혼자 16일 코딩해 커밋 265개를 쌓았어요 — 알리바바 Qwen3.8-Max 2.4조 파라미터 총정리

사람 손이 16일 동안 한 번도 닿지 않았어요

깃허브에 올라온 어떤 명령줄 도구가 있어요. 커밋 265개, 풀 리퀘스트 127개, 이슈 151개. 16일 동안 꾸준히 자란 평범해 보이는 프로젝트예요.

그런데 이 프로젝트에는 사람이 쓴 코드가 한 줄도 없습니다. 사용자가 요청을 올리면 AI가 그걸 이슈로 만들고, 자기 자신에게 배정하고, 코드를 쓰고, 테스트를 돌리고, 결과를 보고 다시 고쳤어요. 시작부터 끝까지 혼자서요.

어제, 알리바바가 그 일을 해낸 모델을 공개했어요. 이름은 Qwen3.8-Max. 오늘은 이 모델 이야기를 차근차근 풀어볼게요.

Qwen3.8-Max가 뭔가요 — 한 줄 요약

2026년 8월 3일, 알리바바의 큐원(Qwen) 팀이 공개한 지금까지 자기네가 만든 것 중 가장 큰 언어 모델이에요.

숫자로 먼저 말씀드리면 이렇습니다. 총 파라미터 2조 4천억 개, 질문 하나를 처리할 때 실제로 켜지는 건 950억 개, 한 번에 읽을 수 있는 분량은 100만 토큰이에요.

그리고 가장 눈에 띄는 점 하나. 알리바바는 다음 주에 이 모델의 가중치를 공개하겠다고 밝혔어요. Qwen-Max 계열에서 가중치가 공개되는 건 이번이 처음입니다.

2조 4천억이라는 숫자를 실감해 보면

파라미터가 뭔지부터 짚고 갈게요. 아주 거칠게 비유하면 모델이 학습하면서 조정한 손잡이(다이얼)의 개수예요. 손잡이가 많을수록 표현할 수 있는 것이 세밀해집니다.

2조 4천억 개면 어느 정도일까요. 지구 인구가 약 80억 명이니까, 지구에 사는 모든 사람이 각자 300개씩 손잡이를 하나하나 돌려야 하는 규모예요.

비교하자면 알리바바가 지난 2월에 내놓은 Qwen3.5보다 약 7배 큽니다. 반년 만에 7배가 됐다는 뜻이에요.

그런데 매번 950억 개만 켜요

여기서 재미있는 부분이 나와요. 2조 4천억 개가 다 있긴 한데, 질문 하나에 실제로 동원되는 건 950억 개뿐이에요. 전체의 4% 정도죠.

이게 가능한 이유가 희소 전문가 혼합(Sparse Mixture-of-Experts, MoE)이라는 구조예요. 모델 안이 여러 개의 '전문가' 뭉치로 쪼개져 있고, 입력이 들어오면 라우터라는 교통정리 담당이 "이 질문은 저쪽 전문가한테"라고 배정합니다.

배정받지 못한 전문가들은 메모리에 올라와 있긴 하지만 그 질문에는 아무 일도 하지 않아요. 계산 비용이 확 줄어드는 지점입니다.

전문가 혼합을 병원에 비유하면

큰 종합병원을 떠올려 보세요. 정형외과, 안과, 피부과, 심장내과... 전문의가 수백 명 있습니다.

발목을 삐어서 갔다고 해서 병원의 모든 의사가 달려들지는 않죠. 접수처에서 "정형외과로 가세요"라고 안내하고, 그 한 명(또는 몇 명)만 진료합니다. 나머지 의사들은 자기 자리에서 다른 환자를 보고 있어요.

MoE가 정확히 이 구조예요. 병원 전체의 실력은 전문의 수백 명 몫이지만, 진료 한 건의 비용은 몇 명 몫인 겁니다. 그래서 실제 연산 부담은 2.4조짜리 모델이 아니라 중간 크기 모델에 훨씬 가까워요.

하이브리드 어텐션 — 긴 글을 싸게 읽는 기술

또 하나의 핵심이 하이브리드 어텐션이에요. 어텐션은 모델이 "이 문장에서 어디가 중요한가"를 판단하는 장치입니다.

문제는 이게 비싸다는 거예요. 전통적인 방식은 글이 두 배 길어지면 계산량이 네 배가 됩니다. 제곱으로 늘어나거든요. 100페이지 문서를 통째로 읽히려면 비용이 감당이 안 되는 이유예요.

