--- title: "Qwen3.8-Maxとは｜2.4兆MoEの必要VRAM・GPU台数・ライセンスと27Bの選び方" url: "https://www.issoh.co.jp/tech/details/16092/" published: 2026-08-03 updated: 2026-10-16 categories: ["LLM・RAG"] publisher: "株式会社一創" --- # Qwen3.8-Maxとは｜2.4兆MoEの必要VRAM・GPU台数・ライセンスと27Bの選び方 Qwen3.8-Maxは、AlibabaのQwenチームが2026年8月に正式提供を始めたフラッグシップモデルです。8月12日にはその元になった重み`Qwen3.8-2.4T-A95B`（総2.4兆・活性約950億パラメータのMoE）が、8月14日には小型の`Qwen3.8-27B`が公開されました。この記事では、2.4兆MoEを自社で動かすときの必要VRAMとGPU台数を公式レシピと設定ファイルから計算し、独自ライセンスの商用条件、東京リージョンを含むAPI単価、24GB級のGPUで動く27Bとの選び分けまでを2026年10月16日時点の情報で整理します。 ## まとめ：Qwen3.8-Maxを使う3つの経路と2026年10月時点の結論 Qwen3.8を業務で使う経路は3つあります。API版のQwen3.8-Max、公開重みの2.4T-A95Bを自前のGPUで動かす経路、そして27Bをローカルで動かす経路です。選び方の結論は次の表のとおりです。 | 経路 | 入力 | 文脈長 | ライセンス | 向く案件 | | ---------------- | ---------- | --------------- | ------------------- | ------------------- | | Qwen3.8-Max（API） | テキスト・画像・動画 | 1M（既定） | 利用規約 | 大半の業務 | | 2.4T-A95B（重み） | テキストのみ | 262K（1.01Mまで拡張） | Qwen3.8-Max License | GPU 8枚以上の専有環境 | | Qwen3.8-27B（重み） | テキスト・画像・動画 | 262K（1Mまで拡張） | Apache 2.0 | 24GB級GPU・社外に出せないデータ | 2.4T-A95Bの自前運用は、NVFP4で量子化してもB300を8枚積んだノードが最小構成です。H200なら16枚、BF16のままならB300で24枚が要ります。活性95Bは計算量の指標であって、メモリは総2.4兆分を確保しなければなりません。ここを読み違えると調達計画が桁でずれます。 APIを使うなら、東京リージョン（Global）の単価は100万トークンあたり入力1.65ドル・出力4.951ドルで、シンガポールの2ドル・6ドルより2割近く安くなります。社外にデータを出せない案件で手元のGPUが24GB級なら、選択肢は27Bです。2.4T-A95Bの重みを使ってサービスを作る場合は、月間アクティブユーザー1億人超か月間売上2,000万ドル超の製品に使うとモデル名の表示義務がかかる点と、AIのAPI提供（Model as a Service）やコーディング・事務作業の支援（AI Work Assistant）の事業を営む企業は、グループの売上合計が連続12か月で5,000万ドルを超えると別ライセンスが要る点を先に確認してください。以下、それぞれの根拠を順に説明します。 ## Qwen3.8-Maxと公開重み2.4T-A95B・27Bの関係 「Qwen3.8」という名前は、API版・2.4兆の公開重み・27Bの3つを指します。数値が記事ごとに食い違って見えるのは、どれを指しているかと、いつ時点の情報かが混ざっているためです。 ### 8月のAPI正式提供から8月12日・14日の重み公開までの日付 Qwen3.8-Maxは2026年7月にプレビュー版が先行提供され、8月3日付の[公式ブログ](https://qwen.ai/blog?id=qwen3.8)でAPIの正式提供と重みの翌週公開が告知されました。実際の公開日は、公式リポジトリ[QwenLM/Qwen3.8](https://github.com/QwenLM/Qwen3.8)のNewsに記録されています。 | 日付 | 出来事 | | ---------- | --------------------------------------------- | | 2026年7月 | Qwen3.8-Max-Preview を先行提供 | | 2026年8月3日 | Qwen3.8-Max のAPI正式提供を告知 | | 2026年8月12日 | Qwen3.8-2.4T-A95B をHugging Face・ModelScopeで公開 | | 2026年8月14日 | Qwen3.8-27B を公開 | Qwen CloudのToken Planでは、プレビュー版のモデルID`qwen3.8-max-preview`は退役し、現在は`qwen3.8-max`へ自動で転送されます（[Qwen CloudのToken Plan説明](https://docs.qwencloud.com/token-plan/personal/token-plan-personal-overview)）。