Rimani aggiornato con WebMasterPoint
I nuovi modelli Qwen di Alibaba rivoluzionano l’AI: 51 miliardi di parametri e architettura all’avanguardia offrono prestazioni elevate, accessibilità senza superchip, ecosistema open, costi ridotti e impatto globale.
La presentazione della serie Qwen da parte di Alibaba mostra una direzione precisa per la progettazione dei grandi modelli di intelligenza artificiale. Lobiettivo rendere pi gestibili sia le dimensioni dei sistemi sia i costi necessari per addestrarli e utilizzarli. La linea pi recente, Qwen3.8-Flash-Next, porta capacit di calcolo avanzate su infrastrutture che fino a poco tempo fa non sarebbero state sufficienti. Il risultato nasce da alcune scelte architetturali mirate, pensate per contenere luso della memoria video e per allargare il numero di soggetti in grado di adottare questi modelli. La nuova famiglia Qwen si rivolge cos al mercato cinese, alle economie emergenti e, pi in generale, a chi cerca sistemi AI potenti senza dover ricorrere alle configurazioni hardware pi costose.
Qwen3.8-Flash-Next: 51 miliardi di parametri nella RAM di sistema
Il dato che colpisce di pi riguarda lN-gram Embedding. Qwen3.8-Flash-Next utilizza 51 miliardi di parametri per questo componente e li colloca interamente nella RAM del sistema. La scelta allontana il modello dallimpostazione tradizionale, in cui quasi tutto il carico viene affidato alla GPU, e rende possibile linferenza anche su macchine prive di acceleratori specializzati.
Che cosa contiene questo blocco? Un grande dizionario di sequenze ricorrenti, utile per recuperare rapidamente schemi linguistici e conoscenze gi rappresentate. Il modello non deve quindi ricalcolare ogni volta lintero percorso associato a determinati gruppi di parole.
La distribuzione della memoria il punto chiave. La RAM di sistema costa molto meno della memoria video avanzata e pu ospitare i 51 miliardi di parametri dellN-gram Embedding. Il modello principale, invece, non attiva lintero insieme dei propri parametri per ogni token: ne utilizza 6 miliardi su 125 complessivi. Si riducono cos il consumo e il lavoro richiesto durante la generazione.
Questa configurazione permette di aumentare la capacit del sistema senza rendere obbligatorio lacquisto di GPU high-end. Per imprese e sviluppatori, la barriera economica si abbassa in modo sensibile. Anche la gestione della memoria contribuisce alla fluidit: laccesso alla RAM avviene tramite indirizzamento diretto e pu essere organizzato in modalit asincrona, senza trasformarsi in un vincolo immediato per la velocit di generazione.
La soluzione recupera, in una forma adatta ai modelli moderni, unidea precedente allepoca dei transformer. Gli N-gram tornano al centro di una parte dellelaborazione linguistica, questa volta affiancati da unarchitettura capace di lavorare su larga scala.
Mixture-of-Experts e N-gram Embedding lavorano insieme
La Mixture-of-Experts (MoE) cambia il modo in cui vengono impiegate le risorse rispetto ai modelli densi. Per ogni input, il sistema attiva soltanto i sotto-modelli, chiamati esperti, pi adatti al compito. Non tutti i parametri partecipano quindi a ogni passaggio, con un effetto diretto sul consumo di memoria e sulla potenza di calcolo necessaria.
In Qwen3.8-Flash-Next, la MoE convive con il layer di N-gram embedding. Questultimo valorizza gruppi di parole che compaiono con frequenza insieme e li recupera in base al contesto locale riconosciuto nel testo. La componente semantica ne trae vantaggio, mentre alcune operazioni possono essere eseguite pi rapidamente.
Il layer N-gram risiede nella RAM e conserva una quantit molto ampia di rappresentazioni gi disponibili. Quando il testo presenta un contesto compatibile, il sistema pu attingere a quelle informazioni senza sostenere ogni volta un calcolo completo. MoE e N-gram embedding mantengono cos una capacit rappresentativa elevata con un impiego pi contenuto della memoria GPU e delle risorse computazionali.
La strada riprende anche indicazioni emerse da laboratori cinesi come DeepSeek. Memoria statica e tecniche di lookup, considerate per lungo tempo strumenti legati a fasi precedenti dellelaborazione linguistica, vengono riutilizzate dentro modelli di grandi dimensioni. un modo concreto per ridurre il costo dellinferenza senza rinunciare alla scala del sistema.
