Alibaba Qwen3 s’ouvre à 27B, mettant sous pression les modèles phares fermés

Alibaba Qwen3 a rendu public un modèle multimodal de 27 milliards de paramètres qui, selon l’entreprise, surpasse son prédécesseur plus volumineux Qwen3.7-Plus dans plusieurs benchmarks de programmation et d’agents. Cette publication fait passer Qwen3.8 d’un modèle phare hébergé à un modèle que les développeurs peuvent examiner, modifier et déployer eux-mêmes.

L’équipe Qwen a également publié les poids de Qwen3.8-2.4T-A95B, la base de son service de catégorie Max. Ce modèle compte 2 400 milliards de paramètres au total, mais n’en active que 95 milliards pour chaque token. Ensemble, ces publications remettent en cause l’idée selon laquelle les meilleurs modèles d’agents doivent rester derrière des API propriétaires.

Le véritable affrontement n’oppose pas Alibaba à un concurrent nommément désigné. Il oppose le déploiement ouvert à l’accès fermé. Alibaba affirme qu’un modèle pratique de 27B peut approcher, égaler ou parfois dépasser des modèles phares hébergés, tout en préservant le contrôle des poids, de l’infrastructure et des données.

Alibaba Qwen3 transforme une publication hébergée en poids téléchargeables

Le changement important est l’accès : Qwen3.8 n’est plus seulement un graphique de benchmarks ou un endpoint géré.

Alibaba a annoncé cette publication ouverte via son post officiel sur Qwen3.8. Les artefacts publiés comprennent Qwen3.8-27B et le checkpoint bien plus grand Qwen3.8-2.4T-A95B.

Le plus petit modèle est la publication la plus immédiatement exploitable. Selon sa fiche de modèle officielle 27B, Qwen3.8-27B est un modèle dense doté d’un encodeur visuel. Dense signifie que chaque paramètre du modèle participe à l’inférence, contrairement à un système de mélange d’experts qui n’active que certains composants.

Qwen3.8-27B accepte du texte, des images et des vidéos. Sa fiche de modèle décrit une prise en charge des documents, des diagrammes scientifiques, des interfaces visuelles et de la compréhension de vidéos à l’échelle de plusieurs heures. Cette publication est donc davantage qu’un nouveau modèle local de programmation limité au texte.

Alibaba offre également aux développeurs plusieurs contrôles du raisonnement. Le mode réflexion est activé par défaut, mais les applications peuvent le désactiver pour obtenir des réponses directes. Un réglage reasoning_effort ajuste la profondeur de l’analyse, tandis que preserve_thinking conserve le contexte de raisonnement précédent lors de tâches à plusieurs tours.

Ces contrôles comptent pour les déploiements d’agents, car la réponse individuelle la plus rapide ne permet pas toujours d’achever un flux de travail le plus vite. Un raisonnement superficiel peut entraîner davantage de nouvelles tentatives, d’erreurs d’outils et de tours correctifs. Alibaba avertit explicitement de ce compromis dans ses recommandations de déploiement.

Le modèle prend nativement en charge 262 144 tokens. Alibaba indique pouvoir étendre cette capacité à un million de tokens grâce à une mise à l’échelle du contexte long. Un token est une unité de texte traitée par le modèle, tandis qu’une fenêtre de contexte limite la quantité de contenu qu’il peut examiner simultanément.

Cette capacité peut contenir de grands dépôts de code, des collections de documents, de longues vidéos ou des historiques d’agents étendus. Elle ne garantit toutefois pas une restitution fiable sur l’ensemble de la fenêtre. La taille du contexte et son utilisation effective restent des mesures distinctes.

La publication plus importante modifie le tableau stratégique. Les poids Max officiels révèlent un modèle de mélange d’experts de 2 400 milliards de paramètres, avec 95 milliards de paramètres actifs. Il comprend 512 experts routés, dont 10 experts routés et un expert partagé sont actifs à chaque passage.

Alibaba indique une longueur de contexte native de 262 144 tokens pour ce checkpoint, extensible à 1 010 000 tokens. Le modèle téléchargeable est axé sur le texte, tandis que le service hébergé Qwen3.8-Max inclut des fonctionnalités de production supplémentaires. Ces différences empêchent de considérer le checkpoint ouvert et le produit hébergé comme identiques.

