Qwen3.8-Flash-Next GPU-Anforderungen: VRAM und günstigste GPU
Qwen3.8-Flash-Next hat 180 Mrd. Parameter, veröffentlicht in BF16. Es ist ein Mixture-of-Experts-Modell: 10 seiner 512 Experten arbeiten an jedem Token, etwa 61,6 Mrd. Parameter, daher erzeugt es Text ungefähr im Tempo eines Modells dieser Größe. Alle Experten müssen trotzdem im GPU-Speicher liegen, deshalb gelten die Speicherwerte unten für das ganze Modell. Seine Lizenz (qwen-community-1.0) bringt eigene Bedingungen mit; lies sie, bevor du das Modell kommerziell nutzt.
- Parameter
- 180 Mrd.
- Kleinster Bedarf (INT4)
- etwa 105 GB
- Günstigste GPU pro Stunde (FP16)
- 2,39 $
- Typ
- Vision
Qwen/Qwen3.8-Flash-Next
Auf Hugging Face ansehen (öffnet in neuem Tab)Unseren Test lesen
- Parameter 180 Mrd.
- Aktiv pro Token 61,6 Mrd.
- Typ Vision
- Aufgabe image-text-to-text
- Max. Kontext 256K
- Lizenz qwen-community-1.0
- Downloads 3,1 Mio.
- Likes 7055
Berechnung für Qwen3.8-Flash-Next
Weitere Einstellungen
Qwen3.8-Flash-Next braucht etwa 397 GB GPU-Speicher
Inferenz (vLLM), FP16 / BF16, 8K Tokens Kontext, eine Anfrage gleichzeitig.
Wofür der Speicher draufgeht
- Gewichte 360 GB
- KV-Cache 0,2 GB
- Laufzeit-Overhead 37 GB
- Gesamt 397 GB
Die GPU-Zahl lässt 10 % jeder Karte für Spitzen frei. Plane mehr ein, wenn du lange Prompts oder viele gleichzeitige Nutzer erwartest.
| Rang | Konfiguration | Pro GPU / Std. | Benötigte GPUs | Gesamt / Std. | Gesamt / Monat (24/7) | Anbieter |
|---|---|---|---|---|---|---|
| 1 | 3 × MI300X 192GBAm günstigstenCDNA 3 · HBM3 | 2,39 $ | 3nur mit 4 GPUs erhältlich; du brauchst 3 | 9,56 $ | 6.979 $ | RunPod (öffnet in neuem Tab)4x MI300X |
| 2 | 5 × RTX PRO 6000 96GBBlackwell · GDDR7 | 1,80 $ | 5nur mit 8 GPUs erhältlich; du brauchst 5 | 14,40 $ | 10.512 $ | Nebius (öffnet in neuem Tab)8x RTX PRO 6000 96GB |
| 3 | 4 × H200 141GBHopper · HBM3e | 3,79 $ | 4 | 15,16 $ | 11.067 $ | RunPod (öffnet in neuem Tab)4x H200 NVL |
| 4 | 6 × A100 80GBAmpere · HBM2e | 2,09 $ | 6nur mit 8 GPUs erhältlich; du brauchst 6 | 16,72 $ | 12.206 $ | RunPod (öffnet in neuem Tab)8x A100 PCIe |
| 5 | 2 × B300 288GBBlackwell Ultra · HBM3e | 8,99 $ | 2 | 17,98 $ | 13.125 $ | RunPod (öffnet in neuem Tab)2x B300 |
| 6 | 6 × H100 80GBHopper · HBM3 | 2,89 $ | 6nur mit 8 GPUs erhältlich; du brauchst 6 | 23,12 $ | 16.878 $ | RunPod (öffnet in neuem Tab)8x H100 PCIe |
| 7 | 5 × H100 NVL 94GBHopper · HBM3 | 3,19 $ | 5nur mit 8 GPUs erhältlich; du brauchst 5 | 25,52 $ | 18.630 $ | RunPod (öffnet in neuem Tab)8x H100 NVL |
| 8 | 3 × B200 180GBBlackwell · HBM3e | 7,79 $ | 3nur mit 4 GPUs erhältlich; du brauchst 3 | 31,16 $ | 22.747 $ | Lambda (öffnet in neuem Tab)4x B200 SXM6 |
| 9 | 3 × GB200 186GBBlackwell · HBM3e | 10,50 $ | 3nur mit 4 GPUs erhältlich; du brauchst 3 | 42,00 $ | 30.660 $ | CoreWeave (öffnet in neuem Tab)GB200 NVL72 |
| Mehr als 8: mehrere Knoten nötig: L40S 48GB, RTX 6000 Ada 48GB, RTX A6000 48GB, A40 48GB, A100 40GB, RTX 5090 32GB, RTX 4090 24GB, RTX 3090 24GB, L4 24GB, A10 24GB, T4 16GB, V100 16GB | ||||||
