Un modèle d’intelligence artificielle capable de produire du code n’étonne plus grand monde. Un modèle qui maintient un projet logiciel pendant plus de deux semaines, ouvre ses propres tickets, lance ses tests, corrige ses erreurs et fusionne ses modifications sans intervention humaine raconte une histoire plus intéressante. C’est sur cette endurance qu’Alibaba veut distinguer Qwen3.8-Max, officiellement lancé ce 3 août 2026.
Le nouveau fleuron de la famille Qwen affiche une taille spectaculaire : 2,4 billions de paramètres, soit 2 400 milliards, dont 95 milliards sont activés pour traiter chaque token. Mais le chiffre le plus révélateur n’est peut-être pas celui-là. Dans une expérience publiée par l’équipe, le modèle a travaillé de façon autonome pendant environ seize jours sur un outil de développement, accumulant 265 commits, 127 demandes de fusion et 151 tickets.
Alibaba promet en outre de publier les poids de Qwen3.8-Max la semaine prochaine. Ce serait une première pour un modèle « Max », la catégorie la plus puissante de Qwen. Entre l’annonce et un système réellement exploitable hors du cloud d’Alibaba, plusieurs inconnues demeurent néanmoins : licence, formats, besoins matériels, évaluation de sécurité et capacité d’équipes indépendantes à reproduire les performances annoncées.
Le vrai changement : durer, pas seulement répondre
Les modèles de programmation sont généralement évalués sur une unité de travail courte : réparer un bug, compléter une fonction ou résoudre un ticket dans un dépôt existant. Qwen3.8-Max vise une autre échelle. Alibaba le présente comme un agent capable de conserver un objectif pendant des heures ou des jours, d’utiliser des outils et d’ajuster sa stratégie en fonction des résultats obtenus.
Cette différence est essentielle. Générer un bon fragment de code demande de comprendre une consigne locale. Conduire un projet entier impose aussi de gérer l’état du travail, les dépendances entre tâches, les échecs de tests, les régressions et les reprises après interruption. Le modèle ne doit pas seulement « savoir coder » : il doit savoir organiser une boucle de production.
Pour démontrer cette aptitude, l’équipe Qwen lui a demandé de créer depuis un dossier vide un projet baptisé oh-my-cli. Le système développé reçoit des demandes sous forme de tickets, les attribue à des agents, suit leur progression, exécute les tests unitaires et de bout en bout, puis renvoie les anomalies vers une nouvelle phase de correction. Un moniteur et un mécanisme de surveillance sont chargés de récupérer les tâches bloquées.
Au 30 juillet, le dépôt public comptait 265 commits, 127 demandes de fusion et 151 tickets après environ seize jours d’activité entièrement automatisée, selon Alibaba. Le dépôt GitHub permet d’inspecter la trace produite, ce qui donne davantage de matière qu’une simple vidéo de démonstration. Il ne constitue toutefois pas une validation indépendante : l’environnement, les consignes initiales, le budget de calcul et les règles de fusion ont été choisis par l’éditeur du modèle.
Une recherche reproduite, puis améliorée en cinq jours
Une deuxième expérience éclaire mieux ce que signifie une tâche longue. Qwen3.8-Max a reçu un article scientifique récent, Unified Data Selection for LLM Reasoning, consacré au choix des exemples les plus utiles pour entraîner un modèle de raisonnement. Il devait d’abord reproduire l’étude, puis chercher une méthode plus performante.
Le modèle partait sans code de départ. En environ 125 heures, il aurait écrit quelque 7 600 lignes de code, réalisé plus de 1 100 actions et conduit 33 entraînements sur GPU. Les 37 premières heures ont servi à reconstruire la chaîne expérimentale et à reproduire les six principaux résultats du papier. Les 88 heures suivantes ont été consacrées à 18 idées d’amélioration testées en quatre cycles.
L’équipe affirme que la meilleure variante a gagné 2,7 points sur AIME 2024 par rapport à la méthode décrite dans l’article. Ce résultat ne signifie pas que le modèle a découvert une loi scientifique majeure. Il montre quelque chose de plus concret : une IA peut parcourir la boucle hypothèse, implémentation, expérience, mesure et nouvelle hypothèse avec une supervision humaine réduite.