Les deux publications utilisent Apache 2.0. Les conditions de licence autorisent l’usage commercial, la modification et la distribution tout en exigeant la conservation des mentions requises. Elles sont sensiblement moins restrictives que les licences imposant des limites d’utilisateurs, des conditions liées au domaine d’usage ou des seuils commerciaux particuliers.

Cette publication crée donc deux opportunités distinctes. Qwen3.8-27B offre aux petites équipes une cible de déploiement crédible. Qwen3.8-2.4T-A95B donne aux chercheurs et aux entreprises d’infrastructure accès à l’architecture d’Alibaba à l’échelle Max, même si son exploitation exige un matériel considérable.

L’annonce résout également une question de crédibilité créée par le précédent lancement hébergé. Alibaba avait indiqué que les poids ouverts suivraient. La publication des deux checkpoints transforme cette promesse en artefacts téléchargeables que des équipes externes peuvent désormais tester.

Pourquoi un modèle dense 27B modifie l’équation du déploiement

Qwen3.8-27B est important parce que sa taille met des agents multimodaux avancés à la portée d’organisations incapables d’exploiter des systèmes comptant des milliers de milliards de paramètres.

Un modèle dense de 27B n’est pas petit selon les standards habituels de l’informatique. L’exécution des poids d’origine exige toujours une mémoire d’accélérateur importante, et les contextes longs ajoutent une pression mémoire considérable. La quantification peut réduire cette exigence en stockant les valeurs du modèle avec une précision moindre.

Cette échelle reste néanmoins familière à la communauté des modèles locaux. Les projets d’inférence existants prennent déjà en charge des modèles de cette catégorie sur des stations de travail et des serveurs multi-GPU. Qwen indique une compatibilité avec Transformers, vLLM, SGLang et TokenSpeed dans ses documents de publication.

Cette compatibilité réduit la distance entre l’annonce d’un modèle et une application fonctionnelle. Les développeurs n’ont pas besoin d’attendre un environnement d’exécution entièrement nouveau. Ils peuvent tester le checkpoint via des frameworks de service qui exposent des interfaces communes de chat et multimodales.

Des projets communautaires ont commencé à publier des versions quantifiées peu après la publication. Ces versions échangent une partie de la précision numérique contre une utilisation mémoire réduite. Cette disponibilité précoce ne démontre pas une qualité de production, mais elle montre que l’écosystème de déploiement environnant peut évoluer rapidement.

L’architecture dense offre également une simplicité opérationnelle. Les modèles de mélange d’experts peuvent fournir une forte capacité totale sans activer chaque paramètre, mais leurs exigences de routage et de mémoire compliquent le service. Un checkpoint dense de 27B suit un chemin de calcul plus prévisible.

Alibaba associe ce profil de déploiement conventionnel à une architecture hybride plus récente. Qwen3.8 alterne des blocs Gated DeltaNet avec des couches d’attention à portes. DeltaNet est un mécanisme d’attention linéaire conçu pour traiter de longues séquences plus efficacement qu’une attention complète dans chaque couche.

Le modèle utilise 64 couches de langage, avec des groupes répétés de composants DeltaNet et d’attention complète. Cette structure vise à préserver une récupération précise tout en limitant le coût des longues séquences. La prédiction multi-token entraîne le modèle à anticiper plusieurs tokens futurs, ce qui peut également accélérer la génération spéculative.

L’architecture seule ne détermine pas les performances pratiques. Les logiciels de service, la quantification, le format des prompts, la longueur de contexte et la topologie matérielle peuvent modifier sensiblement la latence. Une équipe de déploiement doit mesurer sa propre charge de travail au lieu de s’appuyer sur la taille du modèle comme indicateur complet.

La conception multimodale élargit ces charges de travail. Un système local pourrait examiner des captures d’écran tout en modifiant du code, lire des diagrammes dans des documents techniques ou suivre des changements présentés dans des interfaces enregistrées. Le même checkpoint peut coordonner le raisonnement textuel avec des preuves visuelles.

Pour les équipes logicielles, cela crée un scénario d’agent concret. Un modèle peut recevoir un rapport de bug, examiner une capture d’écran, rechercher dans un dépôt, modifier du code et comparer la nouvelle interface à l’image d’origine. Chaque étape exige davantage qu’une simple complétion de code isolée.