알리바바는 성격이 다른 어텐션 방식을 섞어서 이 비용을 낮췄다고 설명했어요. 다만 세부 구조는 아직 공개하지 않았습니다.

Gated DeltaNet — 선형으로 늘어난다는 것

이전 세대인 Qwen3.5와 Qwen3.6은 Gated DeltaNet이라는 어텐션 방식을 썼어요. 엔비디아 연구진이 제안한 기법입니다. 이번 모델에도 쓰였을 가능성이 거론되고 있어요.

이 방식의 핵심은 선형 확장이에요. 글이 두 배 길어지면 계산량도 딱 두 배만 늘어납니다. 네 배가 아니라요.

택시 요금으로 비유하면 이해가 쉬워요. 기존 방식은 거리가 두 배면 요금이 네 배가 되는 이상한 미터기예요. 선형 방식은 두 배 거리에 두 배 요금인 정상 미터기고요. 장거리로 갈수록 차이가 무섭게 벌어집니다.

100만 토큰 — 200쪽 문서와 100시간 영상

이 효율이 실제로 무엇을 가능하게 하느냐. 컨텍스트 창 100만 토큰입니다.

알리바바 설명에 따르면 요청 한 번에 200쪽이 넘는 문서나 100시간 분량의 영상을 넣고 분석시킬 수 있어요. 답변으로 뱉을 수 있는 길이도 13만 토큰이 넘습니다.

실무적으로 이게 왜 중요하냐면요. 지금까지는 긴 자료를 다룰 때 잘게 쪼개서 나눠 넣고 요약을 이어 붙이는 번거로운 작업이 필요했어요. 한 번에 다 들어가면 그 과정 자체가 사라집니다.

왜 '오래 걸리는 일'을 강조할까요

이번 발표에서 알리바바가 반복해서 강조한 단어가 있어요. 롱 호라이즌(long-horizon), 우리말로 하면 '긴 시간에 걸친 일'입니다.

지금까지 언어 모델의 실력은 주로 질문 하나에 얼마나 잘 답하느냐로 측정됐어요. 수학 문제를 푼다든지, 코드 한 조각을 짠다든지요.

그런데 실제 업무는 그렇게 생기지 않았죠. 며칠에 걸쳐, 수백 번 판단하고, 중간에 방향을 틀고, 실패를 복구하면서 끝내는 일이 대부분이에요. 큐원 팀은 이번 모델의 초점이 바로 거기에 있다고 밝혔습니다.

강화학습 환경을 4,000개까지 늘렸어요

그럼 어떻게 그런 능력을 길렀을까요. 큐원 팀이 지목한 것은 강화학습 환경의 대폭 확장이에요.

강화학습은 모델을 연습장에 넣고 시행착오로 배우게 하는 방식이에요. 여기서 '환경'은 연습장의 종류를 뜻합니다.

기존에는 단일 작업 위주의 연습장이 많았어요. 이번에는 여러 날에 걸친 작업 흐름, 파일 하나가 아니라 중첩된 폴더 구조, 서로 다른 에이전트 실행 환경까지 연습장에 포함시켰다고 합니다. 운전 연습을 주차장에서만 하다가 고속도로·골목길·빗길까지 넓힌 셈이에요.

0.474에서 0.725로 — 그리고 꺾이는 지점

수치도 공개됐어요. 열 개가 넘는 벤치마크를 묶은 내부 종합 지표가 0.474에서 0.725로 올라갔다고 합니다.

더 흥미로운 건 그다음이에요. 연습장 개수를 늘릴수록 점수가 올라가다가, 약 4,000개 지점에서 가장 좋았고 그 이후로는 살짝 떨어졌다고 밝혔습니다.

이건 꽤 정직한 공개예요. "무조건 많이 넣으면 좋아진다"가 아니라 최적점이 있고 그걸 넘으면 손해라는 걸 그대로 보여준 셈이니까요.

벤치마크 성적표 — 어디가 강한가

알리바바가 공개한 표를 보면, 이 모델은 여러 항목에서 클로드 오퍼스 4.8, 클로드 페이블 5, GPT-5.6 솔과 비슷하거나 그 위에 자리합니다.

구체적으로 PaperBench에서 93점으로 비교 대상 중 최고점을 받았어요. 논문을 읽고 그 결과를 재현하는 능력을 재는 시험입니다.

