Qwen3.8-Flash-Next：阿里巴巴發布模型，預告Qwen4架構方向

阿里巴巴通義千問（Qwen）團隊於2026年8月26日發布Qwen3.8-Flash-Next，這是一款開放權重的多模態混合專家（MoE）模型。據MarkTechPost報導，該模型的設計目標是「依token成本」優化。這個checkpoint的主幹擁有1250億參數，但每個token僅啟用60億參數——Qwen團隊將這個比例定位為Qwen4架構的早期預覽，據MarkTechPost指出，這與Qwen3-Next在Qwen3.5發布前扮演的角色相同。

據MarkTechPost報導，若加上主幹之外一張510億參數的N-gram嵌入表與一個40億參數的多token預測模組，磁碟上的參數總量將達到1800億。The Decoder將N-gram層形容為一種「片語辭典」，把常見詞組當作獨立條目儲存，並可以放在一般系統記憶體而非GPU顯存中，Qwen稱這樣做的額外成本「相對較低」。

四項改動支撐這次發布

MarkTechPost指出，Qwen3.8-Flash-Next背後有四項架構改動。第一項是混合注意力機制：每四層中有三層運行Gated DeltaNet——一種把歷史資訊壓縮成固定大小循環狀態的線性注意力機制，第四層則運行Qwen Sparse Attention（QSA），透過輕量級索引器以微區塊粒度選取上下文。在模型的48層中，這個模式以「3層Gated DeltaNet加1層QSA」為一組重複12次，QSA的預算上限為512個區塊或2048個token。

第二項改動Gated Residual，把殘差流拓寬為四條平行分支，由逐元素讀取閘與各分支各自的寫入閘控制，瓶頸秩為320。第三項就是前述的N-gram嵌入。第四項是訓練方案：據MarkTechPost報導，此方案在特定權重類別上同時使用Muon優化器與AdamW，取消了批次大小暖身階段，並重新校準模型的縮放定律。混合專家層本身在512個專家中路由，每個token啟用10個路由專家加1個共享專家，專家中間維度為640。

• 主幹共1250億參數，每個token僅啟用60億
• 510億參數的N-gram嵌入表加40億參數的多token預測模組——磁碟總參數量達1800億
• MoE層共512個專家，每個token啟用10個路由專家加1個共享專家
• 原生上下文窗口26萬2144個token，透過YaRN可擴展至100萬token
• FP8 checkpoint：172.78 GiB；BF16 checkpoint：335.28 GiB

跑分領先更大規模的對手——但並非全面領先

在代理式（agentic）程式設計方面，據The Decoder報導，Qwen表示Flash-Next在DeepSWE 1.1上得分58.7，在SWE-bench Pro上得分62.5，均領先DeepSeek-V4-Flash與Claude Opus 4.6（Max）。在辦公與專業工作流任務上，差距進一步拉大：據The Decoder報導，Flash-Next在CoWorkBench上得分73.9，DeepSeek-V4-Flash僅45.1分；在JobBench上得分55.7，幾乎是Qwen3.7-Plus（27.6分）的兩倍。據The Decoder轉述阿里巴巴自有基準比較的報導，Qwen3.7-Plus本身共有3970億參數，每個token啟用170億——幾乎是Flash-Next啟用參數量的三倍，而DeepSeek-V4-Flash共有2840億參數，啟用130億。

這款模型並非全面領先。MarkTechPost指出，在Humanity's Last Exam測驗中，Claude Opus 4.6（Max）以40.0分領先Qwen的35.9分；在NL2Repo-Bench測驗中，DeepSeek-V4-Flash-0731以54.2分領先48.1分。The Decoder補充說，相較之下，Claude Opus 4.6是一款「較舊」的Anthropic模型，發布於2026年2月，並提醒讀者跑分成績與實際表現可能有落差。

訓練成本降至九分之一，價格僅為一小部分

據MarkTechPost報導，Qwen表示Flash-Next的訓練成本約為Qwen3.7-Plus的九分之一。在推理服務速度上，兩份資料給出的具體數字並不一致：MarkTechPost報導指出，Qwen自己的公告表示QSA核心在100萬token規模下，預填充速度最高提升7.6倍，解碼速度最高提升4.9倍；而同一篇MarkTechPost文章引用的SGLang與vLLM獨立部署方案，則分別給出10.2倍與6.6倍的提升幅度——MarkTechPost本身點出了這項落差，並建議讀者「在獲得獨立測量結果之前，先把這個區間視為廠商自述數據」。據MarkTechPost報導，Qwen還宣稱，在前綴快取命中率達90%的情況下，其預填充輸送量是Qwen3.7-Plus的8.6倍。

在定價方面，The Decoder報導指出，正式版Qwen3.8-Flash已透過QwenCloud提供，輸入token每百萬計0.16美元，輸出token每百萬計0.47美元，相應API預計不久後上線。The Decoder指出，這個價格約為阿里巴巴現有旗艦模型Qwen3.8-Max的十二分之一——該旗艦模型於8月初發布，對標Claude Opus 4.8、Gemini 3.1 Pro與GPT-5.6 Sol；儘管在阿里巴巴自身的基準測試中，Flash-Next的表現略遜於這款旗艦模型。

可以部署，但無法在工作站上運行

儘管啟用參數量效率較高，Flash-Next並不是一般開發者能隨手運行的模型。MarkTechPost報導指出，FP8 checkpoint體積達172.78 GiB，BF16版本則達335.28 GiB；根據vLLM自身的部署方案，在Nvidia GB300上，經驗證的最低FP8配置需要兩張GPU進行張量平行運算，官方建議使用四張；而在8×H200節點上，則需要混合張量—專家平行配置，因為標準的8路張量平行與該checkpoint 128寬的量化區塊並不相容。MarkTechPost指出，稀疏啟用降低了運算量，但沒有降低儲存需求。該模型採用阿里巴巴自有的qwen-community-1.0授權發布，而非Apache 2.0授權，MarkTechPost補充說，這代表商用前需要仔細核對授權條款。

阿里巴巴透過Flash-Next下的這步棋，賭的是結構而不只是數字：透過混合專家路由與輔助查找表讓總容量持續成長的同時，維持較低的啟用參數量，能讓模型逼近規模大得多、成本高得多系統的推理品質，同時把每次請求的運算成本壓低到一小部分。這也是為什麼Qwen將這次發布定位為「架構預覽」而非成品——這是在一個規模較小的模型上，為阿里巴巴計畫推廣到整個Qwen4系列的構想所做的一次公開彩排。

對於正在權衡究竟採用Claude、GPT等西方專有API，還是轉向中國開放權重模型的企業而言，Qwen3.8-Flash-Next讓這道選擇題更加清楚：一款開放權重模型，價格只是頂尖專有模型的一小部分，在程式碼與辦公自動化跑分上追平甚至超越規模大得多的系統，如今既可以自行部署，也能透過QwenCloud按需租用——不過它仍需要多GPU伺服器而非一般工作站才能運行，而且授權並非Apache協議，任何商用部署前都值得仔細閱讀條款。