Les organisations fortement axées sur les documents gagnent une autre option. Un déploiement privé peut traiter des rapports internes et des archives visuelles sans envoyer chaque entrée à un fournisseur externe de modèles. Cela ne rend pas automatiquement le système sécurisé, mais donne à l’opérateur un contrôle direct sur le cheminement des données.

Le contexte long renforce cet argument. Les équipes peuvent placer de plus grandes portions d’un dépôt ou d’une archive de recherche dans une seule session. Une base de connaissances technique consultable peut toujours fournir une récupération ciblée au lieu de remplir la fenêtre sans discernement.

Cette distinction compte, car les prompts gigantesques créent leurs propres coûts. Ils augmentent l’utilisation mémoire, le temps de traitement et le risque que des éléments non pertinents distraient le modèle. La récupération reste utile même lorsque la limite nominale de contexte atteint un million de tokens.

La question centrale du déploiement n’est donc pas de savoir si Qwen3.8-27B tient sur chaque ordinateur portable. Ce n’est pas le cas. Il s’agit de déterminer s’il fait passer les agents multimodaux avancés d’une infrastructure hyperscale vers des stations de travail et des serveurs GPU d’entreprise ordinaires.

La réponse d’Alibaba est affirmative. Les déploiements indépendants des prochaines semaines détermineront dans quelle mesure cette réponse se vérifie.

Les benchmarks d’Alibaba Qwen3 opposent le déploiement ouvert à l’accès fermé

Les propres résultats d’Alibaba présentent le modèle 27B comme une alternative directe à des systèmes hébergés plus grands, mais les affirmations les plus fortes doivent encore être reproduites à l’extérieur.

L’entreprise indique que Qwen3.8-27B dépasse Qwen3.7-Plus dans chacun des benchmarks de programmation listés. Sur Terminal Bench 2.1, Alibaba rapporte un score de 73,0 pour le nouveau modèle contre 64,0 pour Qwen3.7-Plus. Terminal Bench évalue des agents travaillant sur des tâches en ligne de commande.

Sur SWE-bench Pro, Qwen3.8-27B obtient 61,7 dans l’évaluation d’Alibaba, contre 57,6 pour Qwen3.7-Plus. Le nouveau modèle atteint également 42,3 sur NL2Repo-Bench, légèrement au-dessus des 41,1 de Qwen3.7-Plus.

Le plus grand écart rapporté apparaît sur DeepSWE 1.1. Alibaba indique 42,2 pour Qwen3.8-27B, 14,2 pour Qwen3.7-Plus et 13,3 pour Qwen3.6-27B. Un bond aussi important rend la reproduction indépendante particulièrement importante.

Cette tendance dépasse la programmation. Alibaba rapporte 70,7 sur CoWorkBench, son benchmark interne pour le travail professionnel de longue durée. Qwen3.7-Plus obtient 65,1, tandis que le résultat comparé d’Opus 4.6 Max est de 68,2.

Sur OSWorld-Verified, qui teste l’utilisation d’ordinateurs dans des environnements de systèmes d’exploitation, Qwen3.8-27B atteint un score rapporté de 84,3. Alibaba indique 73,3 pour Qwen3.7-Plus et 72,7 pour Opus 4.6 Max.

Le modèle ne domine pas chaque comparaison. Il est derrière Opus 4.6 Max sur Terminal Bench, NL2Repo-Bench, GPQA Diamond et HLE dans le tableau d’Alibaba. Il se situe également légèrement derrière Qwen3.7-Plus sur GPQA Diamond et plusieurs évaluations visuelles générales.

Ce bilan contrasté est plus instructif qu’une affirmation générale de supériorité. La publication 27B semble la plus forte pour l’utilisation d’outils, l’ingénierie logicielle et les tâches visuelles interactives. Sa domination est moins nette en matière de connaissances générales et de raisonnement scientifique difficile.

Les méthodes d’évaluation d’Alibaba varient également. Certains benchmarks utilisent des ensembles de tâches publics, mais d’autres sont internes. Plusieurs évaluations de programmation sont exécutées via le harness Claude Code, et différents modèles utilisent parfois des résultats officiellement rapportés plutôt que des exécutions locales identiques.