반면 TerminalBench 2.1에서는 86.6점으로, GPT-5.6 솔의 88.8점에 뒤졌어요. 터미널 환경에서 작업을 처리하는 능력이죠. 전부 이긴 건 아니라는 뜻입니다.

자체 발표 수치를 읽는 법

여기서 한 번 브레이크를 걸어야 해요. 지금까지 나온 숫자는 전부 알리바바가 자기 내부 실험에서 뽑은 값입니다.

모델을 만든 회사가 자기 모델을 채점하는 구조라, 유리한 조건이 섞여 들어갈 여지가 있어요. 나쁜 의도가 없더라도 자기 모델에 잘 맞는 설정을 고르게 되는 편향은 생기기 마련이거든요.

제3자 검증은 아직 나오지 않았습니다. 그러니 지금 시점의 올바른 태도는 이 정도예요. "주장이 나왔다"는 사실은 확실하고, "그 수준이 맞다"는 건 아직 확인 전.

다만 외부 지표가 하나 있긴 해요. 프론트엔드 코드 아레나에서 1,668점을 받았는데, 클로드 오퍼스 5의 최상위 설정보다 37점 낮은 수치입니다. 십여 개의 다른 프런티어 모델은 앞섰어요.

실제 사례 ① 16일 동안 혼자 만든 명령줄 도구

이제 구체적인 사례로 들어가 볼게요. 서두에서 말씀드린 그 프로젝트입니다.

모델은 oh-my-cli라는 명령줄 도구를 16일간 만들었어요. 흐름은 이랬습니다. 사용자 요청이 들어오면 → 그걸 깃허브 이슈로 정리하고 → 자기 자신에게 배정하고 → 코드를 작성하고 → 테스트를 돌리고 → 결과를 반영해 다시 고치고.

2026년 7월 30일 기준으로 커밋 265개, 풀 리퀘스트 127개, 이슈 151개가 쌓였어요. 큐원 팀에 따르면 사람이 개입한 지점은 한 곳도 없었습니다.

이게 인상적인 이유는 코드 품질보다 지구력에 있어요. 16일 내내 프로젝트의 맥락을 놓치지 않고, 자기가 어제 뭘 했는지 기억하면서 이어간다는 게 지금까지 가장 어려웠던 부분이거든요.

실제 사례 ② 논문을 재현하고 2.7점 넘어선 5일

두 번째는 연구 쪽이에요. 모델에게 「Unified Data Selection for LLM Reasoning」이라는 논문만 던져줬습니다. 시작 코드는 주지 않았어요.

과제는 두 단계였어요. 먼저 논문의 결과를 재현하고, 그다음 그걸 넘어서라는 것.

모델은 약 5일, 계산 시간으로 약 125시간을 썼습니다. 코드 7,600줄을 쓰고 GPU 학습 작업 33건을 돌렸어요. 논문의 주요 결과 6개를 모두 재현한 다음, 네 라운드에 걸쳐 자기 아이디어 18개를 시험했습니다.

결과는 AIME24 수학 벤치마크에서 논문의 방법보다 2.7점 높은 성적이었어요. 논문을 따라 하는 데서 끝나지 않고 개선까지 갔다는 뜻입니다.

실제 사례 ③ 526개 인간 팀 중 458개를 이긴 24시간

세 번째는 실제 대회예요. 알리바바의 톈츠(Tianchi) 플랫폼에서 열린 WWW2025 멀티모달 대화 의도 인식 챌린지인데, 사람 팀 526개가 참가했던 대회입니다.

모델은 24시간 안에 여러 중국어 모델과 Qwen2.5-VL-7B를 상품 스크린샷용으로 미세조정한 뒤, 이들을 투표 방식으로 묶었어요.

제출 45번을 거치며 정확도가 0.60에서 0.853으로 올라갔습니다. 최종 순위는 526개 팀 중 458개 팀을 앞선 위치였어요.

물론 상위 68개 팀에게는 졌다는 뜻이기도 해요. 하지만 그 68개 팀은 사람 여럿이 몇 주를 붙어서 만든 결과입니다. 하루 만에 상위 13% 안에 들어간 셈이에요.

실제 사례 ④ 논리 게이트 8,298개를 678개로

네 번째가 개인적으로 가장 놀라웠어요. 칩 설계 과제입니다.

모델은 암호화에 쓰이는 회로 부품 하나를 설계해야 했어요. 이 분야에서 잘 만든 회로의 기준은 논리 게이트가 몇 개나 필요한가예요. 게이트는 칩을 이루는 기본 부품이라, 적을수록 칩이 작고 효율적입니다.

