NVIDIA、Qwen3.8のGB300向けDay-0最適化を発表

NVIDIA（米国の半導体大手企業）は2026年8月27日、Alibaba（中国のIT大手企業）が次世代アーキテクチャ「Qwen4」の先行プレビューとして公開した最新オープンモデル「Qwen3.8-Flash-Next」向けに、ラックスケールAIシステム「NVIDIA GB300 NVL72」でのDay-0最適化サポートおよび推論検証結果を発表した。

Qwen3.8-Flash-Nextのハイブリッド構造

Qwen3.8-Flash-Nextは、総パラメータ数1,760億（176B、N-gram埋め込み51Bを含む）を有し、トークンあたり60億（6B）パラメータを活性化するMoE（複数の専門家ネットワークを切り替えて処理する仕組み）型のマルチモーダルモデルである。ネイティブで262,144トークン、YaRN技術により最大100万トークン（1M tokens）の文脈長に対応する。

文脈が長くなるにつれて発生する計算負荷とKVキャッシュ（過去の文脈を再利用するためのメモリ保持機構）の肥大化を抑えるため、​Gated DeltaNet（GDN）​​と​Qwen Sparse Attention（QSA）​​を組み合わせたハイブリッド設計を採用している。

4層のうち3層にGDNを配置して過去の履歴を固定サイズの再帰状態へ圧縮し、残り1層のQSAで文脈全体の精密な情報検索を行う。これにより、100万トークン処理時において従来のフルアテンション比で事前充填（Prefill）速度が最大7.6倍、デコード速度が最大4.9倍に高速化された。

GB300 NVL72での推論性能

NVIDIA GB300 NVL72は、72基のBlackwell Ultra GPUを130 TB/sの全対全NVLinkファブリックで結合した単一ドメインシステムである。

TensorRT-LLM（FP8精度）を用いた検証において、GB300 NVL72は以下の推論性能を達成した。

• GPUあたりスループット​: 毎秒16,000トークン超（>16K tokens/s/GPU）
• ​ユーザーあたり対話速度​: 毎秒200トークン超（>200 tokens/s/user）

これにより、エージェント型プログラミング（Agentic Coding）や長文ドキュメント処理などの高負荷タスクを低遅延かつ高スループットで処理できる。また、ラック規模だけでなく、NVIDIA DGX StationやRTX PRO 6000搭載ワークステーションなどのローカル環境でも同一モデルのプロトタイピングが可能である。

開発者向けエコシステムと追加学習

開発者向けには複数の推論エンジンと追加学習フレームワークがサポートされている。

分野	対応ツール・ライブラリ	特徴とサポート内容
​推論エンジン​	SGLang, vLLM, TensorRT-LLM, TokenSpeed	オープンソース推論レシピおよびDay-0最適化
​追加学習​	NVIDIA NeMo AutoModel	Hugging Faceチェックポイント対応、SFTおよびLoRA
​強化学習​	NVIDIA NeMo RL	エージェント向け強化学習レシピ

前世代モデルとの比較と今後の展望

Alibabaのベンチマークによると、キャッシュ利用率の高いオンライン環境（1Mトークン長、プレフィックスキャッシュヒット率90%）において、Qwen3.8-Flash-Nextは前世代の「Qwen3.7-Plus」と比較して​8.6倍のプレフィックススループット​​を記録した。

ハードウェアとモデル構造の双方が長文コンテキストとエージェント推論に最適化されたことで、オープンウェイトモデルを用いた高度なコーディング支援エージェントの商用展開が一段と加速するとみられる。