Qwen3.8-Max改良版がWeb開発評価でOpus 5上回る、企業利用ではデータ管理も焦点

AlibabaのQwenチームは9月2日、最上位AIモデル「Qwen3.8-Max」の改良版スナップショット「Qwen3.8-Max-0902」の提供を開始した。モデル規模や料金を維持しながら、コーディングと長時間にわたる業務タスクを中心に追加学習したモデルである。

同モデルは発表時、Arena.aiの「Code Arena: WebDev」で1,691ポイントを獲得し、Claude Opus 5（Max）を3ポイント上回って首位に立った。その後の投票とランキング更新で順位やスコアは変動しており、9月3日時点ではClaude Fable 5.1（Max）が首位、Qwen3.8-Max-0902が2位となっている。

■既存モデルを追加学習した「0902」スナップショット

Qwen3.8-Max-0902は新世代のモデルではなく、8月に公開されたQwen3.8-Maxに追加の事後学習を施した特定時点の版である。QwenCloudでは独立したモデルID「qwen3.8-max-0902」で提供され、別名として「qwen3.8-max-2026-09-02」も付けられている。

基盤となるQwen3.8-Maxは、総パラメータ数2.4兆、処理時に使うアクティブパラメータ数950億のMixture-of-Expertsモデルで、最大100万トークンのコンテキストを扱う。Qwen3.8-Max-0902でも、これらの基本仕様は維持された。

API料金も従来と同じで、100万トークン当たり入力2ドル（約318円）、出力6ドル（約954円）である。円換算は1ドル＝159円として計算した。入力と出力を単純平均したブレンド価格は100万トークン当たり5ドル（約795円）となる。

今回の更新では、コーディングのほか、Qwenが「Cowork」と呼ぶ協調的な業務タスクを重点的に追加学習した。Coworkには、文書やコード、複数のツールを扱いながら、工程の長い作業を最後まで進めるエージェント型のタスクが含まれる。画像理解についても、グラフの推論や文書解析、マルチモーダル認識を改善したとしている。

日付を含むモデルIDが用意されたことで、開発者は旧版と改良版を区別して指定できる。既存のプロンプトや出力解析処理をそのまま移行できるとは限らないため、運用中のシステムでは0902版を個別に指定し、実際の入力データで出力形式や品質を確認する必要がある。

■Web開発評価では発表時にOpus 5を上回る

Arena.aiは発表時、Qwen3.8-Max-0902がCode Arena: WebDevで1,691ポイントを獲得したと公表した。Claude Opus 5（Max）の1,688ポイントを3ポイント、Kimi K3（Max）を17ポイント、従来のQwen3.8-Maxを22ポイント上回る成績だった。

価格とスコアを組み合わせたパレートフロンティアでも、当時は100万トークン当たり5ドルというブレンド価格帯で最も高いスコアを記録した。カテゴリー別では「データと分析」と「消費者向け製品」で1位、「ブランドとマーケティング」「ゲーム」「シミュレーション」で2位、「コンテンツ作成ツール」と「参照資料に基づくデザイン」で3位となった。

Code Arena: WebDevでは、同じ指示から複数のモデルがフロントエンドのWebアプリを生成し、モデル名を伏せた状態で利用者が結果を比較する。スコアは投票の追加に応じて更新されるため、発表直後の順位は固定された評価ではない。9月3日時点のリーダーボードでは、Claude Fable 5.1（Max）が1位、Qwen3.8-Max-0902が2位、Claude Opus 5（Max）が3位となっている。

この評価が直接示すのは、主としてフロントエンドWeb開発で生成された成果物に対する比較結果である。大規模な既存リポジトリの改修、バックエンド設計、複数ファイルにまたがるリファクタリングなどでは、別の評価軸が必要になる。

■Qwen公表値ではコーディングと業務タスクが改善

Qwenが公表した比較では、Qwen3.8-Max-0902は旧版を複数のベンチマークで上回った。コマンドライン環境で複数工程のタスクを処理するTerminal-Bench 3.0は11.3から29.0、自然言語によるプログラミング能力を測るProgramBenchは10.5から28.0に上昇した。

ソフトウェア開発評価のDeepSWE 1.1は56.6から69.3、リポジトリ全体に関わるコード生成を測るNL2Repo-Benchは55.9から64.9、Qwen独自のQwenSWEBench V2は55.1から70.0となった。

業務エージェント関連では、JobBenchが53.4から64.0に上昇した。CoWorkBenchは76.1、AutomationBenchは50.8を記録している。これらの結果からは、追加学習による改善が短いコードの生成に限らず、ツール操作や工程の長い業務にも及んだことが読み取れる。

もっとも、これらはQwenが選んだ評価環境と実行条件による公表値である。競合モデルとの比較には、エージェントの構成、推論量、利用可能なツールなどの条件も影響するため、導入判断では個々の数値だけでなく評価条件を合わせて見る必要がある。

■追加学習で変わるエージェント型AIの実用性

Qwen3.8-Max-0902の更新は、基盤モデルを一から作り直さなくても、特定用途に合わせた事後学習によってモデルの実用性を高められることを示している。

コード実行を伴う学習では、モデルが問題箇所を特定して修正案を作り、コンパイルやテストの結果を次の試行に反映できる。正解を機械的に判定できる環境を利用すれば、最終的な成否だけでなく、課題を解決するまでの一連の操作を学習対象にできる。

同様の構造は、文書の参照、Web画面の操作、ツールの呼び出しなどを組み合わせる業務エージェントにも応用できる。今回、コーディングと業務タスクの双方で旧版を上回ったというQwenの結果は、複数工程を計画し、ツールから得た結果に応じて行動を修正する能力が更新の中心だったことを示している。