8月上旬に書かれた解説は「ライセンス未公表」「公開日未定」のまま止まっているものが多く、この記事の旧版もそうでした。仕様やライセンスを引用するときは、8月12日より後の情報かを先に確かめてください。 ### API版と公開重みの機能差：画像入力・非思考モード・1M文脈 公開重みは、API版のQwen3.8-Maxと同じものではありません。[2.4T-A95Bのモデルカード](https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B)は、API版を「2.4T-A95Bを基にした公式版で、画像入力と非思考モード、既定で1Mの文脈長、公式の組み込みツールを備える」と説明しています。逆に言えば、公開重みは画像入力・非思考モード・公式の組み込みツールを持たず、文脈長も標準は262,144トークンです（1,010,000トークンへは起動時の設定で拡張します）。 同じモデルカードには、2.4T-A95Bは**テキスト専用で、すべての対話で思考モードが必須**であり、マルチモーダル入力は非対応、思考は無効にできないと明記されています。応答は必ず``の推論ブロックから始まります。設定ファイルの`architectures`も`Qwen3_5MoeForCausalLM`で、画像エンコーダーの設定はありません。 実務への影響は2つです。図表入りのPDFや動画を読ませたい案件は、API版か27Bしか選べません。短い分類やタグ付けのように思考を省いて速く返したい処理も、公開重みでは毎回推論トークンを生成するぶん遅く高くつきます。思考の深さは`reasoning_effort`（xhigh・medium・low、既定はxhigh）で下げられますが、ゼロにはなりません。 ## Qwen3.8のMoE構成：512エキスパートと92層ハイブリッド注意 2.4T-A95Bの構成は、Qwen3.5と同じ系統の「Gated DeltaNet（線形注意）＋Gated Attention（通常の注意）＋MoE」です。以下の数値はモデルカードと`config.json`から取っています。 | 項目 | 2.4T-A95B | 27B | | --------- | ---------------------- | ---------------------- | | 総パラメータ | 2.4兆（MoE） | 27B（密） | | 層数 | 92 | 64 | | 通常の注意を使う層 | 23 | 16 | | エキスパート | 512（1トークンあたり10＋共有1） | なし | | KVヘッド×次元 | 4×256 | 4×256 | | 語彙 | 248,320 | 248,320 | | 文脈長 | 262,144（1,010,000まで拡張） | 262,144（1,000,000まで拡張） | ### 512エキスパートから10＋1を通す活性95Bの意味 各層のMoEは512個のエキスパートを持ち、トークンごとにルーターが10個を選び、共有エキスパート1個と合わせて通します。1トークンの計算に使われるのが約950億パラメータ分で、これが「A95B」の意味です。計算量（FLOPs）は95B級の密モデルに近くなります。 重みのほうは事情が違います。どのエキスパートが選ばれるかはトークンごとに変わるため、推論中は512個すべてをGPUメモリに置いておく必要があります。ディスクやCPUメモリへ逃がせば載りますが、その分だけ生成速度が落ちます。**速度は活性パラメータで、メモリは総パラメータで見積もる**のがMoEの原則です。ルーターと疎活性化の仕組みは[MoE（Mixture of Experts）の仕組みとVRAM要件の解説](/tech/details/15810/)で、小さい規模の例は[Qwen3.6-35B-A3Bの必要VRAMと動かし方](/tech/details/12045/)で確認できます。 ### 92層のうち23層だけが通常の注意：Gated DeltaNetの3対1配置 92層は「線形注意3層→通常の注意1層」の組を23回繰り返す構成です（`full_attention_interval: 4`）。線形注意のGated DeltaNet層は、文脈がどれだけ長くても一定サイズの状態しか持ちません。トークン数に比例して膨らむKVキャッシュを持つのは、通常の注意を使う23層だけです。 この配置のおかげで、2.4兆パラメータの規模でも長文脈のメモリ負担は小さく収まります。具体的な容量は次の章で計算します。なお、同じ系統の構成は[Qwen3.5-397B-A17B](/tech/details/11014/)や[Qwen3-Next-80B-A3B](/tech/details/8848/)でも使われています。 ## Qwen3.8-Max（2.4T-A95B）の必要VRAMとGPU台数 必要量は「重み」と「KVキャッシュ」に分けて見積もります。重みは精度で決まり、KVキャッシュは文脈長と同時処理数で決まります。 ### 精度別の重み容量とvLLM公式レシピのGPU台数 BF16の重みは2,446,182,725,504パラメータ×2バイトで約4.89TBです。[vLLMの公式レシピ](https://recipes.vllm.ai/Qwen/Qwen3.8-2.4T-A95B)は、精度ごとに必要なGPUの枚数を次のように示しています（「確保量」はレシピが重みの容量に1.2倍の余裕を掛けて見積もった値）。 | 精度 | 重み | 確保量 | B300 | MI355X | H200 | | ------------- | ------- | ------- | ---- | ------ | ---- | | BF16 | 4.45TiB | 5,871GB | 24枚 | 24枚 | 48枚 | | FP8 | 2.27TiB | 2,996GB | 16枚 | 16枚 | 32枚 | | MXFP4（AMD） | 1.45TiB | 1,917GB | － | 8枚 | 16枚 | | NVFP4（NVIDIA） | 1.32TiB | 1,737GB | 8枚 | － | 16枚 | FP8以下の行で枚数が2のべき乗に揃っているのには理由があります。テンソル並列の分割数は通常の注意のヘッド数64を割り切れる値（1・2・4・8・16・32）しか取れないため、容量だけなら12枚で足りる構成でも16枚に切り上がります。BF16の24枚・48枚のように2のべき乗にならない枚数は、テンソル並列にパイプライン並列を組み合わせて分けます。レシピはこの組み合わせの動作を確認済みとしつつ、枚数が2のべき乗ならテンソル並列やエキスパート並列のほうが速いとしています。 H100 80GBはレシピの表にありません。FP8の重みだけで割っても31枚を超え、32枚（8枚×4ノード）では重みを載せた残りが合計60GB程度しか残りません。レシピが各行で使っている「重み×1.2」の見積もり（FP8で2,996GB）に当てると38枚以上が要り、テンソル並列だけなら64枚、パイプライン並列を併用しても40枚規模になります。 最小構成のNVFP4・B300×8枚の起動コマンドは、レシピでは次のとおりです。 ``` vllm serve Inferact/Qwen3.8-2.4T-A95B-NVFP4 \ --tensor-parallel-size 8 \ --max-model-len 262144 \ --kv-cache-dtype fp8 \ --reasoning-parser qwen3 \ --enable-auto-tool-choice --tool-call-parser qwen3_coder ``` レシピの計測では、この構成で1ユーザーあたり毎秒133トークン、起動コマンドに`--speculative-config '{"method":"mtp","num_speculative_tokens":3}'`を足してMTP（複数トークン予測）を3段で有効にすると毎秒304トークンでした。前提はvLLMのnightlyビルドと`transformers>=5.4.0`です。 ### KVキャッシュは23層分だけ：262Kで24.7GB、1.01Mで95GB KVキャッシュの1トークンあたりの容量は「通常の注意の層数×2（KとV）×KVヘッド数×ヘッド次元×バイト数」で決まります。設定ファイルから計算するスクリプトと、その実行結果を示します。 ``` import json, sys def kv_bytes_per_token(cfg, kv_bytes=2): # full attention 層だけがトークン数に比例するKVを持つ full = cfg["layer_types"].count("full_attention") return full * 2 * cfg["num_key_value_heads"] * cfg["head_dim"] * kv_bytes def linear_state_bytes(cfg): # Gated DeltaNet 層は文脈長に依存しない固定サイズの状態を持つ（float32） lin = cfg["layer_types"].count("linear_attention") per = cfg["linear_num_value_heads"] * cfg["linear_key_head_dim"] * cfg["linear_value_head_dim"] * 4 return lin * per cfg = json.load(open(sys.argv[1])) cfg = cfg.get("text_config", cfg) for name, b in [("BF16", 2), ("FP8", 1)]: per = kv_bytes_per_token(cfg, b) for ctx in (262144, 1010000): print(f"KV {name}: {per:,} B/token ctx={ctx:,} -> {per*ctx/1e9:.1f} GB") print(f"線形注意の状態: 1系列あたり {linear_state_bytes(cfg)/2**20:.0f} MiB") ``` ``` $ python3 kv_calc.py Qwen3.8-2.4T-A95B/config.json KV BF16: 94,208 B/token ctx=262,144 -> 24.7 GB KV BF16: 94,208 B/token ctx=1,010,000 -> 95.2 GB KV FP8: 47,104 B/token ctx=262,144 -> 12.3 GB KV FP8: 47,104 B/token ctx=1,010,000 -> 47.6 GB 線形注意の状態: 1系列あたり 552 MiB ``` BF16のKVで1系列あたり262Kトークンなら24.7GB、上限の1.01Mでも約95GBです。