Qwen3.8-Flash-Next は 2026 年 8 月 26 日公開のオープンウェイトモデルで、総 125B・活性 6B の MoE です。ローカルで動かすには 1-bit 量子化でもメモリが 75GB 要ります。llama.cpp で起動し、OpenCode・Qwen Code・Codex からコーディングエージェントとして使う手順と、Claude Code では公式サポート外である点をまとめます。
SNSでシェアして、他のエンジニアにも教えてあげましょう
Qwen3.8-Flash-Next は、Alibaba の Qwen チームが 2026 年 8 月 26 日に公開したオープンウェイトのモデルです1。総パラメータは 125B ですが、1 トークンあたりに動くのは 6B だけの MoE（専門家の混合）なので、手元のマシンでもコーディングエージェントの頭脳として使えます。ただし、最も小さい 1-bit 量子化でもメモリ（RAM と VRAM の合計）が 75GB 必要です2。この記事では、必要なメモリの目安、llama.cpp・Ollama・MLX での起動、OpenCode・Qwen Code・Codex CLI への接続設定を説明します。Claude Code は Claude 以外のモデルでの利用が公式サポート外であることも押さえます。筆者の検証機（Intel Mac・メモリ 32GB）では本体を動かせませんでした。そのため、接続部分は代替の小さなモデル（Qwen3-0.6B）で実際に確かめています。
Qwen3.8-Flash-Next は、次の世代 Qwen4 の設計を先に試すためのプレビュー版です。Qwen の GitHub では「Qwen3-Next が Qwen3.5 に対して果たしたのと同じ役割」と説明されています3。同じ設計の本番向けの API 版が qwen3.8-flash です。こちらは 100 万トークンの文脈と公式の組み込みツールが付きます1。
| 項目 | 値 |
|---|---|
| 公開日 | 2026-08-263 |
| ライセンス | Qwen Community License 1.01 |
| パラメータ | 総 125B（活性 6B）＋ n-gram 埋め込み 51B ＋ MTP 4B1 |
| 文脈の長さ | 標準 262,144 トークン。YaRN で 100 万トークンまで拡張可1 |
| 入力 | テキスト・画像・動画（ビジョンエンコーダ付き）1 |
| 思考モード | enable_thinking（既定で有効）、reasoning_effort（low / medium / xhigh）1 |
MoE は、多数の「専門家」の中から、トークンごとに一部だけを使うしくみです。計算量は活性パラメータ（6B）に比例するので速く動きます。一方、すべての専門家の重みをメモリに載せる必要があるので、メモリは総パラメータの分だけ要ります。「速いのにメモリは大きい」のがこのモデルの特徴です。
理由は、ローカルで動くモデルとして、コーディングの評価が有料の最上位モデルに並んだからです。モデルカードによると、SWE-bench Pro で 62.5 と、Claude Opus 4.6（Max）の公表値 53.4 を上回りました1。SWE-bench Pro は、実際のリポジトリの課題を解かせる評価です。
検索の関心も動いています。Google トレンド（日本・過去 90 日、2026-10-07 取得）では、「Qwen」全体の伸びは 1.02 倍とほぼ横ばいです。一方、関連キーワードでは「qwen 3.8 flash next」「qwen 3.8 flash」が「急激増加」でした4。海外では、コンシューマー向け GPU で動かすコミュニティ製のツール「Strata」が GitHub で 1 万 5 千を超えるスターを集めています5。
| 週 | Qwen | GitHub Copilot |
|---|---|---|
| 07/08 | 9 | 11 |
| 07/15 | 10 | 7 |
| 07/22 | 7 | 7 |
| 07/29 | 6 | 7 |
| 08/05 | 7 | 5 |
| 08/12 | 10 | 5 |
| 08/19 | 7 | 7 |
| 08/26 | 8 | 7 |
| 09/02 | 5 | 6 |
| 09/09 | 5 | 6 |
| 09/16 | 8 | 3 |
| 09/23 | 10 | 4 |
| 09/30 | 7 | 6 |
モデルカードに載っているコーディング系の結果を、同時期の 27B（密なモデル）と比べます1。
| ベンチマーク | Qwen3.8-Flash-Next | Qwen3.8-27B | Claude Opus 4.6 (Max) |
|---|---|---|---|
| SWE-bench Pro | 62.5 | 61.7 | 53.4 |
| SWE-bench Multilingual | 81 | 73.8 | 77.5 |
| LiveCodeBench v6 | 91.9 | 90.3 | 88.8 |
読むときの注意が 2 つあります。
結論は、4-bit 量子化で動かすなら 96GB 以上、最低でも 75GB です。Unsloth の公式ドキュメントは、量子化ごとの必要メモリ（RAM と VRAM の合計）を次のように示しています。最小の量子化でも「96GB の RAM かユニファイドメモリの機器が望ましい」としています2。
| 量子化 | 必要メモリ（GB） |
|---|---|
| 1-bit | 75 |
| 2-bit | 79 |
| 3-bit | 90 |
| 4-bit（上限） | 114 |
| 5-bit | 163 |
| 8-bit | 200 |
| BF16 | 355 |
1-bit でも 75GB と大きいのは、n-gram 埋め込みなどの一部を 4-bit 以上で残しているためです2。上の必要メモリを機材に当てはめると、目安は次のとおりです（筆者による当てはめで、実機では確かめていません）。
| 機材 | 動かせる量子化の目安 |