一方、ベンチマーク上の向上が、各企業の開発環境でも同じ幅で再現されるとは限らない。対象リポジトリの規模、使用言語、テストの充実度、外部ツールへのアクセス条件によって結果は変わる。実運用では、成功率だけでなく、誤った変更、処理時間、再試行回数、トークン消費量まで含めた評価が重要になる。

■すべてのコーディング用途で首位とは限らない

Qwen3.8-Max-0902は、公開されたすべての評価で競合モデルを上回ったわけではない。Qwenの比較表では、Terminal-Bench 3.0が29.0でClaude Opus 5の42.7、Claude Fable 5の34.0を下回った。マルチモーダルなツール利用を測るClawEval-MMも80.2で、Claude Fable 5の81.2にわずかに届かなかった。

一方、QwenSWEBench V2では70.0となり、同じ比較表に掲載されたClaude Opus 5の68.0、Claude Fable 5の67.1を上回った。JobBenchでも64.0となり、Claude Fable 5の57.4を上回っている。

このように、得意分野は評価対象によって異なる。Code Arena: WebDevの上位成績は、フロントエンドの画面やWebアプリを生成する用途を検討するうえで有力な材料になるが、既存システムの保守や長時間の自律的なソフトウェア開発まで含めた総合首位を意味するものではない。

API料金の低さは、試行回数が多い開発支援やエージェント処理では強みになり得る。ただし、単価が低くても修正や再実行が増えれば総費用は上昇する。候補モデルを実際のコードベースで比較し、完了した作業1件当たりの費用と品質を見るのが現実的である。

■0902版はAPI提供、対応する公開ウェイトは未発表

Qwen3.8-Max-0902はQwenCloudからAPIで利用できる。入力はテキストだけでなく画像や動画にも対応し、関数呼び出し、構造化出力、コンテキストキャッシュ、Web検索、コード実行などの機能も用意されている。

Qwenは8月、Qwen3.8-Max系の基盤となる「Qwen3.8-2.4T-A95B」のウェイトを公開した。一方、9月3日時点では、0902版で施された追加学習を反映したウェイトの公開予定は明らかになっていない。このため、Qwen3.8-Max-0902そのものを利用する場合はQwenCloudのAPIが主な選択肢となる。

公開ウェイト版を自社設備や契約先のクラウドで運用すれば、入力データの保存場所や通信経路を自社の管理方針に合わせやすい。ただし、総パラメータ数2.4兆のモデルを運用するには大規模な計算資源が必要であり、量子化、推論方式、同時実行数によって必要な構成も大きく変わる。

■API利用ではデータ管理と契約条件の確認が必要

QwenCloud APIを企業で使用する場合は、ソースコード、顧客情報、認証情報、未公開の事業情報などを外部サービスへ送信してよいかを確認する必要がある。これは提供元の国にかかわらず、生成AIのクラウドAPIを導入する際の基本的な管理項目である。

Alibabaは中国を主要な事業基盤とする企業であり、中国の国家情報法第7条は、組織と国民に対して、法律に従って国家情報活動を支持、援助、協力することを求めている。また、中国ではサイバーセキュリティ法、データセキュリティ法、個人情報保護法などが、ネットワーク運営やデータ処理を規律している。

これらの法律から、QwenCloudへのすべてのAPI入力が常に政府へ提供されると結論づけることはできない。一方で、法令に基づく当局への協力義務や、データの処理場所、越境移転、保存、開示の条件は、企業がリスク評価の対象とすべき要素である。

導入時には、利用するQwenCloudの地域、データの保存期間、学習への利用条件、ログの扱い、再委託先、越境移転、削除手続き、当局から開示要求を受けた場合の対応を、契約書とプライバシー関連文書で確認する必要がある。機密性の高いコードや規制対象データについては、送信前の除外や匿名化、接続可能な環境の分離も検討対象となる。

■米政府の指定は公共調達にも影響

米国防総省は6月8日、国防権限法1260H条に基づく「中国軍事企業」のリストにAlibaba Group Holdingを追加した。国防総省は、Alibabaが中国の国家資産監督管理委員会と間接的な関係を持ち、工業情報化省との関係を通じて軍民融合に寄与していると判断した。

Alibabaはこの判断を否定し、6月23日にカリフォルニア州サンノゼの連邦裁判所へ提訴した。同社は、自社の製品やサービスは小売り、物流、企業向けITのためのものであり、防衛、兵器、情報活動のためのものではないと主張している。訴訟は記事公開時点で決着していない。

1260Hリストへの掲載自体は資産凍結などの制裁指定ではないが、米国防総省による直接契約や、第三者を通じた対象企業の製品・サービスの調達に制限が及ぶ。米政府向けの契約やそのサプライチェーンに関わる企業では、QwenCloudを含むAlibabaのサービス採用に際して、調達規則との整合性を個別に確認する必要がある。

■モデル選定では自社タスクによる比較が重要

Qwen3.8-Max-0902は、モデル規模や料金を変えず、追加学習によってコーディングと業務エージェントの能力を引き上げた。発表時にCode Arena: WebDevでClaude Opus 5を上回ったことは、Web開発支援における競争力を示す具体的な成果である。

一方、リーダーボードは投票に応じて更新され、評価対象によってモデルの順位も変わる。企業が重視するのが画面生成なのか、既存コードの修正なのか、長時間の自律作業なのかによって、適切なモデルは異なる。

すでにQwen3.8-Maxを利用している開発者にとっては、0902版を別のモデルIDで試せるため、旧版と同じ入力を使った比較を行いやすい。品質、処理時間、費用、出力の安定性に加え、データ管理や調達上の条件も含めて評価することが、導入判断の中心になる。

元記事: Qwen3.8-Max-0902 Beats Claude Opus 5 on Coding: China Law Still Owns Every Call