2026 年 8 月 26 日晚，阿里巴巴发布并同步开源千问最新模型 Qwen3.8-Flash-Next（国内媒体多称 Qwen3.8-Flash）。据 Qwen 官方研究博客，这是一个多模态 MoE 模型，同时是 Qwen4 所用架构的早期预览——它扮演的角色与当年 Qwen3-Next 之于 Qwen3.5 相同：Qwen3-Next 引入的 Gated DeltaNet + Gated Attention 混合设计，随后被 Qwen3.5、Qwen3.6、Qwen3.7 和 Qwen3.8 全系列沿用。官方表示「我们再次提前释放架构变化，让社区可以在完整的 Qwen4 模型家族构建之前先行审视它们」。
一、模型规格
综合官方博客模型卡与新京报贝壳财经报道：
| 项目 | 数值 |
|---|---|
| 主模型（Transformer）总参数 | 125B |
| N-gram Embedding 额外参数 | 51B |
| 每 token 激活参数 | 6B |
| 原生上下文长度 | 262,144 tokens（256K） |
| YaRN 扩展后上下文 | 1,000,000 tokens（1M） |
| 模型类型 | 多模态 MoE |
| API 定价（国际站） | 输入 $0.15 / 百万 tokens，输出 $0.47 / 百万 tokens |
| API 定价（国内，据新京报） | 输入 1 元 / 百万 tokens，输出 3 元 / 百万 tokens |
与同代模型对比（官方对比表）：Qwen3.8-Flash-Next 为 125B 总参 / 6B 激活 / 51B N-gram 参数；Qwen3.8-27B 为 27B / 27B；Qwen3.7-Plus 为 397B / 17B；DeepSeek-V4-Flash-0731 为 284B / 13B。也就是说，它以 6B 的激活参数，在与千亿级模型的同场竞技中取得了极具竞争力的成绩——新京报报道称其性能超越 Claude Opus 4.6、接近 Opus 4.8，创下模型效率的全球新基准；性能与上一代 Qwen3.7-Plus 接近，但仅用九分之一的资源便完成了训练。
二、架构革新：四个方向的系统性升级
1. 注意力：GDN + QSA 混合架构
Qwen3.8-Flash-Next 采用 GDN + Attention 混合架构：每 4 层中有 3 层使用 Gated DeltaNet（GDN），将历史信息持续压缩进一个固定大小的状态；剩余 1 层使用全局 Attention，对全上下文做精确检索。在此基础上，QSA（Qwen Sparse Attention） 进一步压缩注意力成本：一个轻量级 indexer 先将序列聚合为微块（micro-blocks），在块级别估计上下文重要性，再选择最相关的区域做 Attention——这不仅降低了 Attention 本身的开销，也降低了识别重要上下文所需的索引开销。与跨层共享索引的方案（如 IndexCache）不同，QSA 在每层内独立做序列压缩，特别适合 GDN 与 Attention 交错排布的混合架构。
官方博客的概括是：「GDN 高效地『记忆』，QSA 精确地『检索』。」官方还与 DeepSeek-V3.2 的 DSA 做了对比：DSA 仍依赖 token 级 indexer 定位重要位置，随着上下文增长，indexer 本身会成为不可忽视的计算开销来源。
2. Gated Residual：残差流扩为 4 条分支
Gated Residual（GR）结合了两个思路：沿用 Hyper-Connection 将残差流拓宽为多分支的做法，并融入 GatedNorm 的逐元素动态门控读取。原始单一残差流被扩展为 4 条并行分支，模型可根据当前内容动态决定从每条分支读多少信息、写回多少信息。实证分析发现，其中一条分支会自然演化为连接第一个 Attention 层与后续大多数层的「长程通道」。GR 还简化了 Hyper-Connection：当读写操作足够有表达力时，额外的分支混合没有明显收益，可以直接去掉，从而降低显存访问开销和不稳定来源；门控还能有效抑制激活值异常（activation outliers）。残差状态支持 FP8 存储，进一步降低访存开销。
3. N-gram Embedding：51B 参数的「本地模式记忆」
受 Gemma 3n 的 Per-Layer Embedding 和 DeepSeek Engram 等工作启发，Qwen 引入 N-gram Embedding 在 Transformer 主干之外扩展模型容量：标准 Embedding 只按单个 token 查表，N-gram Embedding 则用当前 token 与前若干 token 构成的局部上下文查表，为常见短语和局部模式提供额外表示。其关键优势是几乎不为每 token 计算增加任何开销就能加入大量参数：由于查表位置可以提前确定，这 51B 参数可以放在主机内存（Host Memory）中，与模型计算异步并行预取，不永久占用 GPU 显存。最终模型只在网络开头附近使用单层 N-gram Embedding，相当于以较低代价外挂了一个大规模「本地模式记忆」。
4. 优化器：Muon 及其大规模训练改进
模型使用 Muon 优化器训练，并围绕三个方面做了大规模应用改进：正交化精度、Muon 与 AdamW 的参数分配（Attention/GDN/MoE 专家主权重用 Muon，Embedding、MoE Router 和 GR 低秩参数继续用 AdamW）、融合参数矩阵的拆分（QKV、SwiGLU、GDN 投影先按独立线性变换拆分再分别正交化）。团队还发现，大规模训练常用的 Batch Size Warmup 其实不再必要：从小 batch 逐渐升到目标 batch 并不改善最终结果，反而需要多 18.8% 的优化器步数——最终配方直接从目标 Batch Size 起训。重拟合的 Scaling Law 表明模型可以稳定使用更大的学习率与 Batch Size，进一步提升收敛效率和大规�模并行训练吞吐。
其他架构细节还包括：超稀疏 MoE（全局负载均衡，固定激活专家数、增大总专家参数可稳定降低训练损失，含 1 个共享专家）、多 Token 预测（MTP）多步训练（训练与推理一致，提高投机解码接受率，其 full-attention 层同样替换为 QSA），以及多项训练稳定性技巧（Zero-centered RMSNorm、attention output gating、归一化 MoE Router 初始化）。
三、成本与性能数据
