Qwen3.8-Max: 2,4 trilhões de parâmetros abertos — e o modelo de 27B que você usa hoje

Em 3 de agosto de 2026, o time Qwen, da Alibaba, lançou o Qwen3.8-Max: um modelo de 2,4 trilhões de parâmetros em arquitetura Mixture-of-Experts, com cerca de 95 bilhões de parâmetros ativos por token, janela de 1 milhão de tokens e entrada nativa de texto, imagem e vídeo. Mais importante que o tamanho: é a primeira vez que a linha Max será aberta — os pesos foram anunciados para publicação, junto com um irmão menor, o Qwen3.8-27B.

O que o Qwen3.8-Max realmente entrega

Os números que importam não são os de conversa fiada, e sim os de trabalho longo e autônomo — a categoria em que a maioria dos modelos ainda tropeça depois de dez ou quinze passos:

Em codificação agêntica, ele encosta no topo (Terminal Bench 2.1 e SWE-Bench Pro), mas não vence tudo: o Claude Fable 5 continua à frente em SWE-Pro e o GPT-5.6 Sol lidera o Agents' Last Exam. A leitura honesta é que o pódio virou um empate técnico entre modelos fechados e abertos — e essa é a notícia de verdade.

Por que o 27B interessa mais que o 2,4T

Um modelo de 2,4 trilhões de parâmetros, mesmo aberto, não é algo que você sobe numa GPU. Em MoE, todos os pesos precisam estar carregados em memória, ainda que só uma fração seja ativada por token: falamos de múltiplos nós de GPU e uma engenharia de servir que raríssima empresa brasileira precisa ter.

O Qwen3.8-27B, lançado ao lado dele, é a peça que muda o dia a dia. Mesma geração, mesmo treino base, tamanho que cabe em uma GPU única. Na prática você tem duas formas de usá-lo hoje aqui:

1. Pela API por token, sem provisionar nada

Ele está no nosso catálogo de inferência como gpub-plus, a R$ 0,69 por milhão de tokens de entrada e R$ 3,99 por milhão de saída, com 250 mil tokens de contexto. A API é compatível com a da OpenAI, então basta trocar a base_url:

from openai import OpenAI

cliente = OpenAI(
    api_key="gpub_live_suachaveaqui",
    base_url="https://gpubrasil.com.br/v1",
)

r = cliente.chat.completions.create(
    model="gpub-plus",
    messages=[{"role": "user", "content": "Resuma este contrato em 5 tópicos."}],
)
print(r.choices[0].message.content)
print("Custo em R$:", r.usage.cost_brl)

Cada resposta traz usage.cost_brl — o custo em reais daquela chamada, calculado pelo servidor. Não é estimativa: é o valor debitado.

2. Numa GPU dedicada, se você precisa de controle ou fine-tuning

Um 27B quantizado em FP8 ocupa por volta de 27 GB de pesos, mais o cache de contexto. Isso significa:

Preços de catálogo verificados em 15/08/2026, por hora, em reais. A disponibilidade e o valor variam em tempo real — o console mostra o preço vigente antes de você criar a máquina.

Para subir, o caminho curto é o template de vLLM em 1 clique: você escolhe a GPU, marca o template e em poucos minutos tem um endpoint compatível com OpenAI rodando dentro da sua instância. Detalhamos o passo a passo em vLLM self-hosted em 1 clique.

Três casos de uso que ficaram viáveis esta semana

Agente que opera sistemas legados pela interface

É exatamente o que o OSWorld mede: abrir uma tela, ler o que está nela, clicar, digitar, conferir. Muita empresa brasileira tem um ERP ou um portal de prefeitura sem API — e paga gente para digitar. Com um modelo forte em uso de computador, dá para automatizar o preenchimento e deixar a pessoa só na conferência. Comece pelo caminho barato: gpub-plus na API por token para o raciocínio, e só migre para GPU dedicada se o volume justificar.

Leitura de vídeo e imagem no mesmo pedido

Entrada nativa de vídeo abre inspeção visual sem pipeline separado de visão computacional: uma câmera de linha de produção, um vídeo de vistoria de veículo, uma gravação de atendimento. Para volume constante disso, a conta fecha melhor numa GPU dedicada com o modelo aberto — o vídeo consome muito token de entrada.

Pesquisa longa e relatório com fonte

PaperBench mede justamente isso: ler muito, sintetizar, não inventar. Com 1 milhão de tokens de contexto, cabe uma base inteira de documentos numa chamada só. Se o seu material é sensível, esse é o caso clássico em que a instância dedicada vence: os pesos rodam dentro de uma máquina que é só sua, e você decide o que fica em log, por quanto tempo e quem acessa.

O que isso significa para o mercado

Três movimentos ficaram evidentes com este lançamento:

1. Abrir virou estratégia de topo, não de segunda linha. Até 2025, os pesos abertos vinham dos modelos médios. Agora vêm da linha principal.
2. O gargalo saiu do modelo e foi para a infraestrutura. Qualquer um baixa os pesos; poucos conseguem servir 2,4 T de parâmetros com latência aceitável.
3. O par grande + pequeno virou padrão. O gigante define o teto de qualidade; o irmão pequeno é o que roda em produção.

Perguntas frequentes

Leia também: Comparativo de preços de API de LLM em 2026 · GLM-5.3 e o topo dos modelos abertos de código · vLLM self-hosted em 1 clique