모델은 처음에 게이트 8,298개짜리 뚱뚱한 설계를 내놨어요. 작동은 하지만 낭비가 심한 상태죠. 그 뒤 약 500번의 반복을 거치며 이걸 678개까지 줄였습니다.

오픈소스 도구 OpenROAD로 실제 배치까지 돌려봤더니, 칩 면적이 106×106에서 46×46 마이크로미터로, 81% 축소됐어요. 큐원 팀은 모델이 수백 번의 반복 뒤에도 표면만 손보는 게 아니라 구조를 갈아엎는 시도를 계속했다는 점을 강조했습니다.

실제 사례 ⑤ 10만 위안으로 시작한 1년 장사

다섯 번째는 성격이 완전히 달라요. E-Commerce-Bench라는 시뮬레이션입니다.

타오바오와 티몰의 익명화된 데이터를 바탕으로 온라인 소매업의 1회계연도 전체를 재현한 환경이에요. 모델은 자본금 10만 위안으로 시작해 여러 온라인 상점을 1년간 동시에 운영해야 합니다.

해야 할 일이 만만치 않아요. 상품을 사들이고, 공급업체와 자연어로 협상하고, 가격을 조정하고, 반품을 처리하고, 태풍이나 공급망 붕괴 같은 위기에 대응해야 합니다. 게다가 공급업체 명단 안에는 사기꾼 152명이 숨어 있어서 이들을 골라내야 해요.

결과는 41만 위안 — 그리고 명절 대목

모델의 1년 뒤 잔고는 41만 6,252위안이었어요. 시작 자본의 네 배가 넘습니다.

2위였던 GLM 5.2보다 38% 높았고, 이전 세대인 Qwen3.7-Max와 비교하면 2.5배가 넘는 성적이에요.

전략도 공개됐는데 꽤 사람 같아요. 연초에 공격적으로 투자해서 재고를 확보해 두고, 명절 대목에 10만 위안 넘는 순이익을 몰아서 거뒀습니다. 그냥 매 순간 최선을 고르는 게 아니라 시즌을 내다보고 미리 움직였다는 뜻이에요.

RecreationBench — 소스코드 없이 앱을 복원하기

큐원 팀은 새 시험대도 함께 내놨어요. RecreationBench입니다.

과제는 이래요. 돌아가고 있는 앱을 소스코드 없이 다시 만들어라. 모델이 볼 수 있는 건 오직 직접 써보는 것뿐이에요. 클릭하고, 입력하고, 화면이 어떻게 바뀌는지 관찰하면서 내부 동작을 추론해야 합니다.

테스트 범위도 넓어요. 우분투, 맥OS, 윈도우, 안드로이드, 웹까지 다섯 개 환경입니다. 사람으로 치면 남의 앱을 며칠 써보고 똑같은 걸 만들어내는 작업이에요.

함께 공개된 Qwen-MM-Plugins는 기존 에이전트 시스템에 이미지·영상 처리, 시각 도구 사용, 멀티모달 기억을 붙여주는 확장 라이브러리입니다.

'오픈 웨이트'의 진짜 의미

이제 많이들 궁금해하실 부분이에요. 가중치를 공개한다는 게 무슨 뜻인가.

가중치는 앞서 말한 그 '손잡이들'의 최종 위치예요. 이걸 받으면 남의 서버를 거치지 않고 내 컴퓨터에서 모델을 돌릴 수 있습니다. 데이터가 밖으로 안 나가고, 사용량 제한도 없고, 마음대로 고쳐 쓸 수도 있어요.

알리바바는 다음 주에 허깅페이스와 모델스코프에 가중치를 올릴 예정이라고 밝혔어요. Qwen3.8-27B라는 더 작고 가벼운 버전도 함께 나옵니다.

다만 4.8TB의 벽이 있어요

그런데 여기 현실적인 문제가 있어요. 2.4조 파라미터를 실제로 굴릴 수 있는 사람은 거의 없습니다.

가중치를 저장하는 데만 16비트 기준 약 4.8TB가 필요해요. 8비트로 줄여도 2.4TB, 4비트로 눌러도 1.2TB입니다. 실행 시 필요한 캐시와 여유 공간은 계산에 넣지도 않은 숫자예요.

