Requisitos de GPU de Qwen3.8-Flash-Next: VRAM y GPU más barata
Qwen3.8-Flash-Next tiene 180 mil M parámetros, publicados en BF16. Es un modelo de mezcla de expertos: 10 de sus 512 expertos trabajan en cada token, unos 61,6 mil M parámetros, así que genera más o menos a la velocidad de un modelo de ese tamaño. Aun así, todos los expertos tienen que estar en la memoria de la GPU, por eso las cifras de memoria de abajo son las del modelo completo. Su licencia (qwen-community-1.0) añade condiciones propias; léela antes de usar el modelo con fines comerciales.
- Parámetros
- 180 mil M
- Mínimo de memoria (INT4)
- unos 105 GB
- GPU más barata por hora (FP16)
- 2,39 US$
- Tipo
- Visión
Qwen/Qwen3.8-Flash-Next
Ver en Hugging Face (se abre en una pestaña nueva)Lee nuestra reseña
- Parámetros 180 mil M
- Activos por token 61,6 mil M
- Tipo Visión
- Tarea image-text-to-text
- Contexto máximo 256K
- Licencia qwen-community-1.0
- Descargas 3,1 M
- Me gusta 7,1 mil
Cálculo para Qwen3.8-Flash-Next
Más ajustes
Qwen3.8-Flash-Next necesita unos 397 GB de memoria de GPU
Inferencia (vLLM), FP16 / BF16, contexto de 8K tokens, una petición a la vez.
En qué se va la memoria
- Pesos 360 GB
- Caché KV 0,2 GB
- Sobrecarga del motor 37 GB
- Total 397 GB
El número de GPU deja libre un 10 % de cada tarjeta para picos. Prevé más si esperas prompts largos o muchos usuarios a la vez.
| Puesto | Configuración | Por GPU / h | GPU necesarias | Total / h | Total / mes (24/7) | Proveedor |
|---|---|---|---|---|---|---|
| 1 | 3 × MI300X 192GBMás barataCDNA 3 · HBM3 | 2,39 US$ | 3se vende con 4 GPU; necesitas 3 | 9,56 US$ | 6979 US$ | RunPod (se abre en una pestaña nueva)4x MI300X |
| 2 | 5 × RTX PRO 6000 96GBBlackwell · GDDR7 | 1,80 US$ | 5se vende con 8 GPU; necesitas 5 | 14,40 US$ | 10.512 US$ | Nebius (se abre en una pestaña nueva)8x RTX PRO 6000 96GB |
| 3 | 4 × H200 141GBHopper · HBM3e | 3,79 US$ | 4 | 15,16 US$ | 11.067 US$ | RunPod (se abre en una pestaña nueva)4x H200 NVL |
| 4 | 6 × A100 80GBAmpere · HBM2e | 2,09 US$ | 6se vende con 8 GPU; necesitas 6 | 16,72 US$ | 12.206 US$ | RunPod (se abre en una pestaña nueva)8x A100 PCIe |
| 5 | 2 × B300 288GBBlackwell Ultra · HBM3e | 8,99 US$ | 2 | 17,98 US$ | 13.125 US$ | RunPod (se abre en una pestaña nueva)2x B300 |
| 6 | 6 × H100 80GBHopper · HBM3 | 2,89 US$ | 6se vende con 8 GPU; necesitas 6 | 23,12 US$ | 16.878 US$ | RunPod (se abre en una pestaña nueva)8x H100 PCIe |
| 7 | 5 × H100 NVL 94GBHopper · HBM3 | 3,19 US$ | 5se vende con 8 GPU; necesitas 5 | 25,52 US$ | 18.630 US$ | RunPod (se abre en una pestaña nueva)8x H100 NVL |
| 8 | 3 × B200 180GBBlackwell · HBM3e | 7,79 US$ | 3se vende con 4 GPU; necesitas 3 | 31,16 US$ | 22.747 US$ | Lambda (se abre en una pestaña nueva)4x B200 SXM6 |
| 9 | 3 × GB200 186GBBlackwell · HBM3e | 10,50 US$ | 3se vende con 4 GPU; necesitas 3 | 42,00 US$ | 30.660 US$ | CoreWeave (se abre en una pestaña nueva)GB200 NVL72 |
