de.wedoany.com-Bericht: Alibaba hat am Montag sein bisher größtes KI-Modell Qwen3.8-Max veröffentlicht und erweitert damit sein KI-Produktportfolio für Unternehmen. Das Open-Weight-Modell basiert auf einer Mixture-of-Experts-Architektur (MoE) mit insgesamt 2,4 Billionen Parametern, von denen bei der Inferenz nur etwa 95 Milliarden aktiviert werden. Es zielt darauf ab, Codierung, Reasoning und multimodale Aufgaben mit höherer Inferenzeffizienz zu unterstützen und ist auf Softwareentwicklung sowie wissensintensive Geschäftslasten ausgelegt.
Wie geplant wird die Open-Weight-Version nächste Woche über Alibaba Cloud Model Studio veröffentlicht. Alibaba bezeichnete das Modell auf der Plattform X als „eines der derzeit stärksten Modelle, das mit führenden KI-Modellen an der Spitze mithalten kann und nur knapp hinter Claude Fable 5 liegt“.
Bei den Benchmark-Tests verglich Alibaba Qwen3.8-Max mit Anthropics Claude Opus 4.8, Claude Fable 5 sowie OpenAIs GPT-5.6 Sol in Programmier-Benchmarks, darunter SWE-bench Pro und Alibabas eigenem Bewertungs-Benchmark NL2Repo-Bench. Für die Bewertung der Wettbewerbsmodelle wurden die jeweils mitgelieferten Programmierwerkzeuge der Anbieter verwendet – Claude Code für die Anthropic-Modelle und Codex für GPT-5.6 Sol – und die höchsten veröffentlichten Punktzahlen jedes Wettbewerbers unter den verfügbaren Konfigurationen berichtet.
Charlie Dai, Vizepräsident und Chefanalyst bei Forrester Research, sieht in dieser Veröffentlichung ein Zeichen, dass Alibaba den Rückstand auf die führenden proprietären Modelle verringert, betont jedoch, dass die rasche Reifung von Open-Weight-Modellen bemerkenswerter sei. Er sagte, dass Unternehmen in Szenarien mit Softwareentwicklung, Domänenanpassung, Souveränität und kostensensiblen Bereitstellungen nun eine zuverlässige Alternative zu proprietären Spitzenmodellen hätten, wobei Offenheit oft ebenso wichtig sei wie die absolute Modellleistung.
Alibaba berichtete außerdem über drei Tests mit unbeaufsichtigten mehrtägigen Codierungsprojekten: Das Modell begann die Aufgaben eigenständig aus einem leeren Projektordner und schloss sie ohne menschliche Unterstützung ab, wobei eines davon Berichten zufolge 16 Tage autonomer Arbeit in Anspruch nahm. Zu den Anwendungsbereichen für Unternehmen gehören Rechtskonformität, Finanzanalyse, technisches Design, quantitative Forschung und multimodale Content-Erstellung. Alibaba erklärte, das Modell sei darauf ausgelegt, vollständige Geschäftsprozesse zu bewältigen, nicht nur einzelne KI-gestützte Aufgaben.
Amit Jena, KI-Entwicklungsleiter bei Kanerika, stellte die Behauptung eines „16-tägigen autonomen Softwareentwicklungsprojekts“ infrage: „Was wurde in den 16 Tagen getan? Wie oft wurde menschlich eingegriffen? Wurde die Ausgabe einem Code-Review unterzogen?“ Er warnte zudem, dass Open Weights nicht dasselbe seien wie offene API-Endpunkte: „Ohne Code-Repository, Lizenz und Modellkarte sind Open Weights nur eine Absichtserklärung.“
Zum Design mit nur etwa 95 Milliarden aktivierten Parametern meinte Dai, dass für Unternehmenskäufer die Inferenzeffizienz die rohe Modellgröße an Bedeutung übertroffen habe, da sie die Servicekosten und Infrastrukturanforderungen erheblich senke. Jena hingegen erklärte, Effizienz sei nicht mehr das entscheidende Thema – der Bewertungsdurchsatz sei der eigentliche Engpass. Nitish Tyagi, Senior Principal Analyst bei Gartner, wies darauf hin, dass diese Veröffentlichung zeige, dass die Kosten für KI-Bereitstellung unter Wettbewerbsdruck stünden. Gartner hatte zuvor prognostiziert, dass KI-Programmierausgaben ohne strengere Kostenkontrolle das Gehalt durchschnittlicher Entwickler übersteigen könnten. Tyagi ist der Ansicht, dass die Kombination aus Open Weights, Mixture-of-Experts-Architektur und einem Kontextfenster von 1 Million Tokens KI-gestützte Softwareentwicklung wirtschaftlich tragfähiger mache.
Tyagi warnte zugleich, dass Unternehmen bei der Bewertung der Produktionsbereitstellung nicht nur die Inferenzkosten berücksichtigen dürften. Viele Organisationen außerhalb Chinas könnten gegenüber in China gehosteten Modellen zurückhaltend sein; die Bereitstellung über Hyperscaler oder lokale Infrastruktur verursache zusätzliche Kosten. Open-Weight-Modelle böten zudem in der Regel keinen Schadensersatzschutz, wie ihn kommerzielle KI-Anbieter gewährten; Unternehmen müssten eigene Sicherheits-, Governance- und Code-Scanning-Kontrollen aufbauen, um Urheberrechts- und geistige Eigentumsrisiken vor der Produktionsbereitstellung zu erkennen.
Jena wies außerdem darauf hin, dass das gemeinsam mit dem Flaggschiff-Modell veröffentlichte, aber in der Berichterstattung kaum beachtete Qwen3.8-27B für die meisten Organisationen die praktischere Wahl sein könnte, da es auf eigener Infrastruktur betrieben und mit eigenen Daten feinabgestimmt werden kann. Dai empfahl Unternehmensführern, Transparenz und Gesamtbetriebskosten (TCO) vor Schlagzeilenzahlen zu priorisieren. Die Kernfrage sei, ob Qwen3.8 im Vergleich zu Wettbewerbsmodellen messbare Geschäftsergebnisse, Unternehmenszuverlässigkeit, niedrigere Gesamtbetriebskosten und Optionen für digitale Souveränität biete.