가정용 그래픽카드로는 어림도 없고, 웬만한 스타트업의 GPU 예산으로도 벅찹니다. 그래서 "공개는 됐지만 실제로는 API로 쓰게 되는" 구조가 돼요. 이 점을 짚는 지적이 이미 여러 곳에서 나왔습니다.

대신 함께 나오는 27B 버전이 이 격차를 메우는 역할을 할 가능성이 있어요. 그쪽은 실제로 돌려볼 수 있는 크기니까요.

Kimi K3와의 비교 — 중국 오픈 모델 경쟁

이번 발표를 이해하려면 일주일 전 상황을 봐야 해요.

7월 27일, 문샷 AI가 Kimi K3의 가중치를 허깅페이스에 올렸습니다. 파라미터 2조 8천억 개에 컨텍스트 100만 토큰, 멀티모달 MoE 모델이었어요. 가중치뿐 아니라 어텐션 커널과 MoE 통신 라이브러리 같은 인프라 일부까지 함께 공개했고요.

일주일 만에 알리바바가 응수한 셈이에요. 블룸버그는 Qwen3.8-Max가 여러 벤치마크에서 Kimi K3보다 높은 순위에 올랐다고 전했습니다.

다만 K3도 독립 검증에서는 주장만큼 나오지 않았어요. 사이버 능력과 복잡한 수학에서 서구 최상위 모델에 뚜렷하게 뒤졌다는 평가가 나왔거든요. Qwen3.8-Max에도 같은 검증이 아직 남아 있습니다.

클로드·GPT와 붙는 지점, 아직 못 붙는 지점

정리하면 이렇게 보입니다.

붙는 지점은 논문 재현(PaperBench 93점)과 프론트엔드 코드(아레나 1,668점), 그리고 긴 시간에 걸친 자율 작업이에요. 특히 전자상거래 시뮬레이션처럼 수백 번 판단이 이어지는 과제에서 강했습니다.

못 붙은 지점은 터미널 작업(86.6 대 88.8)이고, 프론트엔드 아레나에서도 클로드 오퍼스 5 최상위 설정에는 못 미쳤어요.

그리고 확인이 안 된 지점이 가장 넓습니다. 안전성, 실제 업무 환경에서의 안정성, 장시간 작업 중 오류 누적 같은 항목은 자체 발표 자료만으로 판단할 수 없어요.

Qwen3.5에서 여기까지 — 반년의 속도

속도 이야기를 잠깐 하고 싶어요.

Qwen3.5가 나온 게 2026년 2월이었어요. 그 뒤 Qwen3.6이 나왔고, 최근에는 Qwen3.6-35B-A3B처럼 총 350억 개 중 30억 개만 켜는 효율형 소형 모델도 공개됐습니다. 정보 밀도가 높은 레이아웃을 그려내는 이미지 생성 모델 Qwen-Image-3.0도 몇 주 전에 나왔고요.

큰 것과 작은 것을 동시에 밀고 있다는 게 이 팀의 특징이에요. 최상위 성능을 노리는 라인과, 실제로 돌릴 수 있는 라인을 나란히 굴리고 있습니다.

반년에 7배. 이 속도가 유지될지는 아무도 모르지만, 적어도 지금까지는 발표 간격이 계속 짧아지고 있어요.

어떻게 쓸 수 있나요 — API와 에이전트 하네스

실용적인 부분도 정리해 드릴게요.

지금은 알리바바 클라우드의 QwenCloud를 통해 API로 쓸 수 있어요. 가중치는 다음 주에 허깅페이스와 모델스코프에 올라옵니다.

흥미로운 건 호환성이에요. 이 모델은 오픈AI의 챗 컴플리션 형식과 앤트로픽의 API 프로토콜을 둘 다 지원합니다. 그래서 클로드 코드, 코덱스, Qoder CLI, Qwen Code, OpenClaw 같은 도구에 거의 그대로 꽂힙니다.

또 reasoning_effort라는 설정이 있어서 속도와 꼼꼼함을 세 단계로 조절할 수 있어요. 큐원 팀은 자기네 환경에만 최적화된 게 아니라며, 여러 에이전트 실행 환경에서 성능이 비슷하게 나온다는 비교 자료도 함께 냈습니다.

우리에게 무슨 의미인가 — 세 가지

마지막으로 이 소식이 왜 중요한지 짚어볼게요.

하나, 중국 오픈 모델의 발표 간격이 일주일 단위로 좁혀졌습니다. K3가 7월 27일, Qwen3.8-Max가 8월 3일이에요. 이 속도 자체가 하나의 사건입니다.