| Anbieter | Instanz | Pro GPU / Std. | Benötigte GPUs | Gesamt / Std. | Gesamt / Monat (24/7) |
|---|---|---|---|---|---|
| RunPod (öffnet in neuem Tab)Am günstigsten | 4x MI300Xus | 2,39 $ | 3 × MI300X 192GB nur mit 4 GPUs erhältlich; du brauchst 3 | etwa 9,56 $ | etwa 6.979 $ |
| Nebius (öffnet in neuem Tab) | 8x RTX PRO 6000 96GBeu/us | 1,80 $ | 5 × RTX PRO 6000 96GB nur mit 8 GPUs erhältlich; du brauchst 5 | etwa 14,40 $ | etwa 10.512 $ |
| CoreWeave (öffnet in neuem Tab) | RTX PRO 6000 Blackwell Server Edition (High Memory)us | 2,50 $ | 5 × RTX PRO 6000 96GB nur mit 8 GPUs erhältlich; du brauchst 5 | etwa 20,00 $ | etwa 14.600 $ |
| Vultr (öffnet in neuem Tab) | vbm-112c-2048gb-8-a100-gpu (bare metal)us | 2,80 $ | 6 × A100 80GB nur mit 8 GPUs erhältlich; du brauchst 6 | etwa 22,40 $ | etwa 16.352 $ |
| Vast.ai (öffnet in neuem Tab) | 4x H200 (median of 4 offers)weltweiter Marktplatz | 5,67 $ | 4 × H200 141GB | etwa 22,68 $ | etwa 16.554 $ |
| Lambda (öffnet in neuem Tab) | 8x HGX A100us | 3,19 $ | 6 × A100 80GB nur mit 8 GPUs erhältlich; du brauchst 6 | etwa 25,52 $ | etwa 18.630 $ |
| AWS (öffnet in neuem Tab) | p4de.24xlargeus-east-1 | 3,43 $ | 6 × A100 80GB nur mit 8 GPUs erhältlich; du brauchst 6 | etwa 27,45 $ | etwa 20.036 $ |
| Azure (öffnet in neuem Tab) | ND96amsr_A100_v4eastus | 4,10 $ | 6 × A100 80GB nur mit 8 GPUs erhältlich; du brauchst 6 | etwa 32,77 $ | etwa 23.922 $ |
| Google Cloud (öffnet in neuem Tab) | g4-standard-384us-central1 | 4,50 $ | 5 × RTX PRO 6000 96GB nur mit 8 GPUs erhältlich; du brauchst 5 | etwa 36,00 $ | etwa 26.280 $ |
Preise erfasst am 13. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai sind weltweit).
Speicher nach Genauigkeit und Einsatz
| Genauigkeit | Inferenz | LoRA-Feintuning | QLoRA-Feintuning | Volles Feintuning |
|---|---|---|---|---|
| FP16 / BF16 | 397 GB | 463 GB | – | 3.172 GB |
| INT8 | 209 GB | – | – | – |
| INT4 | 105 GB | – | 171 GB | – |
Günstigste GPU nach Genauigkeit
Inferenz mit 8K Kontext und einer Anfrage gleichzeitig.
FP16 / BF16
etwa 397 GB · 8K Tokens
Die Gewichte wie veröffentlicht. Kein Verlust, aber der größte Bedarf.
3 × MI300X 192GB
RunPod (öffnet in neuem Tab) · 4x MI300X
nur mit 4 GPUs erhältlich; du brauchst 3- Pro GPU / Std.
- 2,39 $
- Benötigte GPUs
- 3
- Gesamt / Std.
- etwa 9,56 $
- pro Monat, 24/7, ca.
- 6.979 $
INT8
etwa 209 GB · 8K Tokens
Gewichte in halber Größe. Bei Chat und RAG meist kein sichtbarer Unterschied.
5 × A40 48GB
RunPod (öffnet in neuem Tab) · 8x A40
nur mit 8 GPUs erhältlich; du brauchst 5- Pro GPU / Std.
- 0,59 $
- Benötigte GPUs
- 5
- Gesamt / Std.
- etwa 4,72 $
- pro Monat, 24/7, ca.
- 3.446 $
INT4
etwa 105 GB · 8K Tokens
Gewichte auf ein Viertel verkleinert. Kleine Verluste zeigen sich zuerst bei Mathematik und Code.
3 × A40 48GB
RunPod (öffnet in neuem Tab) · 4x A40
nur mit 4 GPUs erhältlich; du brauchst 3- Pro GPU / Std.