La nuance reste importante. L’expérience utilise d’autres modèles Qwen, des GPU et un protocole construit dans l’écosystème Alibaba. Avant de parler de chercheur autonome, il faudra vérifier la robustesse de la méthode sur d’autres articles, d’autres infrastructures et des résultats négatifs moins faciles à mettre en scène.
2,4 billions de paramètres, mais 95 milliards actifs
Qwen3.8-Max repose sur une architecture dite Mixture of Experts, ou mélange d’experts. Au lieu de mobiliser tous ses paramètres pour chaque mot, un mécanisme de routage sélectionne une petite partie du réseau adaptée au token en cours de traitement.
Le modèle contient 2,4 billions de paramètres au total, mais n’en active qu’environ 95 milliards à chaque étape. L’intérêt est de séparer en partie deux dimensions : une vaste capacité de stockage des connaissances et des comportements d’un côté, un coût de calcul par token plus contenu de l’autre. « Plus contenu » ne veut pas dire léger. Les poids complets représentent théoriquement environ 4,8 téraoctets en précision 16 bits, 2,4 téraoctets en 8 bits ou 1,2 téraoctet en 4 bits, avant les index, le cache et les autres surcoûts d’exécution.
L’ouverture promise ne transformera donc pas Qwen3.8-Max en modèle pour ordinateur portable. Même fortement quantifié, il restera destiné à des grappes de serveurs bien équipées. En revanche, des laboratoires, des fournisseurs de cloud et de grandes entreprises pourront potentiellement l’étudier, l’adapter et développer des versions dérivées. Alibaba annonce également un Qwen3.8-27B en poids ouverts, beaucoup plus accessible, dont les conditions exactes devront elles aussi être examinées au moment de la publication.
Des performances de pointe, mais pas une domination uniforme
Le tableau d’évaluation publié par Qwen est vaste. Il compare Qwen3.8-Max à Claude Fable 5, GPT-5.6 Sol, Claude Opus 4.8 et à la génération Qwen3.7-Max sur la programmation agentique, le travail de bureau, le raisonnement, les documents et la perception visuelle.
Le nouveau modèle obtient 93,0 sur PaperBench, un test de reproduction d’articles scientifiques, devant les 90,5 attribués à GPT-5.6 Sol et les 88,8 de Fable 5 dans le protocole d’Alibaba. Il atteint aussi 86,6 sur Terminal Bench 2.1, proche des 88,8 de GPT-5.6 Sol. Sur le suivi d’instructions, son score de 82,8 à IFBench dépasse les concurrents présentés dans le tableau.
Le profil est moins favorable ailleurs. Qwen3.8-Max atteint 67,7 sur SWE-bench Pro, contre 80,0 pour Fable 5, et 73,5 sur FrontierSWE, contre 88,8. Sur Humanity’s Last Exam sans outils, il obtient 43,6, sous Fable 5 et GPT-5.6 Sol. L’image qui se dégage n’est donc pas celle d’un champion absolu, mais d’un modèle particulièrement compétitif sur certaines tâches longues, multimodales et documentaires.
Ces chiffres doivent être lus comme des résultats fournisseur. Plusieurs évaluations internes utilisent des bancs propriétaires de Qwen ; d’autres font varier l’outil qui entoure le modèle. Qwen est parfois évalué avec Claude Code, Qwen-Agent ou OpenCode, tandis que GPT-5.6 Sol utilise Codex. Même lorsque le jeu de questions est public, le harnais, le temps maximal, le nombre de tentatives et le juge automatique influencent fortement le score d’un agent.
Un million de tokens et une API moins chère que son échelle
Qwen3.8-Max est disponible dès maintenant sur QwenCloud. La fiche officielle annonce une fenêtre de contexte d’un million de tokens et jusqu’à environ 131 000 tokens en sortie. Le modèle accepte du texte et des images, et il peut être appelé via des interfaces compatibles avec les API d’OpenAI et d’Anthropic.
