中国・Alibabaが2.4兆パラメーターのAI「Qwen3.8-Max」を発表、Claude Fable 5に匹敵する性能で研究論文の改良や16日間の自律開発が可能

中国のAlibaba傘下にあるQwenチームが、2兆4000億パラメーターを備えた新たなフラッグシップAIモデル「Qwen3.8-Max」を発表しました。テキスト、画像、動画を扱えるマルチモーダルモデルで、ソフトウェア開発や文書作成といった実務能力が大幅に強化されており、一部のベンチマークではAnthropicの最上位モデルであるClaude Fable 5を上回ったとされています。

Qwen3.8-Max: A New Bar for Coding and Cowork
https://qwen.ai/blog?id=qwen3.8

Qwen3.8-Maxについては、2026年7月にリリースが予告されていました。

アリババが「Qwen3.8」のオープンモデル化を予告、「Claude Fable 5に次ぐ性能」で2.4兆パラメーターの大型モデル - GIGAZINE

Qwen3.8-Maxは、必要な専門家ネットワークだけを選択して動作させるMixture-of-Experts(MoE)方式を採用しています。総パラメーター数は2兆4000億ですが、推論時に使われるアクティブパラメーターは950億とされており、巨大なモデルの能力を維持しながら計算量を抑える設計です。扱えるコンテキストは最大100万トークン規模で、大規模なソースコード一式や大量の業務文書、長時間の動画などをまとめて処理できます。内訳は最大入力長が通常時で約99万1000トークン、思考モード有効時で約98万3000トークン、最大出力長が13万1000トークンとされています。

Qwen3.8-Maxは、画像や動画を単に理解するだけでなく、視覚情報を基に継続的に行動し、成果物を作成するマルチモーダルエージェントとしての能力も強化されています。例えば、画面や文書、図表などを読み取りながらウェブ検索や画像検索、コード実行などのツールを組み合わせ、情報収集、分析、操作、作成までを一連の作業として進めることが可能です。

Qwenチームは、Qwen3.8-MaxによってマルチモーダルAIが「世界を理解する」段階から、視覚を通じて現実のタスクに働きかけ続ける段階へ進んだとしています。また、コーディングと「Cowork」、つまり人間と協力して長時間の仕事を進める能力に重点を置いたモデルだとも位置付けています。


加えて、QwenチームはQwen3.8-Maxが人間の介入なしに長期間ソフトウェア開発を続けられる点も強調しています。約16日間に及ぶ完全自律運用によって、Qwen3.8-Maxが担当したリポジトリには265件のコミット、127件のプルリクエスト、151件のIssueが蓄積されており、AIが継続的に課題を発見し、コードを修正・拡張していく能力が示されたとしています。


また、QwenチームはQwen3.8-Maxに研究論文を再現させ、その論文の手法を上回る方法を探させる実験も行いました。対象となったのは、LLMの学習に使う大量のデータから、モデルが判断に迷いやすい「難しい分岐点」を多く含む例を選び出す研究「Unified Data Selection for LLM Reasoning」です。Qwen3.8-Maxには論文とGPUだけが与えられ、データ処理、学習、評価のためのコードや実験環境をゼロから構築する必要がありました。

実験では、Qwen3.8-Maxが約125時間にわたって自律的に作業し、約7600行のコードを作成して1100回以上の操作と33回のGPU学習を実施しました。最初の約37時間で論文の主要な6つの結果を再現した後、残る約88時間で「仮説の作成、実装、GPUによる実験、分析、再試行」というループを繰り返し、4ラウンドで18件の改善案を検証しました。その結果、難しい分岐点の数を利用する独自の選択手法に到達し、数学ベンチマークのAIME24で論文の再現結果である49.58％を2.71ポイント上回る52.29％に引き上げたと報告されています。

