En juillet 2026, Alibaba a créé la surprise en dévoilant Qwen 3.8 Max Preview, un modèle de 2 400 milliards de paramètres (2,4 trillions) qui, selon le géant chinois, serait désormais le 2e meilleur modèle au monde, juste derrière Claude Opus 5 d’Anthropic.

Cette déclaration ambitieuse intervient dans un contexte de compétition féroce entre les laboratoires d’IA. Quelques jours seulement après l’annonce de Kimika 3 (rendu presque inaccessible par une demande massive), Alibaba frappe un grand coup avec un modèle qui joue clairement dans la catégorie des modèles frontières.

Les premiers tests indépendants sont très encourageants : Qwen 3.8 Max excelle en raisonnement, en programmation et dans la création d’applications visuelles. Toutefois, Alibaba n’a pas encore communiqué de benchmarks officiels complets, ce qui impose une certaine prudence dans l’analyse.

Qwen 3.8 Max repose sur une architecture Mixture of Experts (MoE). Concrètement, cela signifie que ses 2 400 milliards de paramètres ne sont pas tous utilisés simultanément pour générer chaque token.

• Principe du MoE : en fonction de la demande, le modèle sélectionne uniquement les « experts » les plus pertinents. Cela permet de construire un modèle gigantesque sans activer l’ensemble du réseau à chaque réponse.
• Paramètres actifs : Alibaba n’a pas encore communiqué le nombre exact de paramètres actifs par inférence. Or, ce chiffre est souvent plus intéressant que la taille totale : il détermine la vitesse, le coût réel et la quantité de calcul nécessaire.
• Échelle : les 2 400 milliards donnent une idée de l’ampleur du modèle, mais la véritable innovation réside dans la manière dont Qwen traite de très grandes quantités d’informations.

La véritable innovation architecturale de Qwen 3.8 Max est le mécanisme Gated DeltaNet, combiné à l’attention classique. Cette approche hybride vise à résoudre le problème fondamental des très longs contextes.

• Attention classique : permet au modèle de retrouver précisément les relations entre les différentes informations présentes dans le contexte. Mais elle devient de plus en plus coûteuse lorsque la conversation, les documents ou la base de code deviennent énormes (complexité quadratique).
• Gated DeltaNet : fonctionne comme une mémoire compacte qui se met progressivement à jour. Au lieu de recalculer constamment toutes les relations entre tous les tokens précédents, le modèle conserve un état interne qui résume une partie de l’historique.
• Hybridation : Qwen continue d’utiliser certaines couches d’attention classique lorsqu’il a besoin de récupérer précisément une information spécifique. L’objectif est de combiner mémoire efficace et précision de récupération.

⚠️ Limite importante : une grande fenêtre de contexte ne garantit pas automatiquement que le modèle utilisera correctement toutes les informations. La qualité de la récupération reste à valider sur des tests à très long contexte.

Qwen 3.8 Max est un modèle natif multimodal. Il ne traite pas uniquement du texte : il peut analyser des images, des vidéos et des documents complexes dans le même workflow, sans passer par différents modèles spécialisés.

• Entrées combinées : vous pouvez transmettre une capture d’écran, un document PDF et des instructions textuelles, puis demander au modèle de combiner tous ces éléments dans sa réponse.
• Développement visuel : le modèle peut analyser l’apparence d’une interface, comprendre sa structure et utiliser cette référence pour générer ou modifier une application. Il ne se contente pas de décrire : il reproduit, améliore ou crée.
• Extraction visuelle : capacité à extraire des informations depuis des graphiques, des schémas ou des documents visuels pour les intégrer dans son raisonnement.
• Action concrète : la différence avec un simple modèle de vision, c’est que Qwen peut directement transformer ce qu’il comprend en action : générer du code fonctionnel à partir d’une maquette, créer une application interactive depuis une référence visuelle.

En l’absence de benchmarks officiels d’Alibaba, les tests indépendants restent la principale source d’évaluation. Le résultat le plus marquant provient de KingBench, un benchmark centré sur le raisonnement, le code, les tâches visuelles et les workflows agentiques.

Profil identifié : Qwen 3.8 Max excelle dans les tâches où le raisonnement doit déboucher sur une véritable production (code, interface, application). C’est un modèle « builder » plus qu’un modèle purement académique.

Les premiers retours montrent que Qwen 3.8 Max est particulièrement bon pour créer des interfaces et des applications interactives. C’est sa véritable différenciation par rapport aux autres modèles frontières.

