Qwen3.8-Max Agora disponível em QwenCloud Para codificação de longo horizonte, trabalho profissional e tarefas multimodais

Com 2,4 trilhões de parâmetros totais, 95 bilhões de parâmetros ativos, e uma janela de contexto de 1 milhão, o modelo MoE é construído para codificação de horizontes longos, trabalho profissional, compreensão multimodal, e entrega confiável de tarefas.

1. Visão geral

Qwen3.8-Max Está agora disponível em QwenCloud. Construído sobre o Qwen3.5 arquitetura, o modelo usa um projeto Mixture-of-Experts com 2,4 trilhões de parâmetros totais e 95 bilhões de parâmetros ativos. Aceita texto, imagem e entrada de vídeo e suporta uma janela de contexto de 1 milhão de token. Através de codificação, trabalho profissional, pesquisa, e tarefas de longo horizonte, Qwen3.8-Max é projetado para planejar trabalho em várias etapas, usar ferramentas, responder ao feedback de execução, verificar resultados, e entregar código, relatórios, análises e aplicações interativas. Qwen3.8-Max Será também o primeiro Qwen Modelo de classe máxima com pesos abertos. Os pesos estão planejados para serem liberados na próxima semana. Leia maisQwen3.8 "Artigo de liberação completa" (https://qwen.ai/blog?id=qwen3.8) [Imagem.Png] (https://img.alicdn.com/imgextra/i4/O1CN01GVxROKRmKPC713JA_!!6000000002982-2-tps-3456-1944.png) *Figura 1. Qwen3.8-Max Performance geral.

- Dois. Detalhes do modelo

Qwen3.8-MaxUm modelo de bandeira para entrega de ponta a ponta.

Modelo nome / versão: Qwen3.8-Max (qwen3.8-max) Um modelo emblemático para codificação de horizontes longos, trabalho profissional, pesquisa e tarefas multimodais, cobrindo planejamento, uso de ferramentas, execução e verificação em contextos longos.

Especificações

Para preços atuais, limites de taxa e capacidades de API, veja [Detalhes do modelo] (https://www.qwencloud.com/models/qwen3.8-max) e a [Referência API] (https://www.qwencloud.com/models/qwen3.8-max#api-reference). Qwen3.8-Max Agora está disponível para testes online e acesso à API.

3. Capacidades do modelo

Codificação e Pesquisa

Codificação Autônoma Multi-Dia

Qwen3.8-Max pode começar de uma pasta vazia e conectar a entrada de requerimento, envio de emissão, geração de código, testes, pré-visualizações, e recuperação em um processo de execução. Em uma execução autônoma de codificação, o modelo operou por aproximadamente 16 dias e completou 265 commits, 127 pedidos de tração e 151 problemas. Cada atualização foi seguida por construções, testes unitários, testes de ponta a ponta, e verificação do ciclo de vida do desktop, com falhas encaminhadas de volta para correção.

Pesquisa Reprodução e Melhoria Iterativa

Em uma tarefa de pesquisa reprodução com duração de aproximadamente 125 horas, Qwen3.8-Max começou com um papel e acesso GPU, então construiu o processamento de dados, treinamento e fluxo de trabalho de avaliação. Escreveu cerca de 7.600 linhas de código, tomou mais de 1.100 ações, e completou 33 treinamentos GPU. O modelo usou aproximadamente 37 horas para reproduzir seis achados principais, e depois passou mais 88 horas testando 18 ideias de melhoria. O método resultante melhorou a pontuação do AIME24 em 2,7 pontos sobre a abordagem do jornal.

Uma competição multimodal de 24 horas.

