Qwen3.8-Max: il sorpasso dichiarato riga per riga

La strumentazione di misura è il vero terreno del confronto: finché il metodo di prova resta interno a chi lo pubblica, il punteggio racconta una promessa più che un risultato.

Il 3 agosto 2026 Alibaba ha reso disponibile Qwen3.8-Max e, contestualmente, ha pubblicato la tabella comparativa che accompagna il lancio. La rivendicazione che ha fatto il giro dei feed è sintetica: il modello cinese avrebbe superato i modelli di frontiera americani.

Vale la pena aggiustare due cose prima di leggere i numeri.

La prima riguarda i termini di paragone. I confronti pubblicati da Alibaba mettono Qwen3.8-Max contro Claude Opus 4.8, Claude Fable 5 e GPT-5.6 Sol, cioè i modelli di punta oggi in listino. Le generazioni Claude 3.x appartengono a un’altra epoca del mercato e restano fuori dal perimetro del confronto.

La seconda riguarda l’esito. Il quadro è a macchie: su alcune righe Qwen3.8-Max guida con margini ampi, su altre resta dietro di dieci punti abbondanti. Il titolo «ha superato Claude e GPT» comprime sei risultati diversi in una sola parola.

Cosa ha rilasciato Alibaba

Qwen3.8-Max è un mixture-of-experts da 2.400 miliardi di parametri totali, con circa 95 miliardi di parametri attivi per richiesta, numero che arriva dalle comunicazioni di Alibaba più che dalla scheda tecnica del modello. Accetta testo, immagini e video in ingresso e restituisce testo. La finestra di contesto dichiarata arriva a 1 milione di token, con un massimo di 991.000 token in ingresso (983.000 con il ragionamento esteso attivo) e 131.000 token in uscita.

Il listino è 2 dollari per milione di token in ingresso e 6 dollari per milione in uscita, con letture da cache implicita a 0,25 dollari. È un posizionamento aggressivo rispetto ai modelli con cui si confronta.

Alibaba ha annunciato il rilascio dei pesi aperti entro la settimana successiva, per Qwen3.8-Max e per un secondo checkpoint da 27 miliardi di parametri. Il secondo è quello che gira su hardware GPU ordinario in azienda; il modello di punta da 2.400 miliardi resta un artefatto da datacenter multi-nodo.

La tabella, riga per riga

Il vantaggio di Qwen3.8-Max cambia segno a seconda del banco di prova: sei righe, quattro modelli, e un esito che varia da riga a riga.

Questi sono i valori pubblicati sulle sei righe principali. Punteggio più alto significa risultato migliore, e la cella in grassetto indica chi guida la riga.

Benchmark	Qwen3.8-Max	Claude Opus 4.8	Claude Fable 5	GPT-5.6 Sol	Qwen3.7-Max
Terminal Bench 2.1	86,6	84,6	84,6	88,8	74,5
SWE-bench Pro	67,7	69,2	80,0	64,6	60,6
PaperBench	93,0	80,3	88,8	90,5	64,8
GPQA Diamond	92,6	92,0	92,6	94,1	92,4
IFBench	82,8	62,2	63,5	72,7	79,1
HLE	43,6	45,7	53,3	47,2	41,4

Due righe su sei vedono Qwen3.8-Max in testa, due lo collocano in fondo al gruppo, e la colonna del predecessore Qwen3.7-Max serve a misurare il salto generazionale interno, che è la parte meno discutibile dell’intero esercizio.

Dove il modello guida davvero

PaperBench è la riga migliore. Il banco misura la capacità di riprodurre i risultati di un paper di ricerca: 93,0 contro 90,5 di GPT-5.6 Sol, 88,8 di Fable 5 e 80,3 di Opus 4.8. Il salto dichiarato sul predecessore è di 28 punti, da 64,8 a 93,0. Un delta di questa ampiezza su un singolo banco merita attenzione in entrambe le direzioni: se regge alla replica indipendente, dice qualcosa di reale sulla tenuta del modello nei compiti a orizzonte lungo. Vale però anche la cautela opposta: il banco misura la riproduzione di risultati già pubblicati in articoli scientifici, il che lo colloca fra i più esposti alla contaminazione dei dati di addestramento.

