הכירו את Qwen3.8-Flash: מודל MoE מולטי-מודאלי עם משקלים פתוחים שמספק הצצה לארכיטקטורת Qwen4 — $0.15/$0.47 לכל מיליון טוקנים ב-QwenCloud

ב-26 באוגוסט 2026, צוות Qwen פרסם כקוד פתוח את המשקלים מאחורי Qwen3.8-Flash — ששוחררו ב-Hugging Face וב-ModelScope תחת השם Qwen3.8-Flash-Next — והשיק את מודל הייצור הנושא את השם Qwen3.8-Flash ב-API של QwenCloud, ואישר את התמחור הרשמי למחרת. הנתון המרכזי — שאושר רשמית בהכרזה של עליבאבא עצמה ב-28 באוגוסט — הוא מודל מולטי-מודאלי של mixture-of-experts עם 125 מיליארד פרמטרים שמפעיל רק כ-6 מיליארד פרמטרים לכל טוקן, דלילות של כ-95%, הבנוי על ארכיטקטורה שעליבאבא מתארת במפורש כתצוגה מקדימה מוקדמת של דור Qwen4. API הייצור פעיל ב-QwenCloud במחיר של $0.15 למיליון טוקני קלט, $0.47 למיליון טוקני פלט, ו-$0.016 למיליון על היטי מטמון — הדרך הזולה ביותר להריץ משהו שמבחינה מבנית הוא צאצא של הדגל הבא של עליבאבא, והפעם הראשונה שהמעבדה משחררת תצוגה מקדימה של ארכיטקטורה כמשקלים פתוחים לציבור לפני שכל משפחת המודלים קיימת.

מספר אחד נושא משקל רב יותר משאר גיליון המפרט: 6B. Qwen3.8-Flash לא משיג את היכולת שלו מגודל גולמי — הוא משיג אותה מהמקום שבו הוא ממקם את כוח החישוב. גוף MoE של 125B, טבלת הטמעות N-gram של 51B, ומודול קטן לחיזוי רב-טוקנים מאחסנים קרוב ל-180B פרמטרים על הדיסק, ובכל זאת כל טוקן מנותב דרך 6B בלבד מהם. זה ההימור שכל המהדורה הזו נשענת עליו, וזו הסיבה שחשבון האימון ירד כל כך.

מה שנשלח בפועל

Qwen3.8-Flash, ללא הסיומת, הוא המודל היצרני שזמין כעת ב-API של QwenCloud ובתוך מוצר Qwen Office של עליבאבא; הוא מגיע עם אורך הקשר ברירת מחדל של מיליון טוקנים וכלים מובנים, במחיר של $0.15/$0.47 למיליון טוקנים, עם פגיעות מטמון ב-$0.016. ב-28 באוגוסט התרחבה רשימת הזמינות: לפי ההודעה של עליבאבא, Qwen3.8-Flash זמין כעת גם דרך OpenCode Go, המנוי בתעריף קבוע של סוכן התכנות בקוד פתוח למסוף — רשימת הדגמים של OpenCode עצמו כוללת אותו בשם qwen3.8-flash באותם תעריפים של $0.15/$0.47 למיליון.

ההכרזה הרשמית של Qwen Studio ממסגרת את שחרור המודל בעל המשקלים הפתוחים כהזמנה למערכת האקולוגית: לשלוח את השינויים המבניים מוקדם, כך שהקהילה וכלי ההסקה יוכלו להסתגל לפני בניית המערך המלא של Qwen4. הסימן הראשון שזה עבד הוא SGLang — מנוע ההסקה הנתמך על ידי LMSYS — שפרסם תמיכה ביום הראשון ב-Qwen3.8-Flash-Next, כאשר המודל מוגדר גם עבור Transformers, vLLM ו-TokenSpeed.

הארכיטקטורה היא הסיפור

זהו לא מודל מדור Qwen 3.8 שהוקטן. Qwen3.8-Flash מציגה ארבעה שינויים שהצוות אומר שמשפחת Qwen4 תירש, וכל אחד מהם מכוון לצוואר בקבוק אחר.