|---|---|
| Apple Silicon の Mac（ユニファイドメモリ 128GB） | 4-bit（MLX 版は約 112GB6） |
| Apple Silicon の Mac（96GB） | 1〜3-bit |
| GPU 24GB ＋ RAM 64GB | 1〜2-bit（専門家の一部を CPU に置く） |
| メモリ 64GB 以下の PC・Mac | 本体は無理。API 版の qwen3.8-flash を使う |
コミュニティ製の Strata は、よく使う専門家だけを GPU に、残りを RAM と SSD に置いて、少ない VRAM で動かすツールです5。README の実測は、RTX 5070（12GB）・RAM 64GB で毎秒 94 トークンです。Windows と Linux 向けで、Mac には対応していません。Qwen の公式プロジェクトではないので、使う場合は自己責任で判断してください。
おすすめは llama.cpp の llama-server です。1 つのサーバーで、OpenAI 互換の Chat Completions、Codex が使う Responses API、Anthropic 互換の Messages API を出せます。どのエージェントからもつなげられます。llama.cpp は v0.4.0（2026 年 9 月 4 日）からこのモデルの構造に対応しました。ただし、最適化はまだ途中だとリリースノートに書かれています7。
# macOS（Apple Silicon）なら Homebrew で入る
brew install llama.cpp
llama-server --version
Hugging Face から Unsloth の GGUF を直接読み込んで起動します。-hf は「リポジトリ:量子化」の形です2。
llama-server -hf unsloth/Qwen3.8-Flash-Next-GGUF:UD-Q4_K_XL \
--jinja -c 131072 --alias qwen3.8-flash-next \
--temp 1.0 --top-p 0.95 --top-k 20 --min-p 0.0 \
--host 127.0.0.1 --port 8080
--jinja: モデルのチャットテンプレートを使います。OpenAI 形式のツール呼び出し（function calling）にはこれが必要です8-c 131072: 文脈の長さです。コーディングエージェントはシステムプロンプトだけで 1 万トークンを超えることが多いので、短くしすぎないようにします--temp 1.0 --top-p 0.95 --top-k 20 --min-p 0.0: 思考モードの推奨値です2この起動コマンドは、各フラグの公式ドキュメントを確かめて組み立てたものです。筆者の環境ではメモリが足りず、本体での起動までは確かめていません。
本体を落とす前に、小さなモデルで「サーバー → エージェント」の経路だけ先に確かめると、つまずきを切り分けやすくなります。筆者は Qwen3-0.6B（約 0.6GB）で次を実行しました。
llama-server -m Qwen3-0.6B-Q8_0.gguf --jinja -c 8192 --alias qwen-local --port 8080
OpenAI 互換の / にツールの定義を付けて送ると、ツール呼び出しが返りました。
$ curl -s localhost:8080/v1/chat/completions -H 'Content-Type: application/json' -d '{
"model": "qwen-local",
"messages": [{"role": "user", "content": "東京の天気を調べて"}],
"tools": [{"type": "function", "function": {"name": "get_weather",
"parameters": {"type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]}}}]
}' | jq -c '{finish_reason: .choices[0].finish_reason, tool_calls: [.choices[0].message.tool_calls[]?.function]}'
{"finish_reason":"tool_calls","tool_calls":[{"name":"get_weather","arguments":"{\"city\": \"Tokyo\"}"}]}
Anthropic 互換の / でも、tool_use が返りました。
{"stop_reason":"tool_use","content":[{"type":"tool_use","name":"get_weather","input":{"city":"大阪"}}]}
ここまで通れば、モデルを Qwen3.8-Flash-Next に差し替えるだけです。
Ollama には公式ライブラリのタグがあります9。4-bit の q4_K_M は 120GB です。
ollama run qwen3.8-flash-next:125b-a6b-q4_K_M
Apple Silicon の Mac なら MLX 版も選べます。Qwen の公式 README は、対応ランタイムとして mlx-vlm を挙げています（画像入力があるため mlx-lm ではありません）3。
pip install git+https://github.com/Blaizzy/mlx-vlm
mlx_vlm.generate --model mlx-community/Qwen3.8-Flash-Next-4bit --prompt "Hello" --max-tokens 256
MLX 版のモデルカードには、変換の時期によっては出力が崩れる不具合があったと注意書きがあります6。新しい版を使ってください。