Les choix de prompting peuvent influer sur les résultats. Par exemple, la fiche de modèle indique que Qwen3.8-27B a utilisé un prompt fixe, étape par étape, pour MathVision. Les autres modèles ont reçu le meilleur résultat parmi deux variantes de prompts. Des libellés de benchmarks corrigés introduisent une autre différence par rapport aux scores publiés précédemment.

Rien de cela ne rend les résultats invalides. Cela signifie que les tableaux constituent des éléments de preuve fournis par le fournisseur, et non un jugement définitif. L’entreprise fournit des notes méthodologiques utiles, mais des évaluateurs indépendants doivent reproduire les performances avec des structures d’exécution et du matériel cohérents.

La publication à l’échelle Max renforce le même argument concurrentiel. Alibaba indique que Qwen3.8-Max s’améliore sensiblement par rapport à Qwen3.7-Max dans les agents de programmation, les agents généralistes et les tâches professionnelles.

Son résultat rapporté sur Terminal Bench 2.1 passe de 74,5 pour Qwen3.7-Max à 86,6. Sur PaperBench, la hausse va de 64,8 à 93,0. Sur JobBench, Alibaba rapporte un passage de 31,3 à 53,4.

Le modèle Max perd toutefois aussi plusieurs comparaisons face à d’autres modèles phares hébergés. GPT-5.6 Sol domine le tableau Terminal Bench d’Alibaba avec 88,8. Fable 5 domine SWE-bench Pro avec 80,0, tandis que Qwen3.8-Max obtient 67,7.

C’est le renversement central. Les poids ouverts ne signifient plus qu’il faut accepter un modèle ayant une génération entière de retard sur les produits hébergés. Les données d’Alibaba présentent les checkpoints ouverts comme des concurrents dotés de forces et de faiblesses propres à chaque charge de travail.

Les fournisseurs fermés conservent des avantages importants. Leurs services gérés absorbent le travail d’infrastructure, fournissent des outils intégrés et peuvent mettre à jour les modèles sans obliger les clients à déplacer d’énormes checkpoints. Ils contrôlent également l’ensemble de la pile de serving.

Le déploiement ouvert offre un ensemble différent d’avantages. Les opérateurs peuvent inspecter les fichiers, modifier le comportement, créer des endpoints privés, choisir des méthodes de quantification et éviter la dépendance à une seule API hébergée. Ils héritent aussi de la responsabilité de la sécurité, de la disponibilité, de l’évaluation et de l’optimisation.

Qwen3.8 rend ce choix plus difficile pour les acheteurs en entreprise. Une équipe évaluant un modèle phare fermé doit désormais se demander si son avantage de performance justifie la perte de contrôle sur le déploiement. La réponse dépendra de la charge de travail plutôt que d’un classement universel.

Ce que les chiffres de Qwen3.8 ne prouvent toujours pas

Une licence permissive et un tableau de benchmarks impressionnant n’établissent ni la fiabilité, ni un fonctionnement abordable, ni une autonomie sûre.

La première incertitude concerne les tests indépendants. Alibaba a publié de nombreux scores, mais la plupart sont arrivés avec la sortie du modèle. Les laboratoires externes n’ont pas encore eu suffisamment de temps pour reproduire l’ensemble des évaluations avec des harnesses comparables.

Les premières réactions de la communauté fournissent des pistes utiles, pas des preuves contrôlées. Certains utilisateurs signalent de bonnes performances en programmation et en sortie visuelle. D’autres décrivent une génération lente, de longues traces de raisonnement ou un comportement incohérent après quantification.

Ces retours correspondent au compromis de conception du modèle. Qwen3.8 active la réflexion par défaut et utilise le niveau de raisonnement le plus élevé, sauf si les applications le modifient. Une requête difficile peut donc produire une analyse cachée substantielle avant la réponse finale.

Réduire l’effort de raisonnement peut améliorer la latence de réponse. Alibaba avertit que cela peut également provoquer des erreurs entraînant des tentatives répétées. Les équipes de production doivent mesurer le temps de réalisation de la tâche, et pas seulement le délai avant le premier token généré.

La mémoire constitue une autre contrainte. Un checkpoint de 27B devient plus accessible après quantification, mais les entrées multimodales et les longs contextes ajoutent de la consommation mémoire. Qu’un modèle tienne dans la mémoire d’un appareil ne signifie pas qu’il traitera une requête d’un million de tokens à une vitesse utile.