No Desafio de Reconhecimento de Intenção de Diálogo Multimodal 2025 da WWW, Qwen3.8-Max Interpretação completa de regras, preparação de dados, treinamento de modelos, fusão e submissão em 24 horas. Em 45 submissões, a precisão subiu de 0,60 para 0,853. O resultado final ficou à frente de 458 das 526 equipes, colocando-o no top 13%. *Leia mais * [*Full coding and research case studies *https://qwen.ai/blog?id=qwen3.8)

Trabalho Profissional

Qwen3.8-Max é projetado para vários passos de fluxos de trabalho profissionais em serviços jurídicos, finanças, design e análise de engenharia. Ambientes de treinamento escalam em três dimensões - tarefas, espaços de trabalho e arnês de agente - para cobrir vários arquivos, múltiplos passos e trabalhos multi-dia. O modelo pode operar através de QwenWork, Claude Code, Codex, OpenClaw, e Hermes. [Imagem.Png] (https://img.alicdn.com/imgextra/i1/O1CN01EoEDqb6YNPK713JA_!!6000000003318-2-tps-3456-1944.png) *Figura 2. Desempenho agregado em mais de 10 benchmarks orientados para o trabalho, conforme o número de ambientes reais de RL aumenta. [Imagem.Png] (https://img.alicdn.com/imgextra/i2/O1CN01wkxCN8B8AjF7137i_!!6000000002213-2-tps-3456-1234.png) Figura 3. Qwen3.8-Max Performance em diferentes arreios de agentes.

Representante Profissional Fluxos de Trabalho

Leia centenas de documentos e identifiquei 1.284 cláusulas relevantes em menos de uma hora.

UI/UX design: Gerou um protótipo interativo de oito páginas de alta fidelidade com um sistema de design consistente.

Engenharia estrutural: Reconstruído um modelo sísmico de um prédio de escritórios de 30 andares em um navegador de um único desenho, com acesso interativo a períodos, cisalhamento de base, e razões de deriva inter-story.

Analisando esportes, converteu aproximadamente 8.400 bens ofensivos e defensivos por jogador em perfis táticos e relatórios de treinamento.

Pesquisa quantitativa: expandiu seis descrições de fatores curtos em 50 direções de pesquisa por categoria, enviou aproximadamente 330 subagentes, e completou cerca de 6.000 retrotestes. Fatores selecionados atingiram excesso de proporção de Sharpe de 0,64 a 1,48.

• Leia mais * [* Trabalho profissional completo e estudos de caso de pesquisa quantitativa *https://qwen.ai/blog?id=qwen3.8)

Tarefas de Longo Horizonte

Design de chips em centenas de ciclos de feedback

Qwen3.8-Max pode trabalhar através da implementação RTL, simulação, síntese e design físico usando Iverilog, Yosys, e OpenROAD. Para um acelerador criptográfico GCD/RSA, o modelo completou aproximadamente 500 interações, 71 avaliações e 13 etapas principais, reduzindo seu primeiro projeto de trabalho de 8.298 portões para 678. A área física caiu de 106 × 106 μm2 para 46 × 46 μm2, uma redução de 81%. O comprimento total do fio diminuiu de 33.369 μm para 4.187 μm, com o fechamento do tempo alcançado em 500 MHz.

Uma simulação de negócios de 365 dias.

A E-Commerce Bench simula um ano inteiro de varejo online em 12 tipos de lojas, 60 categorias de produtos, quase 600 fornecedores e 7 mil produtos. Começando com ¥100.000, o modelo lidou com seleção de produtos, negociação de fornecedores, inventário, preços dinâmicos, retornos, demanda sazonal, rupturas na cadeia de suprimentos e 152 comerciantes fraudulentos. Depois de mais de 2.000 interações, Qwen3.8-Max terminou com 416.252 ¥ em dinheiro, um retorno de 4,16× e 38% mais do que o resultado do segundo lugar. [Imagem.Png] (https://img.alicdn.com/imgextra/i1/O1CN01ZM4hfd26Gt7VRdXvL_!!6000000007635-2-tps-3456-1944.png) Figura 4. Trajetória de equilíbrio do final do ano e classificação final na simulação de 365 dias de comércio eletrônico. *Ler mais * [*Projeto de chips completo e estudos de caso de simulação de negócios *https://qwen.ai/blog?id=qwen3.8)

Agentes Multimodais

Qwen3.8-Max aceita texto, imagens e vídeo e pode usar informações visuais durante o planejamento, execução e verificação:

Análise de documentos longos**: Entenda textos, gráficos e layouts em relatórios financeiros e PDFs complexos superiores a 200 páginas, então produza relatórios estruturados ou entregas web.

"Compreensão de vídeo longo" "... vídeos de processo superiores a 100 horas e organizar pessoas, eventos, horários e cenas em uma estrutura de relacionamento pesquisável."

