Qwen3.8-Flash-Next：阿里巴巴发布模型，预告Qwen4架构方向

阿里巴巴通义千问（Qwen）团队于2026年8月26日发布了Qwen3.8-Flash-Next，这是一款开放权重的多模态混合专家（MoE）模型。据MarkTechPost报道，该模型的设计目标是「按词元成本」优化。这一检查点的主干拥有1250亿参数，但每个词元仅激活60亿参数——Qwen团队将这一比例定位为Qwen4架构的早期预览，据MarkTechPost介绍，这与Qwen3-Next在Qwen3.5发布前所扮演的角色相同。

据MarkTechPost报道，若加上主干之外的一张510亿参数的N-gram嵌入表和一个40亿参数的多词元预测模块，磁盘上的参数总量将达到1800亿。The Decoder将N-gram层描述为一种「短语词典」，它把常见词组作为独立条目存储，并可以放在普通系统内存中而非GPU显存里，Qwen称这样做的额外成本「相对较低」。

四项改动支撑此次发布

MarkTechPost指出，Qwen3.8-Flash-Next背后有四项架构改动。第一项是混合注意力方案：每四层中有三层运行Gated DeltaNet——一种将历史信息压缩进固定大小循环状态的线性注意力机制，第四层则运行Qwen稀疏注意力（QSA），通过轻量级索引器以微块粒度选择上下文。在模型的48层中，这一模式以「3层Gated DeltaNet加1层QSA」为一组重复12次，QSA的预算上限为512个块或2048个词元。

第二项改动是Gated Residual，它将残差流拓宽为四条并行分支，由逐元素读门和每条分支各自的写门控制，瓶颈秩为320。第三项就是上文所述的N-gram嵌入。第四项是训练方案：据MarkTechPost报道，该方案在特定权重类别上同时使用Muon优化器与AdamW，取消了批量大小预热阶段，并重新拟合了模型的缩放定律。混合专家层本身在512个专家中路由，每个词元激活10个路由专家加1个共享专家，专家中间维度为640。

• 主干共1250亿参数，每个词元仅激活60亿
• 510亿参数的N-gram嵌入表加40亿参数的多词元预测模块——磁盘总参数量达1800亿
• MoE层共512个专家，每个词元激活10个路由专家加1个共享专家
• 原生上下文窗口26.2144万词元，通过YaRN可扩展至100万词元
• FP8检查点：172.78 GiB；BF16检查点：335.28 GiB

跑分领先更大规模的对手——但并非全面领先

在智能体编程方面，据The Decoder报道，Qwen称Flash-Next在DeepSWE 1.1上得分58.7，在SWE-bench Pro上得分62.5，均领先DeepSeek-V4-Flash和Claude Opus 4.6（Max）。在办公与专业工作流任务上，差距进一步拉大：据The Decoder报道，Flash-Next在CoWorkBench上得分73.9，而DeepSeek-V4-Flash仅为45.1；在JobBench上得分55.7，几乎是Qwen3.7-Plus（27.6分）的两倍。据The Decoder对阿里巴巴自有基准对比的报道，Qwen3.7-Plus本身共有3970亿参数，每个词元激活170亿——几乎是Flash-Next激活参数量的三倍，而DeepSeek-V4-Flash共有2840亿参数，激活130亿。

该模型并非全面领先。MarkTechPost指出，在Humanity's Last Exam测试中，Claude Opus 4.6（Max）以40.0分领先Qwen的35.9分；在NL2Repo-Bench测试中，DeepSeek-V4-Flash-0731以54.2分领先48.1分。The Decoder补充说，相比之下，Claude Opus 4.6是一款「较旧」的Anthropic模型，发布于2026年2月，并提醒读者跑分成绩与实际表现可能存在差异。

训练成本降至九分之一，价格仅为一小部分

据MarkTechPost报道，Qwen称Flash-Next的训练成本约为Qwen3.7-Plus的九分之一。在推理服务速度上，两份资料给出的具体数字并不一致：MarkTechPost报道称，Qwen自己的公告称QSA内核在100万词元规模下，预填充速度最高提升7.6倍，解码速度最高提升4.9倍；而同一篇MarkTechPost文章中引用的SGLang和vLLM独立部署方案则分别给出10.2倍和6.6倍的提升幅度——MarkTechPost本身指出了这一差异，并建议读者「在获得独立测量结果之前，将这一区间视为厂商自述数据」。据MarkTechPost报道，Qwen还宣称，在前缀缓存命中率达90%的情况下，其预填充吞吐量是Qwen3.7-Plus的8.6倍。

在定价方面，The Decoder报道称，生产版本Qwen3.8-Flash已通过QwenCloud提供，输入词元每百万计0.16美元，输出词元每百万计0.47美元，相应API预计不久后上线。The Decoder指出，这一价格约为阿里巴巴现有旗舰模型Qwen3.8-Max的十二分之一——该旗舰模型于8月初发布，对标Claude Opus 4.8、Gemini 3.1 Pro和GPT-5.6 Sol；尽管在阿里巴巴自身的基准测试中，Flash-Next的表现略逊于这款旗舰模型。

可以部署，但不能在工作站上运行

尽管激活参数量效率较高，Flash-Next并不是普通开发者可以随手运行的模型。MarkTechPost报道称，FP8检查点体积达172.78 GiB，BF16版本则达335.28 GiB；根据vLLM自身的部署方案，在英伟达GB300上，经验证的最低FP8配置需要两块GPU进行张量并行，官方建议使用四块；而在8×H200节点上，则需要混合张量-专家并行配置，因为标准的8路张量并行与该检查点128宽的量化块并不兼容。MarkTechPost指出，稀疏激活降低了计算量，但没有降低存储需求。该模型采用阿里巴巴自有的qwen-community-1.0许可证发布，而非Apache 2.0协议，MarkTechPost补充说，这意味着商用前需要仔细核查许可条款。

阿里巴巴借Flash-Next下的这步棋，赌的是结构而不只是数字：在通过混合专家路由和辅助查找表让总容量不断增长的同时，保持较低的激活参数量，可以让模型逼近体量大得多、成本高得多的系统的推理质量，同时把每次请求的计算成本压缩到一小部分。这也是为什么Qwen将此次发布定位为「架构预览」而非成品——它是在一个规模更小的模型上，为阿里巴巴计划推广到整个Qwen4系列的构想所做的一次公开彩排。

对于正在权衡是采用Claude、GPT等西方专有API，还是转向中国开放权重模型的企业而言，Qwen3.8-Flash-Next让这道选择题更加清晰：一款开放权重模型，价格只是顶尖专有模型的一小部分，在代码和办公自动化跑分上追平甚至超过体量大得多的系统，如今既可以自行部署，也可以通过QwenCloud按需租用——不过它仍然需要多GPU服务器而非一台普通电脑才能运行，而且其许可证并非Apache协议，任何商用部署前都值得仔细阅读条款。