Qwen3.8-Flash-Next 深度解读：全新架构提前释出，125B MoE 训练成本砍到 1/9
事件发生日期：2026-08-26（长期词放宽：Qwen3.8-Flash-Next 是 Qwen4 架构预览，站内科苑空白，属「XX 是什么 / 怎么用 / 与 YY 对比」类长期搜索词）
导语
Qwen3.8-Flash-Next 是阿里巴巴通义千问团队在 2026 年 8 月 26 日开源权重的多模态 MoE 大模型，同时充当 Qwen4 全系架构的先导预览：Qwen4 将在这套结构上构建完整模型家族。与上一代 Qwen3.7-Plus 相比，它用约 1/9 的训练成本实现了更强的编码和办公智能体能力，激活参数仅 6B，却能在多个权威基准上超越 27B 的 Qwen3.8-27B 与 397B 的 Qwen3.7-Plus。每一百万 Tokens 输入仅 0.8 元、输出 2.7 元，在千问 AI 平台直接可用。
一、为什么发布一个「Flash-Next」版本
通义千问从 Qwen3-Next 开始引入 Gated DeltaNet + Gated Attention 混合结构，该设计随后被 Qwen3.5、Qwen3.6、Qwen3.7 与 Qwen3.8 全系列采用。这次团队决定在 Qwen4 完整模型家族上线之前，提前开源结构改动，让社区先对新技术进行检验，再在 Qwen4 中正式固化。这是继 Qwen3-Next 之后，通义千问第二次采用「先跑架构预览、再上完整系列」的发布节奏。
Qwen3.8-Flash-Next 主模型总参数量 125B，额外配备 51B 的 N-gram Embedding（可卸载到主机内存并异步预取），每 Token 激活 6B 参数。上下文原生支持 262,144 tokens，配合 YaRN 可扩展至 1,000,000 tokens。
二、四大架构升级：Attention → Residual → Embedding → Optimization
2.1 Attention：GDN + QSA 混合架构
长上下文场景下，全序列 Attention 的计算开销是主要瓶颈。Qwen3.8-Flash-Next 采用 Gated DeltaNet（GDN）+ Qwen Sparse Attention（QSA） 混合架构解决这一问题：
– Gated DeltaNet（GDN）：高效压缩历史信息，减少重复存储与计算；
– Qwen Sparse Attention（QSA）：通过压缩式轻量 Indexer，在 micro-block 粒度上筛选重要上下文，实现显著降低长序列 Attention 开销的同时保留关键信息。
两者配合，使 26 万上下文不再成为计算负担。
2.2 Residual：Gated Residual 四分支动态门控
传统 Transformer 每层残差流只有一条通道，信息传递方式单一。Qwen3.8-Flash-Next 将残差流扩展为 4 条独立分支，引入 动态 Gate 机制控制每条分支的信息读写比例。这一设计显著增强了跨层信息传递效率与训练稳定性——模型可以在不同层、不同任务阶段自适应地决定保留多少旧信息、写入多少新信息。
2.3 Embedding：N-gram Embedding 扩展模型容量
N-gram Embedding 利用局部上下文进行查表，以很小的额外计算开销扩展模型有效容量。关键特性：
– 51B 额外参数量，但 Embedding Table 可卸载至 Host Memory，并通过异步 Prefetch 与模型计算重叠，实际显存占用可控；
– 扩展的是「查表」能力而非计算量，在不显著增加推理成本的前提下提升模型对短语、实体和常见模式的记忆能力。
2.4 Optimization：Muon Optimizer + 重新拟合 Scaling Law
训练阶段采用 Muon Optimizer，围绕三个核心策略优化：
1. 正交化精度：保证参数更新方向的正交性，减少梯度干扰；
2. Muon 与 AdamW 的参数分工：不同参数组使用不同 Optimizer，各司其职；
3. 融合参数拆分：降低分布式训练中的通信开销。
此外，团队针对新架构重新拟合了 Scaling Law，确保在扩展至 Qwen4 规模时能准确预测性能曲线。
三、基准测试：6B 激活参数超越多款大模型
3.1 纯文本任务
| 基准 | Qwen3.8-Flash-Next | Qwen3.8-27B | Qwen3.7-Plus | DeepSeek-V4-Flash-0731 | Claude-Opus-4.6 Max |
|---|---|---|---|---|---|
| 总参数量 | 125B | 27B | 397B | 284B | — |
| 激活参数量 | 6B | 27B | 17B | 13B | — |
| DeepSWE 1.1（Agent 编程） | 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 |
| NL2Repo-Bench | 48.1 | 42.3 | 41.1 | 54.2 | 47.6 |
| CoWorkBench（长程办公） | 73.9 | 70.7 | 65.1 | 45.1 | 68.2 |
| JobBench（专业任务） | 55.7 | 33.4 | 27.6 | 41.3 | 36.6 |
| Agents’ Last Exam Pass@1 | 24.3 | 20.4 | 13.2 | — | — |
| Toolathlon Verified Pass@1 | 73.5 | 67.1 | 50.6 | 70.3 | — |
| IFBench（指令遵循） | 81.3 | 79.5 | 79.1 | 79.2 | 62.5 |
| GPQA Diamond（科学推理） | 91.7 | 89.2 | 90.3 | 90.8 | 91.3 |
| LiveCodeBench v6（编程） | 91.9 | 90.3 | 89.6 | 90.6 | 88.8 |
> 数据来源：Qwen 官方技术报告，评测温度 temp=1.0、top_p=0.95、上下文窗口 256K。
