Qwen3.8-27B sotto Apache 2.0 e cosa cambia per chi self-hosta

Nell'agosto 2026 Alibaba ha fatto due mosse a pochi giorni di distanza che raccontano, meglio di qualunque analisi, come funziona oggi il mercato dei modelli a pesi aperti. Il 3 agosto ha annunciato la generazione Qwen3.8 con il flagship Max disponibile via API; qualche giorno dopo ha pubblicato i pesi dello stesso Max, prima volta assoluta per un modello di classe flagship della famiglia, ma sotto una licenza custom scritta apposta; e a metà mese ha rilasciato su Hugging Face i pesi di Qwen3.8-27B con licenza Apache 2.0, quella vera, la stessa di metà dell'infrastruttura software su cui girano le aziende. La scheda ufficiale del modello descrive un denso da 27 miliardi di parametri, multimodale nativo su testo, immagini e video, con una finestra di contesto di 262.144 token estensibile a un milione. In questo articolo scendo in profondità su un concetto solo, perché è quello che separa questo rilascio dai dieci "nuovo modello open" al mese che affollano i feed: per chi self-hosta, la licenza è una specifica tecnica al pari della VRAM richiesta, e la combinazione di questo taglio, queste modalità e questo documento di licenza è esattamente quella che il self-hosting aziendale aspettava. Vediamo cosa c'è dentro davvero, cosa permette, su quale ferro gira e cosa sposta nei conti.

Cosa è esattamente Qwen3.8-27B, e cosa lo distingue?

La risposta in tre righe: è un modello denso da 27 miliardi di parametri (non un mixture-of-experts: tutti i parametri lavorano a ogni token), vision-language nativo (capisce immagini e video oltre al testo, con un encoder visivo integrato), con 262.144 token di contesto nativo, pubblicato ad agosto 2026 sotto Apache 2.0. Per il deployment di produzione la scheda ufficiale raccomanda motori di serving dedicati come SGLang e vLLM, che è anche il segnale di come il vendor stesso inquadra il modello: un componente di infrastruttura, non un giocattolo da demo.

Il dettaglio "denso" merita una parentesi per chi dimensiona il ferro, perché il mercato del 2026 è pieno di mixture-of-experts e la confusione fra i due regimi è la fonte più comune di acquisti sbagliati. Un MoE dichiara due numeri, i parametri totali e quelli attivi per token, e il primo governa la memoria mentre il secondo governa il calcolo: modelli "da 100 miliardi" che ne attivano 10 sono veloci ma vogliono comunque tutta la memoria dei 100. Un denso ha un numero solo, e la sua impronta è prevedibile e stabile: quello che leggi è quello che carichi. Per il self-hosting su hardware contato, la prevedibilità del denso è un pregio ingegneristico in sé, prima ancora di ogni considerazione di qualità.

Sotto il cofano c'è una scelta architetturale che merita una nota, perché tocca direttamente chi lo eserciterà: la struttura alterna blocchi di attenzione classica a blocchi di tipo lineare (la scheda descrive un pattern ibrido con Gated DeltaNet e Gated Attention), un design della nuova ondata pensato per tenere sotto controllo il costo in memoria e in calcolo delle sequenze lunghe. È il motivo per cui un contesto da 262 mila token su un modello di questo taglio è credibile come strumento di lavoro e non solo come numero da scheda. Resta valida la disciplina di sempre sul contesto dichiarato: il massimale è un limite tecnico di ingresso, non una garanzia di attenzione uniforme su tutto ciò che ci infili, e il milione di token pubblicizzato riguarda le versioni hosted, non ciò che farai girare in casa. Il dimensionamento giusto si fa sul contesto realmente lavorato dal tuo caso d'uso, che nella mia esperienza è quasi sempre una frazione del massimale.

Noterai che non ho citato un solo benchmark, ed è una scelta che mantengo da sempre su queste pagine: le classifiche invecchiano in settimane, i punteggi dichiarati dal vendor sono dichiarati dal vendor, e l'unica valutazione che conta per un'azienda è la prova sul carico reale, con i suoi documenti, la sua lingua e i suoi casi limite. Quello che un articolo può dirti onestamente è cosa il modello è, sotto quali condizioni puoi usarlo e quanto costa farlo girare: il resto si misura, non si legge.