レシピどおり`--kv-cache-dtype fp8`にすれば半分になります。この記事の旧版は「100万トークンではKVキャッシュが数百GB単位」と書いていましたが、23層しかKVを持たない構成では誤りでした。お詫びして訂正します。 効いてくるのは同時処理数です。KVと線形注意の状態（1系列約0.54GiB）は系列ごとに積み上がるため、262Kの長文を16本並行で処理すると、計算上はFP8のKVだけで約200GBになります。テンソル並列8ではKVヘッド4本を各GPUへ複製して持つため、実際の消費はこの約2倍です。レシピの計測でも、NVFP4・B300×8枚で`--max-model-len`を262144にすると、KVに回せた領域（GPUあたり70GiB）で同時25リクエスト分しか確保できず、9,240トークンに絞ると506リクエスト分に増えました。重みの1.3〜2.3TiBに比べれば小さいものの、GPUの枚数を「重みがぎりぎり載る数」で決めると同時実行数が出ません。 ### GGUFの1bit版は397GB：CPUメモリへ逃がす運用の上限 llama.cpp向けにはUnslothがGGUFを配布しています。Hugging Face上の実ファイルを合計すると、容量は次のとおりでした（2026年10月16日時点）。 | 量子化 | 合計サイズ | | ---------------- | --------- | | UD-Q1\_0（1bit最小） | 397.3GB | | UD-IQ1\_S | 508.4GB | | UD-IQ2\_XXS | 656.6GB | | UD-IQ4\_XS | 1,310.9GB | | Q8\_0 | 2,600.2GB | | BF16 | 4,893.2GB | [Unslothのガイド](https://unsloth.ai/docs/jp/moderu/qwen3.8)は、1bit最小版の実行に少なくとも450GBのRAMを求め、目安を「RAM＋VRAM≒量子化サイズ」としています。足りなければディスクへのオフロードで動きはしますが、かなり遅くなるとも書かれています。なお、ガイドに載っている1bit系データ型の精度表（PPL・KLD）は他の大規模モデルで測った値で、Qwen3.8での評価は実施中とされています。1bit版は精度を自社の評価セットで確かめる前提で、512GBのメモリを積んだワークステーション1台で「動くことを確かめる」用途までと考えてください。 ### セルフホストを見送る判断基準と失敗パターン 判断基準は単純です。**NVFP4でB300×8枚、またはH200×16枚を専有できないなら、2.4T-A95Bの自前運用は見送ります。**この規模を持つ企業でも、ライセンスの条件（次章）を法務が確認する前にGPUを調達する理由はありません。 よくある失敗は、活性95Bという数字から「95B級の密モデルと同じくらいのGPUで動く」と見積もることです。95B級ならFP8で約95GBですが、2.4T-A95BはFP8で2.27TiB（約2,500GB）あり、約26倍の差があります。社外に出せないデータを扱うために自前運用を検討しているなら、先に27B（後述）で精度が足りるかを測るほうが現実的です。 ## Qwen3.8-Max Licenseの商用利用条件 2.4T-A95Bの重みは、Apache 2.0ではなく独自の「Qwen3.8-Max License」で配布されています。Qwen3.5の397B-A17BやQwen3.8-27BはApache 2.0なので、同じ「Qwen3.8」でもモデルによって条件が違います。[LICENSE本文](https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B/blob/main/LICENSE)は、使用・改変・再配布・販売・ホスティング・ファインチューニングを無償で許諾したうえで、2つの条件を付けています。 ### 月間1億ユーザーまたは月商2,000万ドル超はモデル名の表示義務 1つ目の条件は表示義務です。2.4T-A95B（またはその派生物）を、月間アクティブユーザーが1億人を超えるか、月間売上が2,000万ドル（他通貨で同等額）を超える商用製品・サービスに使う場合、モデル名をUIの目立つ位置に表示しなければなりません。著作権表示と許諾文をすべての複製に含める義務は、規模に関係なくかかります。 ### AIのAPI提供・作業支援の事業者はグループ売上5,000万ドル超で別ライセンス 2つ目の条件は、特定の事業者に別ライセンスを求めるものです。利用者またはその関連会社が「Model as a Service」か「AI Work Assistant」の事業を営み、グループの売上合計が連続12か月で5,000万ドルを超える場合、商用目的で使う前にQwenから別途ライセンスを得る必要があります。 Model as a Serviceは、第三者が入力・パラメータ・学習データを実質的に操作できる形でAPIなどの推論やファインチューニングを提供することを指します。