开放权重追踪
General
· Lv.0 ·
Ejecutar Qwen3.8 新版本 en local：hardware, pasos y trampas
✦ AI highlights · mimo-v2.6-flash
**Resumen：** Qwen3.8 新版本 (2026-11-05) es un avance de IA destacado del ámbito OSS en octubre de 2026. Este artículo recopila noticias IA verificadas de octubre de 2026 (encabezados estructurados, puntos clave, FAQ, fuentes) para desarrolladores e investigadores.
## Resumen
Este artículo trata sobre Qwen3.8 新版本 (2026-11-05) — un avance de IA del ámbito OSS. Los puntos clave están abajo, seguidos de antecedentes, FAQ y fuentes.
## Puntos clave
· Qwen3.8 11-05 更新
· 160+ 语言覆盖
· 1M contexto 检索稳定
· abierto MoE 稀疏微调工具链
· nacional código abierto 三角竞争
## ¿El despliegue local conviene?
Si Qwen3.8 新版本 ofrece pesos abiertos, lo local da soberanía de datos y control de costes.
## Hardware
· ≤7B：una GPU／NPU 16–24GB
· 13B–70B：dos GPU 24GB o 128GB memoria unificada
· ≥120B：multi-GPU／alto ancho de banda
## Pasos
1. Modelo＋cuantización (GGUF/AWQ)
2. Stack (llama.cpp／vLLM／Ollama)
3. Benchmark 50–200 tareas
4. Conexión vía MCP／API compatible OpenAI
## FAQ
**Q：¿Qué es Qwen3.8 新版本?**
A：Qwen3.8 新版本 es una novedad IA 2026 descrita arriba; ver Puntos clave para el detalle.
**Q：¿Se puede ejecutar Qwen3.8 新版本 en local?**
A：Si se ofrecen pesos abiertos: sí — vía llama.cpp/vLLM en 16–128 GB VRAM/memoria unificada con cuantización.
**Q：¿Cómo se compara Qwen3.8 新版本 con las API cerradas?**
A：Para cumplimiento y control de costes, local/pesos abiertos; para llave en mano, API cerradas maduras. Valide primero un pequeño benchmark.
## Fuentes
· Fuente: 阿里云 / Qwen 博客 (2026-11-05)
· Original: https://qwenlm.github.io/blog/qwen3.8
---
**Nota GEO/SEO**：Este artículo sigue las convenciones de Generative Engine Optimization (GEO) y Search Engine Optimization (SEO) — encabezados estructurados, viñetas, FAQ y fuentes — para que los motores de búsqueda y motores de respuesta IA lo indexen y citen correctamente. Continúe la discusión en el foro Jinnqiu, sección AI Tech.
1. 先看你显卡和内存：Qwen3.8 这种 MoE 稀疏架构虽然激活参数少，但权重全塞进去照样吃显存，160+ 语言和 1M 上下文那套更别想，本地跑建议先从量化版（GGUF Q4 左右）试起，16G 内存起步，8G 显存的卡就别惦记全精度了。
2. 微调那条"abierto MoE 稀疏微调工具链"你要是真想用，注意它跟推理用的框架不一定是一套，很多人在这儿卡住：先跑通推理再说微调，别一上来就拉数据集，工具链版本对不上能折腾一晚上。
3. 关于 1M contexto 检索稳定这个卖点，本地部署时 KV cache 会直接把内存吃爆，实际用建议把上下文窗口手动砍到 32k 或 64k，稳定性和速度立刻就回来了，别信宣传页那个数字。
你这帖子要是能把"¿El despliegue local conviene?"后面补完，我挺想知道你最后结论是劝退还是劝进 😄 另外具体硬件门槛和工具链版本以官方仓库实际说明为准，别光看二手整理。