La licenza è la notizia: cosa permette davvero l'Apache 2.0

Qui sta il cuore del rilascio, e conviene dirlo con la precisione che il tema merita. Apache 2.0 è una licenza permissiva collaudata da vent'anni di uso industriale: consente uso commerciale, modifica, redistribuzione e opere derivate, include una concessione esplicita di licenza sui brevetti, e chiede in cambio poco più dell'attribuzione. Per l'ufficio legale di un'azienda è un documento noto, già valutato mille volte, che non richiede pareri ad hoc. Applicata ai pesi di un modello significa: puoi usarlo nei tuoi prodotti, fartene versioni fine-tuned, ridistribuirle, incorporarlo in un servizio venduto a clienti, senza clausole di uso accettabile da interpretare né soglie di fatturato che fanno scattare condizioni diverse. Due clausole meritano una sottolineatura specifica. La concessione sui brevetti protegge chi costruisce prodotti commerciali da una classe di rischio che le licenze improvvisate ignorano del tutto, ed è una delle ragioni per cui Apache 2.0 è lo standard dell'industria e non solo una preferenza estetica. E il regime delle opere derivate significa che un fine-tuning fatto sui tuoi dati è tuo: puoi tenerlo privato, che per un'azienda è quasi sempre la scelta giusta visto che incorpora conoscenza proprietaria, o pubblicarlo alle tue condizioni, senza obblighi di restituzione e senza permessi da chiedere al vendor.

Il confronto con le alternative chiarisce il valore. Il fratello maggiore Qwen3.8-Max, pur essendo anch'esso a pesi scaricabili, viaggia sotto una licenza custom che va letta per intero prima di costruirci sopra: è il pattern ormai ricorrente del flagship aperto-ma-non-troppo. La famiglia Llama resta sotto la sua community license, pesi accessibili ma con restrizioni d'uso che ne fanno un documento da far leggere all'avvocato, e che rende scorretto chiamarla "open source" senza virgolette. E una precisione che devo alla completezza vale anche per Qwen: Apache 2.0 copre i pesi e il codice, non rende il modello riproducibile, perché dati e ricetta di addestramento restano privati. "Pesi sotto licenza open source" è la formula onesta; "modello open source" nel senso pieno del termine è un'altra cosa, che nel 2026 non offre praticamente nessuno ai livelli alti di capacità.

Per il self-hosting aziendale la gerarchia delle domande è: prima cosa posso farci legalmente, poi dove posso farlo girare, e solo per ultima quanto è bravo. Un modello eccellente con una licenza ambigua è un rischio con ottime prestazioni; un modello molto buono sotto Apache 2.0 è un componente di infrastruttura.

Se vuoi vedere come integro modelli self-hosted in architetture aziendali dove i vincoli, di licenza, di residenza del dato, di budget, vengono prima delle mode, nel mio hub sull'AI per le aziende trovi metodologia e casi con perimetro dichiarato.

Su quale ferro gira: le classi di memoria, senza illusioni

Il taglio da 27 miliardi denso è interessante proprio perché sta sulla soglia dell'hardware accessibile, e la soglia va raccontata con onestà. Le build quantizzate a 4 bit del modello pesano nell'ordine dei 17-18 gigabyte di file: su una GPU da 24 GB girano con margine per il contesto, su una da 16 GB entrano al millimetro e il margine per la KV cache, la memoria che cresce con la lunghezza del contesto, diventa la variabile che decide. Le versioni FP8 chiedono attorno ai 28 GB, il BF16 pieno oltre i 55: territorio da GPU datacenter o multi-GPU. Prendi questi numeri per quello che sono, classi dimensionali derivate dal peso dei file, non garanzie di avvio: fra runtime, contesto configurato e overhead, l'unico verdetto valido è caricare il modello con la configurazione che userai davvero, ed è un test che costa un pomeriggio. Sul fronte CPU, un denso da 27 miliardi si esegue, ma i tempi lo confinano ai lavori batch dove la latenza non è un requisito: per l'uso interattivo serve la GPU, senza giri di parole.

