâche et peut provoquer des analyses insuffisantes, davantage d'échecs et des reprises répétées.
Comment l'usage est-il facturé ?
Votre facture dépend du fournisseur utilisé, de ses tarifs et de votre usage. Des entrées plus longues ou d'autres conditions peuvent avoir des tarifs différents.
Quelles entrées le modèle accepte-t-il ?
Il accepte du texte, des images, des vidéos et de l'audio en entrée, et produit du texte en sortie.
Quelle est la longueur de contexte prise en charge ?
Le contexte atteint 262 144 tokens. La limite de sortie est de 262 144 tokens pour le contenu de raisonnement et de 131 072 tokens pour la réponse finale.
Comment contrôler le comportement de raisonnement ?
Il est possible de l'ajuster via enable_thinking, preserve_thinking et reasoning_effort, avec les niveaux xhigh, medium et low.
Peut-on l'exécuter localement ?
Oui, il fonctionne localement via Unsloth GGUF et llama.cpp, et il est également pris en charge par vLLM, SGLang, TokenSpeed et Qwen Cloud.
Que faire pour un contexte supérieur à 262 144 tokens ?
Un scaling RoPE comme YaRN est recommandé pour le traitement de contexte long au-delà de cette limite.
Réduire l'effort de raisonnement accélère-t-il toujours les tâches ?
Non, un effort de raisonnement plus faible ne réduit pas toujours la durée totale ; il peut entraîner une analyse insuffisante, plus d'échecs et des reprises répétées.