Qwen3.8-Max de Alibaba, de pesos abiertos, apunta a tareas de IA de largo horizonte con 2,4 billones de parámetros

Alibaba presentó Qwen3.8-Max, su modelo de lenguaje más capaz hasta la fecha. Escala a 2,4 billones de parámetros totales, con 95.000 millones activos por consulta bajo una arquitectura de mezcla de expertos, y ventana de contexto de un millón de tokens. El foco declarado por el equipo Qwen no es responder mejor un prompt aislado, sino completar tareas complejas de forma autónoma durante días.

Es el primer modelo de la clase Qwen-Max cuyos pesos se publicarán abiertamente. Alibaba anunció que los liberará en Hugging Face y ModelScope la próxima semana. El modelo ya está disponible vía QwenCloud y soporta tanto el formato Chat Completions de OpenAI como el protocolo de API de Anthropic, lo que le permite conectarse directamente a Claude Code, Codex, Qoder CLI, Qwen Code y OpenClaw.

¿Qué logró el modelo trabajando solo?

El equipo publicó cinco casos de estudio sin intervención humana. En el primero, Qwen3.8-Max pasó 16 días construyendo la herramienta de línea de comandos oh-my-cli: tomaba solicitudes de usuarios, las convertía en issues de GitHub, se las autoasignaba, escribía el código y corría los tests. Al 30 de julio de 2026 acumulaba 265 commits, 127 pull requests y 151 issues, sin que una persona tocara el repositorio.

En el segundo caso recibió un paper de investigación sin código base y debió reproducir sus resultados y mejorarlos. En unos cinco días y cerca de 125 horas de cómputo escribió 7.600 líneas de código, corrió 33 trabajos de entrenamiento en GPU, reprodujo los seis resultados principales y superó el método original del paper por 2,7 puntos en el benchmark de matemáticas AIME24.

En el tercero compitió en un desafío de reconocimiento de intención en diálogo multimodal donde participaban 526 equipos humanos. En 24 horas y 45 envíos subió la exactitud de 0,60 a 0,853, quedando por delante de 458 de esos 526 equipos.

¿Por qué importan las pruebas de horizonte largo?

Dos casos adicionales apuntan a tareas que se extienden por cientos de rondas de interacción. En el primero, el modelo diseñó un bloque criptográfico partiendo de una versión funcional pero sobredimensionada de 8.298 compuertas lógicas y la redujo a 678 compuertas tras unas 500 iteraciones. Con una pasada de layout automático, el área física del chip bajó de 106x106 a 46x46 micrómetros, una reducción del 81%.

El segundo es E-Commerce-Bench, una simulación de un año fiscal completo de comercio online construida con datos anonimizados de Taobao y Tmall. El modelo parte con 100.000 yuanes y debe operar varias tiendas en paralelo: comprar productos, negociar con proveedores en lenguaje natural, ajustar precios, gestionar devoluciones y sortear crisis como tifones o quiebres de cadena de suministro. Entre los proveedores hay 152 estafadores escondidos que debe detectar. Qwen3.8-Max cerró con 416.252 yuanes, cuadruplicando su capital inicial, un 38% más que el segundo lugar y más de 2,5 veces lo que logró su antecesor Qwen3.7-Max.

¿Cómo se compara con Claude, GPT y los modelos chinos?

En las tablas publicadas por el equipo Qwen, el modelo se ubica cerca o por encima de Claude Opus 4.8, Claude Fable 5 y GPT-5.6 Sol en varias categorías. Alcanza 93 en PaperBench, el puntaje más alto de la comparación, y 86,6 en TerminalBench 2.1, por detrás del 88,8 de GPT-5.6 Sol. Como ocurre con todo número autorreportado por un fabricante de modelos, estos resultados provienen de corridas internas y aún no hay verificación independiente.

Su rival más directo también es chino: Moonshot AI liberó Kimi K3 con pesos abiertos el 27 de julio, un modelo multimodal de 2,8 billones de parámetros y un millón de tokens de contexto. Las pruebas independientes moderaron esas afirmaciones, ya que K3 quedó bastante por debajo de los modelos frontera occidentales en capacidades de ciberseguridad y matemáticas complejas.

¿Qué cambia para una empresa en Chile o Latinoamérica?

Para un equipo comercial en Chile o Latinoamérica el dato relevante no es el conteo de parámetros, sino dos cosas concretas. La primera es que los pesos abiertos permiten desplegar el modelo en infraestructura propia, algo que importa cuando el dato de clientes no puede salir del país o del proveedor cloud contratado. La segunda es la compatibilidad de protocolo: al hablar el formato de OpenAI y el de Anthropic, cambiar de modelo deja de ser un proyecto de migración y pasa a ser un cambio de configuración.

Alibaba también presentó RecreationBench, un benchmark que exige reconstruir aplicaciones en funcionamiento sin acceso al código fuente, observando la aplicación solo mediante clics y teclado, con pruebas en Ubuntu, macOS, Windows, Android y web. Junto con eso liberó Qwen-MM-Plugins, una librería que agrega procesamiento de imagen y video, uso de herramientas visuales y memoria multimodal a sistemas de agentes existentes.

Análisis de Revenue Hub

La noticia real aquí no es que un modelo chino se acerque a la frontera occidental. Es que el precio de la autonomía está cayendo. Un modelo que sostiene 16 días de trabajo sin supervisión y que administra una operación de comercio simulada durante un año fiscal cambia la conversación sobre qué tareas de un equipo comercial son delegables. Hasta ahora la discusión giraba en torno a redactar correos y resumir llamadas. Ahora se abre la pregunta por procesos completos: mantener la higiene del CRM, reconciliar datos entre sistemas, monitorear señales de cuentas.

Para un líder comercial en Chile o Latinoamérica esto tiene una implicancia de costo directa. La combinación de pesos abiertos más compatibilidad con los protocolos de OpenAI y Anthropic reduce el costo de cambio entre proveedores de modelo. Quien diseñe hoy su capa de agentes acoplada a un único proveedor va a pagar esa decisión en 12 meses. La recomendación es simple: separa la lógica de negocio del modelo que la ejecuta, y trata al proveedor como una pieza reemplazable, no como una plataforma.

El riesgo también es concreto. Los números son autorreportados y los casos de estudio están diseñados por el propio fabricante. Antes de mover un proceso productivo a un modelo nuevo, corre tu propia evaluación con tus datos y tus criterios de éxito. Si quieres entender cómo se traduce esto a la operación de ingresos, revisa nuestra sección de IA en ventas y el blog de Revenue Hub.