Produção visual**: Transforme imagens pessoais em um vlog, converta um problema em uma animação instrucional, reconstrua um projeto frontend de uma imagem, ou construa uma cena 3D Blender de uma planta de chão.

** Verificação visual**: Leia screenshots e renderized output durante a geração, em seguida, reveja interfaces, modelos 3D, ou aplicações interativas com base em feedback visual. [Imagem.Png] (https://img.alicdn.com/imgextra/i3/O1CN01BTeBJaptW9I713JA_!!6000000002250-2-tps-3456-1944.png) *Figura 5. Gerando uma cena 3D de uma planta de chão e móveis combinando através de feedback visual. *Ler mais * [*Full multimodal-agent estudos de caso e vídeos *https://qwen.ai/blog?id=qwen3.8)

Feedback do usuário

Qwen3.8-Max foi avaliado em ferramentas de codificação e design, produtos de agentes de longo horizonte, pesquisa científica e de engenharia, e trabalhos profissionais intensivos em documentos. O feedback se concentrou na velocidade de execução, planejamento dinâmico, uso de ferramentas estáveis, compreensão multimodal e conclusão de tarefas de ponta a ponta. As cartas abaixo reproduzem uma seleção de feedback baseado em testes práticos e uso de produção. [Imagem.Png] (https://img.alicdn.com/imgextra/i2/O1CN01kly8puTpfwK713JA_!!6000000004201-2-tps-3456-1944.png) *Figura 6. Retorno selecionado do usuário através de codificação, pesquisa científica, agentes de longo horizonte, e inteligência de documentos. *Ler mais * [*Reaplicação adicional do usuário *]https://qwen.ai/blog?id=qwen3.8)

Resultados da Avaliação Completa

Qwen3.8-Max é avaliada através de agentes codificadores, agentes gerais, capacidades profissionais, raciocínio multimodal, agentes visuais, documentos e inteligência de escritório, compreensão do mundo real, e inteligência de vídeo. A Figura 1 fornece uma visão sumária, os resultados completos estão listados abaixo. Para o contexto de avaliação mais amplo e apresentação original, veja o [Qwen3.8 Artigo completo de lançamento.https://qwen.ai/blog?id=qwen3.8).

Texto, codificação e agentes

Notas de avaliação 1. Os resultados da Fable5 podem envolver recuos. 2. Terminal Bench 2.1: avaliado com Claude Code (avg@10), usando um tempo de 5 horas e max_tokens=131,072. Para todos os outros modelos, a tabela relata a melhor pontuação publicada entre os arreios: Claude Opus 4.8 e Claude Fable 5 com [Terminus 2 da Análise Artificial] (https://artificialanalysis.ai/evaluations/terminalbench-v2-1), e GPT-5.6 Sol com [Código] (https://openai.com/index/previewing-gpt-5-6-sol/). 3. Avaliado com o arnês do Claude Code, temp=1.0, top_p=0.95, e uma janela de contexto 256K. As tarefas problemáticas foram corrigidas e todas as linhas de base foram avaliadas no referencial refinado. 4. Avaliado com o código Claude e mini-arreios de agentes, temp=1.0, top_p=0.95, e uma janela de contexto 256K. A tabela relata a pontuação maior entre os dois arreios; Qwen3.8-Max Ele é o melhor em Claude Code. 5. Avaliado com o arnês do Claude Code. Para evitar hackear recompensas, Bash comanda que tente acessar o repositório específico, como pip download, pip install, e git clone- estavam incapacitados. 6. Avaliado com o arnês do Claude Code. Todos os outros resultados disponíveis de MEAT@5 são retirados da tabela oficial da FrontierSWE a partir de 3 de agosto de 2026. As pontuações de domínio foram recomputadas das notas brutas usando o roteiro de avaliação oficial. "-" indica que nenhum resultado oficial de MEAN@5 estava disponível a partir dessa data. 7. Avaliado com Claude Code usando um tempo de 5 horas e max_tokens=131,072. Todas as outras pontuações do modelo são tiradas da tabela oficial. 8. Avaliado no ajuste do agente básico sob o modo código-dev, julgado por Claude Opus 4.6, e em média em 3 corridas, com um máximo de 12 horas por corrida. 9. Avaliação do subconjunto público de 95 tarefas, relatando as pontuações de Avg@3. 10. QwenSWEBenchUm padrão interno de codificação para a capacidade de engenharia de software. Avaliado com o arnês Claude Code, relatando avg@3 com um tempo de 8 horas, max_tokens=32,768, temperature=1.0E uma janela de contexto de 256K. 11. QwenQoderBenchUm parâmetro de codificação interno para experiência de usuário em Qoder. Avaliado com o arnês Claude Code, relatando avg@5 com um tempo de 6 horas, max_tokens=32,768, temperature=1.0E uma janela de contexto de 256K. 12. QwenReactBenchUm benchmark interno de construção de projetos usando Claude Code como arreio, bilíngue em inglês e chinês, abrangendo 7 categorias, com auto-renderização, um juiz multimodal, e BT/Elo classificação. 13. QwenSVGBench Uma referência de geração de código SVG interna, bilíngue em inglês e chinês, com auto-renderização, um juiz multimodal, e classificação BT/Elo. 14. Um benchmark de trabalho interno para tarefas de longo horizonte em ciência da computação, finanças, leis, medicina e outros domínios de produtividade. 15. Avaliação do índice de desempenho público de habilidades bench v1.1 em 87 tarefas, relatando a pontuação média de 3 corridas por tarefa. Opus 4.8 e Fable 5 foram avaliados no Claude Code, GPT-5.6 Sol no Codex, e o Qwen Série no OpenCode. Todos os resultados são desta avaliação. 16. Avaliado no subconjunto público de 600 tarefas. 17. Modelos externos foram avaliados com o arnês do Claude Code e Qwen modelos com o Qwen-Agent Arnês, reportando item médio F1 em 4 corridas. 18.