IFBench, che misura l’aderenza alle istruzioni, mostra il margine più largo: 82,8 contro 72,7 di GPT-5.6 Sol e valori attorno a 63 per i due modelli Claude. Qui il predecessore era già davanti a 79,1, quindi la voce somiglia a una forza strutturale della famiglia Qwen più che a un episodio.

Terminal Bench 2.1 è la riga che ha generato i titoli: 86,6 contro 84,6 di entrambi i modelli Claude. GPT-5.6 Sol guida comunque la riga a 88,8, quindi il risultato è un secondo posto con sorpasso su Anthropic, che resta cosa diversa da un primato.

Sul versante multimodale la tabella separata è dove il modello appare più solido: 95,2 su MathVision, 91,9 su LogicVista, 86,1 su OSWorld-Verified e la guida su quasi tutte le righe di riconoscimento documentale. Da tenere presente che in quel confronto i due modelli Claude restano assenti, perché la comparazione corre contro Gemini 3.1 Pro e GPT-5.6 Sol.

Dove resta indietro

HLE, Humanity’s Last Exam, è la riga più severa: 43,6, ultimo posto fra i quattro modelli, con Fable 5 a 53,3 e una distanza di quasi dieci punti dalla vetta. Il banco resiste bene all’ottimizzazione mirata, il che rende questa riga particolarmente informativa.

SWE-bench Pro colloca il modello a metà classifica: 67,7, sopra GPT-5.6 Sol a 64,6, appena sotto Opus 4.8 a 69,2 e a dodici punti da Fable 5 a 80,0. La stessa distanza si ripete su FrontierSWE, dove Qwen3.8-Max dichiara 73,5 contro 88,8 di Fable 5.

Il disegno che emerge dal blocco coding è coerente: il modello compete sui compiti agentici guidati da terminale e cede terreno sulle valutazioni di ingegneria del software più profonde. Entrambe le affermazioni sono vere insieme, e la seconda comparirà in molti meno titoli.

Le note a piè di pagina pesano quanto i numeri

Qui sta la parte che le sintesi saltano. Quattro elementi, tutti dichiarati da Alibaba stessa, cambiano il modo in cui la tabella va letta.

Le valutazioni sono eseguite dal fornitore. Alibaba ha misurato il proprio modello e quelli dei concorrenti. È prassi standard per le tabelle di lancio, ed è anche la ragione per cui le tabelle di lancio vengono spesso riviste in seguito: chi esegue la prova sceglie la versione del banco, la strategia di prompting, i parametri di campionamento e la politica di ripetizione. Sono tutte leve legittime, e sono tutte un pollice appoggiato sulla bilancia.

La maggior parte delle righe di coding gira dentro Claude Code. Alibaba ha eseguito i banchi di programmazione con l’harness agentico di Anthropic, puntato su Qwen3.8-Max attraverso la sua API compatibile. Da un lato è una scelta di correttezza sportiva: tutti i modelli valutati dentro lo stesso strumento diffuso. Dall’altro significa che i punteggi di coding di Qwen sono punteggi di Qwen dentro l’harness di Anthropic, e la scelta dell’harness sposta i risultati agentici di diversi punti.

Quattro banchi sono di produzione interna Qwen. QwenSWEBench, QwenQoderBench, CoWorkBench e RecreationBench sono stati costruiti dal team che pubblica la tabella. I banchi interni hanno valore, spesso misurano capacità che le valutazioni pubbliche trascurano, ma un punteggio alto sul banco costruito in casa è evidenza di natura diversa rispetto a un punteggio su SWE-bench Pro. La tabella li presenta affiancati, con la stessa grafica e la stessa dignità visiva.

Il piede di pagina su Fable 5. La tabella di Alibaba riporta una nota: i risultati di Fable 5 potrebbero coinvolgere fallback. È un’ammissione discreta, e riguarda proprio la colonna del modello che più spesso precede Qwen3.8-Max. L’asterisco arriva da chi pubblica il confronto.

A questi si aggiunge un dettaglio tecnico che la documentazione stessa espone: la curva di scaling dell’apprendimento per rinforzo pubblicata da Alibaba tocca il massimo a 0,725 intorno ai 4.000 ambienti di addestramento, per poi scendere a 0,719 e a 0,689. E la tabella multimodale confronta il modello con Qwen3.7-Plus invece che con Qwen3.7-Max, il che rende il salto generazionale più vistoso di quanto sia.