他社がホストするモデルへの中継だけなら該当しません。AI Work Assistantは、コーディングや事務作業の支援を主目的にした独立のAI製品で、例としてQoderとQwenWorkが挙がっています。翻訳ツールのような単機能ツールや、主目的が別の製品に付いたAI機能は含みません。 社内利用は、ソフトウェア・出力・モデルの能力を第三者に提供しない限り、この別ライセンスの対象外です。売上規模の大きい企業が**社内向けの業務支援**に使う分には条件に触れにくく、**外部向けのAPI再販やコーディング支援SaaS**に組み込む場合は事前の確認が必要、と整理できます。Qwen系の他モデルの条項は[Qwen3のモデル一覧と商用利用条件](/tech/details/6486/)にまとめています。 ## Qwen3.8-MaxのAPI料金とリージョン別単価 APIはAlibaba Cloud Model Studioと、Qwen公式のQwen Cloudから使えます。以下の単価はModel Studioの料金表の値です。[Model Studioの料金表](https://www.alibabacloud.com/help/en/model-studio/model-pricing)（2026年10月15日更新）では、リージョンによって単価が違います。 ### シンガポール2ドル・6ドル、東京などGlobalは1.65ドル・4.951ドル | モデルID | リージョン | 入力（100万トークン） | 出力（100万トークン） | | ----------------- | ------------------- | ------------ | ------------ | | qwen3.8-max | シンガポール | 2ドル | 6ドル | | qwen3.8-max | 東京・フランクフルト等（Global） | 1.65ドル | 4.951ドル | | qwen3.8-max | バージニア（US） | 2ドル | 6ドル | | qwen3.8-max-prime | 北京（高速版） | 3.301ドル | 9.902ドル | | qwen3.8-2.4t-a95b | シンガポール | 2ドル | 6ドル | | qwen3.8-27b | シンガポール | 0.5ドル | 3ドル | qwen3.8-maxは入力100万トークンまで単価が一定で、文脈が長くなると単価が上がる段階課金はありません。思考モードの推論トークンは出力として課金されます。固定版のモデルID`qwen3.8-max-0902`も同じ単価で並んでいます。本番では、挙動を固定したいなら日付付きIDを、常に最新を使いたいなら`qwen3.8-max`を指定します。 日本の企業が使うなら、単価と保存先の両面で東京リージョンが第一候補です。ただし東京のqwen3.8-maxはデプロイ範囲が「Global」だけで、入出力の保存先は東京でも、推論そのものは国外のノードで実行されることがあります（推論を国内に限る「Japan」範囲の料金表にqwen3.8-maxは載っていません）。国内での処理が契約上の条件なら、この点を先に確認してください。新規利用時の100万トークンの無料枠（90日間有効）はシンガポールだけに付いているため、疎通確認をシンガポールで済ませてから東京で本番を組む進め方もできます。 ### 暗黙キャッシュは入力の12.5%：東京0.206ドル・シンガポール0.25ドル Model Studioのキャッシュは、自動で効く暗黙キャッシュと、自分で指定する明示キャッシュの2種類です。[Context Cacheの説明](https://www.alibabacloud.com/help/en/model-studio/context-cache)では暗黙キャッシュのヒット分を「通常は入力単価の20%」としていますが、qwen3.8-maxはその例外に挙がっています。実際の単価は[qwen3.8-maxのモデルページ](https://www.alibabacloud.com/help/en/model-studio/qwen3-8-max)に載っています。 | 区分（100万トークン） | 東京（Global） | シンガポール | | ------------ | ---------- | ------ | | 通常の入力 | 1.65ドル | 2ドル | | 暗黙キャッシュのヒット | 0.206ドル | 0.25ドル | | 明示キャッシュの作成 | 2.063ドル | 2.5ドル | | 明示キャッシュの読み取り | 0.137ドル | 0.17ドル | 暗黙キャッシュのヒット分は通常入力の12.5%、明示キャッシュの読み取りは東京で約8.3%、シンガポールで8.5%です。暗黙キャッシュは共通の前置き部分が1,024トークン以上あるときに効く可能性があり、ヒットは保証されません。効かせるには、システム指示・社内規程・製品マニュアルなど変わらない部分を先頭に固定し、ユーザーの質問やツールの結果を末尾に付けます。プロンプトの先頭に現在時刻やリクエストIDを差し込む実装は、それだけで毎回キャッシュが外れます。 同じページによると、APIの上限は入力991,808トークン（思考モードでは983,616トークン）、出力131,072トークン、思考の長さ262,144トークンです。