• תשומת לב — Gated DeltaNet ו-Qwen Sparse Attention. Gated DeltaNet (GDN) דוחסת היסטוריה למצבים בגודל קבוע בשלוש מתוך כל ארבע שכבות, כך שהמודל אינו קורא מחדש את הכול בכל צעד; לאחר מכן, QSA מתייחסת להקשר ארוך כבעיית חיפוש — אינדקסר קל משקל מאגד את הרצף למיקרו-בלוקים, מדרג חשיבות ברמת הבלוק, ומנתב את הקשב לאזורים הרלוונטיים ביותר. במדידות של Alibaba, ליבת הקשב של QSA מגיעה עד 7.6× מהירות גבוהה יותר ב-prefill ו-4.9× מהירות גבוהה יותר ב-decode בהקשר של 1M-token (לפי דיווח הספק).

• שיורי — שיורי עם שער. זרם השיור הבודד הופך לארבעה ענפים מקבילים עם שער לפי רכיב, המאפשר לרשת להחליט לכל טוקן כמה לקרוא ולכתוב בכל ענף; ענף אחד מתמקם לערוץ למרחקים ארוכים המחבר בין שכבות קשב מוקדמות לשכבות עמוקות. מצבי השיור מאוחסנים ב-FP8 כדי לקצץ ברוחב הפס של הזיכרון.

• הטמעה — הטמעות N-gram. טבלת חיפוש עם 51B פרמטרים שמפתחותיה הם הטוקן הנוכחי וכמה טוקנים קודמים. היא מוסיפה קיבולת בלי להוסיף חישוב לכל טוקן, ובגלל שהטבלה יכולה לשכון בזיכרון המארח ולהיטען מראש באופן אסינכרוני, היא לא תופסת לצמיתות זיכרון GPU.

{{1}}אופטימיזר — Muon.{{/1}} {{2}}פרמטרים ליניאריים דו-ממדיים גדולים (attention, GDN, מומחי MoE) מתאמנים עם Muon, בעוד ש-embeddings, הנתב ורכיבי ה-low-rank של Gated Residual נשארים עם AdamW; הצוות התאים מחדש את חוק הסקיילינג לארכיטקטורה החדשה סביב התמהיל.{{/2}}

למפתח, שניים מהדברים הללו חשובים באופן מיידי: מחסנית הקשב היא הסיבה לכך שהקשר של 1M-token יכול להיות ברירת מחדל ולא יעד שאפתני, וטבלת ה-N-gram היא הסיבה לכך שמודל של 125B עדיין יכול לשרת בצורה רזה. השאר הוא חומר תצוגה מקדימה ל-Qwen4 — וזה בדיוק איך שאליבאבא ממתגת אותו.

טבלת אמות המידה, מתויגת ביושר

כל מספר בסעיף זה הוא הערכה עצמית של אליבאבא, בת יום אחד, שלא שוכפלה על ידי אף מעבדה עצמאית נכון למועד כתיבת שורות אלה. יש להתייחס אליהם כאל טענות כיווניות, לא כתוצאות סופיות. במערך הבדיקות של אליבאבא, Qwen3.8-Flash-Next (6B פעיל) רושם SWE-bench Pro 62.5, DeepSWE 1.1 58.7, CoWorkBench 73.9, AndroidWorld 84.5, ו-MathVision 95.7, עם ציון JobBench של 55.7 — והגרסה הבסיסית, Qwen3.8-Flash-Next-Base, מדווחת כמודל הפתוח הטוב ביותר ב-8 מתוך 14 מבחני השוואה בסקר ראש-בראש, כולל MMLU-Pro, SuperGPQA, BBH, ו-MMMU.

הטענות של אליבאבא על מיקום במשפחה צריכות להיות מסומנות כפי שהן — טענות. החברה אומרת ש-Qwen3.8-Flash מנצח את Claude Opus 4.6 ב-9.1 נקודות ב-SWE-bench Pro ובערך 20 נקודות ב-JobBench, ומתקרב לטווח השגה של Claude Opus 4.8. הכל מדווח על ידי הספק, והכל לא שוכפל. מה שניתן לבדיקה בלתי תלויה היום הוא מצומצם יותר: המשקולות פורסמו, מחסנית ההסקה כבר מריצה אותן, ו-SGLang השיקה תמיכה באותו יום. השכפול העצמאי של גיליון האמות מידה נמצא במרחק ימים, ולא שבועות.