- 训练成本：约为 Qwen3.7-Plus 的 1/9，但在编程与办公任务上能力更强；
- QSA Attention Kernel 在 1M tokens 下：Prefill 加速 7.6×，Decode 加速 4.9×；
- 在线服务典型场景（90% 前缀缓存命中率）：1M token 上下文下 Prefill 吞吐为 Qwen3.7-Plus 的 8.6×；
- 新京报报道：在高缓存命中的 1M Tokens 长上下文实际场景中可提速 8 倍以上，推理价格最低至 DeepSeek-V4-Flash 的 1/3。
四、评测成绩（官方博客数据）
语言能力（后训练模型，节选）
| 基准 | Flash-Next | Qwen3.8-27B | Qwen3.7-Plus | DS-V4-Flash-0731 | Opus 4.6 |
|---|---|---|---|---|---|
| DeepSWE 1.1 | 58.7 | 42.2 | 16.5 | 54.4 | — |
| SWE-bench Pro | 62.5 | 61.7 | 55.8 | 56.0 | 53.4 |
| SWE-bench Multilingual | 81.0 | 73.8 | 75.8 | — | 77.5 |
| CoWorkBench | 73.9 | 70.7 | 65.1 | 45.1 | 68.2 |
| JobBench | 55.7 | 33.4 | 27.6 | 41.3 | 36.6 |
| Toolathlon Verified (Pass@1) | 73.5 | 67.1 | 50.6 | 70.3 | — |
| IFBench | 81.3 | 79.5 | 79.1 | 79.2 | 62.5 |
| GPQA Diamond | 91.7 | 89.2 | 90.3 | 90.8 | 91.3 |
| LiveCodeBench v6 | 91.9 | 90.3 | 89.6 | 90.6 | 88.8 |
视觉语言能力（节选）
| 基准 | Flash-Next | Qwen3.8-27B | Qwen3.7-Plus | Opus 4.6 |
|---|---|---|---|---|
| AndroidWorld | 84.5 | 81.9 | 81.0 | 62.0 |
| OSWorld 2.0 (Partial) | 52.3 | 48.0 | 21.5 | — |
| RecreationBench | 49.9 | 47.1 | 30.2 | — |
| RealWorldQA | 88.5 | 85.9 | 86.9 | 73.9 |
| LVBench | 76.6 | 72.4 | 76.2 | 63.0 |
Base 模型
官方结论：以 6B 激活参数，Qwen3.8-Flash-Next-Base 在 14 项基准中的 8 项取得最佳（对比 Qwen3.8-27B-Base 与 Qwen3.7-Plus-Base），包括 MMLU-Pro 73.23、SuperGPQA 51.36、BBH 90.87、EvalPlus 78.76、MGSM 89.33 等。
五、获取与部署
- Hugging Face：huggingface.co/Qwen/Qwen3.8-Flash-Next
- ModelScope：modelscope.cn/models/Qwen/Qwen3.8-Flash-Next
- 技术报告：github.com/QwenLM/Qwen3.8-Flash-Next（tech_report.pdf）
- 生产版本 Qwen3.8-Flash 已上线 QwenCloud（默认 1M 上下文 + 官方内置工具），并驱动阿里 QwenWork 平台的「Standard」模式；模型当晚首发上线「千问办公」（据新京报）。
官方支持的编程 Agent 工具链相当丰富：Claude Code、Codex、Qoder CLI、Qwen Code、OpenClaw 均给出配置方法。以 Claude Code 为例（命令摘自官方博客）：
npm install -g @anthropic-ai/claude-code
export ANTHROPIC_MODEL="qwen3.8-flash"
export ANTHROPIC_SMALL_FAST_MODEL="qwen3.8-flash"
export ANTHROPIC_BASE_URL=https://dashscope-intl.aliyuncs.com/apps/anthropic
export ANTHROPIC_AUTH_TOKEN=<your_api_key>
claudeAPI 使用（OpenAI 兼容接口，示例摘自官方博客）：
from openai import OpenAI
import os
client = OpenAI(
api_key=os.environ["DASHSCOPE_API_KEY"],
base_url=os.environ.get(
"DASHSCOPE_BASE_URL",
"https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
),
)
completion = client.chat.completions.create(
model="qwen3.8-flash",
messages=[{"role": "user", "content": "Write a Python function to merge two sorted linked lists."}],
extra_body={"enable_thinking": True},
reasoning_effort="xhigh", # 支持 xhigh、medium、low 三档
stream=True,
)推理引擎方面，社区可通过 vLLM、SGLang 等主流框架部署；官方还同步开源了 FlashQLA 注意力算子库（github.com/QwenLM/FlashQLA）。
参考来源
- Qwen 官方研究博客：Qwen3.8-Flash-Next: A New Architecture, Towards Ultimate Cost-Efficiency（qwen.ai，2026-08-26）
- 新京报贝壳财经《阿里开源发布 Qwen3.8-Flash，训练成本骤降近 90%》（2026-08-26）
本文为资讯类内容，摘录整理自下列公开资料（官方博客、模型卡与权威媒体报道），技术数字以官方原文为准，版权归原作者所有。