核心结论：Qwen3.8-Flash-Next 以 6B 激活参数在编码（DeepSWE 1.1 +4.3、LiveCodeBench +1.3）、智能体（JobBench +14.3、Toolathlon +3.2）、多语言编程（SWE-bench Multilingual +5.2）三项关键指标上领先所有对照模型。397B 激活 17B 的 Qwen3.7-Plus 在多数指标上反而落后。
3.2 多模态任务
| 基准 | Qwen3.8-Flash-Next | Qwen3.8-27B | Qwen3.7-Plus | Claude-Opus-4.6 Max |
|---|---|---|---|---|
| ClawEval-MM Pass@3/Avg | 64.4 / 60.4 | 57.4 / 56.9 | 57.4 / 60.1 | 52.5 / 54.7 |
| RecreationBench（应用复现） | 49.9 | 47.1 | 30.2 | — |
| AndroidWorld（移动 Agent） | 84.5 | 81.9 | 81.0 | 62.0 |
| OSWorld 2.0 Binary/Partial | 19.4 / 52.3 | 19.4 / 48.0 | 2.8 / 21.5 | — |
| Vision2Web | 64.0 | 62.9 | 42.1 | — |
| ERQA（具身智能） | 72.3 | 65.5 | 69.8 | 40.8 |
| LVBench（长视频理解） | 76.6 | 72.4 | 76.2 | 63.0 |
| RealWorldQA | 88.5 | 85.9 | 86.9 | 73.9 |
| MathVision（视窗数学） Without CI | 90.6 | 90.0 | 90.3 | 65.5 |
多模态方面，Qwen3.8-Flash-Next 在移动 Agent（AndroidWorld +2.6）、计算机操作（OSWorld Binary +0）、视觉网页开发（Vision2Web +1.1）和具身智能（ERQA +2.5）上均有提升。
四、上下文与价格：26 万上下文、百万 Token 仅 0.8 元
Qwen3.8-Flash-Next 原生支持 262,144 token 上下文，通过 YaRN 可扩展至 1,000,000 token（100 万），适用于超长文档分析与多轮复杂任务。
在千问 AI 平台（qwen.ai）可直接调用默认 1M 上下文的生产级版本 Qwen3.8-Flash，定价如下：
| 规格 | 价格（每百万 Tokens） |
|---|---|
| 输入 | 0.8 元 |
| 输出 | 2.7 元 |
对比：Qwen3.8-Omni-Flash 音视频 API 输入降幅超 93%，Qwen3.8-Flash 则是纯文本性价比最高档位。
权重已开源至 Hugging Face 与 ModelScope，技术报告见 GitHub 仓库。
五、FAQ
Q1：Qwen3.8-Flash-Next 和 Qwen3.8-Flash 是什么关系？
Qwen3.8-Flash-Next 是开源权重预览版，展示 Qwen4 架构的技术细节；Qwen3.8-Flash 是千问 AI 平台上的生产级服务版本，默认 1M 上下文、内置官方工具，面向 API 用户。两者的核心架构一致，但应用形态不同。
Q2：6B 激活参数如何超越 27B 稠密模型？
MoE（Mixture of Experts）架构的核心优势在于：虽然总参数量大（125B），但每处理一个 Token 只激活 6B 参数的专家网络，剩余参数保持沉默。对比 27B 稠密模型（Qwen3.8-27B）每次推理激活全部 27B 参数，Flash-Next 用更少的激活参数实现更精准的路由选择，在编码、办公等专项任务上效率更高。
Q3：Gated DeltaNet 和传统 Attention 相比，优势在哪里？
传统全序列 Attention 需要对每一个历史 Token 计算 Query-Key-Value 乘积，成本为 O(n²)。GDN 通过门控机制压缩历史信息，降低记忆冗余；QSA 在 micro-block 粒度做稀疏筛选，只对重要上下文计算全 Attention。两层压缩叠加，使 26 万 token 的长序列场景计算量大幅降低，同时保持对关键信息的完整感知。
相关阅读
– Qwen3.8-Omni-Flash发布：原生全模态Agent，29项基准涨25%
– Qwen-Drive-1.0：首个统一3D感知与运动规划的自动驾驶视觉-语言模型
– Qwen3.8-LiveTranslate深度：Interleave架构把同传延迟压到2.3秒
– Qwen-Image-2.1深度：7B参数实现文生图与编辑大一统
– DeepSeek V4.1 Flash发布：552B MoE、KV缓存缩437倍
小结
Qwen3.8-Flash-Next 是通义千问团队一次罕见的「架构提前透明化」操作：开源权重、公布全部技术细节，让社区在 Qwen4 正式发布前就有机会验证新架构的实际效果。四大升级（GDN+QSA 混合 Attention、Gated Residual、N-gram Embedding、Muon Optimizer）共同实现了「更少激活参数、更强专项能力、显著更低训练成本」的三重目标。125B 总参数量配合 6B 激活、26 万上下文与 0.8 元/百万 Token 的定价，让它成为目前开源与性价比兼顾最具竞争力的模型之一。随着 Qwen4 在此架构上扩展完整系列，这套设计方向的有效性也将得到最终验证。
延伸阅读
- 阿里云海外发布 Qwen Cloud 与 MuleRun：Qoder 1.0 用户超 500 万，60+ 云产品完成 Skill 化3 周前
- Qwen3.8-LiveTranslate深度：Interleave架构把同传延迟压到2.3秒11 小时前
- 千问首款AI耳机亮相NBA中国赛：耳夹+Bose调音，10月13日正式开售4 天前
- HappyOyster 1.0系列模型上架阿里云百炼：Adventure实时生成开放世界，Directing驱动剧情镜头3 周前