バッチ推論の割引単価は北京リージョンにだけあり、東京とシンガポールでは使えません。 ### 月10万リクエストでの月額試算 社内文書の検索アシスタントを想定し、月10万リクエスト・平均入力8,000トークン・平均出力1,500トークンで試算します。出力1,500トークンは、後述のコード例のように非思考モードにするか、`reasoning_effort`をlowにした場合の想定です。既定のxhighで思考させると推論トークンが出力として加算され、出力側はこの前提を大きく超えます。入力の半分が暗黙キャッシュに当たる場合も並べます。 | 条件 | シンガポール | 東京（Global） | | ------------- | ------- | ---------- | | 入力8億トークン | 1,600ドル | 1,320ドル | | 出力1.5億トークン | 900ドル | 742.65ドル | | 月額（キャッシュなし） | 2,500ドル | 2,062.65ドル | | 月額（入力の半分がヒット） | 1,800ドル | 1,485.05ドル | 1ドル150円で換算すると、キャッシュなしでシンガポール月約37.5万円・東京月約30.9万円、半分ヒットなら東京で月約22.3万円です。リージョンの選択とプロンプトの並べ方だけで、月額は4割変わります。稟議に出すときは平均入力・平均出力・キャッシュヒット率の3つを前提として明記し、ヒット率は保守的に置いてください。思考の深さを`reasoning_effort`で下げると出力側が減るので、分類のような単純作業はlowで測り直す価値があります。料金設計が段階課金のQwen3.6-Plusとの違いは[Qwen3.6-Plusの1Mコンテキストと階梯課金](/tech/details/15909/)で比べられます。 ### OpenAI互換APIで東京リージョンから呼ぶ設定 APIはOpenAI互換です。東京リージョンのエンドポイントは`https://{WorkspaceId}.ap-northeast-1.maas.aliyuncs.com/compatible-mode/v1`で、`{WorkspaceId}`は自分のワークスペースIDに置き換えます。思考モードの切り替えはOpenAIの標準パラメータではないため、Python SDKでは`extra_body`に入れます（[OpenAI互換APIの説明](https://www.alibabacloud.com/help/en/model-studio/qwen-api-via-openai-chat-completions)）。 ``` import os from openai import OpenAI client = OpenAI( api_key=os.environ["DASHSCOPE_API_KEY"], base_url="https://" + os.environ["WORKSPACE_ID"] + ".ap-northeast-1.maas.aliyuncs.com/compatible-mode/v1", ) resp = client.chat.completions.create( model="qwen3.8-max", messages=[ {"role": "system", "content": "社内規程に沿って回答する。"}, {"role": "user", "content": "経費精算の締め日を教えて"}, ], extra_body={"enable_thinking": False}, # API版は非思考モードを選べる ) print(resp.choices[0].message.content) print(resp.usage) ``` `enable_thinking`をFalseにできるのはAPI版だけです。自前でホストした2.4T-A95Bでは思考を無効にできません。モデルIDを`qwen3.8-max`と直書きせず設定ファイルへ出しておくと、日付付きIDへの切り替えや、同じ世代の[Qwen3.8-Omni-Flash](/tech/details/18236/)への振り分けがコードを触らずにできます。 ## Qwen3.8-27Bを24GB級GPUで動かす条件 自前のGPUで動かすなら、現実的な候補は27Bです。[Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B)はApache 2.0の密モデルで、画像と動画の入力に対応し、思考モードもリクエストごとに無効にできます。2.4T-A95Bが持たない機能を、27Bのほうは持っています。 ### Ollamaは18GB、Unsloth GGUFのQ4\_K\_XLは17.56GB Ollamaのライブラリには`qwen3.8`として27Bのタグが並び、既定の`qwen3.8:27b`は18GB・256K文脈・テキストと画像入力です（2026年10月16日時点）。2.4T-A95Bのタグはありません。 ``` ollama run qwen3.8:27b ``` APIで使う場合は、Qwen Cloudに`qwen3.8-27b`が2026年8月19日から並び、シンガポールで入力0.5ドル・出力3ドルです。手元で動かす場合、UnslothのGGUFでは4bitのUD-Q4\_K\_XLが17.56GB、UD-Q4\_K\_Mが16.46GB、8bitのQ8\_0が29.05GBです。