Test pratique de Qwen 3.8 Flash Next, GLM-5.3-Flash et Qwen 3.8 27B en coding agentique

🎥 Résumé analytique

🎯 Promesse cognitive

À la fin, on comprend : pourquoi Qwen 3.8 Flash Next a été retenue pour la production, où GLM-5.3-Flash s’est dégradée en conditions pratiques et quels signaux méthodologiques des benchmarks d’assistant coding méritent d’être conservés.

🧩 Carte du contenu

Qwen 3.8 Flash Next : spécifications du modèle, particularité des 51B paramètres n-grammes, inférence FP8 sur DGX Spark et choix final pour la production.
Échec pratique de GLM-5.3-Flash : contraste entre spécifications annoncées et résultats observés : lenteur API, bug Step Done, score 4/6 et blocage sur le benchmark du jeu.
Méthodique agentique : observations transverses sur l’auto-vérification Playwright, la déduplication après code review, la consommation électrique et le coût de confiance au changement de modèle.

✅ Ce que la vidéo apporte en plus de la lecture de ce post

Le plan d’attention indique que la valeur résiduelle de l’original réside probablement dans les benchmarks générés, les interfaces, les captures d’écran et le comportement observable des modèles, pas seulement dans les chiffres. Le matériau fourni ne permet pas de certifier une démonstration visuelle décisive, mais plusieurs passages sont identifiés comme potentiellement utiles : la charge de la skill Playwright, la déduplication du JSON et le bug des obstacles invisibles. Sinon, l’original ajoute surtout la présentation orale, le contexte éditorial et la formulation de l’argument sur la confiance.

🕒 Niveau d’engagement recommandé

visionnage_actif
- La valeur pratique réside probablement dans les benchmarks générés, les interfaces, les captures d’écran et le comportement des modèles, qui ne sont pas entièrement reproductibles par une synthèse textuelle.
- Les candidats visuels (auto-vérification Playwright, déduplication, bug du jeu) peuvent clarifier des comportements difficiles à restituer en texte.

Passages susceptibles de mériter l’original

04:02 — peut montrer Qwen 3.8 Flash Next charger une skill Playwright, lancer l’application et utiliser une capture d’écran pour tester son travail.
07:14 — peut montrer la déduplication d’un JSON de 1,4 Mo à 186 Ko déclenchée par une étape de code review.
13:16 — peut montrer le jeu du dinosaure et le bug des obstacles invisibles, un défaut visuel difficile à restituer par la seule description.
25:04 — argumentation sur la confiance dans les modes d’échec d’un modèle connu ; la formulation orale peut ajouter de la valeur.

🧰 Pistes d’exploitation et points de vigilance

1 idée à tester : Tester l’ajout d’une étape de code review et d’une auto-vérification Playwright dans un pipeline d’assistant coding pour observer si les modèles optimisent leurs données et détectent leurs propres bugs.
1 notion à creuser : Investiguer le mécanisme des 51B paramètres n-grammes de Qwen 3.8 Flash Next, leur rôle d’extension du MoE et leur streaming depuis SSD, car la source admet ne pas le comprendre pleinement.
1 limite / biais : Les performances et comportements sont auto-rapportés par un seul observateur, sur son propre matériel et avec un workflow OpenFox qui peut influencer les résultats.

🔍 Déroulé détaillé et analyse critique

📄 Voir la synthèse détaillée

Déroulé structuré

Segment 1 — Qwen 3.8 Flash Next et Qwen 3.8 27B en local

Statut : information first-party, avec une incertitude explicite sur le mécanisme des 51B paramètres n-grammes.

Qwen 3.8 Flash Next : 125B MoE, 6B actifs, décrite comme preview de Qwen 4 ; 51B paramètres n-grammes additionnels, supposés étendre le MoE avec une surcharge mémoire limitée et streamables depuis SSD ; la source admet ne pas comprendre pleinement le mécanisme et l’attribution à un article est rendue incertaine par la transcription.
La source a fait tourner la version FP8 sur un cluster DGX Spark le jour de la sortie, avec MTP activé, et rapporte environ 40 tokens/s sans optimisation majeure.
Sur le benchmark cache-invalidation, les deux Qwen obtiennent 6/6, comprennent des ambiguïtés du prompt et dédupliquent les données.
Qwen 3.8 27B en NVFP4 sur RTX 5090 termine le jeu du dinosaure en 12 min 09 s à 135 tokens/s.
Flash Next produit le jeu le mieux fini, avec un bug d’ordre des couches de montagnes non autocorrigé au premier passage.
Contexte limité à 262 000 tokens dans la configuration de la source ; YaRN mentionné comme extension possible mais non investigué.
Opinion de la source : le français de Flash Next contient des erreurs notables, même si le texte reste compréhensible ; elle choisit Flash Next pour la production.