Una parola anche sull'igiene operativa del download, perché i pesi di un modello sono un artefatto di supply chain come qualunque dipendenza, solo più pesante. La pratica che applico e raccomando: si scarica dalla repository ufficiale, si fissa la revisione esatta (l'hash del commit su Hugging Face, non il ramo principale che può cambiare sotto i piedi), si verificano i checksum dei file, e la copia validata finisce in uno storage interno da cui attingono i deployment, così ogni ambiente esegue byte per byte lo stesso modello e il giorno in cui servisse ricostruire tutto non dipendi dalla disponibilità di un hub esterno. Sono venti minuti di procedura che trasformano "abbiamo scaricato il modello" in "sappiamo esattamente quale modello eseguiamo", e la differenza si apprezza al primo audit o al primo comportamento anomalo da investigare.

Sul software, la geografia è quella consolidata: vLLM o SGLang per la produzione, con il batching e il throughput che servono quando gli utenti sono più d'uno, Ollama e llama.cpp per la prototipazione e per il primo contatto, con l'avvertenza di sempre che un proof of concept sul laptop non è un dimensionamento di produzione. Anche il formato di quantizzazione segue la stessa geografia: le build GGUF servono il mondo llama.cpp e Ollama, i formati nativi e l'FP8 servono i motori di produzione, e mescolare i piani, valutare con l'uno e andare in produzione con l'altro, introduce differenze di comportamento che poi si inseguono per settimane. Il fatto che la scheda ufficiale nomini esplicitamente i motori di serving di produzione è un buon segno di maturità; il fatto che il modello sia multimodale aggiunge un requisito che le pipeline solo-testo non avevano, la gestione del preprocessing di immagini e video, che pesa sulla memoria e va messo in conto nel dimensionamento. Nella mia pipeline personale di sperimentazione la trafila per ogni modello nuovo è sempre la stessa: prima la prova di caricamento con il contesto target, poi una batteria di casi reali del carico a cui è destinato, poi la decisione, e più di una scheda promettente si è fermata al primo gradino.

Cosa sposta, in concreto, per una PMI

Il rilascio cambia i conti su tre assi. Il primo è il perimetro dei casi d'uso: un modello multimodale self-hosted di questa qualità porta in casa lavorazioni che finora richiedevano le API, la lettura di documenti scansionati, l'estrazione da fatture e moduli, la comprensione di screenshot e frame video, tutte lavorazioni che tipicamente riguardano proprio i dati che un'azienda preferisce non mandare fuori. La combinazione con il contesto lungo è quella che apre le pipeline documentali serie: interi fascicoli, contratti con gli allegati, pratiche complete elaborate in una passata sola, sul tuo ferro, senza che una pagina esca dal perimetro. Il secondo è il break-even del build-o-buy: i numeri dell'infrastruttura li ho fatti nel dettaglio nel pezzo sui costi reali di un LLM self-hosted dopo il repricing Hetzner, e un modello migliore a parità di ferro sposta la soglia a favore del self-hosting, perché alza il valore che quel canone produce. Il terzo è la solidità della base legale: costruire un prodotto sopra un modello Apache 2.0 significa che il vendor non può cambiarti le condizioni domani, non può ritirarti il modello che hai già scaricato, e non ti impone di rileggere i termini a ogni release, tre proprietà che nessuna API, per definizione, può darti, come sa chiunque abbia vissuto una deprecation non richiesta. L'architettura completa di un deployment del genere, dal runtime alla messa in produzione, l'ho descritta nel pezzo sul self-hosting con Ollama per PMI con vincoli di data sovereignty, e i principi restano quelli anche con un modello più capace.

La lettura d'insieme è questa: il 2026 sta consegnando al mercato una divisione dei ruoli sempre più leggibile, flagship chiusi o semi-chiusi per la frontiera delle capacità, e una fascia da 20-30 miliardi di parametri, densa, multimodale e con licenze pulite, che diventa la spina dorsale del self-hosting serio. Qwen3.8-27B è oggi il rappresentante più completo di questa fascia, e la sua importanza non sta nell'essere il migliore in qualche classifica, ma nell'aver messo insieme il taglio giusto, le modalità giuste e il documento di licenza giusto nello stesso rilascio. Se la tua azienda sta valutando un progetto di AI self-hosted, o vuole capire se i propri dati e i propri volumi giustificano il passo, il modulo di preventivo gratuito ti dice in due minuti se il progetto rientra nel mio perimetro: sette domande, nessun impegno, e una risposta onesta anche quando la risposta giusta è che le API ti convengono ancora.