| Más de 8: hacen falta varios nodos: 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 | ||||||
| Proveedor | Instancia | Por GPU / h | GPU necesarias | Total / h | Total / mes (24/7) |
|---|---|---|---|---|---|
| RunPod (se abre en una pestaña nueva)Más barata | 4x MI300Xus | 2,39 US$ | 3 × MI300X 192GB se vende con 4 GPU; necesitas 3 | unos 9,56 US$ | unos 6979 US$ |
| Nebius (se abre en una pestaña nueva) | 8x RTX PRO 6000 96GBeu/us | 1,80 US$ | 5 × RTX PRO 6000 96GB se vende con 8 GPU; necesitas 5 | unos 14,40 US$ | unos 10.512 US$ |
| CoreWeave (se abre en una pestaña nueva) | RTX PRO 6000 Blackwell Server Edition (High Memory)us | 2,50 US$ | 5 × RTX PRO 6000 96GB se vende con 8 GPU; necesitas 5 | unos 20,00 US$ | unos 14.600 US$ |
| Vultr (se abre en una pestaña nueva) | vbm-112c-2048gb-8-a100-gpu (bare metal)us | 2,80 US$ | 6 × A100 80GB se vende con 8 GPU; necesitas 6 | unos 22,40 US$ | unos 16.352 US$ |
| Vast.ai (se abre en una pestaña nueva) | 4x H200 (median of 4 offers)mercado mundial | 5,67 US$ | 4 × H200 141GB | unos 22,68 US$ | unos 16.554 US$ |
| Lambda (se abre en una pestaña nueva) | 8x HGX A100us | 3,19 US$ | 6 × A100 80GB se vende con 8 GPU; necesitas 6 | unos 25,52 US$ | unos 18.630 US$ |
| AWS (se abre en una pestaña nueva) | p4de.24xlargeus-east-1 | 3,43 US$ | 6 × A100 80GB se vende con 8 GPU; necesitas 6 | unos 27,45 US$ | unos 20.036 US$ |
| Azure (se abre en una pestaña nueva) | ND96amsr_A100_v4eastus | 4,10 US$ | 6 × A100 80GB se vende con 8 GPU; necesitas 6 | unos 32,77 US$ | unos 23.922 US$ |
| Google Cloud (se abre en una pestaña nueva) | g4-standard-384us-central1 | 4,50 US$ | 5 × RTX PRO 6000 96GB se vende con 8 GPU; necesitas 5 | unos 36,00 US$ | unos 26.280 US$ |
Precios recogidos el 13 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai son mundiales).
Memoria por precisión y uso
| Precisión | Inferencia | Ajuste LoRA | Ajuste QLoRA | Ajuste completo |
|---|---|---|---|---|
| FP16 / BF16 | 397 GB | 463 GB | – | 3172 GB |
| INT8 | 209 GB | – | – | – |
| INT4 | 105 GB | – | 171 GB | – |
La GPU más barata por precisión
Inferencia con contexto de 8K y una petición a la vez.
FP16 / BF16
unos 397 GB · 8K tokens
Los pesos tal como se publican. Sin pérdidas, pero ocupa más.
3 × MI300X 192GB
RunPod (se abre en una pestaña nueva) · 4x MI300X
se vende con 4 GPU; necesitas 3- Por GPU / h
- 2,39 US$
- GPU necesarias
- 3
- Total / h
- unos 9,56 US$
- al mes, 24/7, aprox.
- 6979 US$
INT8
unos 209 GB · 8K tokens
Pesos a la mitad de tamaño. En chat y RAG apenas se nota.
5 × A40 48GB
RunPod (se abre en una pestaña nueva) · 8x A40
se vende con 8 GPU; necesitas 5- Por GPU / h
- 0,59 US$
- GPU necesarias
- 5
- Total / h
- unos 4,72 US$
- al mes, 24/7, aprox.
- 3446 US$
INT4
unos 105 GB · 8K tokens
Pesos a una cuarta parte. Las pequeñas pérdidas aparecen antes en matemáticas y código.