• Front-end : très à l’aise avec HTML, CSS, JavaScript, les animations et la structuration visuelle d’une page.
• Compréhension code ↔ visuel : beaucoup de modèles savent générer du code techniquement correct mais produisent des interfaces génériques ou mal équilibrées. Qwen semble mieux comprendre la relation entre le code et le résultat visible à l’écran.
• UX/UI intégré : il ne réfléchit pas seulement en termes de fonctions et de fichiers. Il prend en compte la disposition des éléments, les interactions, les animations et l’expérience générale de l’utilisateur.
• Prototypage rapide : landing pages, dashboards, démonstrations interactives, prototypes 3D — cette capacité est souvent plus utile qu’un excellent score sur un benchmark purement académique.

Quatre tests pratiques ont été réalisés pour évaluer les capacités réelles de Qwen 3.8 Max :

La plus grande force de Qwen 3.8 Max peut également devenir son principal défaut : le modèle utilise un mode thinking particulièrement approfondi.

• Côté positif : lorsqu’un problème est difficile, cette réflexion supplémentaire l’aide à comparer plusieurs approches, anticiper les erreurs et produire une solution plus solide. Le processus de réflexion est visible (affiché sur le côté de l’interface).
• Côté négatif : Qwen ne semble pas toujours savoir quand cette réflexion est réellement nécessaire. Pour une tâche simple, il peut continuer à analyser le problème pendant très longtemps avant de commencer à produire un résultat.
• Sur-analyse : le modèle peut réfléchir à plusieurs architectures, envisager de nombreux cas limites et anticiper des difficultés qui ne sont pas forcément pertinentes pour la demande.
• Frustration : le résultat peut être excellent, mais l’expérience devient frustrante lorsque le modèle met énormément de temps à commencer à produire.

📝 Note : le modèle est encore en preview. Alibaba va très certainement continuer à le modifier. Son comportement et ses performances risquent de changer avant la sortie officielle.

Malgré l’annonce de poids ouverts, la réalité pratique de Qwen 3.8 Max reste celle d’un modèle cloud-first :

Positionnement de Qwen 3.8 Max face aux principaux modèles frontières de juillet 2026 :

Malgré ses qualités impressionnantes, Qwen 3.8 Max présente des limites identifiées :

• ⏱️ Temps de réflexion excessif : le mode thinking s’active même pour des tâches simples, entraînant des délais frustrants. Le modèle ne sait pas toujours quand la réflexion approfondie est réellement nécessaire.
• 🤖 Missions autonomes longues : la fiabilité sur les longues missions totalement autonomes (multi-étapes, sans intervention humaine) reste encore à démontrer.
• 📊 Benchmarks officiels absents : Alibaba n’a pas encore communiqué de benchmarks complets. Les évaluations reposent sur des tests indépendants limités (KingBench notamment).
• 🔄 Statut Preview : le modèle est encore en développement. Ses performances et son comportement peuvent changer significativement avant la sortie officielle.
• 💾 Inaccessible localement : avec 2 400 milliards de paramètres (>1 To compressé), l’hébergement local est impossible pour la quasi-totalité des utilisateurs.
• 🎯 Dépendance aux consignes : sans instructions très précises, le modèle peut partir dans des directions non souhaitées ou sur-analyser inutilement.
• 🇫🇷 Français perfectible : bon mais pas au niveau de Claude ou GPT en français. Quelques tournures calquées sur l’anglais ou le chinois.

Qwen 3.8 Max Preview combine plusieurs qualités particulièrement intéressantes qui en font un modèle de premier plan :

• ✅ Une architecture pensée pour les longs contextes (Gated DeltaNet + attention classique)
• ✅ Une compréhension multimodale native (texte, image, vidéo, documents)
• ✅ Un raisonnement avancé (2e sur KingBench, 1 point derrière Claude Opus 5)
• ✅ De très bonnes capacités de programmation visuelle (sa spécialité)
• ✅ Des poids open-source annoncés
• ✅ Un coût d’utilisation compétitif

🔮 Perspectives : Alibaba affirme que les poids seront publiés prochainement. La version finale de Qwen 3.8 (sans « Max Preview ») est attendue pour le T4 2026. L’intégration avec l’écosystème Alibaba Cloud (DashScope, Tongyi) devrait s’étendre, et des déclinaisons plus petites (accessibles localement) sont probables.