結論は、OpenCode と Qwen Code は設定ファイルだけでつながり、Codex CLI は Responses API 経由でつながるです。Claude Code は技術的にはつなげますが、Anthropic は Claude 以外のモデルでの利用をサポートしていません10。
| エージェント | つなぐ API | 設定する場所 | 公式のサポート |
|---|---|---|---|
| OpenCode | Chat Completions（/） | opencode.json の provider | あり（OpenAI 互換プロバイダー）11 |
| Qwen Code | Chat Completions（/） | ~/ | あり12 |
| Codex CLI | Responses（/） | ~/ の model_providers | あり（独自プロバイダー）13 |
| Claude Code | Messages（/） | 環境変数 ANTHROPIC_BASE_URL | なし（Claude 以外は対象外）10 |
プロジェクトの直下に opencode.json を置きます。OpenCode の公式ドキュメントにある OpenAI 互換プロバイダーの書き方です11。
{
"$schema": "https://opencode.ai/config.json",
"provider": {
"llama.cpp": {
"npm": "@ai-sdk/openai-compatible",
"name": "llama-server (local)",
"options": { "baseURL": "http://127.0.0.1:8080/v1" },
"models": {
"qwen3.8-flash-next": {
"name": "Qwen3.8-Flash-Next (local)",
"limit": { "context": 131072, "output": 65536 }
}
}
}
}
}
models のキー（qwen3.8-flash-next）は、llama-server の --alias と合わせます。OpenCode を起動して / でこのモデルを選びます。
Qwen 公式の CLI エージェント Qwen Code は、~/ に OpenAI 互換のプロバイダーを書きます12。公式の例は Ollama・vLLM・LM Studio です。下はそれを llama.cpp のポート 8080 に置き換えたものです。
{
"env": { "LLAMA_API_KEY": "not-needed" },
"modelProviders": {
"openai": [
{
"id": "qwen3.8-flash-next",
"name": "Qwen3.8-Flash-Next (llama.cpp)",
"envKey": "LLAMA_API_KEY",
"baseUrl": "http://127.0.0.1:8080/v1",
"generationConfig": { "contextWindowSize": 131072, "timeout": 300000 }
}
]
},
"security": { "auth": { "selectedType": "openai" } },
"model": { "name": "qwen3.8-flash-next" }
}
Codex CLI の独自プロバイダーは、Responses API（wire_api = "responses"）だけに対応しています13。llama-server は / を出すので、そのままつながります。
# ~/.codex/config.toml
model = "qwen3.8-flash-next"
model_provider = "llamacpp"
[model_providers.llamacpp]
name = "llama.cpp"
base_url = "http://127.0.0.1:8080/v1"
env_key = "LLAMA_API_KEY"
wire_api = "responses"
export LLAMA_API_KEY=not-needed
codex
筆者が代替モデルで試したところ、llama-server がリクエストを受け取るところまでは確認できました。ただし、Codex のシステムプロンプト（約 1.5 万トークン）の読み込みが CPU だけでは遅く、応答までは確かめられませんでした。GPU やユニファイドメモリの機材で使ってください。--oss オプションで選べるのは Ollama と LM Studio だけです13。
llama-server は Anthropic 互換の / を出します。llama.cpp 側は ANTHROPIC_BASE_URL=http:/ という使い方を紹介しています14。しかし Anthropic の公式ドキュメントは、ゲートウェイ経由で Claude Code を Claude 以外のモデルにつなぐことはサポートしないと明記しています10。
Qwen は自社の SWE-bench Pro の評価に Claude Code のハーネスを使っています1。それでも、業務で使うなら、公式にサポートされる OpenCode・Qwen Code・Codex を選ぶのが安全です。
ローカルで動かす利点は、コードを外に出さずに済むことと、使った分の料金がかからないことです。一方、速さと最上位の性能はクラウドのモデルが上です。筆者は次のように分けるのが現実的だと考えます。
| 工程 | ローカルの Qwen3.8-Flash-Next | クラウドの最上位モデル |
|---|---|---|
| 機密コードの読解・要約 | ◎ 外に出さない | 社内の規程しだい |
| 定型のリファクタリング・テストの追加 | ◎ 何度回しても無料 | ○ |
| 大きな設計・難しい不具合の調査 | △ | ◎ |
| CI での大量の自動レビュー | ○ 機材があれば | ○ 料金に注意 |
