Indlæser kataloget…
Indlæser kataloget…
Qwen3.8 MoE-ræsonneringsmodel med åbne vægte, 2,4 billioner parametre i alt, 95 milliarder aktive parametre og et kontekstvindue på 262.144 tokens.
Oversigt. Qwen3.8 2.4T A95B er en Qwen3.8-ræsonneringsmodel med åbne vægte, bygget som en mixture-of-experts-arkitektur med 2,4 billioner parametre i alt og 95 milliarder aktive parametre. Den kræver ræsonnering for hver interaktion, hvilket gør den velegnet til udviklere, der bygger tekstbaserede applikationer, som drager fordel af grundig ræsonnering og et kontekstvindue på 262.144 tokens.
Vigtigste styrker. Artificial Analysis rapporterer en Intelligence Index-score på 39,9 for modellen. Dens kontekstvindue på 262.144 tokens understøtter lange tekster som inddata, mens MoE-designet ruter hver token gennem 10 ud af 512 eksperter og aktiverer 95 milliarder parametre per forward pass.
Anvendelsesområder. Brug denne model til tekstbaserede ræsonneringsopgaver, hvor håndtering af lang kontekst og grundig inferens er vigtig. Den passer også til applikationer, der kan rumme den påkrævede ræsonnering ved hver interaktion, og som ikke har brug for indbygget billedforståelse eller lyd som inddata.
Begrænsninger. Ræsonnering kan ikke slås fra, så modellen er ikke egnet til arbejdsflow, der kræver en tilstand uden ræsonnering. Den accepterer kun tekst som inddata og leverer kun tekst som uddata; de tilgængelige fund fastlægger ikke verktøjskald, struktureret uddata, streaming-adfærd eller hvor træningsdataene slutter.
Bemærkning om suverænitet. Qwen er modelskaberen, og de tilgængelige fund fastlægger ikke modelskaberens land eller eksponering for CLOUD Act. Endepunktets dataplacering og politik for ingen træning på dine data er ikke specificeret i de tilgængelige fund, så der kan ikke foretages en suveræn klassificering.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L1 | 2,25 / 5,40€ | Online | |||
| L1 | 2,27 / 5,44€ | Online | |||
| L0 | 1,81 / 5,44€ | Online |
28 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Værktøjskald og udvidet tænkning er direkte katalysatorer for agentisk koding, med 95 milliarder aktive parametre og et kontekstvindue på 262k til opgaver på repository-niveau.
Dokumenteret understøttelse af værktøjskald passer direkte til applikationer med funktionskald, mens det store kontekstvindue rummer detaljerede skemaer og samtalehistorik.
Udvidet tænkning er velegnet til fejlfinding i mange trin, og kontekstvinduet på 262k kan rumme omfattende kode og diagnosticeringslogge.
Kontekstvinduet på 262k understøtter forklaring af store kodebaser, og udvidet tænkning kan spore adfærd på tværs af komponenter.
Ræsonneringsorienteret design og et kontekstvindue på 262k understøtter gennemgang af store kodebaser og sporing af problemer på tværs af filer, selvom der ikke findes en modelspecifik kodningsscore.
Modellen kan behandle omfattende kildemateriale i sit kontekstvindue på 262k og bruge udvidet tænkning til syntese på tværs af dokumenter.
Værktøjskald og udvidet tænkning understøtter arbejdsflow med browserhandlinger, selvom der ikke er dokumenteret nogen browserspecifik benchmark eller billedforståelse.
Værktøjskald muliggør integration med supportsystemer, og det store kontekstvindue kan bevare en omfattende historik; dens obligatoriske ræsonnering og familiens profil på 40,5 tokens per sekund kan begrænse svartidsfølsom chat.
Udvidet tænkning og værktøjskald understøtter analytiske arbejdsflow med mange trin, selvom der ikke er dokumenteret nogen dataanalyse-benchmark eller eksekveringsspecifik egenskab.
Dens 95 milliarder aktive parametre og ræsonneringstilstand understøtter nuancerede klassifikationsopgaver, selvom der ikke er nogen tilgængelig klassifikations-benchmark.
Modelfamilien beskrives som optimeret til ræsonnering, og modellen understøtter brug af værktøjer, men der er ikke oplyst nogen kodnings-benchmark eller kodespecifik score for denne variant.
Det store kontekstvindue og den obligatoriske ræsonnering understøtter håndtering af lange briefs og sikrer konsistens i omfattende kladder; der er ikke oplyst nogen skrive-benchmark.
Profilen dokumenterer ræsonnering og værktøjskald, men ingen embedding eller søgespecifik egenskab, så den er ikke etableret som en model til semantisk søgning.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen/qwen3-8-2-4t-a95b",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på