さらに、QwenチームはQwen3.8-MaxをAlibaba Cloudのコンテスト「WWW2025 Multimodal Dialogue Intent Recognition Challenge」に参加させ、人間の526チームと競わせました。Qwen3.8-Maxは24時間以内に、テキスト向けのBERT、MacBERT、RoBERTaと、画像向けのQwen2.5-VL-7Bなどを組み合わせたシステムを自律的に構築し、45回の提出を通じて正解率を0.600から0.853まで向上させました。その結果、526チーム中458チームを上回って上位13％に入り、評価結果を基に手法を修正しながら短時間で性能を高める能力を示したとQwenチームは説明しています。なお、この結果はClaude Fable 5とほぼ同等でした。

そして、Qwenチームは長期運用中に経験から学習する能力を調べるため、Alibaba傘下のECプラットフォームであるTaobao(淘宝)とTmall(天猫)の匿名化された実データを基にした365日間のEC運営シミュレーション「E-Commerce Bench」でもQwen3.8-Maxを評価しました。その結果、Qwen3.8-Maxは10万元(約210万円)の初期資金を41万6252元(約874万円)まで増やし、4.16倍のリターンを達成し、2位のGLM 5.2を38％、前世代のQwen3.7-Maxを152％上回りました。特に2000回を超えるやり取りを通じて同じ仕入れ先との交渉方法を改善し、継続的に仕入れ価格を引き下げた点から、過去の経験を生かして戦略を更新できるとQwenチームは説明しています。


Qwenチームが公表したベンチマークでは、Qwen3.8-Maxはコーディングや長期タスクで前世代から大幅に性能を伸ばしました。Terminal-Bench 2.1では86.6を記録し、Claude Fable 5とClaude Opus 4.8の84.6を上回った一方、GPT-5.6 Solの88.8には届きませんでした。また、SWE-bench Proは67.7、FrontierSWEは73.5でClaude Fable 5を下回りましたが、DeepSWE 1.1は前世代の21.6から56.6、JobBenchは31.3から53.4へと大きく向上しています。

論文再現や指示追従、マルチモーダル分野でも高いスコアを記録しており、PaperBenchでは93.0、IFBenchでは82.8となりいずれもClaude Fable 5を上回りました。GPQA DiamondではClaude Fable 5と同じ92.6、RealWorldQAでは88.0、MMMU-Proでは82.3、OSWorld-Verifiedでは86.1を記録したほか、Parametric CAD Benchは91.5、OmniDocBench 1.5は92.1となっています。一方で、Humanity's Last Examは43.6、Toolathlon Verifiedは72.5にとどまりました。Qwenチームの比較では画像理解や文書処理に強みを示したものの、複雑な推論やツール利用、既存コードの修正ではClaude Fable 5が上回る項目も多く残っています。

Qwenチームは、強化学習の規模を拡大するにつれて社内および公開ベンチマークのスコアが継続的に向上したと説明していますが、規模を拡大しさえすれば性能が上がるわけではないとも付け加えています。

Qwen3.8-MaxはQwen ChatやAlibaba CloudのModel Studioなどから利用できます。API料金は入力100万トークン当たり2ドル(約310円)、出力100万トークン当たり6ドル(約930円)で、キャッシュ済み入力は100万トークン当たり0.25ドル(約39円)とされています。

また、Qwen3.8-Maxは関数呼び出し、構造化出力、バッチ処理、文章の続きを生成するプレフィックス補完、ファインチューニングに対応します。Responses APIではコード実行、ウェブ検索、ウェブページからの情報抽出、画像検索などの組み込みツールも利用できます。

なお、AlibabaはQwen3.8-Maxを来週(2026年8月第3週)にオープンモデル化することを宣言しています。また、より小規模な「Qwen3.8-27B」のモデルウェイトも公開する方針も示されました。2兆4000億パラメーターのQwen3.8-Maxを自前で動かすには大規模なデータセンター環境が必要ですが、270億パラメーター版は一般的なGPU環境でも導入しやすいモデルです。