Alibaba facture actuellement 2 dollars par million de tokens en entrée et 6 dollars par million de tokens générés. Le niveau d’effort de raisonnement peut être réglé sur low, medium ou xhigh, ce qui donne aux développeurs un moyen de réduire le coût et la latence lorsque la tâche ne justifie pas une analyse maximale.
Le prix par token ne suffit toutefois pas à prévoir la facture d’un agent. Une session autonome de plusieurs jours accumule les appels d’outils, les relectures du contexte, les exécutions de tests et les tentatives abandonnées. Le bon indicateur économique devient alors le coût d’un livrable accepté, pas celui d’une réponse isolée. Alibaba ne publie pas le coût total de calcul de ses démonstrations de cinq ou seize jours, une donnée pourtant indispensable pour les comparer à une équipe humaine ou à un autre agent.
Les poids ouverts déplaceront le contrôle — et le risque
La publication annoncée la semaine prochaine compte autant que les benchmarks. Qwen a déjà diffusé de nombreux modèles téléchargeables, mais sa gamme Max restait associée à ses services hébergés. Donner accès au fleuron de 2,4 billions de paramètres permettra à des acteurs extérieurs d’en inspecter davantage le comportement, de mesurer ses performances avec leurs propres outils et de réduire leur dépendance à une API unique.
Il faut néanmoins attendre les fichiers et leur licence. Des poids ouverts donnent accès aux paramètres appris ; ils ne rendent pas automatiquement publics les données d’entraînement, le code complet, les recettes d’alignement ou tous les éléments nécessaires pour reproduire le modèle. L’expression « open source » employée par Qwen est donc plus large que ce que l’on peut confirmer aujourd’hui.
L’absence, dans l’annonce, d’une fiche de sécurité détaillée mérite aussi l’attention. Un agent capable de maintenir une activité pendant plusieurs jours amplifie aussi longtemps une mauvaise consigne, une permission excessive ou une erreur de vérification. Les mécanismes de reprise, de tests et de surveillance décrits dans oh-my-cli réduisent le risque de panne ; ils ne répondent pas à eux seuls aux questions de cybersécurité, d’accès aux secrets, d’actions irréversibles ou de responsabilité.
Une fois les poids téléchargés et modifiés, les filtres du service central ne sont plus nécessairement présents. L’ouverture facilite l’audit, mais transfère une part du contrôle aux organisations qui hébergent le modèle. La licence, la documentation de sécurité et les évaluations indépendantes seront donc aussi importantes que la taille du fichier.
Le cap des agents se mesure désormais en jours
Qwen3.8-Max ne prouve pas qu’une IA peut remplacer une équipe de développement ou de recherche. Il montre que l’unité de mesure de la compétition est en train de changer. Après les réponses, les tickets et les sessions de quelques heures, les laboratoires veulent démontrer des agents capables de poursuivre un objectif pendant plusieurs jours et de produire un résultat vérifiable.
L’expérience de seize jours est crédible parce qu’elle laisse une trace publique, mais elle reste organisée et racontée par Alibaba. Sa véritable portée apparaîtra lorsque des équipes extérieures pourront télécharger les poids, reproduire le projet, mesurer son coût et tester ce qui se passe quand les tâches sont ambiguës, contradictoires ou mal sécurisées.
Si la publication annoncée arrive avec une licence exploitable, une documentation sérieuse et des performances reproductibles, Qwen3.8-Max pourrait devenir un jalon majeur : non parce qu’il contient 2,4 billions de paramètres, mais parce qu’il rendrait accessible un modèle de pointe conçu pour travailler assez longtemps pour que ses erreurs — comme ses réussites — aient des conséquences réelles.
Références
- Qwen — Qwen3.8-Max: A New Bar for Coding and Cowork
- QwenCloud — fiche et tarification de Qwen3.8-Max
- GitHub — trace publique du projet autonome oh-my-cli
- arXiv — Unified Data Selection for LLM Reasoning
- Associated Press — contexte sur Qwen3.8-Max et la course aux modèles chinois
- Open Source Initiative — définition de l’Open Source AI