3 × A40 48GB
RunPod (se abre en una pestaña nueva) · 4x A40
se vende con 4 GPU; necesitas 3- Por GPU / h
- 0,59 US$
- GPU necesarias
- 3
- Total / h
- unos 2,36 US$
- al mes, 24/7, aprox.
- 1723 US$
Inferencia frente a ajuste fino
Inferencia (FP16)
1×
de la memoria que pide la inferencia
397 GB
3 × MI300X 192GB · unos 9,56 US$
Ajuste LoRA
1,2×
de la memoria que pide la inferencia
463 GB
3 × MI300X 192GB · unos 9,56 US$
Ajuste QLoRA
0,4×
de la memoria que pide la inferencia
171 GB
4 × A40 48GB · unos 2,36 US$
Ajuste completo
8×
de la memoria que pide la inferencia
3172 GB
más de un nodo de 8 GPU
Para servirlo en FP16 basta con 3 × MI300X 192GB (RunPod). LoRA necesita 3 × MI300X 192GB (RunPod), QLoRA 4 × A40 48GB (RunPod) y un ajuste completo más de un nodo de 8 GPU. Entrenar guarda en memoria las activaciones y el estado del optimizador además de los pesos; por eso suele pedir más GPU que servir el mismo modelo.
¿Funciona en un Mac o en una sola RTX 4090?
RTX 4090 (24 GB)
No por sí sola. Incluso en INT4 necesita unos 105 GB, más que los 24 GB de la tarjeta. Bastan dos o más tarjetas o una GPU de centro de datos más grande.
Mac con Apple silicon
Sí, con memoria suficiente. En INT4 necesita unos 105 GB, así que un Mac con 192 GB o más de memoria unificada (macOS deja a la GPU usar unas tres cuartas partes). La generación será más lenta que en una GPU de centro de datos.
¿Ejecutarlo tú o pagar por token?
Ejecutarlo tú
La configuración más barata que encontramos en FP16 es 3 × MI300X 192GB en RunPod, unos 6979 US$ al mes si funciona sin parar. Compensa con tráfico constante o si los datos deben quedarse en tus máquinas.
Usar una API alojada
Nuestra reseña de Qwen3.8-Flash-Next explica dónde usarlo mediante una API y cuánto cuesta. Pagar por token suele salir más barato con tráfico ligero o irregular.
Lee nuestra reseñaModelos parecidos
Modelos abiertos de tamaño parecido.
- DeepSeek-V4.1-Flash-1017 GSQ-RCO Coder (GGUF)Visión196,6 mil M · unos 437 GB FP16 · 402,7 mil ↓Necesidades de GPU
- Command A+Visión218,8 mil M · unos 483 GB FP16 · 4,5 mil ↓Necesidades de GPU
- MiniMax-M3.1-FlashVisión220,5 mil M · unos 487 GB FP16 · 61,6 mil ↓Necesidades de GPU
- Qwen3.5 122B A10BVisión125,1 mil M · unos 276 GB FP16 · 810,1 mil ↓Necesidades de GPU
- Nemotron 3.5 Super VLVisión124,5 mil M · unos 275 GB FP16 · 80,3 mil ↓Necesidades de GPU
- Inkling SmallVisión266 mil M · unos 588 GB FP16 · 1,1 M ↓Necesidades de GPU
Qwen3.8-Flash-Next: preguntas frecuentes
¿Cuánta VRAM necesita Qwen3.8-Flash-Next?
Unos 397 GB en FP16, 209 GB en INT8 y 105 GB en INT4, con contexto de 8K y una petición a la vez. Los contextos más largos y más peticiones en paralelo añaden caché KV.
¿Cuál es la GPU más barata para ejecutar Qwen3.8-Flash-Next?
3 × MI300X 192GB (unos 2,39 US$ por GPU / hora; se vende con 4 GPU; necesitas 3) en RunPod, por unos 9,56 US$ la hora para inferencia en FP16 / BF16 con contexto de 8K. Precios recogidos el 13 nov 2026; cambian a menudo.
¿Puedo hacer ajuste fino de Qwen3.8-Flash-Next en una sola GPU?
No en una sola GPU. Incluso QLoRA necesita unos 171 GB, más de lo que cabe en una GPU de 80 GB. LoRA necesita unos 463 GB y un ajuste completo unos 3172 GB.