Segment 2 — GLM-5.3-Flash : spécifications et échec pratique

Statut : spécifications et prix rapportés ; performances observées en première main.

GLM-5.3-Flash : 320B MoE, 18B actifs, premier modèle ZAI avec vision, contexte jusqu’à 1M tokens, configuré à 500K pour les tests.
ZAI revendique, via ses propres benchmarks rapportés par la source, une supériorité sur le plus grand GLM 5.2.
Via l’API ZAI, la source mesure 40-45 tokens/s et attribue partiellement la lenteur à une forte charge API.
Sur le benchmark cache, score 4/6 : ambiguïtés du prompt manquées, colonne droite affichant un ID au lieu du contenu ; pas de déduplication.
Le modèle oublie d’appeler Step Done, se perd, puis nécessite une relance ; la source note que ce comportement a posé problème à d’autres utilisateurs et prévoit d’améliorer le message dans OpenFox.
Sur le benchmark jeu, GLM est bloqué ; la source termine le travail avec DeepSeek V4 Flash Vision (expérimental, API uniquement). Le résultat combiné est jugé raté.
Prix rapportés : 0,15 $/M input, 0,50 $/M output, 0,015 $/M cache, promotion actuelle mais tarifs post-promotion indiqués.

Segment 3 — Méthodique agentique, mesures et adoption

Statut : observations first-party, avec opinion sur la confiance.

Les trois modèles chargent une skill Playwright, lancent leurs applications et utilisent des captures d’écran pour s’auto-vérifier ; Qwen 3.8 27B crée un test Playwright et corrige des bugs.
Une étape de code review intégrée à OpenFox pousse Qwen 3.8 27B à dédupliquer un JSON de 1,4 Mo à 186 Ko ; la source qualifie ce comportement d’inédit.
Le jeu Qwen 27B présente un bug critique d’obstacles invisibles : les cactus sont dessinés en haut mais placés physiquement en bas ; le jeu devient jouable après correction.
Mesures à la prise : 230 W pour le cluster DGX Spark, 413 W pour le PC RTX 5090 à vide avec modèle chargé, 523 W en charge complète (limite GPU 400 W + ~120 W système/PSU).
DeepSeek V4 Flash Vision est observé pour la première fois effectuant une auto-vérification par capture d’écran ; DeepSeek revendique des benchmarks meilleurs que DeepSeek V4 Flash, notamment en vision (rapporté).
La source formule un coût caché du changement de modèle : la confiance dans les modes d’échec d’un modèle connu peut être perdue, posant la question d’un gain marginal (ex. 95 % vs 97 %).
Opinion : l’API Alibaba Cloud jugée trop complexe ; OpenRouter recommandé comme alternative pratique.

Points notables

Le benchmark 1 est rapporté en 4 min 32 pour Flash Next, 16 min pour les modèles locaux face à 36 min attendues pour GLM via API.
La déduplication de 1,4 Mo à 186 Ko est un signal méthodologique plus qu’une fonctionnalité imposée par le prompt.
Le message Step Done d’OpenFox influence directement le comportement de GLM ; le bug n’est pas uniquement un défaut du modèle.
Les temps d’exécution locaux peuvent compenser un avantage de paramètres quand l’API est lente.
Les erreurs ASR des noms (Qwen, DeepSeek, ZAI) ont été normalisées dans cette synthèse.

Limites & biais factuels

Benchmarks issus d’une session unique, possiblement affectés par la charge de l’API ZAI au moment du test.
Le bug de Step Done dépend de l’implémentation OpenFox et du message utilisé, ce qui limite la généralisation à d’autres cadres agentiques.
Le mécanisme des 51B paramètres n-grammes n’est pas pleinement expliqué par la source et l’attribution à un article est rendue incertaine par la transcription.
Les prix de l’API ZAI et les spécifications des modèles sont rapportés par la source et doivent être vérifiés auprès des sources officielles.
Le contenu inclut une dimension promotionnelle vers OpenFox et le subreddit, sans qu’elle ne domine visiblement l’analyse technique.
Les mesures de consommation sont spécifiques au matériel et à la configuration de la source.