L’affirmation d’un million de tokens mérite une prudence particulière. Alibaba indique que le modèle prend en charge 262 144 tokens nativement et peut être étendu à un million. Les techniques d’extension modifient la gestion des positions afin qu’un modèle puisse accepter des séquences au-delà de sa longueur d’entraînement native.

L’acceptation n’est pas synonyme de raisonnement fiable. Les développeurs doivent tester la précision de récupération à différentes positions, la synthèse en plusieurs étapes, la résistance aux distracteurs et la cohérence des sorties. Une seule démonstration réussie de récupération d’aiguille ne peut pas valider chaque workflow à long contexte.

La construction des benchmarks crée une incertitude supplémentaire. QwenSWEBench, CoWorkBench, JobBench et RecreationBench comportent des éléments internes ou des choix d’évaluation contrôlés par l’entreprise. Ces tests peuvent rester utiles, mais les observateurs externes ont besoin d’un accès aux tâches et de procédures reproductibles.

Les benchmarks publics ont également leurs limites. Les résultats des agents dépendent fortement du scaffold qui entoure le modèle. Les descriptions d’outils, la logique de tentatives répétées, les limites de temps, les commandes disponibles et la gestion du contexte peuvent modifier le score final.

Les comparaisons avec des modèles fermés ajoutent une autre complication. Les modèles hébergés peuvent évoluer sans poids téléchargeables et versionnés. Un score officiellement rapporté peut utiliser une configuration système différente de l’évaluation locale d’Alibaba.

Le checkpoint Max ouvert exige un examen distinct. Ses 2,4 billions de paramètres totaux le rendent inaccessible à la plupart des développeurs individuels en précision d’origine. L’activation par mixture-of-experts réduit le calcul par token, mais les poids complets exigent toujours un stockage et une mémoire considérables.

La quantification d’un tel modèle peut réduire les besoins matériels, même si une compression sévère risque de dégrader la qualité. Elle peut aussi créer des goulots d’étranglement lorsque les poids des experts circulent entre la mémoire système et les accélérateurs. Un modèle fonctionnant techniquement sur du matériel grand public peut rester d’une lenteur impraticable.

La relation entre le checkpoint ouvert et Qwen3.8-Max hébergé est également plus limitée que son nom ne le suggère. La carte A95B publiée décrit un modèle de langage causal. Alibaba indique que le produit Max géré ajoute l’entrée visuelle, la prise en charge sans réflexion, des outils intégrés et un contexte d’un million de tokens par défaut.

Les développeurs devraient donc éviter d’affirmer que le checkpoint ouvert reproduit l’intégralité du service hébergé. Il expose les poids du modèle de langage central, et non toutes les capacités qui l’entourent. Les comparaisons de produits doivent distinguer le comportement du modèle des fonctionnalités de la plateforme.

La sécurité reste non résolue. Un agent capable d’accéder au terminal, au navigateur et aux fichiers peut commettre des erreurs lourdes de conséquences. Les poids ouverts permettent des garde-fous locaux, mais ne fournissent pas un système complet de permissions ni une couche de supervision fiable.

Les licences ne répondent également qu’à une partie de la question de gouvernance. Apache 2.0 autorise une réutilisation étendue, mais les déployeurs restent responsables de la confidentialité, de la sécurité, des données réglementées et des obligations juridiques propres à l’application. Une licence de modèle permissive n’est pas un certificat de conformité.

Le test pratique consiste en une évaluation propre à chaque charge de travail. Les équipes devraient utiliser des dépôts, documents, captures d’écran et environnements d’outils représentatifs. Elles devraient mesurer la réussite des tâches, la fréquence des interventions, la latence, la consommation de ressources et la gravité des échecs.

En attendant ces résultats, la conclusion la plus sûre est plus restreinte que le langage marketing d’Alibaba. Qwen3.8-27B est un modèle ouvert sérieux, doté de capacités multimodales et agentiques exceptionnellement ambitieuses. Sa supériorité sur l’ensemble du travail réel en production n’a pas été établie de manière indépendante.

Trois signaux détermineront si Qwen3.8 redéfinit la référence des modèles ouverts

La prochaine phase porte sur un déploiement reproductible, et non sur une nouvelle série d’affirmations de benchmarks accrocheuses.