ガイドは4bit版の目安を16〜19GBのVRAM、または24GBのRAMを積んだMacとしています。 ### 262K文脈を取るとKVだけで17.2GB：24GBでは数万トークンに絞る 前出のスクリプトを27Bの設定ファイルに当てると、通常の注意を使う16層ぶんでKVは1トークンあたり65,536バイトです。262Kトークンを1本処理するとBF16のKVだけで17.2GBになり、4bitの重み17.56GBと合わせると24GBのGPUには収まりません。 24GBのGPUで画像入力用のファイル（mmproj、約0.93GB）まで載せると、KVに回せるのは概算で数GBです。文脈は数万トークンまでに絞るか、KVを8bitにして倍に延ばすのが現実的な設定になります。262Kをそのまま使いたいなら、48GB級のGPUか、ユニファイドメモリの大きいMacを選んでください。 ### 27BとMaxの性能差：SWE-bench Proは61.7対67.7 両モデルのカードに共通して載っているベンチマークから抜き出すと、差が大きいのはリポジトリ単位のコーディング（DeepSWE・NL2Repo-Bench）、職務タスク（JobBench）と難問の推論（HLE）です。指示追従（IFBench）や社内のコーディング評価（QwenSWEBench 79.0対80.7）の差は小さく収まっています。表の※のTerminal Bench 2.1は、27BをTerminus、MaxをClaude Codeのハーネスで測っており、条件が揃っていません。 | ベンチマーク | Qwen3.8-27B | Qwen3.8-Max | | --------------------- | ----------- | ----------- | | Terminal Bench 2.1（※） | 73.0 | 86.6 | | SWE-bench Pro | 61.7 | 67.7 | | DeepSWE 1.1 | 42.2 | 56.6 | | NL2Repo-Bench | 42.3 | 55.9 | | QwenSWEBench | 79.0 | 80.7 | | JobBench | 33.4 | 53.4 | | CoWorkBench | 70.7 | 74.8 | | IFBench | 79.5 | 82.8 | | HLE | 30.8 | 43.6 | 社内文書の要約・抽出や定型の問い合わせ対応なら、27Bで足りる可能性が高い領域です。ターミナル操作を伴うコーディングエージェントや、専門的な難問を解かせる用途ではMaxとの差がはっきり出ます。どちらも同じ評価セットを自社データで作って比べてから決めてください。 ## Qwen3.8-Maxを選ぶ業務と見送る業務 公表ベンチマークを見ると、Qwen3.8-Maxは指示追従（IFBench）と論文の再現実装（PaperBench）で首位ですが、既存リポジトリのコード修正（SWE-bench Pro・DeepSWE）では首位に届かず、長文の読解（MRCR v2・LongBench v2）でも首位ではありません。 ### IFBenchとPaperBenchは首位、SWE-bench ProはFable 5の80.0に12.3ポイント差 | ベンチマーク | Qwen3.8-Max | Opus 4.8 | Fable 5 | GPT 5.6 Sol (max) | | ------------------ | ----------- | -------- | ------- | ----------------- | | PaperBench | 93.0 | 80.3 | 88.8 | 90.5 | | IFBench | 82.8 | 62.2 | 63.5 | 72.7 | | MRCR v2 256K | 92.9 | 83.2 | － | 93.8 | | Terminal Bench 2.1 | 86.6 | 84.6 | 84.6 | 88.8 | | SWE-bench Pro | 67.7 | 69.2 | 80.0 | 64.6 | | DeepSWE 1.1 | 56.6 | 59.0 | 70.0 | 73.0 | | HLE | 43.6 | 45.7 | 53.3 | 47.2 | 数値はすべてQwenチームがモデルカードで公表したもので、評価のハーネスも自社で選んでいます。たとえばTerminal Bench 2.1は、Qwen3.8-MaxをClaude Codeで測った値と、他社モデルについて公開済みの最高値（Artificial AnalysisのTerminus 2やOpenAIのCodexでの値）を並べたもので、条件は揃っていません。Fable 5の結果にはフォールバックが含まれ得るとの注記もあります。第三者による再現結果ではありません。 ### 切り替える価値が出る業務：数十万トークンの一括読解・書式制約・図表入りPDF 移行の価値が出るのは、数十万トークン規模の文書を1リクエストで読ませる業務、細かい書式や制約を守らせる業務、図表入りのPDFや画像を処理対象に含む業務です。200ページ級の技術仕様書や財務資料から論点を抽出する作業のように、人手の読解に数時間かかっている業務なら、月30万円前後のAPI費用でも回収の説明が立ちます。