Il punto darrivo un rapporto pi stretto tra prestazioni e sostenibilit economica. La stessa architettura pu servire applicazioni di alto livello e progetti pi piccoli, con requisiti hardware molto differenti.
Risultati nei test e confronto con altri modelli
Qwen3.8-Flash-Next si presenta con risultati interessanti nei test pubblicati. Il modello supera la generazione precedente, Qwen3.7-Plus, nei principali ambiti considerati e lo fa con un consumo di risorse dichiarato pari a circa un nono, sia per laddestramento sia per linferenza.
Il confronto comprende sistemi come DeepSeek-V4-Flash e Claude Opus 4.6. Nei compiti legati alla programmazione e alla produttivit dufficio, la proposta di Alibaba ottiene i seguenti punteggi:
- SWE-bench Pro: 62,5 punti, contro i 53,4 di Claude Opus, nei test dedicati allautomazione e alla correzione del codice;
- SWE-bench Multilingual: 81 punti, rispetto ai 77,5 della concorrenza;
- LiveCodeBench v6: 91,9 punti, un risultato che mostra la capacit del modello nella generazione di codice avanzato.
Questi valori descrivono soprattutto determinati casi duso e non esauriscono la valutazione di un modello. Indicano per che i sistemi open stanno raggiungendo un livello in grado di competere con prodotti proprietari anche quando i compiti richiedono precisione e capacit di ragionamento sul codice.
La politica commerciale rafforza il posizionamento. QwenCloud propone una versione utilizzabile tramite API, con costi rapportati alle necessit operative. La disponibilit della componente open lascia invece agli sviluppatori la possibilit di gestire direttamente il modello e linfrastruttura.
Modelli avanzati anche senza GPU di fascia alta
Uno degli effetti pi concreti della generazione Qwen riguarda lhardware necessario per il deployment. Luso della RAM per una parte consistente delle rappresentazioni e lattivazione selettiva dei parametri permettono di eseguire i modelli anche senza GPU avanzate.
Le conseguenze si vedono lungo tre direzioni:
- lo strato N-gram pu essere ospitato nella RAM di server e workstation standard, evitando acceleratori dal costo elevato;
- la modularit delle versioni Qwen offre dimensioni differenti, dal modello light 0.8B per luso locale fino alle versioni enterprise, cos da coprire esigenze e disponibilit economiche diverse;
- licenze aperte e pesi disponibili rendono pi semplice sperimentare e sviluppare soluzioni anche in PMI, universit e strutture pubbliche.
Il cambiamento riguarda quindi laccesso alla tecnologia. Per molto tempo, ladozione di sistemi AI complessi dipesa dalla possibilit di sostenere investimenti iniziali elevati. La possibilit di usare server comuni o configurazioni locali riduce la distanza tra grandi aziende e organizzazioni con budget pi contenuti.
Il peso dei costi nella strategia Qwen
La riduzione dei requisiti hardware ha un riflesso diretto sul prezzo dellinferenza. Qwen3.8-Flash-Next richiede meno risorse per produrre ogni token e i listini delle API risultano inferiori a quelli di molti concorrenti occidentali. Le cifre indicate sono di 0,16 dollari per un milione di token in ingresso e di 0,47 dollari per un milione di token in output.
Il confronto con Qwen3.8-Max, che supera i 2 dollari per un milione di token in input, rende pi evidente la differenza tra le due impostazioni. La versione Flash-Next punta a mantenere una capacit ampia con un costo operativo pi facile da sostenere.
La pubblicazione open dei pesi aggiunge unaltra possibilit. Unorganizzazione pu scegliere il self-hosting e rinunciare ai costi ricorrenti di un provider esterno. La scelta incide sul budget, ma anche sulla gestione dei dati e sulla conformit normativa, soprattutto nei Paesi in cui la legislazione sulla privacy impone vincoli stringenti.
Il rapporto tra qualit del modello, spesa di esercizio e ritorno sullinvestimento diventa cos pi flessibile. Chi lavora in settori competitivi pu decidere se utilizzare le API oppure predisporre uninfrastruttura autonoma, in base al volume di lavoro e al livello di controllo richiesto.
