Qwen åpner Max-skala for selskaper som vil eie agentstakken

Alibaba Qwen har flyttet Qwen3.8 fra lanseringsløfte til faktisk åpen modellfil. Den nye Hugging Face-siden for Qwen3.8-2.4T-A95B inneholder vekter og konfigurasjon for det Qwen beskriver som sin første Max-klassemodell i åpen release. Det er ikke en liten lokalmodell i pent gavepapir. Det er en 2,4 billioner parameter sparse mixture-of-experts-modell, med rundt 95 milliarder aktive parametere per token, laget for coding, profesjonelt arbeid, research og lange agentiske oppgaver.

Det er derfor saken er viktig for norske ledergrupper. Qwen gjør ikke bare enda en modell tilgjengelig. De flytter diskusjonen fra API-valg til eierskap av agentinfrastruktur. Når en Max-klassemodell kan lastes ned, finjusteres og serveres på egen valgt stack, får selskaper et reelt alternativ til å legge hele agentlaget hos én amerikansk frontier-leverandør. Men alternativet kommer med en brutal fotnote: dette er dataroms-AI, ikke MacBook-AI.

Hugging Face-kortet sier at modellen er kompatibel med verktøy som Transformers, vLLM, SGLang og TokenSpeed. Qwen peker også på at den administrerte Qwen3.8-Max-varianten i skyen har flere produktfunksjoner, blant annet vision input, ikke-tenkende modus, standard 1M kontekstvindu og innebygde verktøy. Den åpne Qwen3.8-2.4T-A95B-modellen beskrives derimot som text-only i API-bruk, med thinking-modus påkrevd. Det skillet er sentralt: åpen vekt betyr ikke automatisk samme produktflate som den kommersielle skytjenesten.

For CIO og CISO er første spørsmål ikke om modellen er kul. Det er om virksomheten faktisk har en grunn til å eie den. Qwen3.8-2.4T-A95B kan gi kontroll over dataflyt, logging, policy, finjustering og regional drift. Det er relevant for bank, forsikring, offentlig sektor, industri og andre miljøer der agentene etter hvert skal lese kodebaser, avtaler, saksmapper, driftslogger og sikkerhetsdata. Samtidig gjør størrelsen at de fleste ikke bør planlegge «lokalt» i betydningen kjeller-GPU. De bør planlegge partner, skyregion, inference-operatør eller en tydelig hybridmodell.

NVIDIA publiserte samtidig en teknisk guide for å servere modellen på GB300 NVL72. Der beskrives Qwen3.8-2.4T-A95B som en modell for de tyngste agentiske arbeidslastene: coding, storskala dokumentanalyse og lange flerstegs-workflows. NVIDIA oppgir at modellen kan kjøre med over 4 000 tokens per sekund per GPU og over 350 tokens per sekund per bruker i FP8 på GB300 NVL72 fra dag null. Slike tall er nyttige, men de bør leses riktig: de sier at økosystemet mobiliserer rundt modellen, ikke at en vanlig virksomhet plutselig har billig frontier-inferens uten ingeniørarbeid.

Benchmarkbildet er også interessant. På modellkortet oppgir Qwen blant annet 86,6 på Terminal Bench 2.1, 67,7 på SWE-bench Pro, 73,5 på FrontierSWE, 93,0 på PaperBench og 74,8 på CoWorkBench. De sammenligner med modeller som Claude Opus, Fable og GPT-5.6 Sol i flere agent- og coding-målinger. Slike tall må alltid behandles som leverandørdata inntil uavhengige evals får banket på modellen, men retningen er klar: Qwen vil at dette skal vurderes som en arbeidende agentmodell, ikke bare som en chatmodell med stor parameterkonto.

Lisensen er den delen mange kommer til å hoppe for fort over. Den gir bred rett til bruk, kopiering, modifisering, distribusjon, hosting, finjustering og derivater. Men den har også terskler. Produkter med over 100 millioner månedlige aktive brukere eller over 20 millioner dollar i månedlig omsetning må vise modellnavnet tydelig. Enda viktigere: selskaper som driver Model as a Service eller AI Work Assistant-virksomhet, og har over 50 millioner dollar i årlig omsetning, må ha separat lisens fra Qwen for kommersiell bruk. For intern bruk gjelder et unntak, så lenge modellkapabiliteten ikke gjøres tilgjengelig for tredjeparter.

Det gjør dette til en god nyhet med en voksen anskaffelsesjobb bak. En norsk virksomhet kan ikke bare lese «open weights» som «ingen kommersielle bindinger». Juridisk, sikkerhet, arkitektur og innkjøp må lese modellkort, lisens, hostingavtale, eksport- og databehandlingsløp før modellen blir del av en produksjonsagent. Åpne vekter reduserer én type låsing, men de fjerner ikke leverandør-, lisens- eller driftssårbarhet.

Den strategiske konsekvensen er likevel stor. Kinas åpne modelløkosystem presser nå frontier-markedet på en måte som amerikanske leverandører må svare på. Hvis Qwen3.8 holder seg nær på coding, agentarbeid og lange kontekster, blir «hvilken modell er best?» et svakere spørsmål. Det bedre spørsmålet blir: hvilke oppgaver trenger frontier-API, hvilke trenger åpen spesialistmodell, og hvor må virksomheten eie kontrollplanet selv?

Min vurdering: Qwen3.8-2.4T-A95B er ikke en modell de fleste norske selskaper bør laste ned i panikk. Den er et signal om at agentplattformen bør designes modellagnostisk. Ha gateway, evals, kostnadskontroll, logging, tilgangsstyring og byttebarhet på plass før modellvalget blir religion. Da kan Qwen, Claude, OpenAI, Gemini, Mistral og lokale modeller konkurrere på konkrete arbeidssteg, ikke på merkevare. Det er der pengene ligger.

Kilder og medier

Primærkilde: Hugging Face / Qwen — https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B

Supplerende teknisk kilde: NVIDIA Technical Blog — https://developer.nvidia.com/blog/serve-qwen3-8-2-4t-a95b-a-2-4t-parameter-model-with-configurable-reasoning-on-nvidia-gb300-nvl72

Lisenskilde: Hugging Face / Qwen — https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B/blob/main/LICENSE

Thumbnail: OpenAI Image 2 / hogby.ai