• Um milhão de dólares, avaliado usando gemini-3.1-pro-preview.

Avaliado usando gemini-3.1-pro-preview. 20. As pontuações ainda não estão disponíveis ou não são aplicáveis.

Inteligência multimodal, visual e documental

| Benchmark | Opus4.8 | Fable5 | Gemini3.1-Pro | GPT5.6-Sol | Qwen3.7-Plus | **Qwen3.8-Max** |
| --- | --- | --- | --- | --- | --- | --- |
| **Multimodal Reasoning** |  |  |  |  |  |  |
| MMMU-Pro | 75.6 | 81.2 | 80.5 | 83.0 | 79.0 | 82.3 |
| MathVision | 87.1 / 97.1 | 92.7 / 98.6 | 87.4 / 95.7 | 90.8 / 97.8 | 90.3 / -- | 95.2 / 97.7 |
| BabyVision | 28.4 / 81.2 | 42.5 / 90.5 | 55.9 / 68.3 | 65.5 / 88.9 | 64.7 / 70.4 | 82.0 / 91.3 |
| HLE-VL (w/ Tools) | \-- | \-- | 43.9 | 51.2 | 25.6 | 52.2 |
| ZeroBench (Pass@5) | 17.0 / 34.0 | 20.0 / 46.0 | 17.0 / 23.0 | 22.0 / 35.0 | 19.0 / 19.0 | 24.0 / 49.0 |
| ZeroBench-Sub | 31.1 | 37.1 | 36.5 | 46.7 | 41.0 | 48.5 |
| LogicVista | 76.7 | 85.7 | 82.6 | 89.7 | 84.3 | 91.9 |
| HiPhO | 69.3 | 78.6 | 85.4 | 86.8 | 84.1 | 90.0 |
| PhyX | 54.2 | 71.7 | 79.4 | 79.1 | 80.0 | 83.5 |
| SLAKE | 75.9 | 86.6 | 82.9 | 85.1 | 83.2 | 90.8 |
| MedXpertQA-MM | 71.7 | 80.0 | 80.7 | 81.5 | 71.0 | 80.4 |
| PMC-VQA | 59.2 | 63.2 | 62.5 | 62.3 | 63.4 | 66.2 |
| **Visual Agent & Coding** |  |  |  |  |  |  |
| OSWorld-Verified | 83.4 | 85.0 | 76.2 | 83.2 | 73.3 | 86.1 |
| OSWorld 2.0 | 20.6 / 54.8 | \-- / 66.1 | 7.8 / 30.6 | \-- / 62.6 | 2.8 / 21.5 | 19.4 / 46.7 |
| ScreenSpot Pro | 82.3 | 87.3 | 68.1 | 81.3 | 79.0 | 84.5 |
| WebArena-Verified | 67.9 | 71.3 | 64.3 | 69.7 | 55.3 | 66.8 |
| AndroidWorld | 75.0 | 88.8 | 70.7 | 77.6 | 81.0 | 85.3 |
| MobileWorld | 67.5 | 85.5 | 58.1 | 76.9 | 51.2 | 77.8 |
| ClawEval-MM | 73.3 / 73.8 | 81.2 / 77.5 | 50.5 / 55.2 | 81.2 / 78.9 | 57.4 / 60.1 | 77.2 / 74.8 |
| Vision2Web | 62.4 | 70.5 | \-- | 62.1 | 42.1 | 69.0 |
| QwenBlenderBench | 62.4 | 69.5 | 23.0 | 68.6 | 41.5 | 69.9 |
| Parametric CAD Bench | 85.1 | 87.5 | 73.5 | 86.2 | 73.8 | 91.5 |
| RecreationBench | 48.0 | 56.1 | 16.2 | 47.6 | 30.2 | 51.7 |
| PresentBench | 80.9 | 79.8 | 55.4 | 82.9 | 65.7 | 79.6 |