¿Cómo se calculan estas cifras?
Los pesos son los parámetros por los bytes por parámetro (2 en FP16, 1 en INT8, 0,5 en INT4). La caché KV sale de las capas, las cabezas KV, el tamaño de cabeza y la longitud de contexto del modelo. Añadimos un 10 % más 1 GB para el motor y llenamos cada GPU hasta el 90 %. Los precios son de lista bajo demanda en regiones de EE. UU., tomados de la página pública de cada proveedor.
¿Funciona Qwen3.8-Flash-Next en una GPU de consumo como la RTX 4090?
No por sí sola. Incluso en INT4 necesita unos 105 GB, más que los 24 GB de la tarjeta. Bastan dos o más tarjetas o una GPU de centro de datos más grande.
¿Cabe Qwen3.8-Flash-Next en una sola H100 de 80 GB?
No. Incluso en INT4 necesita unos 105 GB, así que hacen falta varias GPU.
¿Cuántas GPU necesito para Qwen3.8-Flash-Next?
En FP16 con contexto de 8K: 6 × 80 GB, 10 × 48 GB o 19 × 24 GB. En INT4 los pesos ocupan más o menos la cuarta parte.
¿Cuánta VRAM necesita Qwen3.8-Flash-Next en INT8?
Unos 209 GB: 189 GB para los pesos, 0,2 GB para una caché KV de 8K y 20 GB de sobrecarga del motor.
¿Cuánto cuesta tener Qwen3.8-Flash-Next funcionando 24/7 durante un mes?
Unos 6979 US$ con la configuración más barata que encontramos (3 × MI300X 192GB (unos 2,39 US$ por GPU / hora; se vende con 4 GPU; necesitas 3), 9,56 US$ la hora durante 730 horas). Lo más barato en AWS, Google Cloud o Azure ronda los 20.036 US$ al mes.
FP16, INT8 o INT4: ¿cuál uso?
FP16 conserva toda la calidad y necesita más memoria (unos 397 GB aquí). INT8 reduce los pesos a la mitad con poca pérdida para la mayoría de usos de chat. INT4 (AWQ, GPTQ o GGUF Q4) los deja en una cuarta parte, unos 105 GB en total, con una pequeña pérdida de calidad que se nota sobre todo en matemáticas y código.
¿Funciona Qwen3.8-Flash-Next en un Mac?
Sí, con memoria suficiente. En INT4 necesita unos 105 GB, así que un Mac con 192 GB o más de memoria unificada (macOS deja a la GPU usar unas tres cuartas partes). La generación será más lenta que en una GPU de centro de datos.
¿vLLM o llama.cpp?
vLLM está pensado para servir muchas peticiones a la vez en GPU de NVIDIA y AMD y reserva casi toda la memoria de la GPU para la caché KV. llama.cpp ejecuta archivos GGUF casi en cualquier equipo, incluidos Mac y CPU, y va bien para una persona o un equipo pequeño. Con la misma precisión, la memoria necesaria es parecida.
Precios recogidos el 13 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai son mundiales).
Cómo calculamos
- Pesos. Parámetros por bytes por parámetro: 2 en FP16, 1 en INT8, 0,5 en INT4, más un 5 % aproximado para las escalas de cuantización en INT8 e INT4.
- Caché KV. 2 × capas × cabezas KV × tamaño de cabeza × contexto × peticiones × 2 bytes, según el config.json del modelo. Si falta un dato, lo estimamos y lo indicamos.
- Sobrecarga. Alrededor de un 10 % más 1 GB para el motor, en línea con lo que reserva vLLM.
- Ajuste fino. LoRA mantiene los pesos en 16 bits y añade un adaptador pequeño, su optimizador y las activaciones. QLoRA hace lo mismo sobre pesos de 4 bits. Un ajuste completo necesita unos 16 bytes por parámetro con Adam en precisión mixta (pesos, gradientes y estados del optimizador), más las activaciones.
- GPU. Llenamos cada GPU hasta el 90 % de su memoria y paramos en 8 por nodo. Los costes son precios de lista bajo demanda en regiones de EE. UU.; en las nubes tipo mercado mostramos la oferta mediana.