どの業務から当てるかを業務プロセスごと整理したい場合は、[生成AI導入支援](https://www.issoh.co.jp/service/ai/genai/)で設計段階から相談できます。 ### 見送るべき場面：自律コーディングの中核と月10万円以下の予算 コーディングエージェントの中核に据える用途は見送ります。SWE-bench Proで67.7、DeepSWEで56.6と、首位から10ポイント以上離れているためです。月のモデル費用が10万円規模の社内ツールも対象外です。この規模なら27Bや下位モデルで組み、精度が足りない箇所だけMaxへ振り分ける2段構成のほうが費用対効果は高くなります。 既存の本番系をそのまま差し替えるのも避けてください。プレビューのモデルIDが退役して正式版へ転送されたように、IDの中身は提供の途中で入れ替わります。新旧を2〜4週間並行稼働させ、実データで品質とトークン消費を比べてから切り替えます。同じ兆単位のオープンウェイトMoEとしては[Kimi K3（総2.8兆パラメータ）](/tech/details/15288/)も比較候補になります。 ## よくある質問 ### Qwen3.8に35Bや小型のモデルはありますか？ 2026年10月16日時点で、Qwen公式がHugging Faceで公開しているQwen3.8系は、2.4T-A95B、27B、Flash-Next（とそれぞれのFP8版）です。35B-A3BはQwen3.6世代のモデルで、Qwen3.8には同じサイズはありません。24GB以下のGPUで動かせるQwen3.8は27Bの量子化版です。Flash-Nextは125B規模の別系統のモデルで、仕組みは[Qwen3-Next-80B-A3Bの記事](/tech/details/8848/)で扱っています。 ### RTX 3060（12GB）や24GBのGPUでQwen3.8は動きますか？ 24GBなら27Bの4bit版（16〜18GB）が載ります。ただし文脈を長く取るとKVキャッシュで溢れるため、数万トークンまでに絞ってください。12GBのGPUでは27Bの4bit版も載りきらず、2〜3bit版（UD-Q2\_K\_XLの9.83GBやUD-IQ3\_XXSの10.93GB）にするか、CPUメモリへ一部を逃がす設定になり、速度と精度が落ちます。文脈を伸ばす余地もほとんど残りません。2.4T-A95Bは1bit版でも397GBあり、家庭用GPUでは動きません。 ### Qwen3.8-Maxは無料で試せますか？ Model Studioのシンガポールリージョンには、qwen3.8-maxに100万トークンの無料枠があります。有効期間はModel Studioの有効化日・モデルの公開日・申請の承認日のうち遅い日から90日間で、ほかのリージョンには無料枠がありません。2.4T-A95Bのモデルカードは、ブラウザで試せるQwen Studio（chat.qwen.ai）へのリンクも載せています。業務データを入れる検証は、利用規約とデータの保存先を確認してから行ってください。 ### Qwen3.8の重みはModelScopeやOllamaから入手できますか？ 2.4T-A95Bと27Bの重みは、Hugging FaceとModelScopeの両方で公式に配布されています。Ollamaのライブラリにあるのは27Bのタグだけで、`ollama run qwen3.8:27b`で18GBの量子化版が取得されます。2.4T-A95BはOllamaには無く、vLLM・SGLang・TokenSpeedのような推論サーバーか、llama.cppとUnslothのGGUFで動かします。 ### 日本語の業務文書でも精度は出ますか？ Qwen3.8はQwen3.5のアーキテクチャを土台にしており、語彙（248,320トークン）も同じです。201の言語・方言への対応をうたっていたのはQwen3.5で、Qwen3.8のモデルカードは対応言語数を明記していません。日本語に限った公式ベンチマークも公表されておらず、PaperBenchなどの数値は英語中心の評価です。業界の用語を含む自社資料での精度は、実データで50件ほどの評価セットを作り、27BとMaxの両方で測ってから判断してください。 ## 関連記事 - [MoE（Mixture of Experts）とは？疎活性化とルーターの仕組み・VRAM要件と採用判断を実装者向けに解説](/tech/details/15810/) - [Qwen3.5-397B-A17Bとは｜必要VRAM・GGUFサイズ・Apache 2.0商用利用・API料金](/tech/details/11014/) - [Qwen3.8-Omni-Flashとは：動画1時間の課金トークンと東京料金・API実装例【2026年10月時点】](/tech/details/18236/) - [Qwen3.6-Plusとは｜1Mコンテキスト・階梯課金・3.7世代との選び分けを実装目線で解説【2026年7月時点】](/tech/details/15909/) - [Qwen3とは？アリババのオープンLLMの特徴・モデル一覧・日本語性能・商用利用を解説](/tech/details/6486/) --- 出典: [Qwen3.8-Maxとは｜2.4兆MoEの必要VRAM・GPU台数・ライセンスと27Bの選び方]()（株式会社一創）