둘, 평가의 기준이 바뀌고 있어요. "질문에 얼마나 잘 답하나"에서 "며칠짜리 일을 혼자 끝낼 수 있나"로요. 16일 코딩, 500번 회로 반복, 1년치 장사 시뮬레이션 같은 사례들이 그 신호예요.

셋, '오픈'의 의미가 갈라지고 있습니다. 가중치는 공개되지만 4.8TB를 감당할 수 있는 곳은 극소수예요. 그래서 앞으로는 같이 나오는 작은 모델이 실질적인 개방의 크기를 결정하게 될 겁니다.

핵심 정리

길었으니 짧게 묶어볼게요.

· 무엇 — 2026년 8월 3일 알리바바가 Qwen3.8-Max를 공개했어요. 총 2조 4천억 파라미터, 질의당 950억 개 활성화, 컨텍스트 100만 토큰입니다.

· 구조 — 희소 전문가 혼합(MoE)과 하이브리드 어텐션으로, 실제 연산 부담은 중간 크기 모델에 가까워요. Qwen3.5 기반이고 이전 세대는 Gated DeltaNet 어텐션을 썼습니다.

· 강점 — 며칠에 걸친 자율 작업이에요. 16일간 무인 코딩(커밋 265개), 논문 재현 후 2.7점 개선, 526개 인간 팀 중 458개 추월, 논리 게이트 8,298→678개 축소(면적 81% 감소), 10만 위안 → 41만 6,252위안.

· 성적 — PaperBench 93점(최고), TerminalBench 2.1은 86.6점으로 GPT-5.6 솔(88.8)에 뒤졌어요. 프론트엔드 코드 아레나 1,668점. 대부분 자체 발표 수치이고 독립 검증은 아직입니다.

· 공개 — 다음 주 허깅페이스·모델스코프에 가중치 공개 예정. 소형 Qwen3.8-27B도 함께 나와요. 다만 16비트 기준 약 4.8TB라 자체 구동은 사실상 데이터센터급 이야기입니다.

· 맥락 — 일주일 전 공개된 Kimi K3(2.8조)에 대한 응수예요. 중국 오픈 모델 경쟁이 주 단위로 좁혀지고 있습니다.

여러분은 어떻게 보셨나요?

저는 칩 설계 사례가 가장 인상적이었어요. 8,298개를 678개로 줄이는 건 요령이 아니라 구조를 다시 짜야 나오는 숫자거든요. 그걸 500번 반복하면서 포기하지 않았다는 게 놀라웠습니다.

반대로 가장 걸리는 건 독립 검증이 없다는 점이에요. 사례들이 인상적일수록 제3자 확인이 더 필요해집니다.

여러분은 어느 쪽이 더 크게 다가오셨나요? 며칠짜리 일을 맡길 만한 AI가 필요하신 분이라면 어떤 업무를 먼저 시켜보고 싶으신지도 댓글로 들려주세요. 다음 주 가중치가 실제로 공개되면 후속 편으로 다뤄볼게요. 읽어주셔서 고맙습니다.

출처

· The Decoder (2026-08-03): https://the-decoder.com/alibabas-open-weight-qwen3-8-max-takes-on-long-horizon-ai-tasks-with-2-4-trillion-parameters/
· SiliconANGLE (2026-08-03): https://siliconangle.com/2026/08/03/alibaba-debuts-qwen3-8-max-model-2-4t-parameters/
· Bloomberg (2026-08-03): https://www.bloomberg.com/news/articles/2026-08-03/alibaba-drops-another-china-ai-model-with-breakthrough-performance
· Forbes (2026-08-03): https://www.forbes.com/sites/tylerroush/2026/08/03/alibaba-unveils-qwen38-max-model-chinas-latest-ai-challenger-to-openai-and-anthropic/
· TNGlobal (2026-08-04): https://technode.global/2026/08/04/chinas-alibaba-launches-qwen3-8-max-ai-model-with-2-4t-parameters-1m-token-context-window/
· MarkTechPost (2026-08-03): https://www.marktechpost.com/2026/08/03/alibaba-qwen-releases-qwen3-8-max/
· Qwen 공식 블로그: https://qwen.ai/blog?id=qwen3.8
· Gated DeltaNet 논문: https://arxiv.org/pdf/2412.06464
· 하드웨어 요구사항 분석: https://insiderllm.com/guides/open-weights-you-cant-run/