- 0,59 $
- Benötigte GPUs
- 3
- Gesamt / Std.
- etwa 2,36 $
- pro Monat, 24/7, ca.
- 1.723 $
Inferenz oder Feintuning
Inferenz (FP16)
1×
des Speichers für Inferenz
397 GB
3 × MI300X 192GB · etwa 9,56 $
LoRA-Feintuning
1,2×
des Speichers für Inferenz
463 GB
3 × MI300X 192GB · etwa 9,56 $
QLoRA-Feintuning
0,4×
des Speichers für Inferenz
171 GB
4 × A40 48GB · etwa 2,36 $
Volles Feintuning
8×
des Speichers für Inferenz
3.172 GB
mehr als einen Knoten mit 8 GPUs
Für den Betrieb in FP16 reicht 3 × MI300X 192GB (RunPod). LoRA braucht 3 × MI300X 192GB (RunPod), QLoRA 4 × A40 48GB (RunPod) und volles Feintuning mehr als einen Knoten mit 8 GPUs. Training hält neben den Gewichten auch Aktivierungen und Optimiererzustände im Speicher und braucht deshalb oft mehr GPUs als der Betrieb desselben Modells.
Läuft es auf einem Mac oder einer einzelnen RTX 4090?
RTX 4090 (24 GB)
Allein nicht. Selbst bei INT4 braucht es etwa 105 GB, mehr als die 24 GB der Karte. Zwei oder mehr Karten oder eine größere Rechenzentrums-GPU reichen.
Mac mit Apple Silicon
Ja, mit genug Speicher. Bei INT4 braucht es etwa 105 GB, also einen Mac mit 192 GB oder mehr gemeinsamem Speicher (macOS lässt die GPU etwa drei Viertel davon nutzen). Rechne mit langsamerer Ausgabe als auf einer Rechenzentrums-GPU.
Selbst betreiben oder pro Token zahlen?
Selbst betreiben
Die günstigste Konfiguration in FP16, die wir gefunden haben, ist 3 × MI300X 192GB bei RunPod, etwa 6.979 $ im Monat im Dauerbetrieb. Lohnt sich bei gleichmäßigem Verkehr oder wenn die Daten auf eigenen Rechnern bleiben müssen.
Eine gehostete API nutzen
Unser Test von Qwen3.8-Flash-Next zeigt, wo du es per API nutzen kannst und was das kostet. Bei wenig oder schwankendem Verkehr ist Zahlen pro Token meist günstiger.
Unseren Test lesenÄhnliche Modelle
Offene Modelle ähnlicher Größe.
- DeepSeek-V4.1-Flash-1017 GSQ-RCO Coder (GGUF)Vision196,6 Mrd. · etwa 437 GB FP16 · 402.719 ↓GPU-Bedarf
- Command A+Vision218,8 Mrd. · etwa 483 GB FP16 · 4453 ↓GPU-Bedarf
- MiniMax-M3.1-FlashVision220,5 Mrd. · etwa 487 GB FP16 · 61.559 ↓GPU-Bedarf
- Qwen3.5 122B A10BVision125,1 Mrd. · etwa 276 GB FP16 · 810.081 ↓GPU-Bedarf
- Nemotron 3.5 Super VLVision124,5 Mrd. · etwa 275 GB FP16 · 80.269 ↓GPU-Bedarf
- Inkling SmallVision266 Mrd. · etwa 588 GB FP16 · 1,1 Mio. ↓GPU-Bedarf
Qwen3.8-Flash-Next: häufige Fragen
Wie viel VRAM braucht Qwen3.8-Flash-Next?
Etwa 397 GB bei FP16, 209 GB bei INT8 und 105 GB bei INT4, mit 8K Kontext und einer Anfrage gleichzeitig. Längerer Kontext und mehr parallele Anfragen kommen als KV-Cache hinzu.
Was ist die günstigste GPU für Qwen3.8-Flash-Next?
3 × MI300X 192GB (etwa 2,39 $ pro GPU / Stunde; nur mit 4 GPUs erhältlich; du brauchst 3) bei RunPod, für etwa 9,56 $ pro Stunde bei Inferenz in FP16 / BF16 mit 8K Kontext. Preise erfasst am 13. Nov. 2026; sie ändern sich oft.
Kann ich Qwen3.8-Flash-Next auf einer einzelnen GPU feintunen?
Nicht auf einer GPU. Selbst QLoRA braucht etwa 171 GB, mehr als eine 80-GB-GPU fasst. LoRA braucht etwa 463 GB, volles Feintuning etwa 3.172 GB.
Wie werden diese Zahlen berechnet?