כמה זה עולה

תמחור הוא החלק הקל ביותר לאימות, כי מדובר במחיר מפורסם ולא בנקודת אמת — וב-27 באוגוסט אליבאבא אישרה רשמית את התעריף של QwenCloud在生产: 0.15 דולר למיליון טוקני קלט, 0.47 דולר למיליון טוקני פלט, ו-0.016 דולר למיליון בפגיעות מטמון, כשהתעריף הסיני המקומי הוא ¥0.8/¥2.7/¥0.1. המספר של פגיעות המטמון הוא זה שחשוב לעומסי עבודה של סוכנים: סוכן בעל הקשר ארוך שקורא מחדש היסטוריה גדולה בכל תור משלם אגורות על קריאות חוזרות, וזה בדיוק עומס העבודה שמחסנית הקשב של Qwen4-preview מכוונת אליו. העיתונות הסינית השוותה מיד את המחיר הראשי לעמיתים — בערך שליש ממה ש-DeepSeek-V4-Flash גובה, ושגיאת עיגול לצד מודלים סגורים עיליים. בחשבונאות של אליבאבא עצמה, עלות ריצת האימון הוערכה כעשירית בערך מזו של Qwen3.7-Plus, והמינוף המבני הזה הוא מה שמאפשר למחיר ה-API לשבת היכן שהוא יושב.

לצד שאר משפחת Qwen 3.8, הפער בולט: ה-Qwen3.8-Max הדגל מתומחר ב-$2.00 ו-$6.00 למיליון טוקנים, וכבר זמין ב-OrcaRouter במחיר המחירון של הספק ללא תוספת. כעת, כשה-API היצרני של Qwen3.8-Flash פתוח, אותו מעבר ישיר חל על התעריף הרשמי של $0.15/$0.47 ועל תעריף פגיעת המטמון של $0.016 — שכבת ניתוב היא ההבדל בין לקרוא על הפחתת מחיר לבין שיהיה לך את זה בתצורה. שני הדגמים מאחורי מפתח אחד, מעבר גיבוי ביניהם, בלי חוזה שני.

מה פירוש "תצוגה מקדימה של Qwen4"?

קראו את ההכרזה כפשוטה וההימור ברור: זו אינה דרגה חדשה של Qw​en 3.8 — זו הארכיטקטורה של Qwen4 שנשלחה מוקדם, תחת המותג המגן של מודל קטן וזול יותר. הסיבות לכך מוצדקות: מסגרות, קוונטיזציה ודפוסי פריסה צריכים זמן להתבגר, ומודל פעיל-6B הוא דרך זולה עבור הקהילה לבחון את GDN + QSA בקנה מידה לפני שאליבאבא בונה את הדבר היקר על גביו. הצד השני הוא שה-Qwen3.8-Flash היצרני הוא API הבנוי על ארכיטקטורה שהמערכת האקולוגית הרחבה עדיין בוחנת. המאמצים המוקדמים הם, מעצם הגדרתם, קבוצת המבחן.

הדרך המהירה לנסות את זה

היום יש לך ארבע אפשרויות ריאליות. אפשר לארח בעצמך את המשקלים הפתוחים דרך vLLM, SGLang, Transformers או TokenSpeed — גרסת ה-FP8 היא התחנה הראשונה ההגיונית בכל מה שפחות מנוד מלא. אפשר לקרוא ל-API של QwenCloud, שזמין כעת בתעריף הרשמי של $0.15/$0.47, עם פגיעות מטמון ב-$0.016. אפשר להשתמש בו בתוך OpenCode Go — מנוי התעריף הקבוע של סוכן הקידוד לטרמינל בקוד הפתוח — שהוסיף השבוע את Qwen3.8-Flash (הוכרז על ידי Alibaba ב-28 באוגוסט, ואושר ברשימת הדגמים של OpenCode עצמו). או לקרוא ל-Flash בגרסת הפרודקשן דרך ראוטר, באותה דרך שבה אתה כבר קורא ל-Qwen3.8-Max, כשהתעריף הרשמי מועבר ללא כל תוספת — בלי אינטגרציה ייעודית לתחזק.

השאלה הפתוחה היא הכנה: האם מודל שמפעיל 6 מיליארד מהפרמטרים שלו יכול להחזיק מעמד בייצור על פני מגוון רחב של עומסי עבודה, או שגיליון אמות המידה שנראה היום בן‑יומו עוד ייראה כך בעוד חודש? זו לא סיבה לחכות — זו סיבה להציב אותו מאחורי מנגנון failover ולא בחזית כל המחסנית שלך. המשקלים בחוץ, המחיר נקבע, והארכיטקטורה היא הכיוון המוצהר של עליבאבא. השבועות הקרובים יכריעו אם 6B הספיק.