Le premier signal sera l’évaluation indépendante du checkpoint 27B. Les tests les plus utiles feront passer Qwen3.8-27B, Qwen3.7-Plus et les principaux modèles hébergés à travers des scaffolds d’agents identiques. Ils devront également révéler les requêtes, les politiques de tentatives répétées, les permissions d’outils et les paramètres de contexte.

Des résultats cohérents sur SWE-bench Pro, Terminal Bench, OSWorld et des tâches bureautiques de longue durée renforceraient l’argumentaire d’Alibaba. De fortes baisses lors d’une évaluation neutre montreraient que le tableau de lancement dépendait fortement de configurations choisies par l’entreprise.

Le deuxième signal concerne les performances pratiques à long contexte. Les développeurs doivent tester la fenêtre native de 262K avant de se concentrer sur l’extension à un million de tokens. L’analyse de dépôts, la synthèse de documents juridiques, la revue vidéo et les agents multi-sessions offrent des preuves plus utiles que des astuces de récupération isolées.

Le succès suppose de maintenir la précision lorsque les informations pertinentes sont dispersées dans la requête. Il suppose aussi d’achever les tâches dans des limites acceptables de mémoire et de latence. Si la qualité se dégrade fortement au-delà de la fenêtre native, l’étiquette d’un million de tokens aura une valeur opérationnelle limitée.

Le troisième signal est l’adoption par l’infrastructure. La prise en charge dans vLLM, SGLang, llama.cpp, Transformers et les projets de quantification détermine si un checkpoint devient largement utilisable. Un serving multimodal stable compte autant que la génération de texte de base.

Surveillez les kernels optimisés, les configurations multi-GPU fiables, les versions à précision réduite et les templates de chat cohérents. Des templates fragmentés ou des contrôles de raisonnement non pris en charge peuvent produire des écarts déroutants entre déploiements.

L’adoption en entreprise fournira un signal connexe. Les organisations ont besoin de preuves que le modèle peut fonctionner de façon privée, rester observable et s’intégrer à des outils avec permissions. Elles ont également besoin d’un comportement prévisible entre les mises à jour et les formats de quantification.

Les fournisseurs de modèles fermés font face à un choix de réponse clair. Ils peuvent accroître leur avance en performances, améliorer la fiabilité des agents gérés, réduire les frictions de déploiement ou exposer davantage de contrôle aux clients. Se contenter d’invoquer un benchmark général supérieur ne réglera pas la question de la propriété.

Les autres développeurs de modèles ouverts subissent également une pression. Un checkpoint multimodal de 27B avec des scores compétitifs pour les agents relève les attentes en matière de licences, de contexte, d’usage d’outils et de raisonnement visuel. Les sorties uniquement textuelles à une échelle similaire s’adressent désormais à un marché plus restreint.

Alibaba Qwen3 sera finalement jugé sur le travail accompli. Peut-il réparer des dépôts inconnus, interpréter des preuves visuelles et gérer des workflows étendus sans corrections constantes ? Les équipes peuvent-elles l’exploiter à une vitesse soutenable sur du matériel qu’elles contrôlent ?

Pour les développeurs, l’action immédiate est un test rigoureux. Sélectionnez des tâches réelles, documentez la configuration de serving et comparez le coût total d’achèvement plutôt que des réponses isolées. Conservez une approbation humaine autour des actions d’outils aux conséquences importantes.

Pour les acheteurs en entreprise, cette sortie crée un levier même s’ils ne l’hébergent jamais eux-mêmes. Une alternative ouverte crédible fournit un point de référence pour le contrôle des données, la portabilité et l’accès aux modèles lors des négociations avec les fournisseurs.

Les poids Max plus importants méritent l’attention de la recherche, mais le modèle 27B déterminera la portée pratique de la sortie. Il est suffisamment proche des infrastructures familières pour qu’une vaste communauté puisse examiner les affirmations d’Alibaba.

Cette communauté dispose désormais des artefacts nécessaires pour produire une réponse. Si des tests indépendants confirment les gains rapportés, Alibaba Qwen3 réduira l’écart entre le déploiement ouvert et les modèles phares fermés. Dans le cas contraire, cette sortie indiquera tout de même précisément où cet écart subsiste.