Lo stato della replica indipendente

Al 4 agosto 2026 la verifica di terze parti è appena cominciata, e i due tasselli disponibili puntano nella stessa direzione.

Il primo risale alla fase di anteprima: una valutazione in cieco su un compito reale di architettura software, condotta su due progetti e 269 file con revisione fattuale a valle, ha assegnato 80 su 100 a Qwen3.8-Max in versione preview contro 83 a Kimi K3. Il perimetro della prova va tenuto stretto: una sola sessione per modello, harness OpenCode, limite di un’ora, checkpoint di anteprima invece del modello finale. Un dettaglio interessante: tutte e 44 le chiamate a strumenti effettuate dal modello Qwen sono andate a buon fine, segnale positivo sull’affidabilità agentica.

Una singola prova su un singolo tipo di carico resta un punto dati, distante da un verdetto. Il quadro che restituisce, però, è coerente con la tabella ufficiale: un modello di classe frontiera che scambia colpi con i migliori, invece di dominarli.

Il secondo tassello è il primo indice indipendente ad aver assorbito il rilascio. Artificial Analysis, che misura i modelli con una propria batteria eseguita sulle API pubbliche, nella fotografia del 3 agosto colloca Claude Opus 5 in testa a 60,7, Claude Fable 5 a 59,9, GPT-5.6 Sol a 58,9, Kimi K3 a 57,1 e Claude Opus 4.8 a 55,7. Qwen3.8-Max, in versione preview, arriva undicesimo con 53,4.

È il contrasto più netto disponibile oggi: sull’indice di terza parte il modello si colloca sotto tutti e quattro i comparatori che ha scelto per la propria tabella di lancio. Le due misure rispondono a domande diverse, perché l’indice aggrega compiti eterogenei mentre la tabella isola singoli banchi, ed è precisamente per questo che la scelta delle righe da pubblicare pesa quanto i punteggi che contengono.

La stessa base, letta per categoria, restituisce il profilo reale del modello: secondo posto su 34 nel multimodale, secondo su 33 nell’aderenza alle istruzioni, venticinquesimo su 130 nel coding. La forza esiste ed è misurabile. Sta dove la tabella la mostra meglio, e cede dove i titoli l’hanno raccontata di più.

Cosa guardare adesso

Tre segnali diranno quanto della tabella regge.

Il rilascio dei pesi aperti. È il momento in cui la rivendicazione diventa verificabile da chiunque abbia l’hardware. Vale la pena osservare quale licenza accompagna il rilascio, perché la disciplina europea sui modelli di uso generale tratta in modo distinto quelli distribuiti con licenza libera e aperta: l’esenzione riguarda la documentazione tecnica e l’informativa ai fornitori a valle dell’articolo 53, comma 1, lettere a) e b), mentre la policy sul diritto d’autore e il riassunto dettagliato dei dati di addestramento restano dovuti in ogni caso. Per i modelli classificati a rischio sistemico ai sensi dell’articolo 51, l’articolo 55 aggiunge valutazione del modello, test avversariale, protezione cibernetica e segnalazione degli incidenti gravi, a prescindere dall’apertura della licenza. La licenza di Qwen3.8-Max resta da pubblicare insieme ai pesi, quindi il quadro applicabile si chiarirà al rilascio.

Il delta fra tabella ufficiale e repliche indipendenti. Le distanze che emergeranno fra i due insiemi di numeri saranno la notizia vera. Vale per Alibaba come per chiunque altro: Anthropic, OpenAI e Google pubblicano tabelle con scelte metodologiche proprie, e il pattern si ripete identico a ogni lancio.

La misura sul proprio carico di lavoro. Per chi valuta un’adozione, la prova che conta si esegue con i propri prompt, i propri strumenti e i propri criteri di accettazione. Venti o trenta richieste rappresentative del traffico reale, mandate in parallelo al modello in uso e al candidato, dicono in un pomeriggio quello che una tabella di lancio lascia aperto. Da verificare in particolare il livello di ragionamento con cui il modello arriva configurato di default, perché incide in modo diretto su costo e latenza.

Una tabella di lancio resta una rivendicazione. Diventa una misura quando qualcun altro la rifà, con il proprio harness e i propri criteri, e pubblica il risultato.

Autore

Pablo Liuzzi

Founder, Synthos Logic