| **Document & Office Intelligence** |  |  |  |  |  |  |
| CharXiv (RQ) | 78.5 / 89.9 | 87.9 / 93.5 | 84.4 / 89.9 | 85.1 / 89.1 | 85.8 / 85.9 | 88.4 / 93.5 |
| OmniDocBench 1.5 | 86.5 | 89.5 | 90.0 | 86.7 | 91.4 | 92.1 |
| OCR-Bench-V2 (EN/ZH) | 53.9 / 55.3 | 65.3 / 58.1 | 64.6 / 58.2 | 69.0 / 57.3 | 70.7 / 67.1 | 74.2 / 68.3 |
| CC-OCR-Bench-V2 | 60.3 | 72.4 | 68.9 | 68.0 | 72.7 | 79.6 |
| MTVQA-Test | 48.1 | 41.6 | 54.3 | 52.7 | 51.2 | 56.6 |
| MADQA | 86.8 | 86.0 | 81.1 | 87.8 | 87.1 | 91.8 |
| QwenVisualOffice | 34.5 | 32.4 | 39.6 | 29.5 | 32.4 | 44.6 |
| **Real-World & Spatial Understanding** |  |  |  |  |  |  |
| RealWorldQA | 76.6 | 85.9 | 83.5 | 83.7 | 86.9 | 88.0 |
| ERQA | 57.2 | 70.0 | 68.0 | 70.0 | 69.8 | 77.8 |
| LingoQA | 73.8 | 77.4 | 66.8 | 72.6 | 83.4 | 84.8 |
| SURDS | 62.2 | 79.4 | 64.0 | 63.0 | 77.2 | 77.8 |
| **Visual Perception & Grounding** |  |  |  |  |  |  |
| SimpleVQA | 67.3 | 73.4 | 73.1 | 66.6 | 70.3 | 75.0 |
| WorldVQA | 33.9 | 53.5 | 54.0 | 45.1 | 43.9 | 53.2 |
| MMStar | 76.7 | 80.5 | 84.0 | 82.5 | 83.2 | 85.9 |
| PerceptionBench | 47.2 | 57.2 | 56.2 | 59.7 | 51.1 | 63.5 |
| CountQA | 41.3 | 63.1 | 72.8 | 68.6 | 77.0 | 82.4 |
| RefAdv-S | 61.7 | 68.6 | 71.9 | 69.2 | 73.0 | 80.2 |
| Dense200 | 20.8 | 31.1 | 69.7 | 55.3 | 60.7 | 87.0 |
| COCO | 50.7 | 56.4 | 72.4 | 61.2 | 74.2 | 78.7 |
| VisFactor | 30.1 | 54.5 | 39.8 | 62.8 | 42.8 | 60.8 |
| VLMsAreBiased | 43.8 | 61.2 | 74.1 | 59.8 | 36.6 | 88.3 |
| **Video Intelligence & Agents** |  |  |  |  |  |  |
| VideoMME (w/ Sub.) | 85.4 | \-- | 86.7 | 89.5 | 88.0 | 90.4 |
| VideoMME v2 (w/ Sub.) | 49.0 | 52.2 | 66.9 | 71.1 | 59.7 | 68.3 |
| VideoMMMU | 75.3 | 81.2 | 85.3 | 85.0 | 85.4 | 88.7 |
| MMVU | 67.4 | 72.0 | 77.9 | 81.2 | 76.6 | 82.4 |
| MLVU (M-Avg) | 53.4 | \-- | 84.7 | 87.6 | 87.4 | 90.8 |
| TVBench | 61.5 | \-- | 73.0 | 83.2 | 78.2 | 81.9 |
| LVBench | 67.3 | \-- | 75.1 | 78.8 | 76.2 | 81.8 |
| LVBench (w/ Mem.) | 84.3 | 90.1 | \-- | 84.2 | 74.5 | 85.6 |
| EgoLife (w/ Mem.) | 78.3 | 82.3 | \-- | 70.8 | 68.8 | 80.3 |
| VideoDR (w/ Search) | 65.6 | 77.1 | \-- | 71.3 | 41.0 | 73.2 |