Die Gewichte sind Parameter mal Bytes pro Parameter (2 bei FP16, 1 bei INT8, 0,5 bei INT4). Der KV-Cache ergibt sich aus Schichten, KV-Köpfen, Kopfgröße und Kontextlänge des Modells. Wir rechnen etwa 10 % plus 1 GB für die Laufzeit dazu und füllen jede GPU bis 90 %. Die Preise sind On-Demand-Listenpreise in US-Regionen, von den öffentlichen Preisseiten der Anbieter.
Läuft Qwen3.8-Flash-Next auf einer Consumer-GPU wie der RTX 4090?
Allein nicht. Selbst bei INT4 braucht es etwa 105 GB, mehr als die 24 GB der Karte. Zwei oder mehr Karten oder eine größere Rechenzentrums-GPU reichen.
Passt Qwen3.8-Flash-Next auf eine einzelne H100 80GB?
Nein. Selbst bei INT4 braucht es etwa 105 GB, du brauchst also mehrere GPUs.
Wie viele GPUs brauche ich für Qwen3.8-Flash-Next?
Bei FP16 mit 8K Kontext: 6 × 80 GB, 10 × 48 GB oder 19 × 24 GB. Bei INT4 brauchen die Gewichte etwa ein Viertel des Speichers.
Wie viel VRAM braucht Qwen3.8-Flash-Next bei INT8?
Etwa 209 GB: 189 GB für die Gewichte, 0,2 GB für einen KV-Cache mit 8K und 20 GB Laufzeit-Overhead.
Was kostet es, Qwen3.8-Flash-Next einen Monat lang rund um die Uhr zu betreiben?
Etwa 6.979 $ mit der günstigsten Konfiguration, die wir gefunden haben (3 × MI300X 192GB (etwa 2,39 $ pro GPU / Stunde; nur mit 4 GPUs erhältlich; du brauchst 3), 9,56 $ pro Stunde für 730 Stunden). Am günstigsten bei AWS, Google Cloud oder Azure sind es etwa 20.036 $ im Monat.
FP16, INT8 oder INT4: was soll ich nehmen?
FP16 behält die volle Qualität und braucht den meisten Speicher (hier etwa 397 GB). INT8 halbiert die Gewichte mit wenig Verlust für die meisten Chat-Aufgaben. INT4 (AWQ, GPTQ oder GGUF Q4) verkleinert sie auf ein Viertel, insgesamt etwa 105 GB, mit einem kleinen Qualitätsverlust, der sich vor allem bei Mathematik und Code zeigt.
Läuft Qwen3.8-Flash-Next auf einem Mac?
Ja, mit genug Speicher. Bei INT4 braucht es etwa 105 GB, also einen Mac mit 192 GB oder mehr gemeinsamem Speicher (macOS lässt die GPU etwa drei Viertel davon nutzen). Rechne mit langsamerer Ausgabe als auf einer Rechenzentrums-GPU.
vLLM oder llama.cpp?
vLLM ist dafür gebaut, viele Anfragen gleichzeitig auf NVIDIA- und AMD-GPUs zu bedienen, und reserviert den Großteil des GPU-Speichers für den KV-Cache. llama.cpp läuft mit GGUF-Dateien auf fast allem, auch auf Macs und CPUs, und passt für eine Person oder ein kleines Team. Bei gleicher Genauigkeit ist der Speicherbedarf ähnlich.
Preise erfasst am 13. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai sind weltweit).
So rechnen wir
- Gewichte. Parameter mal Bytes pro Parameter: 2 bei FP16, 1 bei INT8, 0,5 bei INT4, plus etwa 5 % für die Quantisierungsskalen bei INT8 und INT4.
- KV-Cache. 2 × Schichten × KV-Köpfe × Kopfgröße × Kontext × Anfragen × 2 Bytes, aus der config.json des Modells. Fehlt eine Angabe, schätzen wir sie und weisen darauf hin.
- Overhead. Etwa 10 % plus 1 GB für die Laufzeit, in etwa das, was vLLM reserviert.
- Feintuning. LoRA behält 16-Bit-Gewichte und ergänzt einen kleinen Adapter, dessen Optimierer und die Aktivierungen. QLoRA macht dasselbe auf 4-Bit-Gewichten. Volles Feintuning braucht mit Adam in gemischter Genauigkeit etwa 16 Bytes pro Parameter (Gewichte, Gradienten und Optimiererzustände), plus Aktivierungen.
- GPUs. Wir füllen jede GPU bis 90 % ihres Speichers und hören bei 8 pro Knoten auf. Die Kosten sind On-Demand-Listenpreise in US-Regionen; bei Marktplatz-Clouds zeigen wir das mittlere Angebot.