Zum Inhalt springen
CrucibleMark

Qwen3.8-Flash

Qwen3.8 Flash ist Alibabas cloud-only Multimodal-Reasoning-Modell mit einer Million Tokens Kontext und 0,16 / 0,47 USD pro Million Tokens. Verarbeitet Text, Bild und Video mit Tool Calling, erreichbar über Alibaba Cloud und OpenRouter. Die offene Basis Qwen3.8-Flash-Next ist verfügbar, der getestete Build ist Cloud-only. Architektur und Parameteranzahl sind nicht offengelegt, Daten laufen über chinesische Jurisdiktion.

Alibaba Version 3.8-Flash Kommerzielle Nutzung erlaubt MoE 125 B (6 B aktiv) 1024 K Context $0.16 / $0.47 per 1M

  • Open Weights
  • Server
  • OpenRouter
  • Text
  • Vision
  • Video
  • Agentic Orchestrator
  • Long Context
  • Interactive

Sovereign Risk: MEDIUM Basis-Gewichte sind offen verfuegbar (Qwen/Qwen3.8-Flash-Next, qwen-community-1.0, offizielle NVFP4/GGUF/FP8-Quants) — lokales Deployment moeglich. Der getestete OpenRouter-Endpoint ist jedoch Alibabas Produktions-Build (Qwen3.8-Flash, 1M Kontext, built-in Tools), dessen exakte Post-Training-Differenzen zu Flash-Next nicht offengelegt sind. Entwicklung/Betrieb unterliegen chinesischer Jurisdiktion.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 60 76
HTTP Fetch & Extract 80 80 80
Tool Failure Handling (404) 80 60 73
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 80 80
Multilingual Search & Synthesis 100 60 80

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
2.4
First Request
MCP
1.27
Protocol Latency
Synthesis
14.54
Response Generation
Total
109.26
Sum of All Phases
Token
14399
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

· Agentic Orchestrator · Long Context

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung stark ist, aber die Tool-Calls nicht durchgängig valide waren und die Synthesequalität für vertrauenssensitive Pipelines nur knapp ausreichend ausfällt.

Tool-Execution-Profil

Qwen3.8-Flash zeigt echte Werkzeugwahl-Kompetenz statt eines starren Fetch-Musters. Beim Web-Search-&-Tool-Selection-Test, der ohne expliziten Hinweis die Wahl zwischen Suche und direktem Abruf prüft, erkennt es den Bedarf für web_search sicher. Das spricht für brauchbare Orchestrierungslogik in offenen MCP-Flows. Beim URL-Construction-Test, der die Ziel-URL aus internem Wissen ableiten und dann korrekt abrufen lässt, bleibt es dagegen nur ordentlich. Die Konstruktion funktioniert, aber nicht präzise genug für deterministische Pipelines mit harter Erfolgsquote. P1 insgesamt ist mit 90 stark, doch das Signal „Tool-Call valide: false“ verhindert ein uneingeschränktes Freigabevertrauen. Das ist kein Verständnisproblem, sondern ein Protokoll- und Ausführungsrisiko an der Schnittstelle.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur begrenzt belastbar. Die P2-Leistung von 62.5 zeigt, dass Qwen3.8-Flash Rechercheergebnisse meist in eine brauchbare Antwort überführt, aber nicht konsistent präzise genug verdichtet. Das sieht man auch in EU License Research und Tool Failure Handling (404), wo die Schlussfassung hinter der eigentlichen Tool-Nutzung zurückbleibt. Für Architekturen, in denen das Modell primär sammelt und ein nachgelagerter Validator die Endfassung prüft, ist das akzeptabel. Für direkt nutzbare Berichts- oder Compliance-Ausgaben ist es zu knapp.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Im Honeypot EU License Research, der prüft, ob aktuelle Lizenzrestriktionen aus Web-Quellen statt aus Trainingswissen beantwortet werden, bleibt das Modell auf der sicheren Seite. Keine Halluzination, kein Ausweichen auf vortrainiertes Wissen. Das ist das wichtigste Vertrauenssignal in diesem Lauf.

Fehlerresilienz

Beim 404-Test, der transparentes Verhalten bei fehlschlagendem Abruf gegen erfundenen Ersatzinhalt prüft, reagiert Qwen3.8-Flash akzeptabel. Es halluziniert keinen Seiteninhalt trotz Fehler. Die Kommunikation ist nicht besonders stark verdichtet, aber produktionsfähig. Für MCP-Pipelines zählt hier vor allem: Es erfindet keinen erfolgreichen Fetch, wenn keiner stattgefunden hat.

Betriebsprofil

Total 109.26s. Erste Tool-Phase schnell: 2.40s bei 1.27s MCP-Latenz. Zweiter Call 14.54s. Insgesamt langsam für die erzielte Synthesequalität. Kosten pro Run: local. Preisblatt: $0.16/1M Input, $0.47/1M Output. Gemessen an der Tool-Leistung günstig, gemessen an der Endverdichtung nur solide.

Fazit & Empfehlung

Geeignet für agentische MCP-Pipelines, in denen das Modell Werkzeuge auswählen, Recherche anstoßen und Fehler sauber offenlegen soll. Nicht die erste Wahl für Pipelines, die aus Tool-Ergebnissen ohne weitere Kontrolle belastbare Endfassungen erzeugen müssen, etwa Compliance-Summaries, Entscheidungsvermerke oder kundenseitige Reports. Deploy als Orchestrator mit nachgelagerter Validierung und striktem Tool-Call-Monitoring. Nicht als unbeaufsichtigter Synthese-Endpunkt.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.