Evaluation Notes

MathVision, BabyVision, CharXiv (RQ) e ZeroBench: escores são relatados como "sem IC/com IC." Um pequeno número de anotações incorretas de verdade no MathVision e CharXiv (RQ) foram corrigidos após verificação manual. 2. MathVision: Qwen modelos foram avaliados usando um prompt fixo, como: "Por favor, raciocine passo a passo, e coloque sua resposta final dentro \boxed{}Para outros modelos, a tabela relata a maior pontuação de corridas com e sem o \boxed{} É necessário formatar. 3. Resultados para Gemini3.1-Pro e GPT5.6-Sol são retirados de relatórios de modelos ou cartões de sistema. Todos os outros modelos foram avaliados internamente. 4. ClawEval-MM: as pontuações são relatadas como "Pass@3 / pontuação média." Pass@3 mede a porcentagem de tarefas passadas em pelo menos 1 de 3 tentativas, enquanto a pontuação média é a média em todos os 3 testes. 5. As pontuações são médias nas categorias de frontend, webpage e website, usando o arnês Claude Code e gpt-5.4-2026-03-05 como juiz. 6. Avaliado com o Interpretador de Código (CI) e Pesquisa. As pontuações para as versões habilitadas para ferramentas de Gemini3.1-Pro e GPT5.6-Sol foram medidas de ponta a ponta através de suas APIs nativas de chamada de ferramentas. 7. O escore binário é a porcentagem de tarefas que recebem a recompensa completa, enquanto o escore parcial agrega recompensas parciais em todas as tarefas. 8. As pontuações para Opus4.8 e Fable5 são tiradas de cartões do sistema. O resultado do Fable5 refere-se à pontuação correspondente da Preview de Mythos. Todos os outros modelos foram avaliados internamente. 9. WebArena-Verificado: as pontuações são relatadas usando o classificador WebArena dentro do andaime OSWorld. 10. Recreação bench: um benchmark interno de longa duração de aplicações-recreação para recursos de agentes híbridos em Ubuntu, macOS, Windows, Android e na web. 11. As pontuações para modelos de comparação são tiradas do relatório de lançamento do benchmark, enquanto Qwen3.8-Max foi avaliado internamente. 12. Avaliado com legendas ativadas. 13. QwenBlenderBench e QwenVisualOffice Ambos são referências internas. 14. Avaliado usando um sistema de memória construído com Qwen-MM-Plugins, permitindo memória de vídeo de longo horizonte. 15. Avaliado com acesso a uma ferramenta de busca. 16. As pontuações ainda não estão disponíveis ou não são aplicáveis. Os benchmarks usam diferentes tarefas, ambientes de ferramentas, configurações e métodos de pontuação, então as pontuações não devem ser comparadas diretamente entre as linhas.