機材が足りないときは、同じ系統の API 版 qwen3.8-flash が使えます。料金は 100 万トークンあたり入力 $0.15、出力 $0.47 で、文脈は 100 万トークンです15。OpenAI 互換の API なので、上の OpenCode や Qwen Code の設定の baseUrl を差し替えるだけで切り替えられます。
| 症状 | 原因 | 対処 |
|---|---|---|
| 読み込みの途中で落ちる・極端に遅い | メモリ不足でスワップしている | 1 段小さい量子化にするか、--n-cpu-moe で専門家の一部を CPU に置く8 |
| ツールを呼ばずに文章で答える | --jinja が無効、または文脈が短い | --jinja を付け、-c を 32K 以上にする811 |
| エージェントの最初の応答まで数分かかる | システムプロンプトの読み込み（プロンプト処理）が遅い | GPU に載せる層を増やす。キャッシュが効く 2 回目以降は速くなる |
| MLX で出力が崩れる | 古い変換のモデル | 新しい mlx-community 版と最新の mlx-vlm を使う6 |
codex --oss で llama.cpp を選べない | --oss は Ollama と LM Studio だけ | config.toml に独自プロバイダーを書く13 |
llama-server --jinja で起動すれば、Chat Completions・Responses・Messages の 3 つの API が出るqwen3.8-flash（入力 $0.15・出力 $0.47）で同じ設定を使い回せる次にやることとして、まず小さなモデルで llama-server --jinja を起動し、使いたいエージェントからツール呼び出しが通るかを確かめてください。通ったら、機材に合った量子化の Qwen3.8-Flash-Next に差し替えます。
Unsloth の公式ドキュメントでは、RAM と VRAM の合計で 1-bit が 75GB、2-bit が 79GB、3-bit が 90GB、4-bit が 96〜114GB です2。96GB 以上の機材が推奨されています。
Flash-Next はオープンウェイトのプレビュー版です。Flash はそれをもとにした API 版で、100 万トークンの文脈と公式の組み込みツールが付きます1。手元で動かすなら Flash-Next、API で使うなら Flash です。
ライセンスは Qwen Community License 1.0 です1。Apache-2.0 の 27B とは条件が違うので、商用で使う前に Hugging Face のライセンス本文を確認してください。
メモリが 96GB 以上あれば Flash-Next です。SWE-bench Pro などで 27B を上回り、活性 6B なので生成も速くなります1。メモリが少ない機材では、密な 27B の方が量子化しても載せやすくなります。
llama-server の Anthropic 互換 API に ANTHROPIC_BASE_URL を向ければ動かせます14。しかし Anthropic は、Claude 以外のモデルでの利用をサポートしていません10。業務では OpenCode・Qwen Code・Codex を使うのが安全です。
Apple Silicon でユニファイドメモリが 96GB 以上あれば、llama.cpp（Metal）か MLX で動かせます26。Intel Mac やメモリ 64GB 以下の Mac では、本体を動かすのは現実的ではありません。
Qwen/Qwen3.8-Flash-Next — Qwen（Hugging Face）, 2026-08 公開・2026-08-27 更新（2026-10-07 参照） ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10 ↩11 ↩12 ↩13 ↩14
Qwen3.8-Flash-Next: How to Run Locally — Unsloth（2026-10-07 参照） ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7
QwenLM/Qwen3.8-Flash-Next — Qwen（GitHub）, 2026-08-26（2026-10-07 参照） ↩ ↩2 ↩3
Google トレンド：Qwen ほか（日本・過去 90 日） — Google, 2026-10-07 取得 ↩
Niko1221/Strata — コミュニティ（GitHub、MIT ライセンス）, 2026-09-24 作成（2026-10-07 参照） ↩ ↩2
mlx-community/Qwen3.8-Flash-Next-4bit — mlx-community（Hugging Face）, 2026-09-02（2026-10-07 参照） ↩ ↩2 ↩3 ↩4
llama.cpp v0.4.0 — ggml-org（GitHub）, 2026-09-04（2026-10-07 参照） ↩
llama.cpp server README — ggml-org（GitHub）（2026-10-07 参照） ↩ ↩2 ↩3
qwen3.8-flash-next tags — Ollama（2026-10-07 参照） ↩
Other LLM gateways — Anthropic（2026-10-07 参照） ↩ ↩2 ↩3 ↩4
Model Providers — Qwen Code Docs（2026-10-07 参照） ↩ ↩2
Codex Config Reference — OpenAI（2026-10-07 参照） ↩ ↩2 ↩3 ↩4
New in llama.cpp: Anthropic Messages API — Hugging Face Blog, 2026-01-19（2026-10-07 参照） ↩ ↩2
Qwen3.8-Flash — Qwen Cloud（2026-10-07 参照） ↩