Pesi aperti, API e strumenti gi usati dagli sviluppatori
La strategia open di Alibaba non si limita alla pubblicazione dei pesi. Le licenze permissive e la compatibilit con API e strumenti associati ad Anthropic e OpenAI, tra cui Claude Code e Codex, rendono pi semplice inserire Qwen in flussi di sviluppo gi esistenti.
- I pesi sono scaricabili da repository pubblici come Hugging Face e ModelScope, senza restrizioni;
- le API disponibili su QwenCloud possono dialogare con strumenti sviluppati internamente e con framework consolidati;
- le versioni open-weight funzionano con motori di inferenza quali SGLang e vLLM, offrendo opzioni di deployment su hardware locale e in ambienti cloud ibridi.
Per chi sviluppa, il vantaggio pratico: diminuisce il lock-in tecnologico e diventa pi semplice spostare un progetto tra provider, server locali e infrastrutture cloud. La stessa base pu inoltre essere sottoposta a fine-tuning per esigenze specifiche, senza dover riprogettare lintero flusso di lavoro.
Dai test in locale alla produzione: dove usare Qwen
La disponibilit di modelli con dimensioni differenti amplia i casi duso. Gi nella fase di prototipazione, una versione leggera come Qwen 3.5 0.8B pu essere testata in locale su processori standard. Il modello base richiede appena 1 GB di memoria e consente latenze contenute, rendendo pi rapidi gli esperimenti preliminari.
Quando il progetto cresce, le versioni Flash-Next e quelle derivate possono sostenere attivit pi impegnative. Tra gli impieghi indicati rientrano:
- lautomazione di workflow complessi in azienda;
- la costruzione di agenti intelligenti collegati a piattaforme gi operative;
- chatbot e sistemi di assistenza clienti, compresi scenari offline;
- progetti nel settore education, con avatar AI e tutor virtuali utilizzabili anche in contesti low budget.
La disponibilit di pi taglie consente di passare dal laboratorio alla produzione senza adottare subito la configurazione pi costosa. Ogni azienda pu scegliere il modello in funzione del proprio scenario, regolando linvestimento e le risorse necessarie.
Qwen e laccesso allintelligenza artificiale in Cina e allestero
Il rilascio di versioni open-weight e di licenze comunitarie porta i modelli Qwen oltre i grandi provider centralizzati. Sviluppatori indipendenti, startup, istituzioni pubbliche e universit possono scaricare i pesi, adattarli e testarli sulle proprie infrastrutture.
In Cina, questa impostazione sostiene lautonomia tecnologica locale. Fuori dal Paese introduce una forma di competizione legata alla diffusione degli strumenti e alla capacit di innovare, non soltanto alla disponibilit di capitale o alla dimensione dei data center.
- Gli sviluppatori possono lavorare sui propri server anche quando la banda limitata o laccesso alle GPU soggetto a restrizioni;
- ricerca e formazione hanno accesso a pesi realmente scaricabili, condizione utile per fare pratica e costruire competenze avanzate.
La circolazione dei modelli crea un collegamento pi diretto tra comunit di ricerca e imprese in aree diverse del mondo. Restano aperte le questioni relative alluso responsabile e alla trasparenza, ma la base tecnica pi disponibile rispetto a quella offerta da sistemi esclusivamente proprietari.
Qwen4 e le prossime scelte di Alibaba
Larchitettura di Qwen3.8-Flash-Next indica alcune priorit per le prossime versioni della famiglia Qwen: ridurre i costi dellinferenza, usare la memoria in modo pi efficiente e offrire modelli adatti a infrastrutture di dimensioni diverse.
Per gli sviluppatori, la disponibilit di pesi aperti e strumenti compatibili con motori come SGLang e vLLM facilita la preparazione di ambienti di test e deployment. Le applicazioni possono quindi essere ottimizzate su configurazioni locali, cloud o ibride senza dipendere da una singola piattaforma.
La direzione della strategia non riguarda soltanto il numero complessivo di parametri. Conta anche la capacit di attivare solo le risorse necessarie, contenere la memoria GPU e mantenere sostenibili i costi di utilizzo. Questo approccio pu favorire ladozione di modelli avanzati da parte di aziende, enti pubblici e sviluppatori con budget pi limitati.