API Qwen 3.8 Max pour les agents de codage à long horizon et les agents multimodaux

Qwen 3.8 Max est le modèle phare Mixture-of-Experts d’Alibaba Cloud, doté de 2 400 milliards de paramètres, conçu pour le codage, la productivité professionnelle, la recherche et les tâches d’agent à long horizon. Contrairement au précédent endpoint Preview, la documentation actuelle d’Alibaba identifie le modèle d’API standard sous le nom de qwen3.8-max.

Le modèle accepte du texte, des images et des vidéos et renvoie du texte. Cela le rend adapté aux flux de travail qui combinent code source, exigences techniques, captures d’écran d’interface, documents visuels, démonstrations enregistrées et résultats d’outils dans une même tâche. Il prend également en charge l’appel de fonctions, les sorties structurées, la mise en cache du contexte et le raisonnement hybride.

L’API Qwen 3.8 Max offre une fenêtre de contexte de 1 000 000 de jetons et une longueur de sortie maximale de 131 072 jetons. Ces valeurs ne doivent pas être considérées comme des limites additives : une requête ne peut pas supposer un prompt complet d’un million de jetons plus 131 072 jetons de sortie supplémentaires. Réservez du contexte pour la réponse demandée et, lorsque le raisonnement est activé, pour les jetons de raisonnement du modèle.

Codage à l’échelle du dépôt et réparation logicielle

Qwen 3.8 Max peut inspecter un vaste dépôt, relier les exigences aux modules existants, proposer un plan, modifier plusieurs fichiers, appeler des outils de développement et examiner les résultats de tests. Les charges de travail adaptées incluent l’implémentation de fonctionnalités, la migration de dépendances, le débogage inter-services, la revue de code et la reconstruction de frontend à partir de captures d’écran.

Une grande fenêtre de contexte ne supprime pas le besoin de contrôle des tâches. Donnez à l’agent un périmètre de dépôt défini, des critères d’acceptation, les outils autorisés et une commande pour valider le résultat. Pour les exécutions plus longues, stockez des points de contrôle et exigez des tests après chaque étape d’implémentation significative.

Analyse multimodale des interfaces utilisateur et des documents

Comme le modèle actuel accepte le texte, les images et la vidéo, les développeurs peuvent combiner des exigences écrites avec des captures d’écran d’interface, des schémas, des rapports visuels ou des parcours produit enregistrés. Parmi les exemples : vérifier qu’un frontend correspond à une référence de conception, extraire des exigences à partir de supports visuels mixtes et identifier les incohérences entre plusieurs versions de documents.

L’API renvoie du texte plutôt que des images ou des vidéos générées. Elle peut décrire, raisonner sur ou extraire des informations à partir d’entrées visuelles, mais la génération d’éléments visuels doit être confiée à un modèle dédié aux images ou aux vidéos.

Agents pilotés par des outils et flux de travail structurés

L’appel de fonction permet au modèle de demander des actions à des systèmes de recherche, des exécuteurs de code, des bases de données, des API internes ou à d’autres outils définis par les développeurs. Les sorties structurées peuvent contraindre la réponse finale à un schéma JSON, ce qui facilite la validation du résultat avant son intégration dans un autre service.

Ne considérez pas un appel d’outil syntaxiquement valide comme une preuve que l’action est correcte. Validez les arguments, restreignez les autorisations, définissez des délais d’expiration et renvoyez les erreurs d’outil au modèle dans un format structuré. Pour les opérations à fort impact, exigez une approbation côté application plutôt que de laisser le modèle les exécuter automatiquement.

Recherche en contexte long et analyse professionnelle

Le modèle peut traiter de grandes collections d’exigences, de documentation technique, de documents de politique, de notes de recherche et d’historiques de conversation. Sa limite de sortie étendue est utile lorsque le résultat doit contenir un plan d’implémentation détaillé, un rapport structuré, un guide de migration ou une proposition de code multi-fichier.

Pour les applications fortement axées sur la recherche d’informations, envoyer une archive entière à chaque requête est rarement la meilleure approche. Utilisez la recherche d’informations pour sélectionner les sources les plus pertinentes, mettez en cache les instructions stables lorsque c’est pris en charge et conservez les identifiants de source dans le prompt afin que les affirmations générées puissent être retracées jusqu’à leurs preuves.

Qwen 3.8 Max vs Qwen 3.7 Max

Qwen 3.8 Max constitue une amélioration significative pour les agents multimodaux, l’extraction de données structurées et les flux de travail qui exigent des réponses inhabituellement longues. Cependant, Qwen3.7 Max peut rester le meilleur choix de routage pour les charges de travail par lots en texte seul.

Choisissez Qwen 3.8 Max lorsque l’entrée visuelle, la sortie contrainte par schéma ou un plafond de réponse plus élevé modifie le flux de travail. Gardez Qwen3.7 Max disponible lorsque l’application est en texte seul et dépend de l’inférence par lots.

Pour les décisions entre fournisseurs, utilisez la comparaison dédiée Qwen 3.8 Max vs Kimi K3 plutôt que de transformer cette page de modèle en un second article de comparaison complet.

Passer de Qwen3.8-Max-Preview

L’identifiant de modèle standard actuel d’Alibaba est qwen3.8-max, tandis que les intégrations et articles antérieurs peuvent encore faire référence à qwen3.8-max-preview. Considérez ce changement comme une migration de modèle plutôt qu’un simple renommage.

Avant de basculer le trafic de production :

1. Confirmez la chaîne de modèle exacte indiquée dans la section GPTProto Quick Start.

2. Relancez des évaluations représentatives de codage, de raisonnement, de vision et d’utilisation d’outils.

3. Validez chaque schéma d’appel de fonction et chaque réponse JSON structurée.

4. Vérifiez comment le mode de réflexion et les limites de sortie sont exposés par le point de terminaison.

5. Testez le formatage des entrées image et vidéo par rapport à la documentation actuelle.

6. Conservez le modèle précédent ou un autre modèle intégré comme solution de repli temporaire.

Les résultats de préversion ne doivent pas être utilisés comme garanties de performance permanentes. Stockez ensemble l’identifiant du modèle, la date du test, le prompt, la configuration de raisonnement, les outils et le résultat de l’évaluation afin que les exécutions ultérieures restent comparables.

Comment évaluer Qwen 3.8 Max pour le travail des agents

Ne sélectionnez pas un modèle d’agent uniquement en fonction du nombre de paramètres ou de la longueur du contexte. Construisez un ensemble d’évaluation contenant 20 à 50 tâches qui représentent le travail que votre application effectuera réellement.

Mesurez :

• Achèvement de la tâche au premier passage

• Tests réussis après modifications de code

• Appels d’outils valides par rapport aux appels rejetés

• Taux de validation du schéma JSON

• Nombre de nouvelles tentatives et de prompts correctifs

• Utilisation de jetons en entrée, en raisonnement et en sortie

• Latence de bout en bout

• Corrections humaines requises

• Récupération après un échec d’outil ou un résultat incomplet

Exécutez les mêmes tâches avec des autorisations d’outils et des critères d’acceptation identiques sur Qwen3.8 Max et votre modèle actuel. Une requête moins chère n’est pas moins chère au final si elle nécessite plus de nouvelles tentatives, produit des arguments d’outil invalides ou exige des corrections manuelles importantes.