L'accessibilità dei modelli linguistici di grandi dimensioni sta compiendo un ulteriore salto qualitativo con l'imminente rilascio dei pesi aperti di Qwen3.8-27B. Daniel Han, fondatore di Unsloth, ha confermato che questa versione del modello sarà in grado di girare con soli 17 GB di VRAM, rendendolo compatibile con una vasta gamma di GPU consumer e workstation professionali senza richiedere infrastrutture da data center.

L'efficienza di Qwen3.8-27B per l'uso locale

Il dato sui 17 GB di VRAM è cruciale per la comunità dei professionisti IT e degli sviluppatori che operano in locale. Mentre i modelli di grandi dimensioni richiedono solitamente hardware estremamente costoso, l'ottimizzazione validata da Unsloth permette di mantenere prestazioni elevate riducendo drasticamente l'impronta di memoria. Questo posiziona il modello 27B come il punto di riferimento per l'implementazione on-premise, offrendo un equilibrio tra capacità di ragionamento e requisiti hardware contenuti.

Il colosso Qwen3.8-Max da 2,4 bilioni di parametri

Parallelamente alla versione compatta, Alibaba sta lanciando Qwen3.8-Max, un mostro di potenza basato su architettura Mixture-of-Experts (MoE) con ben 2,4 bilioni di parametri. Il modello ha già dimostrato il suo valore scalando le classifiche: è attualmente al secondo posto nella Vision Arena, superato soltanto da Claude Fable 5 Max. A differenza della versione 27B, il modello Max è un vero e proprio artefatto da data center multi-nodo, progettato per compiti di programmazione autonoma e ottimizzazione della progettazione di chip.

La guerra dei pesi aperti tra Alibaba e Moonshot AI

Il rilascio coordinato di Qwen3.8-Max e Qwen3.8-27B intensifica la competizione nello spazio dei modelli open-weights, specialmente contro soluzioni come Kimi K3. Mentre Moonshot AI ha spinto l'accelerazione della compressione (portando Kimi K3 a girare in versioni 1-bit), Alibaba punta su una combinazione di potenza bruta per il modello Max e un'efficienza chirurgica per la versione 27B. L'integrazione di queste tecnologie tramite framework come Unsloth sta eliminando gli attriti tecnici, permettendo a modelli precedentemente inaccessibili di essere addestrati e distribuiti su hardware locale.

Verso un'AI multimodale on-device

L'architettura di Qwen3.8 non si limita al testo, ma integra capacità multimodali avanzate per l'elaborazione di immagini e video. La disponibilità dei pesi aperti permetterà agli sviluppatori di creare agenti AI specializzati che non dipendano da API cloud costose, garantendo maggiore privacy e controllo sui dati. La sfida si sposta ora sulla capacità di ottimizzazione: se il modello 27B riuscirà a mantenere la qualità dopo una quantizzazione aggressiva, potrebbe diventare lo standard per l'AI locale nel 2026.