- Quatro. Acesso ao Desenvolvedor

Qwen3.8-Max pode ser chamado diretamente através da API ou conectado a agentes, ferramentas de codificação, IDEs, clientes de desktop e plataformas de fluxo de trabalho.

Chame a API compatível com OpenAI.

Um primeiro pedido dá três passos: criar um [QwenCloud Chave API] (https://home.qwencloud.com/api-keys), armazená-lo no DASHSCOPE_API_KEY Variável ambiente, e chame o ponto de encontro compatível com OpenAI. Não codifice ou commita a chave API em código fonte.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

response = client.chat.completions.create(
    model="qwen3.8-max",
    messages=[
        {"role": "user", "content": "Plan and implement a multi-step coding task."}
    ],
    extra_body={"enable_thinking": False},
)

print(response.choices[0].message.content)

Este exemplo desativa o pensamento para um pedido básico. Para um trabalho mais complexo, permita pensar e ajustar reasoning_effort Como necessário. Veja Construir com QwenCloud, [primeira chamada API] (https://docs.qwencloud.com/developer-guides/getting-started/first-api-call), e o [Qwen3.8-Max Referência da API] (https://www.qwencloud.com/models/qwen3.8-max#api-reference) para instruções completas e idiomas adicionais.

Conecte agentes e ferramentas de desenvolvimento

QwenCloud fornece guias de configuração para frameworks de agentes comuns, assistentes de codificação, IDEs, clientes de desktop e ferramentas de fluxo de trabalho:

Agentes e ferramentas CLIhttps://docs.qwencloud.com/developer-guides/clients-and-developer-tools/openclaw), [Hermes Agente] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/hermes-agent), [Claude Code] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/claude-code), [OpenCode] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/opencode), [Código] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/codex), [Qwen Code] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/qwen-code), QwenPaw, e [Kilo CLI] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/kilo-cli)

RIDES E Assistentes de codificação:https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/cursor), [Cline] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/cline), [Qoder] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/qoder), e [Qoder CN] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/lingma)

Clientes de mesa e ferramentas de fluxo de trabalho: [Cherry Studio] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/cherry-studio), [Catbox] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/chatbox), [Carteiro] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/postman), [Dify] (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/difyE mais ferramentas de IA.https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/more-tools) Por exemplo, o guia de integração da OpenClaw (https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/openclaw) cobre instalação, credenciais, seleção de URL base, e o qwen3.8-max Definição do modelo. Openclaw lê sua configuração de ~/.openclaw/openclaw.json. Depois de fazer uma atualização parcial que preserva as configurações existentes, reinicie o gateway e abra o console do navegador ou a interface do terminal:

openclaw gateway restart
openclaw dashboard
# Or use the terminal interface:
openclaw tui

Dentro da interface terminal, use /model para inspecionar ou mudar de modelo e /think <level> para definir a profundidade do raciocínio. Exemplos que usam auth.mode: none são destinados apenas para uso local de uma máquina única; implantações compartilhadas ou remotas devem permitir autenticação de símbolos com openclaw doctor --fix.

Raciocínio e ferramentas incorporadas

Controle de direção: Qwen3.8-Max suporta pensamento híbrido. Preparar. enable_thinking Por pedido, e use reasoning_effort com xhigh, medium, ou low; o padrão é xhigh. Para tarefas multi-turnos que precisam de raciocínio mais cedo para serem incluídos na próxima entrada, definir preserve_thinking para true.

** Compatibilidade com API**: QwenCloud fornece APIs de completações e respostas compatíveis com o OpenAI, com Python, Node.js, CURL e opções de linguagem adicionais documentadas nos guias de desenvolvimento.

Ferramentas disponíveis incluem Interpretador de Código, busca na web, extração de conteúdo web, busca de texto para imagem e busca de imagem para imagem. Disponibilidade varia de API; veja a referência da API para detalhes.

- Cinco. Tente. Qwen3.8-Max

Qwen3.8-Max[Detalhes do modelo] (https://www.qwencloud.com/models/qwen3.8-max[Tente AI] (https://www.qwencloud.com/try-ai/chat?models=qwen3.8-max[Referência API] (https://www.qwencloud.com/models/qwen3.8-max#api-reference)